Hyperparamètres de la segmentation sémantique

Les tableaux suivants répertorient les hyperparamètres pris en charge par l'algorithme de segmentation sémantique Amazon SageMaker AI pour l'architecture réseau, les entrées de données et la formation. Vous spécifiez la segmentation sémantique pour la formation dans l'AlgorithmName de la demande CreateTrainingJob.

Hyperparamètres de l'architecture réseau

Nom du paramètre Description

Nom du paramètre	Description
`backbone`	Backbone à utiliser pour l'encodeur de l'algorithme. Facultatif Valeurs valides : `resnet-50`, `resnet-101` Valeur par défaut : `resnet-50`
`use_pretrained_model`	Indique si un modèle préentraîné est à utiliser pour le backbone. Facultatif Valeurs valides : `True`, `False` Valeur par défaut : `True`
`algorithm`	Algorithme à utiliser pour la segmentation sémantique. Facultatif Valeurs valides : `fcn`: algorithme de réseau entièrement convolutif () FCN `psp`: algorithme Pyramid Scene Parsing (PSP) `deeplab`: DeepLab algorithme V3 Valeur par défaut : `fcn`

backbone

Backbone à utiliser pour l'encodeur de l'algorithme.

Facultatif

Valeurs valides : resnet-50, resnet-101

Valeur par défaut : resnet-50

use_pretrained_model

Indique si un modèle préentraîné est à utiliser pour le backbone.

Facultatif

Valeurs valides : True, False

Valeur par défaut : True

algorithm

Algorithme à utiliser pour la segmentation sémantique.

Facultatif

Valeurs valides :

fcn: algorithme de réseau entièrement convolutif () FCN
psp: algorithme Pyramid Scene Parsing (PSP)
deeplab: DeepLab algorithme V3

Valeur par défaut : fcn

Hyperparamètres de données

Nom du paramètre	Description
`num_classes`	Nombre de classes à segmenter. Obligatoire Valeurs valides : 2 ≤ entier positif ≤ 254
`num_training_samples`	Nombre d'échantillons dans les données d'entraînement. L'algorithme utilise cette valeur pour configurer le planificateur du taux d'apprentissage. Obligatoire Valeurs valides : nombre entier positif
`base_size`	Définit la manière dont les images sont redimensionnées avant le rognage. Les images sont redimensionnées de manière à ce que la longueur soit `base_size` multiplié par un nombre aléatoire compris entre 0,5 et 2,0, et la largeur calculée pour préserver le rapport de l'image. Facultatif Valeurs valides : entier positif > 16 Valeur par défaut : 520
`crop_size`	Taille de l'image pour l'entrée pendant l'entraînement. Nous redimensionnons aléatoirement l'image d'entrée en fonction de `base_size`, puis nous effectuons un rognage carré aléatoire avec une longueur latérale égale à `crop_size`. La valeur `crop_size` sera automatiquement arrondie à des multiples de 8. Facultatif Valeurs valides : entier positif > 16 La valeur par défaut est 240.

Entraînement des hyperparamètres

Nom du paramètre	Description
`early_stopping`	Indique s'il faut utiliser une logique d'arrêt anticipé au cours de l'entraînement. Facultatif Valeurs valides : `True`, `False` Valeur par défaut : `False`
`early_stopping_min_epochs`	Nombre minimal des périodes (epochs) qui doivent être exécutées. Facultatif Valeurs valides : nombre entier Valeur par défaut : 5
`early_stopping_patience`	Nombre de périodes (epochs) qui répondent à la tolérance pour les performances les plus basses avant que l'algorithme n'applique un arrêt anticipé. Facultatif Valeurs valides : nombre entier Valeur par défaut : 4
`early_stopping_tolerance`	Si l'amélioration relative du score du poste de formation, le mIOU, est inférieure à cette valeur, l'arrêt anticipé considère que l'époque n'est pas améliorée. Ce paramètre est utilisé uniquement si `early_stopping` = `True`. Facultatif Valeurs valides : 0 ≤ valeur flottante ≤ 1 Valeur par défaut : 0.0
`epochs`	Nombre de périodes (epochs) avec lesquelles entraîner. Facultatif Valeurs valides : nombre entier positif Valeur par défaut : 10
`gamma1`	Facteur de dégradation pour la moyenne mobile du gradient carré pour `rmsprop`. Utilisé uniquement pour `rmsprop`. Facultatif Valeurs valides : 0 ≤ valeur flottante ≤ 1 Valeur par défaut : 0.9
`gamma2`	Facteur de vitesse (momentum) pour `rmsprop`. Facultatif Valeurs valides : 0 ≤ valeur flottante ≤ 1 Valeur par défaut : 0.9
`learning_rate`	Le taux d'apprentissage initial. Facultatif Valeurs valides : 0 < valeur flottante ≤ 1 Valeur par défaut : 0.001
`lr_scheduler`	La forme du calendrier du taux d'apprentissage qui contrôle sa diminution au fil du temps. Facultatif Valeurs valides : `step` : dégradation progressive, où le taux d'apprentissage est réduit (multiplié) par le facteur `lr_scheduler_factor` après les époques spécifiées par `lr_scheduler_step`. `poly` : dégradation lisse à l'aide d'une fonction polynomiale. `cosine` : dégradation lisse à l'aide d'une fonction cosinus. Valeur par défaut : `poly`
`lr_scheduler_factor`	Si `lr_scheduler` est défini sur `step`, le rapport par lequel réduire (multiplier) le facteur `learning_rate` après chacune des époques spécifiées par `lr_scheduler_step`. Sinon, il est ignoré. Facultatif Valeurs valides : 0 ≤ valeur flottante ≤ 1 Valeur par défaut : 0.1
`lr_scheduler_step`	Liste délimitée par des virgules des époques après lesquelles le taux `learning_rate` est réduit (multiplié) par un facteur `lr_scheduler_factor`. Par exemple, si la valeur est définie sur `"10, 20"`, le taux `learning-rate` est réduit de `lr_scheduler_factor` après la 10e époque et à nouveau de ce facteur après la 20e époque. Requis sous condition si `lr_scheduler` est défini sur `step`. Sinon, il est ignoré. Valeurs valides : chaîne Valeur par défaut : (Pas de valeur par défaut, car la valeur est requise lorsqu'il est utilisé.)
`mini_batch_size`	Taille de lot pour l'entraînement. L'utilisation d'une `mini_batch_size` élevée se traduit généralement par un entraînement plus rapide, mais peut conduire à une mémoire insuffisante. L'utilisation de la mémoire est affectée par les valeurs des paramètres `mini_batch_size` et `image_shape`, et par l'architecture du backbone. Facultatif Valeurs valides : nombre entier positif Valeur par défaut : 16
`momentum`	La vitesse (momentum) de l'optimiseur `sgd`. Lorsque vous utilisez d'autres optimisateurs, l'algorithme de segmentation sémantique ignore ce paramètre. Facultatif Valeurs valides : 0 < valeur flottante ≤ 1 Valeur par défaut : 0.9
`optimizer`	Le type d'optimiseur. Pour plus d'informations sur l'optimiseur, choisissez le lien approprié : `adam` : Adam (estimation adaptive avec momentum) `adagrad` : descente de gradient adaptative `nag` : gradient accéléré de Nesterov `rmsprop` : propagation quadratique moyenne `sgd` : descente de gradient stochastique Facultatif Valeurs valides: `adam`, `adagrad`, `nag`, `rmsprop`, `sgd` Valeur par défaut : `sgd`
`syncbn`	Si cette valeur est définie sur`True`, la moyenne et la variance de la normalisation par lots sont calculées sur tous les échantillons traités dans leGPUs. Facultatif Valeurs valides : `True`, `False` Valeur par défaut : `False`
`validation_mini_batch_size`	Taille de lot pour la validation. L'utilisation d'une `mini_batch_size` élevée se traduit généralement par un entraînement plus rapide, mais peut conduire à une mémoire insuffisante. L'utilisation de la mémoire est affectée par les valeurs des paramètres `mini_batch_size` et `image_shape`, et par l'architecture du backbone. Pour marquer la validation de l'ensemble de l'image sans rogner les images, définissez ce paramètre sur 1. Utilisez cette option si vous souhaitez mesurer les performances sur l'ensemble de l'image dans son ensemble. Note Définir le `validation_mini_batch_size` paramètre sur 1 conduit l'algorithme à créer un nouveau modèle de réseau pour chaque image. Cela peut ralentir la validation et l'entraînement. Pour rogner les images à la taille spécifiée dans le paramètre `crop_size`, même au cours de l'évaluation, définissez ce paramètre sur une valeur supérieure à 1. Facultatif Valeurs valides : nombre entier positif Valeur par défaut : 16
`weight_decay`	Coefficient de dégradation de pondération pour l'optimiseur `sgd`. Lorsque vous utilisez d'autres optimisateurs, l'algorithme ignore ce paramètre. Facultatif Valeurs valides : 0 < valeur flottante < 1 Valeur par défaut : 0.0001

Avertissement JavaScript est désactivé ou n'est pas disponible dans votre navigateur.

Pour que vous puissiez utiliser la documentation AWS, Javascript doit être activé. Vous trouverez des instructions sur les pages d'aide de votre navigateur.

Conventions de rédaction

Semantic Segmentation

Réglage d'un modèle

Hyperparamètres de la segmentation sémantique

Note