Klasifikasi Gambar - TensorFlow Hyperparameters - Amazon SageMaker

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Klasifikasi Gambar - TensorFlow Hyperparameters

Hyperparameters adalah parameter yang ditetapkan sebelum model pembelajaran mesin mulai belajar. Hyperparameter berikut didukung oleh TensorFlow algoritma Klasifikasi Gambar SageMaker bawaan Amazon. Lihat Menyetel Klasifikasi Gambar - TensorFlow model untuk informasi tentang tuning hyperparameter.

Nama Parameter Deskripsi
augmentation

Setel "True" untuk menerapkanaugmentation_random_flip,augmentation_random_rotation, dan augmentation_random_zoom ke data pelatihan.

Nilai yang valid: string, baik: ("True"atau"False").

Nilai default:"False".
augmentation_random_flip

Menunjukkan mode flip mana yang akan digunakan untuk augmentasi data saat augmentation disetel ke"True". Untuk informasi lebih lanjut, lihat RandomFlipdi TensorFlow dokumentasi.

Nilai yang valid: string, salah satu dari berikut ini: ("horizontal_and_vertical","vertical", atau"None").

Nilai default:"horizontal_and_vertical".
augmentation_random_rotation

Menunjukkan berapa banyak rotasi yang akan digunakan untuk augmentasi data saat augmentation disetel ke"True". Nilai mewakili sebagian kecil dari 2π. Nilai positif berputar berlawanan arah jarum jam sementara nilai negatif berputar searah jarum jam. 0berarti tidak ada rotasi. Untuk informasi lebih lanjut, lihat RandomRotationdi TensorFlow dokumentasi.

Nilai yang valid: float, range: [-1.0,1.0].

Nilai default:0.2.
augmentation_random_zoom

Menunjukkan berapa banyak zoom vertikal yang akan digunakan untuk augmentasi data saat augmentation disetel ke"True". Nilai positif diperkecil sementara nilai negatif diperbesar. 0berarti tidak ada zoom. Untuk informasi lebih lanjut, lihat RandomZoomdi TensorFlow dokumentasi.

Nilai yang valid: float, range: [-1.0,1.0].

Nilai default:0.1.
batch_size

Ukuran batch untuk pelatihan. Untuk pelatihan tentang instance dengan beberapaGPUs, ukuran batch ini digunakan di seluruh. GPUs

Nilai yang valid: bilangan bulat positif.

Nilai default:32.
beta_1

Beta1 untuk pengoptimal. "adam" Merupakan tingkat peluruhan eksponensial untuk perkiraan momen pertama. Diabaikan untuk pengoptimal lainnya.

Nilai yang valid: float, range: [0.0,1.0].

Nilai default:0.9.
beta_2

Beta2 untuk pengoptimal. "adam" Merupakan tingkat peluruhan eksponensial untuk perkiraan momen kedua. Diabaikan untuk pengoptimal lainnya.

Nilai yang valid: float, range: [0.0,1.0].

Nilai default:0.999.
binary_mode

Ketika binary_mode diatur ke"True", model mengembalikan nomor probabilitas tunggal untuk kelas positif dan dapat menggunakan eval_metric opsi tambahan. Gunakan hanya untuk masalah klasifikasi biner.

Nilai yang valid: string, baik: ("True"atau"False").

Nilai default:"False".
dropout_rate

Tingkat putus sekolah untuk lapisan putus sekolah di lapisan klasifikasi atas.

Nilai yang valid: float, range: [0.0,1.0].

Nilai default: 0.2
early_stopping

Atur "True" untuk menggunakan logika penghentian awal selama pelatihan. Jika"False", berhenti dini tidak digunakan.

Nilai yang valid: string, baik: ("True"atau"False").

Nilai default:"False".
early_stopping_min_delta Perubahan minimum yang diperlukan untuk memenuhi syarat sebagai perbaikan. Perubahan absolut kurang dari nilai early_stopping_min_delta tidak memenuhi syarat sebagai perbaikan. Digunakan hanya ketika early_stopping diatur ke"True".

Nilai yang valid: float, range: [0.0,1.0].

Nilai default:0.0.
early_stopping_patience

Jumlah zaman untuk melanjutkan pelatihan tanpa perbaikan. Digunakan hanya ketika early_stopping diatur ke"True".

Nilai yang valid: bilangan bulat positif.

Nilai default:5.
epochs

Jumlah zaman pelatihan.

Nilai yang valid: bilangan bulat positif.

Nilai default:3.
epsilon

Epsilon untuk"adam",, "rmsprop""adadelta", dan "adagrad" pengoptimal. Biasanya diatur ke nilai kecil untuk menghindari pembagian dengan 0. Diabaikan untuk pengoptimal lainnya.

Nilai yang valid: float, range: [0.0,1.0].

Nilai default:1e-7.
eval_metric

Jika binary_mode diatur ke"False", hanya eval_metric bisa"accuracy". Jika binary_mode ya"True", pilih salah satu nilai yang valid. Untuk informasi selengkapnya, lihat Metrik dalam TensorFlow dokumentasi.

Nilai yang valid: string, salah satu dari berikut ini: ("accuracy""precision",,"recall","auc", atau"prc").

Nilai default:"accuracy".
image_resize_interpolation

Menunjukkan metode interpolasi yang digunakan saat mengubah ukuran gambar. Untuk informasi selengkapnya, lihat image.resize dalam dokumentasi. TensorFlow

Nilai yang valid: string, salah satu dari berikut ini: ("bilinear""nearest","bicubic","area", "lanczos3","lanczos5","gaussian", atau"mitchellcubic").

Nilai default:"bilinear".
initial_accumulator_value

Nilai awal untuk akumulator, atau nilai momentum per parameter, untuk pengoptimal. "adagrad" Diabaikan untuk pengoptimal lainnya.

Nilai yang valid: float, range: [0.0,1.0].

Nilai default:0.0001.
label_smoothing

Menunjukkan seberapa banyak untuk merilekskan kepercayaan pada nilai label. Misalnya, jika label_smoothing ya0.1, maka label non-target adalah 0.1/num_classes dan label target adalah0.9+0.1/num_classes.

Nilai yang valid: float, range: [0.0,1.0].

Nilai default:0.1.
learning_rate Tingkat pembelajaran pengoptimal.

Nilai yang valid: float, range: [0.0,1.0].

Nilai default:0.001.
momentum

Momentum untuk"sgd","nesterov", dan "rmsprop" pengoptimal. Diabaikan untuk pengoptimal lainnya.

Nilai yang valid: float, range: [0.0,1.0].

Nilai default:0.9.
optimizer

Jenis pengoptimal. Untuk informasi selengkapnya, lihat Pengoptimal dalam dokumentasi. TensorFlow

Nilai yang valid: string, salah satu dari berikut ini: ("adam""sgd",,"nesterov","rmsprop", "adagrad","adadelta").

Nilai default:"adam".
regularizers_l2

Faktor regularisasi L2 untuk lapisan padat di lapisan klasifikasi.

Nilai yang valid: float, range: [0.0,1.0].

Nilai default:.0001.
reinitialize_top_layer

Jika disetel ke"Auto", parameter lapisan klasifikasi atas diinisialisasi ulang selama fine-tuning. Untuk pelatihan tambahan, parameter lapisan klasifikasi teratas tidak diinisialisasi ulang kecuali disetel ke. "True"

Nilai yang valid: string, salah satu dari berikut ini: ("Auto", "True" atau"False").

Nilai default:"Auto".
rho

Faktor diskon untuk gradien "adadelta" dan "rmsprop" pengoptimal. Diabaikan untuk pengoptimal lainnya.

Nilai yang valid: float, range: [0.0,1.0].

Nilai default:0.95.
train_only_top_layer

Jika"True", hanya parameter lapisan klasifikasi teratas yang disetel dengan baik. Jika"False", semua parameter model disetel dengan baik.

Nilai yang valid: string, baik: ("True"atau"False").

Nilai default:"False".