Sélectionner vos préférences de cookies

Nous utilisons des cookies essentiels et des outils similaires qui sont nécessaires au fonctionnement de notre site et à la fourniture de nos services. Nous utilisons des cookies de performance pour collecter des statistiques anonymes afin de comprendre comment les clients utilisent notre site et d’apporter des améliorations. Les cookies essentiels ne peuvent pas être désactivés, mais vous pouvez cliquer sur « Personnaliser » ou « Refuser » pour refuser les cookies de performance.

Si vous êtes d’accord, AWS et les tiers approuvés utiliseront également des cookies pour fournir des fonctionnalités utiles au site, mémoriser vos préférences et afficher du contenu pertinent, y compris des publicités pertinentes. Pour accepter ou refuser tous les cookies non essentiels, cliquez sur « Accepter » ou « Refuser ». Pour effectuer des choix plus détaillés, cliquez sur « Personnaliser ».

Régler un modèle Object2Vec

Mode de mise au point
Régler un modèle Object2Vec - Amazon SageMaker AI

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.

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.

Le réglage de modèle automatique, ou réglage d'hyperparamètre, détecte la meilleure version d'un modèle en exécutant plusieurs tâches qui testent une plage d'hyperparamètres sur votre jeu de données. Vous choisissez les hyperparamètres réglables, une plage de valeurs pour chacun d'eux et une métrique d'objectif. Pour la métrique objective, vous utilisez l'une des métriques que l'algorithme calcule. Le réglage de modèle automatique recherche les hyperparamètres choisis pour trouver la combinaison des valeurs qui résultent dans le modèle optimisant la métrique d'objectif.

Pour plus d'informations sur le réglage de modèle, consultez Réglage automatique du modèle grâce à l' SageMaker IA.

Métriques calculées par l'algorithme Object2Vec

L'algorithme Object2Vec comporte à la fois des métriques de classification et des métriques de régression. Le type output_layer détermine la métrique que vous pouvez utiliser pour le réglage de modèle automatique.

Métriques de régression calculées par l'algorithme Object2Vec

L'algorithme indique une métrique d'erreur quadratique moyenne pour la régression, calculée pendant les tests et la validation. Lors du réglage du modèle pour les tâches de régression, choisissez cette métrique comme objectif.

Nom de la métrique Description Orientation de l'optimisation
test:mean_squared_error

Erreur quadratique moyenne (RMSE)

Réduire

validation:mean_squared_error

Erreur quadratique moyenne (RMSE)

Réduire

Métriques de classification calculées par l'algorithme Object2Vec

L'algorithme Object2Vec rapporte les métriques de classification de précision et d'entropie croisée, calculées pendant les tests et la validation. Lors du réglage du modèle pour les tâches de classification, choisissez l'une d'elles comme objectif.

Nom de la métrique Description Orientation de l'optimisation
test:accuracy

Précision

Agrandir

test:cross_entropy

Entropie croisée

Réduire

validation:accuracy

Précision

Agrandir

validation:cross_entropy

Entropie croisée

Réduire

Hyper-paramètres Object2Vec réglables

Vous pouvez ajuster les hyperparamètres suivants pour l'algorithme Object2Vec.

Nom de l'hyperparamètre Type de l'hyperparamètre Plages et valeurs recommandées
dropout

ContinuousParameterRange

MinValue: 0,0, MaxValue 1,0

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, MaxValue 8192

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

Rubrique suivante :

Formats d'entraînement

Rubrique précédente :

Hyperparamètres
ConfidentialitéConditions d'utilisation du sitePréférences de cookies
© 2025, Amazon Web Services, Inc. ou ses affiliés. Tous droits réservés.