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 la segmentation sémantique
<a name="segmentation-hyperparameters"></a>

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 [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html).

**Hyperparamètres de l'architecture réseau**


| 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\$1pretrained\$1model |  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 : [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/segmentation-hyperparameters.html) Valeur par défaut : `fcn`  | 

**Hyperparamètres de données**


| Nom du paramètre | Description | 
| --- | --- | 
| num\$1classes |  Nombre de classes à segmenter. **Obligatoire** Valeurs valides : 2 ≤ entier positif ≤ 254  | 
| num\$1training\$1samples |  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\$1size |  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\$1size |  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\$1stopping |  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\$1stopping\$1min\$1epochs |  Nombre minimal des périodes (epochs) qui doivent être exécutées. **Facultatif** Valeurs valides : nombre entier Valeur par défaut : 5  | 
| early\$1stopping\$1patience |  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\$1stopping\$1tolerance |  Si l'amélioration relative de mIOU est inférieure à cette valeur, l'arrêt anticipé considère la période (epoch) comme non 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\$1rate |  Le taux d'apprentissage initial.  **Facultatif** Valeurs valides : 0 < valeur flottante ≤ 1 Valeur par défaut : 0.001  | 
| lr\$1scheduler |  La forme du calendrier du taux d'apprentissage qui contrôle sa diminution au fil du temps. **Facultatif** Valeurs valides :  [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/segmentation-hyperparameters.html) Valeur par défaut : `poly`  | 
| lr\$1scheduler\$1factor |  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\$1scheduler\$1step |  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\$1batch\$1size |  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 : [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/segmentation-hyperparameters.html) **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 normalisation par lots sont calculées sur tous les échantillons traités dans le GPUs. **Facultatif**  Valeurs valides : `True`, `False`  Valeur par défaut : `False`  | 
| validation\$1mini\$1batch\$1size |  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.  [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/segmentation-hyperparameters.html) **Facultatif** Valeurs valides : nombre entier positif Valeur par défaut : 16  | 
| weight\$1decay |  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  |