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 Object2Vec Dans la demande `CreateTrainingJob`, vous spécifiez l'algorithme d'entraînement. Vous pouvez également spécifier des hyperparamètres spécifiques à l'algorithme sous forme de cartes. string-to-string Le tableau suivant répertorie les hyperparamètres de l'algorithme d'entraînement Object2Vec. | Nom du paramètre | Description | | --- | --- | | enc0\$1max\$1seq\$1len | Longueur maximale de la séquence pour l'encodeur enc0. **Obligatoire** Valeurs valides : 1 ≤ entier ≤ 5 000 | | enc0\$1vocab\$1size | Taille du vocabulaire des jetons enc0. **Obligatoire** Valeurs valides : 2 ≤ entier ≤ 3 000 000 | | bucket\$1width | Différence autorisée entre les longueurs de séquence de données lorsque la mise en compartiment est activée. Pour activer la mise en compartiment, spécifiez une valeur différente de zéro pour ce paramètre. **Facultatif** Valeurs valides : 0 ≤ entier ≤ 100 Valeur par défaut : 0 (pas de mise en compartiment) | | comparator\$1list | Une liste utilisée pour personnaliser la manière dont deux imbrications sont comparées. La couche de l'opérateur de comparaison Object2Vec prend les encodages des deux encodeurs en tant qu'entrées et donne un seul vecteur. Ce vecteur est une concaténation de sous-vecteurs. Les valeurs de chaîne transmises à l'action `comparator_list` et l'ordre dans lequel elles sont transmises déterminent la façon dont ces sous-vecteurs sont assemblés. Par exemple, si `comparator_list="hadamard, concat"`, l'opérateur de comparaison crée le vecteur en concaténant le produit Hadamard de deux encodages et la concaténation de deux encodages. Si, d'un autre côté, `comparator_list="hadamard"`, puis l'opérateur de comparaison crée le vecteur en tant que produit hadamard de deux encodages seulement. **Facultatif** Valeurs valides : une chaîne qui contient une combinaison des noms des trois opérateurs binaires : `hadamard`, `concat` ou `abs_diff`. L'algorithme Object2Vec requiert actuellement que les deux encodages de vecteur aient la même dimension. Ces opérateurs produisent les sous-vecteurs comme suit : [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/object2vec-hyperparameters.html) Valeur par défaut : `"hadamard, concat, abs_diff"` | | dropout | Probabilité de dropout pour les couches réseau. Le *dropout* est une forme de régularisation utilisée dans les réseaux neuronaux qui réduit le surajustement en tronquant les neurones codépendants. **Facultatif** Valeurs valides : 0.0 ≤ valeur flottante ≤ 1.0 Valeur par défaut : 0.0 | | early\$1stopping\$1patience | Nombre de périodes (epoch) consécutives sans amélioration autorisée avant l'application d'un arrêt anticipé. Une amélioration est définie par l'hyperparamètre `early_stopping_tolerance`. **Facultatif** Valeurs valides : 1 ≤ entier ≤ 5 Valeur par défaut : 3 | | early\$1stopping\$1tolerance | La réduction de la fonction de perte qu'un algorithme doit atteindre entre des epochs qui se suivent pour éviter l'arrêt précoce après le nombre d'epochs qui se suivent spécifié dans les conclusions de l'hyperparamètre `early_stopping_patience`. **Facultatif** Valeurs valides : 0.000001 ≤ valeur flottante ≤ 0.1 Valeur par défaut : 0.01 | | enc\$1dim | Dimension de la sortie de la couche d'intégration. **Facultatif** Valeurs valides : 4 ≤ entier ≤ 10 000 Valeur par défaut : 4096 | | enc0\$1network | Modèle réseau de l'encodeur enc0. **Facultatif** Valeurs valides : `hcnn`, `bilstm` ou `pooled_embedding` [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/object2vec-hyperparameters.html) Valeur par défaut : `hcnn` | | enc0\$1cnn\$1filter\$1width | La largeur de filtre de l'encodeur enc0 du réseau neuronal convolutif (CNN). **Conditionnel** Valeurs valides : 1 ≤ entier ≤ 9 Valeur par défaut : 3 | | enc0\$1freeze\$1pretrained\$1embedding | Indique s'il faut bloquer les pondérations des intégrations préentraînées enc0. **Conditionnel** Valeurs valides : `True` ou `False` Valeur par défaut : `True` | | enc0\$1layers | Nombre de couches de l'encodeur enc0. **Conditionnel** Valeurs valides : `auto` ou 1 ≤ entier ≤ 4 [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/object2vec-hyperparameters.html) Valeur par défaut : `auto` | | enc0\$1pretrained\$1embedding\$1file | Nom de fichier du fichier des intégrations de jetons enc0 préentraînés du canal de données auxiliaires. **Conditionnel** Valeurs valides : chaîne avec des caractères alphanumériques, tiret de soulignement (\$1) ou point (.). [A-Za-z0-9\$1.\$1\$1] Valeur par défaut : "" (chaîne vide) | | enc0\$1token\$1embedding\$1dim | Dimension de la sortie de la couche d'intégration des jetons enc0. **Conditionnel** Valeurs valides : 2 ≤ entier ≤ 1 000 Valeur par défaut : 300 | | enc0\$1vocab\$1file | Le fichier de vocabulaire permettant de mapper des vecteurs d'intégration de jetons enc0 préentraînés au vocabulaire numérique. IDs **Conditionnel** Valeurs valides : chaîne avec des caractères alphanumériques, tiret de soulignement (\$1) ou point (.). [A-Za-z0-9\$1.\$1\$1] Valeur par défaut : "" (chaîne vide) | | enc1\$1network | Modèle réseau de l'encodeur enc1. Si vous voulez que l'encodeur enc1 utilise le même modèle de réseau qu'enc0, y compris les valeurs des hyperparamètres, définissez la valeur sur `enc0`. Même lorsque les réseaux d'encodeur enc1 et enc0 ont des architectures symétriques, vous ne pouvez pas partager les valeurs des paramètres pour ces réseaux. **Facultatif** Valeurs valides : `enc0`, `hcnn`, `bilstm` ou `pooled_embedding` [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/object2vec-hyperparameters.html) Valeur par défaut : `enc0` | | enc1\$1cnn\$1filter\$1width | Largeur de filtre de l'encodeur enc1 CNN. **Conditionnel** Valeurs valides : 1 ≤ entier ≤ 9 Valeur par défaut : 3 | | enc1\$1freeze\$1pretrained\$1embedding | Indique s'il faut bloquer les pondérations des intégrations préentraînées enc1. **Conditionnel** Valeurs valides : `True` ou `False` Valeur par défaut : `True` | | enc1\$1layers | Nombre de couches de l'encodeur enc1. **Conditionnel** Valeurs valides : `auto` ou 1 ≤ entier ≤ 4 [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/object2vec-hyperparameters.html) Valeur par défaut : `auto` | | enc1\$1max\$1seq\$1len | Longueur maximale de la séquence pour l'encodeur enc1. **Conditionnel** Valeurs valides : 1 ≤ entier ≤ 5 000 | | enc1\$1pretrained\$1embedding\$1file | Nom de fichier du fichier des intégrations de jetons enc1 préentraînés du canal de données auxiliaires. **Conditionnel** Valeurs valides : chaîne avec des caractères alphanumériques, tiret de soulignement (\$1) ou point (.). [A-Za-z0-9\$1.\$1\$1] Valeur par défaut : "" (chaîne vide) | | enc1\$1token\$1embedding\$1dim | Dimension de la sortie de la couche d'intégration des jetons enc1. **Conditionnel** Valeurs valides : 2 ≤ entier ≤ 1 000 Valeur par défaut : 300 | | enc1\$1vocab\$1file | Le fichier de vocabulaire permettant de mapper les intégrations de jetons enc1 préentraînés au vocabulaire. IDs **Conditionnel** Valeurs valides : chaîne avec des caractères alphanumériques, tiret de soulignement (\$1) ou point (.). [A-Za-z0-9\$1.\$1\$1] Valeur par défaut : "" (chaîne vide) | | enc1\$1vocab\$1size | Taille du vocabulaire des jetons enc0. **Conditionnel** Valeurs valides : 2 ≤ entier ≤ 3 000 000 | | epochs | Nombre de périodes (epoch) à exécuter pour l'entraînement. **Facultatif** Valeurs valides : 1 ≤ entier ≤ 100 Valeur par défaut : 30 | | learning\$1rate | Taux d'apprentissage pour l'entraînement. **Facultatif** Valeurs valides : 1.0E-6 ≤ valeur flottante ≤ 1.0 Valeur par défaut : 0.0004 | | mini\$1batch\$1size | Taille du lot en laquelle l'ensemble de données est scindé pour un `optimizer` au cours de l'entraînement. **Facultatif** Valeurs valides : 1 ≤ entier ≤ 10 000 Valeur par défaut : 32 | | mlp\$1activation | Type de la fonction d'activation de la couche MLP (multilayer perceptron). **Facultatif** Valeurs valides : `tanh`, `relu` ou `linear` [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/object2vec-hyperparameters.html) Valeur par défaut : `linear` | | mlp\$1dim | La dimension de la sortie de SCS des couches. **Facultatif** Valeurs valides : 2 ≤ entier ≤ 10 000 Valeur par défaut : 512 | | mlp\$1layers | Le nombre de couches SCS dans le réseau. **Facultatif** Valeurs valides : 0 ≤ entier ≤ 10 Valeur par défaut : 2 | | negative\$1sampling\$1rate | Le ratio des exemples négatifs générés pour faciliter l'algorithme d'entraînement, par rapport aux exemples positifs qui sont fournis par les utilisateurs. Les exemples négatifs représentent les données qui sont peu probables dans la réalité et sont étiquetées négativement pour l'entraînement. Ils facilitent l'entraînement d'un modèle pour faire la distinction entre les exemples positifs et les exemples négatifs observés qui ne le sont pas. Pour spécifier le ratio des exemples négatifs par rapport aux exemples positifs utilisés pour l'entraînement, définissez la valeur sur un nombre entier positif. Par exemple, si vous entraînez l'algorithme sur les données d'entrée dans lequel tous les exemples sont positifs et si vous définissez `negative_sampling_rate` sur 2, l'algorithme Object2Vec génère en interne deux exemples négatifs par exemple positif. Si vous ne souhaitez pas générer ou utiliser des exemples négatifs au cours de l'entraînement, définissez la valeur sur 0. **Facultatif** Valeurs valides : 0 ≤ entier Valeur par défaut : 0 (désactivé) | | num\$1classes | Nombre de classes pour la formation de la classification. Amazon SageMaker AI ignore cet hyperparamètre pour les problèmes de régression. **Facultatif** Valeurs valides : 2 ≤ entier ≤ 30 Valeur par défaut : 2 | | optimizer | Type d'optimiseur. **Facultatif** Valeurs valides : `adadelta`, `adagrad`, `adam`, `sgd` ou `rmsprop`. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/object2vec-hyperparameters.html) Valeur par défaut : `adam` | | output\$1layer | Type de la couche de sortie dans laquelle vous spécifiez que la tâche est une régression ou une classification. **Facultatif** Valeurs valides : `softmax` ou `mean_squared_error` [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/object2vec-hyperparameters.html) Valeur par défaut : `softmax` | | tied\$1token\$1embedding\$1weight | Définit s'il convient d'utiliser une couche d'incorporation partagée pour les deux encodeurs. Si les entrées pour les deux encodeurs utilisent le même jeton au niveau des unités, utilisez un jeton partagé ou intégrez une couche. Par exemple, pour un ensemble de documents, si un encodeur encode des phrases et qu'un autre encode tous les documents, vous pouvez utiliser un jeton partagé ou intégrer une couche. En effet, les deux phrases et les documents sont composés de jetons à partir du même vocabulaire. **Facultatif** Valeurs valides : `True` ou `False` Valeur par défaut : `False` | | token\$1embedding\$1storage\$1type | Le mode de mise à jour de dégradé utilisé au cours de l'entraînement : lorsque le mode `dense` est utilisé, l'optimiseur calcule l'intégralité de la matrice de dégradé pour le jeton ou intègre une couche, même si la plupart des lignes du dégradé ont une valeur nulle. Lorsque le mode `sparse` est utilisé, l'optimiseur stocke uniquement les lignes du dégradé qui sont en fait utilisées dans le lot. Si vous voulez que l'algorithme effectue des mises à jour de dégradé paresseux, qui calculent les dégradés uniquement dans les lignes différentes de zéro et accélèrent l'entraînement, spécifiez `row_sparse`. La définition de la valeur sur `row_sparse` limite les valeurs disponibles pour d'autres hyperparamètres, comme suit : [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/object2vec-hyperparameters.html) **Facultatif** Valeurs valides : `dense` ou `row_sparse` Valeur par défaut : `dense` | | weight\$1decay | Paramètre de dégradation de pondération utilisé pour l'optimisation. **Facultatif** Valeurs valides : 0 ≤ valeur flottante ≤ 10 000 Valeur par défaut : 0 (aucune dégradation) |