Seleccione sus preferencias de cookies

Usamos cookies esenciales y herramientas similares que son necesarias para proporcionar nuestro sitio y nuestros servicios. Usamos cookies de rendimiento para recopilar estadísticas anónimas para que podamos entender cómo los clientes usan nuestro sitio y hacer mejoras. Las cookies esenciales no se pueden desactivar, pero puede hacer clic en “Personalizar” o “Rechazar” para rechazar las cookies de rendimiento.

Si está de acuerdo, AWS y los terceros aprobados también utilizarán cookies para proporcionar características útiles del sitio, recordar sus preferencias y mostrar contenido relevante, incluida publicidad relevante. Para aceptar o rechazar todas las cookies no esenciales, haga clic en “Aceptar” o “Rechazar”. Para elegir opciones más detalladas, haga clic en “Personalizar”.

Ajuste de un modelo Object2Vec

Modo de enfoque
Ajuste de un modelo Object2Vec - Amazon SageMaker AI

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.

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.

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. Para la métrica objetiva, utilice una de las métricas que el algoritmo calcula. El ajuste de modelos automático busca los hiperparámetros elegidos para encontrar la combinación de valores que dan lugar a un modelo que optimiza la métrica objetivo.

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

Métricas calculadas por el algoritmo Object2Vec

El algoritmo Object2Vec tiene métricas de clasificación y regresión. El tipo output_layer determina qué métrica puede utilizar para ajuste del modelo automático.

Métricas de regresor calculadas por el algoritmo Object2Vec

El algoritmo registra una métrica regresor de error cuadrático medio, que se calcula durante las pruebas y validación. Al ajustar el modelo para las tareas de regresión, elija esta métrica como el objetivo.

Nombre de métrica Descripción Dirección de optimización
test:mean_squared_error

Error cuadrado medio

Minimizar

validation:mean_squared_error

Error cuadrado medio

Minimizar

Métricas de clasificación calculadas por el algoritmo Object2Vec

El algoritmo Object2Vec notifica métricas de precisión y clasificación de entropía cruzada, que se calculan durante el ensayo y validación. Al ajustar el modelo para tareas de clasificación, elija una de estas métricas como objetivo.

Nombre de métrica Descripción Dirección de optimización
test:accuracy

Exactitud

Maximizar

test:cross_entropy

Entropía cruzada

Minimizar

validation:accuracy

Exactitud

Maximizar

validation:cross_entropy

Entropía cruzada

Minimizar

Hiperparámetros ajustables de Object2Vec

Puede ajustar los siguientes hiperparámetros para el algoritmo Object2Vec.

Nombre del hiperparámetro Tipo de hiperparámetro Rangos y valores recomendados
dropout

ContinuousParameterRange

MinValue: 0.0,: 1.0 MaxValue

early_stopping_patience

IntegerParameterRange

MinValue: 1, MaxValue 5

early_stopping_tolerance

ContinuousParameterRange

MinValue: 0,001, MaxValue: 0,1

enc_dim

IntegerParameterRange

MinValue: 4, MaxValue 4096

enc0_cnn_filter_width

IntegerParameterRange

MinValue: 1, MaxValue 5

enc0_layers

IntegerParameterRange

MinValue: 1, MaxValue 4

enc0_token_embedding_dim

IntegerParameterRange

MinValue: 5, MaxValue 30

enc1_cnn_filter_width

IntegerParameterRange

MinValue: 1, MaxValue 5

enc1_layers

IntegerParameterRange

MinValue: 1, MaxValue 4

enc1_token_embedding_dim

IntegerParameterRange

MinValue: 5, MaxValue 30

epochs

IntegerParameterRange

MinValue: 4, MaxValue 20

learning_rate

ContinuousParameterRange

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

mini_batch_size

IntegerParameterRange

MinValue: 1, 8192 MaxValue

mlp_activation

CategoricalParameterRanges

[tanh, relu, linear]

mlp_dim

IntegerParameterRange

MinValue: 16, MaxValue 1024

mlp_layers

IntegerParameterRange

MinValue: 1, MaxValue 4

optimizer CategoricalParameterRanges

[adagrad, adam, rmsprop, sgd, adadelta]

weight_decay

ContinuousParameterRange

MinValue: 0,0, MaxValue 1,0

PrivacidadTérminos del sitioPreferencias de cookies
© 2025, Amazon Web Services, Inc o sus afiliados. Todos los derechos reservados.