Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Hyperparamètres de classification d'images
Les hyperparamètres sont des paramètres définis avant qu'un modèle de machine learning ne commence à apprendre. Les hyperparamètres suivants sont pris en charge par l'algorithme de classification d'images SageMaker intégré d'Amazon. Consultez Réglage d'un modèle de classification d'images pour obtenir des informations sur le réglage des hyperparamètres de classification des images.
Nom du paramètre | Description |
---|---|
num_classes |
Nombre de classes de sortie. Ce paramètre définit les dimensions de la sortie du réseau et est généralement défini en fonction du nombre de classes dans le jeu de données. Outre la classification multiclasse, la classification à plusieurs étiquettes est également prise en charge. Reportez-vous à Interface d'entrée/de sortie pour l'algorithme de classification d'images pour plus de détails sur la façon de travailler avec la classification à plusieurs étiquettes avec des fichiers manifestes augmentés. Obligatoire Valeurs valides : nombre entier positif |
num_training_samples |
Nombre d'exemples d'entraînement dans le jeu de données en entrée. En cas de différence entre cette valeur et le nombre d'échantillons dans l'ensemble d'entraînement, le comportement du paramètre Obligatoire Valeurs valides : nombre entier positif |
augmentation_type |
Type d'augmentation des données. Les images d'entrée peuvent être augmentées de diverses manières comme indiqué ci-dessous.
Facultatif Valeurs valides : Valeur par défaut : aucune valeur par défaut |
beta_1 |
Valeur beta1 pour Facultatif Valeurs valides : valeur flottante. Plage [0, 1]. Valeur par défaut : 0.9 |
beta_2 |
Valeur beta2 pour Facultatif Valeurs valides : valeur flottante. Plage [0, 1]. Valeur par défaut : 0.999 |
checkpoint_frequency |
Période de stockage des paramètres de modèle (en nombre d'époques). Veuillez noter que tous les fichiers de point de contrôle sont enregistrés sous le fichier de modèle final « model.tar.gz » et chargés dans S3 à l'emplacement de modèle spécifié. Cela augmente la taille du fichier de modèle proportionnellement au nombre de points de contrôle enregistrés pendant l'entraînement. Facultatif Valeurs valides : nombre entier positif inférieur ou égal à Valeur par défaut : aucune (Enregistrer un point de contrôle à l'époque possédant la plus haute précision de validation). |
early_stopping |
Facultatif Valeurs valides : Valeur par défaut : |
early_stopping_min_epochs |
Nombre minimum d'époques devant être exécutées avant de pouvoir invoquer une logique d'arrêt anticipé. Paramètre utilisé uniquement si Facultatif Valeurs valides : nombre entier positif Valeur par défaut : 10 |
early_stopping_patience |
Le nombre d'époques doit attendre la fin de l'entraînement si aucune amélioration n'est effectuée dans la métrique appropriée. Paramètre utilisé uniquement si Facultatif Valeurs valides : nombre entier positif Valeur par défaut : 5 |
early_stopping_tolerance |
Tolérance relative pour mesurer une amélioration de la métrique de validation de la précision. Si le ratio de l'amélioration de précision divisé par la meilleure précision précédente est inférieur à la valeur Facultatif Valeurs valides : 0 ≤ valeur flottante ≤ 1 Valeur par défaut : 0.0 |
epochs |
Nombre d'époques d'entraînement. Facultatif Valeurs valides : nombre entier positif Valeur par défaut : 30 |
eps |
Valeur epsilon pour Facultatif Valeurs valides : valeur flottante. Plage [0, 1]. Valeur par défaut : 1e-8 |
gamma |
Valeur gamma pour Facultatif Valeurs valides : valeur flottante. Plage [0, 1]. Valeur par défaut : 0.9 |
image_shape |
Dimensions de l'image d'entrée, de la même taille que la couche d'entrée du réseau. Le format est défini comme « Pour l'entraînement, si une image d'entrée est plus petite que ce paramètre dans n'importe quelle dimension, l'entraînement échoue. Si une image est plus grande, une partie de l'image est rognée et la zone rognée est spécifiée par ce paramètre. Si l'hyperparamètre Au moment de l'inférence, les images d'entrée sont redimensionnées en fonction de la forme Facultatif Valeurs valides : chaîne Valeur par défaut : ‘3,224,224’ |
kv_store |
Mode de synchronisation de mise à jour de poids lors de l'entraînement distribué. Les mises à jour de poids peuvent être effectuées de manière synchrone ou asynchrone sur plusieurs machines. En général, les mises à jour synchrones offrent une meilleure précision que les mises à jour asynchrones, mais elles peuvent être plus lentes. Pour plus de détails, consultez les informations sur l'entraînement distribué dans MXNet. Ce paramètre n'est pas applicable à l'entraînement de machine unique.
Facultatif Valeurs valides : Valeur par défaut : aucune valeur par défaut |
learning_rate |
Taux de formation initial. Facultatif Valeurs valides : valeur flottante. Plage [0, 1]. Valeur par défaut : 0.1 |
lr_scheduler_factor |
Rapport de réduction du taux de formation utilisé en conjonction avec le paramètre Facultatif Valeurs valides : valeur flottante. Plage [0, 1]. Valeur par défaut : 0.1 |
lr_scheduler_step |
Époques auxquelles le taux de formation est réduit. Comme expliqué pour le paramètre Facultatif Valeurs valides : chaîne Valeur par défaut : aucune valeur par défaut |
mini_batch_size |
Taille de lot pour l'entraînement. Dans un paramètre de machine unique à plusieurs GPU, chaque GPU gère Facultatif Valeurs valides : nombre entier positif Valeur par défaut : 32 |
momentum |
Valeur momentum pour Facultatif Valeurs valides : valeur flottante. Plage [0, 1]. Valeur par défaut : 0.9 |
multi_label |
Indicateur à utiliser pour la classification à plusieurs étiquettes, où chaque exemple peut être attribué à plusieurs étiquettes. La précision moyenne sur l'ensemble des classes est consignée. Facultatif Valeurs valides : 0 ou 1 Valeur par défaut : 0 |
num_layers |
Nombre de couches pour le réseau. Pour les données dont la taille d'image est grande (par exemple, 224 x 224 ImageNet), nous vous suggérons de sélectionner le nombre de couches dans l'ensemble [18, 34, 50, 101, 152, 200]. Pour des données avec une petite taille d'image (par exemple, 28 x 28 - comme CIFAR), nous recommandons de sélectionner le nombre de couches à partir de l'ensemble [20, 32, 44, 56, 110]. Le nombre de couches de chaque set dépend du ResNet paper. Pour la formation de transfert, le nombre de couches définit l'architecture du réseau de base et, par conséquent, peut être sélectionné uniquement à partir de l'ensemble [18, 34, 50, 101, 152, 200]. Facultatif Valeurs valides : nombre entier positif parmi [18, 34, 50, 101, 152, 200] ou [20, 32, 44, 56, 110] Valeur par défaut : 152 |
optimizer |
Type d'optimiseur. Pour plus d'informations sur les paramètres pour les optimiseurs, consultez l'API de MXNet. Facultatif Valeurs valides : Valeur par défaut : |
precision_dtype |
Précision des pondérations utilisées pour l'entraînement. Pour les pondérations, l'algorithme peut utiliser une précision simple ( Facultatif Valeurs valides : Valeur par défaut : |
resize |
Nombre de pixels dans le côté le plus court d'une image après son redimensionnement pour l'entraînement. Si le paramètre n'est pas défini, les données d'entraînement sont utilisées en l'état, sans aucun redimensionnement. Le paramètre doit être plus grand que les composants largeur et hauteur de Obligatoire lors de l'utilisation de types de contenu d'image Facultatif lors de l'utilisation du type de contenu RecordIO Valeurs valides : nombre entier positif Valeur par défaut : aucune valeur par défaut |
top_k |
Reporte la précision top-k au cours de l'entraînement. Ce paramètre doit être supérieur à 1, la précision d'entraînement top-1 étant identique à la précision d'entraînement normale déjà signalée. Facultatif Valeurs valides : nombre entier positif supérieur à 1. Valeur par défaut : aucune valeur par défaut |
use_pretrained_model |
Indicateur spécifiant d'utiliser un modèle préentraîné pour l'entraînement. Lorsque cet indicateur est défini sur 1, le modèle préentraîné avec le nombre de couches correspondant est chargé et utilisé pour l'entraînement. Seule la couche supérieure entièrement gérée est réinitialisée avec des pondérations aléatoires. Dans le cas contraire, le réseau est intégralement entraîné. Facultatif Valeurs valides : 0 ou 1 Valeur par défaut : 0 |
use_weighted_loss |
Indicateur spécifiant d'utiliser la perte d'entropie croisée pondérée pour la classification à plusieurs étiquettes (utilisée uniquement si Facultatif Valeurs valides : 0 ou 1 Valeur par défaut : 0 |
weight_decay |
Coefficient de dégradation de pondération pour Facultatif Valeurs valides : valeur flottante. Plage [0, 1]. Valeur par défaut : 0.0001 |