Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Optimieren einer Objekterkennung – TensorFlow Modell

Die automatische Modelloptimierung, auch bekannt als Hyperparameter-Optimierung, sucht die beste Version eines Modells, indem viele Aufträge ausgeführt werden, die einen Bereich von Hyperparametern in Ihrem Dataset testen. Sie wählen die optimierbaren Hyperparameter, eine Reihe von Werten für jeden Parameter und eine objektive Metrik aus. Sie wählen die objektive Metrik aus den Metriken aus, die der Algorithmus berechnet. Die automatische Modelloptimierung durchsucht die ausgewählten Hyperparameter nach der Kombination von Werten, die das Modell ergeben, das die objektive Metrik optimiert.

Mehr Informationen über die Modelloptimierung finden Sie unter Führen Sie eine automatische Modelloptimierung durch mit SageMaker.

Vom Object Detection - TensorFlow-Algorithmus berechnete Metriken

Im folgenden Diagramm finden Sie heraus, welche Metriken vom TensorFlow Objekterkennungsalgorithmus berechnet werden.

Optimierbare Objekterkennung – TensorFlow Hyperparameter

Stimmen Sie ein Objekterkennungsmodell mit den folgenden Hyperparametern ab. Die Hyperparameter mit den größten Auswirkungen auf objektive Objekterkennungsmetrik sind: batch_size, learning_rate und optimizer. Optimieren Sie die auf den Optimierer bezogenen Hyperparameter, wie momentum, regularizers_l2, beta_1, beta_2 und eps basierend auf dem ausgewählten optimizer. Verwenden Sie z. B. beta_1 und beta_2 nur, wenn adam der optimizer ist.

Weitere Informationen dazu, welche Hyperparameter für die einzelnen optimizer verwendet werden, finden Sie unter Objekterkennung – TensorFlow Hyperparameter.