Ajuste un modelo de detección de objetos TensorFlow - Amazon SageMaker

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Ajuste un modelo de detección de objetos TensorFlow

El ajuste de modelo automático, también conocido como ajuste de hiperparámetros, encuentra la mejor versión de un modelo ejecutando muchas tareas que probar una serie de hiperparámetros en su conjunto de datos. Usted elige los hiperparámetros que pueden ajustarse, un rango de valores para cada uno de ellos y una métrica objetiva. Puede elegir la métrica objetiva de las métricas que el algoritmo computa. El ajuste de modelo automático busca los hiperparámetros elegidos para encontrar la combinación de valores que obtienen el modelo que optimiza la métrica objetiva.

Para obtener más información acerca del ajuste de modelos, consulte Ajuste automático del modelo con SageMaker.

Métricas calculadas por el algoritmo de detección de objetos TensorFlow

Consulte la siguiente tabla para ver qué métricas calcula el TensorFlow algoritmo de detección de objetos.

Nombre de métrica Descripción Dirección de optimización Patrón de expresiones regulares
validation:localization_loss

La pérdida de localización para la predicción de cuadros.

Minimizar

Val_localization=([0-9\\.]+)

Detección de objetos ajustable: hiperparámetros TensorFlow

Ajuste el modelo de detección de objetos con los siguientes hiperparámetros. Los hiperparámetros que tienen el mayor impacto sobre las métricas objetivo de detección de objetos son batch_size, learning_rate y optimizer. Ajuste los hiperparámetros relacionados con el optimizador, como momentum, regularizers_l2, beta_1, beta_2 y eps, en función del optimizer seleccionado. Por ejemplo, utilice beta_1 y beta_2 solo cuando adam es el optimizer.

Para obtener más información sobre los hiperparámetros que se utilizan en cada optimizer, consulte Detección de objetos: TensorFlow hiperparámetros.

Nombre del parámetro Tipo de parámetro Intervalos recomendados
batch_size

IntegerParameterRanges

MinValue: 8, MaxValue: 512

beta_1

ContinuousParameterRanges

MinValue: 1e-6, 0,999 MaxValue

beta_2

ContinuousParameterRanges

MinValue: 1e-6, 0,999 MaxValue

eps

ContinuousParameterRanges

MinValue: 1e-8,: 1,0 MaxValue

learning_rate

ContinuousParameterRanges

MinValue: 1e-6,: 0,5 MaxValue

momentum

ContinuousParameterRanges

MinValue: 0,0, 0,999 MaxValue

optimizer

CategoricalParameterRanges

['sgd', ‘adam’, ‘rmsprop’, 'nesterov', 'adagrad', 'adadelta']

regularizers_l2

ContinuousParameterRanges

MinValue: 0,0, MaxValue 0,999

train_only_on_top_layer

CategoricalParameterRanges

['True', 'False']

initial_accumulator_value

CategoricalParameterRanges

MinValue: 0,0, MaxValue 0,999