企业官网建设流程全解析

• 机器学习
• 深度学习
• AutoML
• 大数据
• 后端

导读

max_runtime_secs_per_model是 H2O AutoML 提供的单模型级时间预算参数，用于限制 AutoML 运行中分配给每一个个体模型训练的最长秒数。当 AutoML 的总运行时间预算（max_runtime_secs）与单模型预算（max_runtime_secs_per_model）同时生效时，AutoML 引擎会优先保证单个模型不占用过多时间，从而让训练过程覆盖更多候选算法与超参数组合。本文基于 H2O-3 官方文档与仓库源码，完整说明该参数的语义、默认值、与max_runtime_secs/max_models的配合方式、底层实现原理，并给出 R 与 Python 双语言的可运行示例。

参数总览

• 适用对象：AutoML
• 是否超参数（Hyperparameter）：否（该参数属于 AutoML 构建控制层的停止条件，而非某个具体算法的模型参数）
• 默认值：0，表示禁用（不对单个模型设置时间上限）
• 可用语言：R（h2o.automl）、Python（H2OAutoML）、以及底层 REST API / Java（AutoMLBuildSpec）

功能说明

使用此选项可以指定在 AutoML 运行过程中，专门用于训练每个个体模型的最大秒数。

关键语义要点如下：

1. 作用于个体模型而非整个 AutoML 过程：max_runtime_secs_per_model只约束"一个模型"的训练时长，而max_runtime_secs约束整个 AutoML 运行的总时长。
2. 默认禁用：该选项默认值为0，即不限制单个模型的训练时间。
3. 可复现性警告：受时间预算约束的模型不保证可复现（"models constrained by a time budget are not guaranteed reproducible"）。这一点与max_runtime_secs的警告一致——时间预算属于资源受限条件，若两次运行的集群资源或数据加载耗时不同，模型在时间截断点之前能完成的迭代轮数就可能不同。从 R 包文档（h2o-r/h2o-package/R/automl.R）中同样可以看到对应的注释："Note that models constrained by a time budget are not guaranteed reproducible."，并且建议："Always setmax_modelsto ensure AutoML reproducibility: all models are then trained until convergence and none is constrained by a time budget."——即追求可复现性时，应优先固定max_models并让模型训练至收敛，而不是依赖时间截断。

与相关参数的配合关系

该参数在官方文档中与以下两个参数互为关联：

• max_runtime_secs：AutoML 整体运行的最大秒数。它是 AutoML 的两个主要停止条件之一，详细说明见 h2o-docs/src/product/data-science/algo-params/max_runtime_secs.rst。当max_runtime_secs与max_models都未指定时，max_runtime_secs会动态默认为 3600 秒（1 小时）。
• max_models：AutoML 过程中构建的最大模型数量（不包含 Stacked Ensembles），详细说明见 h2o-docs/src/product/data-science/algo-params/max_models.rst。

在实际使用中，三者可以组合出不同的停止策略：

注意max_runtime_secs_per_model与max_runtime_secs的侧重点不同：前者解决"单个模型训练时间过长、挤占其他模型训练机会"的问题，后者解决"AutoML 整体运行时间失控"的问题。

底层实现原理（源码级解析）

1. 默认值与参数存储

在 Java 后端中，该参数定义在 AutoML 构建规格（build spec）的停止条件对象里。查看 h2o-automl/src/main/java/ai/h2o/automl/AutoMLBuildSpec.java：

• AutoMLStoppingCriteria持有一个_max_runtime_secs_per_model字段，初始默认值为0；
• 构造器中对三个时间/数量类停止条件统一初始化：set_max_models(0)（无限制）、set_max_runtime_secs(0)（无限制）、set_max_runtime_secs_per_model(0)（无限制），这与文档中"默认 0（禁用）"的描述完全一致。

该字段还通过AutoMLBuildSpecV99暴露为 REST 请求的一部分（见 h2o-automl/src/main/java/water/automl/api/schemas3/AutoMLBuildSpecV99.java），因此客户端（Python/R）传入的参数最终会落回服务端的停止条件对象。

2. 单模型时间约束的注入逻辑

max_runtime_secs_per_model真正发挥作用的位置在ModelingStep（建模步骤）中。查看 h2o-automl/src/main/java/ai/h2o/automl/ModelingStep.java，initTimeConstraints方法实现了核心的约束注入：

protected void initTimeConstraints(Model.Parameters parms, double upperLimit) { AutoMLBuildSpec buildSpec = aml().getBuildSpec(); if (parms._max_runtime_secs == 0) { double maxPerModel = buildSpec.build_control.stopping_criteria.max_runtime_secs_per_model(); parms._max_runtime_secs = upperLimit <= 0 ? maxPerModel : Math.min(maxPerModel, upperLimit); } }

逻辑解读：

• 只有模型的max_runtime_secs参数尚未被设置（为 0）时，才把单模型预算注入进去；
• 注入值取max_runtime_secs_per_model与upperLimit的较小者，其中upperLimit是上层传入的分配上限；
• 换句话说，单模型预算是一个"上限中的上限"：模型训练时间既不会超过单模型预算，也不会超过 AutoML 剩余可分配时间。

此外在ModelStep.trainModel中（同一文件 h2o-automl/src/main/java/ai/h2o/automl/ModelingStep.java），当 AutoML 启用了时间约束时，还会根据timeRemainingMs()（AutoML 剩余时间，见 h2o-automl/src/main/java/ai/h2o/automl/AutoML.java）与工作分配比例（getWorkAllocations().remainingWorkRatio）重新计算每个模型的实际可用秒数，并再次取min以保证总运行时间不超预期。训练事件日志会记录"Time assigned for <key>: Xs"或"No time limitation for <key>"，方便排查每个模型实际分配到的预算。

3. 对网格搜索（Grid）步骤的传导

AutoML 的超参数搜索（如 GBM/XGBoost 网格）同样遵循这一预算逻辑。在GridStep.hyperparameterSearch与setSearchCriteria中（h2o-automl/src/main/java/ai/h2o/automl/ModelingStep.java），initTimeConstraints会被用于注入基础模型参数的时间约束，同时网格搜索的RandomDiscreteValueSearchCriteria.max_runtime_secs会被设置为剩余时间按工作占比分配的结果。这样，单个模型的时间预算也间接约束了网格中每个模型的训练时长。

4. 交叉验证（CV）模型与时间预算

AutoML 默认对模型进行交叉验证（nfolds相关）。从测试代码可以推断，单模型时间预算的"个体模型"语义包含与该模型绑定的交叉验证子模型。在 h2o-automl/src/test/java/ai/h2o/automl/AutoMLTest.java 的test_individual_model_max_runtime测试中：

• 设置max_runtime_secs_per_model = 10，并排除了耗时波动较大的 GLM 与 DeepLearning；
• 校验逻辑为：遍历 leaderboard 上所有模型，断言每个模型的_total_run_time（毫秒）换算成秒后，与单模型预算的差值小于容忍度；
• 容忍度计算公式为(nfolds + 1) * max_runtime_secs_per_model / 3，即按"每个 CV 子模型 + 最终模型"（共nfolds + 1个模型）各留出 33% 的余量——这直接印证了单模型时间预算按 CV 折数放大计算的实现事实：每个 CV 折的子模型都会分得时间，因此总耗时可能接近(nfolds + 1)倍的单模型预算。

此外，同文件测试还验证了超时场景下最后一个训练步骤会被标记为cancelled（训练中超时）或success（模型间超时），且超时前无时间限制的模型其 CV 子模型_max_runtime_secs均为 0。

实战示例：R 与 Python 双语言

以下两个示例完整复现官方文档中的用例，使用 H2O 公开测试数据集 prostate，在总时长 200 秒、最多 5 个模型的前提下，将每个模型的训练时间限制为 40 秒。

R 示例

library(h2o) h2o.init() # 导入 prostate 数据集 prostate <- h2o.importFile("http://s3.amazonaws.com/h2o-public-test-data/smalldata/prostate/prostate_complete.csv.zip") # 设定预测变量与响应列 y <- "CAPSULE" x <- setdiff(names(prostate), c(p_y, "ID")) # 训练 AutoML：总时长 200 秒，每个模型最多 40 秒 aml <- h2o.automl(x = x, y = y, training_frame = prostate, seed = 1234, max_models = 5, max_runtime_secs = 200, max_runtime_secs_per_model = 40) # 查看 AutoML Leaderboard lb <- aml@leaderboard lb

输出示例（实际结果会随运行环境略有差异）：

model_id mean_residual_deviance 1 StackedEnsemble_BestOfFamily_AutoML_20190321_110032 0.0009730593 2 StackedEnsemble_AllModels_AutoML_20190321_110032 0.0009730593 3 DRF_1_AutoML_20190321_110032 0.0012766064 4 XRT_1_AutoML_20190321_110032 0.0038347775 5 XGBoost_2_AutoML_20190321_110032 0.0064206276 6 XGBoost_1_AutoML_20190321_110032 0.0544174809 rmse mse mae rmsle 1 0.03119390 0.0009730593 0.02086672 0.02368844 2 0.03119390 0.0009730593 0.02086672 0.02368844 3 0.03572963 0.0012766064 0.01406001 0.02661268 4 0.06192558 0.0038347775 0.03330358 0.04958889 5 0.08012882 0.0064206276 0.06873394 0.06112533 6 0.23327555 0.0544174809 0.18390358 0.16640402

Python 示例

import h2o from h2o.automl import H2OAutoML h2o.init() # 导入二分类训练集 prostate = h2o.import_file("http://s3.amazonaws.com/h2o-public-test-data/smalldata/prostate/prostate_complete.csv.zip") # 设定响应列与预测变量 response = "CAPSULE" predictor = prostate.names[2:9] # 训练 AutoML：总时长 200 秒，每个模型最多 40 秒 aml = H2OAutoML(max_models=5, max_runtime_secs=200, max_runtime_secs_per_model=40, seed=1234) aml.train(x=predictor, y=response, training_frame=prostate) # 查看 AutoML Leaderboard lb = aml.leaderboard lb

输出示例：

model_id mean_residual_deviance rmse mse mae rmsle --------------------------------------------------- ------------------------ --------- ----------- --------- --------- StackedEnsemble_AllModels_AutoML_20190321_111608 0.000282073 0.016795 0.000282073 0.0103226 0.0129982 StackedEnsemble_BestOfFamily_AutoML_20190321_111608 0.000282073 0.016795 0.000282073 0.0103226 0.0129982 DRF_1_AutoML_20190321_111608 0.000334287 0.0182835 0.000334287 0.0076525 0.0140754 XRT_1_AutoML_20190321_111608 0.0015397 0.039239 0.0015397 0.0217268 0.0293752 XGBoost_2_AutoML_20190321_111608 0.0118094 0.108671 0.0118094 0.0888375 0.0804565 XGBoost_1_AutoML_20190321_111608 0.0675672 0.259937 0.0675672 0.213536 0.184793 GLM_grid_1_AutoML_20190321_111608_model_1 0.193551 0.439944 0.193551 0.397327 0.306996

客户端参数签名（供查阅）

• Python 端：H2OAutoML(max_runtime_secs_per_model=None, ...)，docstring 说明为"Controls the max time the AutoML run will dedicate to each individual model"，类型为int，默认None（等价于服务端0，禁用）。定义见 h2o-py/h2o/automl/_estimator.py，内部通过_aml_property('build_control.stopping_criteria.max_runtime_secs_per_model', types=(None, int), freezable=True)映射到服务端字段（h2o-py/h2o/automl/_estimator.py）。
• R 端：h2o.automl(..., max_runtime_secs_per_model = NULL, ...)，帮助文档描述为"Maximum runtime in seconds dedicated to each individual model training process. Use 0 to disable. Defaults to 0."，参数赋值处见 h2o-r/h2o-package/R/automl.R，同样写入build_control$stopping_criteria$max_runtime_secs_per_model。

使用建议与注意事项

1. 何时使用：当 AutoML 总预算有限、而你希望保证不止一两个模型能完成训练时，设置合理的max_runtime_secs_per_model可以避免某个难训练的模型"吃掉"大部分总预算。典型场景是max_models较大且数据量较大时。
2. 取值策略：单模型预算应明显小于总预算除以期望模型数。例如总时长 600 秒、希望跑约 10 个模型时，单模型预算设为 30～60 秒比较合理。过大的单模型预算形同虚设，过小的预算会让模型在未收敛时就被截断，影响模型质量。
3. 可复现性：若需要完全可复现的 AutoML 结果，官方推荐固定max_models让模型训练至收敛；一旦引入时间预算（包括本参数），由于资源、调度与数据加载耗时的不确定性，结果可能无法复现。另外，H2O DeepLearning 模型默认因性能原因不可复现，如需可复现还应从exclude_algos中排除"DeepLearning"。
4. CV 放大效应：从源码与测试可知，AutoML 的模型默认带交叉验证，单模型时间预算会对每个 CV 子模型生效，整体耗时可能接近(nfolds + 1)倍预算，评估预期耗时时应计入这一放大系数。
5. 测试验证：可参考仓库中的test_individual_model_max_runtime测试（h2o-automl/src/test/java/ai/h2o/automl/AutoMLTest.java）了解该参数的校验口径：它通过断言 leaderboard 上每个模型的_total_run_time不超过(nfolds + 1) * max_runtime_secs_per_model / 3容忍上限，来保证时间预算被真实执行。

小结

max_runtime_secs_per_model是 H2O AutoML 中精细控制训练节奏的重要参数：它以"每个个体模型"为粒度设置时间上限，与max_runtime_secs（整体）、max_models（数量）共同构成 AutoML 停止条件的完整控制面。从源码看，其实现通过AutoMLStoppingCriteria存储、ModelStep.initTimeConstraints注入、GridStep.setSearchCriteria传导，最终落地为每个模型（含 CV 子模型）的max_runtime_secs上限。在需要控制单模型成本或均衡多个候选模型训练机会的场景中，合理配置该参数能显著提升 AutoML 的资源利用率；而在追求结果可复现的场景中，则应改用max_models让模型训练至收敛。

• 机器学习
• 深度学习
• AutoML
• 大数据
• 后端