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 intégré à Amazon SageMaker AI. Consultez [Réglage d'un modèle de classification d'images](IC-tuning.md) pour obtenir des informations sur le réglage des hyperparamètres de classification des images. | Nom du paramètre | Description | | --- | --- | | num\$1classes | 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](image-classification.md#IC-inputoutput) 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\$1training\$1samples | 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 `lr_scheduler_step` n'est pas défini et la précision de l'entraînement distribué peut être affectée. **Obligatoire** Valeurs valides : nombre entier positif | | augmentation\$1type | Type d'augmentation des données. Les images d'entrée peuvent être augmentées de diverses manières comme indiqué ci-dessous. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/IC-Hyperparameter.html) **Facultatif** Valeurs valides : `crop`, `crop_color` ou `crop_color_transform`. Valeur par défaut : aucune valeur par défaut | | beta\$11 | Valeur beta1 pour `adam` (taux de dégradation exponentiel pour l'estimation initiale). **Facultatif** Valeurs valides : valeur flottante. Plage [0, 1]. Valeur par défaut : 0.9 | | beta\$12 | Valeur beta2 pour `adam` (taux de dégradation exponentiel pour l'estimation secondaire). **Facultatif** Valeurs valides : valeur flottante. Plage [0, 1]. Valeur par défaut : 0.999 | | checkpoint\$1frequency | 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 `epochs`. Valeur par défaut : aucune (Enregistrer un point de contrôle à l'époque possédant la plus haute précision de validation). | | early\$1stopping | `True` pour utiliser une logique d'arrêt anticipé pendant l'entraînement. `False` pour ne pas l'utiliser. **Facultatif** Valeurs valides : `True` ou `False` Valeur par défaut : `False` | | early\$1stopping\$1min\$1epochs | Nombre minimum d'époques devant être exécutées avant de pouvoir invoquer une logique d'arrêt anticipé. Paramètre utilisé uniquement si `early_stopping` = `True`. **Facultatif** Valeurs valides : nombre entier positif Valeur par défaut : 10 | | early\$1stopping\$1patience | 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 `early_stopping` = `True`. **Facultatif** Valeurs valides : nombre entier positif Valeur par défaut : 5 | | early\$1stopping\$1tolerance | 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 `early_stopping_tolerance` définie, l'arrêt anticipé estime qu'il n'y a aucune amélioration. Paramètre utilisé uniquement si `early_stopping` = `True`. **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 `adam` et `rmsprop`. Généralement défini sur une petite valeur pour éviter la division par 0. **Facultatif** Valeurs valides : valeur flottante. Plage [0, 1]. Valeur par défaut : 1e-8 | | gamma | Valeur gamma pour `rmsprop`, facteur de dégradation de la moyenne mobile du gradient au carré. **Facultatif** Valeurs valides : valeur flottante. Plage [0, 1]. Valeur par défaut : 0.9 | | image\$1shape | Dimensions de l'image d'entrée, de la même taille que la couche d'entrée du réseau. Le format est défini comme « `num_channels`, hauteur, largeur ». La dimension de l'image peut prendre n'importe quelle valeur, le réseau pouvant gérer différentes dimensions pour l'entrée. Toutefois, il peut y avoir des contraintes de mémoire si une dimension d'image supérieure à est utilisée. Les modèles pré-entraînés ne peuvent utiliser qu'une taille d'image fixe de 224 x 224. Les dimensions d'image typiques pour la classification d'images sont « 3,224,224 ». Ceci est similaire à l' ImageNet ensemble de données. 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 `augmentation_type` est défini, la coupe est aléatoire ; sinon, elle est effectuée au centre. Au moment de l'inférence, les images d'entrée sont redimensionnées en fonction de la forme `image_shape` qui a été utilisée pendant l'entraînement. Les proportions ne sont pas conservées et les images ne sont pas rognées. **Facultatif** Valeurs valides : chaîne Valeur par défaut : ‘3,224,224’ | | kv\$1store | 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. Voir la formation distribuée MXNet pour plus de détails. Ce paramètre n'est pas applicable à l'entraînement de machine unique. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/IC-Hyperparameter.html) **Facultatif** Valeurs valides : `dist_sync` ou `dist_async` Valeur par défaut : aucune valeur par défaut | | learning\$1rate | Taux de formation initial. **Facultatif** Valeurs valides : valeur flottante. Plage [0, 1]. Valeur par défaut : 0.1 | | lr\$1scheduler\$1factor | Rapport de réduction du taux de formation utilisé en conjonction avec le paramètre `lr_scheduler_step`, défini comme `lr_new` = `lr_old` \$1 `lr_scheduler_factor`. **Facultatif** Valeurs valides : valeur flottante. Plage [0, 1]. Valeur par défaut : 0.1 | | lr\$1scheduler\$1step | Époques auxquelles le taux de formation est réduit. Comme expliqué pour le paramètre `lr_scheduler_factor`, le taux de formation est réduit de `lr_scheduler_factor` à ces époques. Par exemple, si la valeur est définie sur « 10, 20 », le taux de formation est réduit de`lr_scheduler_factor` après la 10e époque et à nouveau de `lr_scheduler_factor` après la 20e époque. Les époques sont délimitées par « , ». **Facultatif** Valeurs valides : chaîne Valeur par défaut : aucune valeur par défaut | | mini\$1batch\$1size | Taille de lot pour l'entraînement. Dans un paramètre de machine unique à plusieurs GPU, chaque GPU gère `mini_batch_size`/num\$1gpu échantillons d'entraînement. Pour l'entraînement à plusieurs machines en mode dist\$1sync, la taille de lot réelle est `mini_batch_size`\$1 nombre de machines. Consultez la MXNet documentation pour plus de détails. **Facultatif** Valeurs valides : nombre entier positif Valeur par défaut : 32 | | momentum | Valeur momentum pour `sgd` et `nag`, ignorée pour les autres optimiseurs. **Facultatif** Valeurs valides : valeur flottante. Plage [0, 1]. Valeur par défaut : 0.9 | | multi\$1label | 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\$1layers | 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 de détails sur les paramètres des optimiseurs, reportez-vous à MXNet l'API. **Facultatif** Valeurs valides : `sgd`, `adam`, `rmsprop` ou `nag`. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/IC-Hyperparameter.html) Valeur par défaut : `sgd` | | precision\$1dtype | Précision des pondérations utilisées pour l'entraînement. Pour les pondérations, l'algorithme peut utiliser une précision simple (`float32`) ou moitié moins précise (`float16`). Le recours à une pondération moitié moins précise réduit la consommation de mémoire. **Facultatif** Valeurs valides : `float32` ou `float16` Valeur par défaut : `float32` | | 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 `image_shape` pour éviter l'échec de l'entraînement. **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\$1k | 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\$1pretrained\$1model | 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\$1weighted\$1loss | Indicateur spécifiant d'utiliser la perte d'entropie croisée pondérée pour la classification à plusieurs étiquettes (utilisée uniquement si `multi_label` = 1), où les pondérations sont calculées en fonction de la distribution des classes. **Facultatif** Valeurs valides : 0 ou 1 Valeur par défaut : 0 | | weight\$1decay | Coefficient de dégradation de pondération pour `sgd` et `nag`, ignoré pour les autres optimiseurs. **Facultatif** Valeurs valides : valeur flottante. Plage [0, 1]. Valeur par défaut : 0.0001 |