スイープについて詳しく学ぶ

  less than a minute  

Academic papers

Li, Lisha, et al. “Hyperband: A novel bandit-based approach to hyperparameter optimization.” The Journal of Machine Learning Research 18.1 (2017): 6765-6816.

Sweep Experiments

次の W&B Reports では、W&B Sweeps を使用したハイパーパラメータ最適化を探るプロジェクトの例を紹介しています。

• Drought Watch Benchmark Progress
  • 説明: ベースラインの開発と Drought Watch ベンチマークへの提出を探ります。
• Tuning Safety Penalties in Reinforcement Learning
  • 説明: 3つの異なるタスクで異なる副作用ペナルティを持つエージェントを訓練します：パターン生成、パターン削除、およびナビゲーション。
• Meaning and Noise in Hyperparameter Search with W&B Stacey Svetlichnaya
  • 説明: 信号を想像上のパターン（パレイドリア）からどのように区別しますか？この記事は、W&Bで何が可能かを示し、さらなる探索を促すことを目的としています。
• Who is Them? Text Disambiguation with Transformers
  • 説明: 自然言語理解のためのモデルを探索するために Hugging Face を使用します。
• DeepChem: Molecular Solubility
  • 説明: ランダムフォレストとディープネットを使用して分子構造から化学的特性を予測します。
• Intro to MLOps: Hyperparameter Tuning
  • 説明: ハイパーパラメータ最適化がなぜ重要かを探り、機械学習モデルのハイパーパラメータチューニングを自動化するための3つのアルゴリズムを見てみましょう。

selfm-anaged

次のハウツーガイドでは、W&B を使用して現実世界の問題を解決する方法を示しています：

• Sweeps with XGBoost
  • 説明: XGBoost を使用したハイパーパラメータチューニングに W&B Sweeps を使用する方法。

Sweep GitHub repository

W&B はオープンソースを推奨し、コミュニティからの貢献を歓迎します。GitHub リポジトリは https://github.com/wandb/sweeps で見つけることができます。W&B オープンソース リポジトリへの貢献方法については、W&B GitHub Contribution guidelines を参照してください。