AutoML使用限制及规格

支持地域（region）

当前AutoML支持在下列地域使用，如果您需要使用AutoML，需要在控制台切换地域至下面中的一个：

华东1（杭州）、华东2（上海）、华北2（北京）、华南1（深圳）、中国（香港）。

支持的搜索算法

当前AutoML产品在超参搜索中，支持搜索算法有以下几种，下面向您介绍各个搜索算法，以及典型适用场景。

• TPE：Tree-structured Parzen Estimator，是一个无需附加依赖的轻量级算法，可以支持所有的搜索空间类型，为HPO中使用的默认算法。 它可以处理复杂、非线性、高纬度且计算代价较大的问题。TPE的缺点是无法发现不同参数之间的联系。参考文献：Algorithms for Hyper-Parameter Optimization

• GridSearch：网格搜索算法，将所搜空间均匀分成网格，然后遍历所有可能的组合来确定最佳组合。当搜索空间较小时，可以使用该方法，找到绝对最优组合。

• Random：纯随机生成超参组合的方法，与网络搜索原理相似，将超参数搜索空间分成网格，但随机搜索为每个trial会随机选择一组超参数。对于非线性、高维且计算代价较大的问题，它作为一个高效的初筛方法，缩小网格搜索的范围。

• Evolution：演化算法的思想来源于 Large-Scale Evolution of Image Classifiers。算法基于所搜空间初始化，对于每一代迭代，选择较优的多个参数，并对其进行个别参数的突变（如，修改某个超参，增加或减少网络层数等）来获取下一组备选超参。演化算法需要进行多次trial，但是算法逻辑简单且容易扩展到更多的新特征之上。

• GP：是一个使用高斯过程（Gaussian Process）计算loss的贝叶斯优化方法。贝叶斯优化使用trial所得指标的后验分布，利用高斯过程优化目标。随着观察数据量的增加，后验分布也将越来越准确，算法将更确定特定搜索空间是否有效。

• PBT：Population Based Training，算法来自于文献 Population Based Training of Neural Networks。这是一个固定计算资源的异步优化算法，通过优化固定数量模型及超参来提高性能。PBT算法通过对单组超参不停迭代修改发现获得最优，而非通过全局结果来寻找单个最优解。

相关文档

• 新建实验