ghcr.io/kubeflow/katib/earlystopping-medianstop:v0.18.0

ghcr.io/kubeflow/katib/earlystopping-medianstop 是 Kubeflow Katib 组件中的一个早停策略工具，主要用于机器学习超参数调优过程中，提前终止低效训练实验以节省计算资源。 Katib 是 Kubeflow 生态中专注于自动化超参数优化的核心组件，支持参数搜索、早停、模型评估等功能，而早停策略是其关键模块之一。该工具实现的“Median Stop”算法，核心逻辑是在训练过程中动态判断实验有效性：当一个训练实验运行时，工具会定期采集其性能指标（如准确率、损失值），并与同批次其他已完成实验的中位数性能进行对比。若当前实验的性能持续低于中位数且差距达到预设阈值（例如低于中位数 20% 并维持 3 个评估周期），则自动终止该实验，避免继续消耗 GPU/CPU 等资源。 这种策略特别适用于分布式超参数调优场景。在实际训练中，候选参数组合往往成百上千，部分参数组合可能导致模型收敛缓慢或性能远低于预期。若放任这些低效实验跑完完整周期，会严重浪费资源。而 Median Stop 通过中位数对比机制，能快速识别“无潜力”实验——例如某实验在训练 10 个 epoch 后，验证集准确率仅为同批次实验中位数的 60%，工具便会终止该实验，将资源让给更优参数组合。 该工具的优势在于轻量且易集成。它无需修改模型代码，只需在 Katib 实验配置中指定早停规则（如评估指标、对比周期、终止阈值），即可与随机搜索、贝叶斯优化等参数搜索算法配合使用。在深度学习超参数调优任务中（如 CNN、Transformer 模型调参），当单实验训练成本高（如单 epoch 需小时级 GPU 耗时）、候选参数组合数量多（如 100+ 组）时，使用该工具可将资源利用率提升 30% 以上，大幅缩短整体调优周期。 总之，这个工具通过“动态中位数对比”机制，为超参数调优提供了一种高效的资源管理方案，尤其适合计算资源有限或追求调优效率的机器学习工程场景。