Iperparametri di classificazione delle immagini

Gli iperparametri sono parametri impostati prima che un modello di machine learning inizi l'apprendimento. I seguenti iperparametri sono supportati dall'algoritmo di classificazione delle immagini SageMaker integrato di Amazon. Per informazioni sull'ottimizzazione della classificazione delle immagini, consulta Ottimizzazione di un modello di classificazione delle immagini.

Nome parametro	Descrizione
`num_classes`	Numero di classi di output. Questo parametro definisce le dimensioni dell'output di rete e in genere viene impostato sul numero di classi nel set di dati. Oltre alla classificazione multi-classe, è supportata anche la classificazione multi-etichetta. Fare riferimento Interfaccia di input/output per l'algoritmo di classificazione immagine per i dettagli su come utilizzare la classificazione multi-etichetta con i file manifest aumentati. Campo obbligatorio Valori validi: numeri interi positivi
`num_training_samples`	Numero di esempi di training nel set di dati di input. Se non c'è corrispondenza tra questo valore e il numero di esempi nel set di dati di training, il comportamento del parametro `lr_scheduler_step` non è definito e ciò può avere conseguenze sull'accuratezza del training distribuito. Campo obbligatorio Valori validi: numeri interi positivi
`augmentation_type`	Tipo di ottimizzazione dei dati. Le immagini di input possono essere ottimizzate in diversi modi, come specificato di seguito. `crop`: ritaglia l'immagine casualmente e capovolgi l'immagine orizzontalmente `crop_color`: Oltre al "ritaglio", tre valori casuali nell'intervallo [-36, 36], [-50, 50] e [-50, 50] vengono aggiunti ai canali corrispondenti Tonalità-Saturazione-Luminosità rispettivamente `crop_color_transform`: Oltre a `crop_color`, le trasformazioni casuali, tra cui le variazioni della rotazione, dell'inclinazione e del rapporto delle proporzioni vengono applicate all'immagine. L'angolo massimo di rotazione è pari a 10 gradi, il rapporto massimo di inclinazione è 0,1 e il massimo rapporto di modifica delle proporzioni è 0,25. Opzionale Valori validi: `crop`, `crop_color` o `crop_color_transform`. Valore predefinito: nessuno
`beta_1`	Il beta1 per `adam`, ossia il tasso di decadimento esponenziale per le stime del primo momento. Opzionale Valori validi: float. Intervallo in [0, 1]. Valore predefinito: 0,9
`beta_2`	Il beta2 per `adam`, ossia il tasso di decadimento esponenziale per le stime del secondo momento. Opzionale Valori validi: float. Intervallo in [0, 1]. Valore predefinito: 0,999
`checkpoint_frequency`	Periodo per archiviare i parametri del modello (in numero di epoche (Unix epochs)). Notare che tutti i file checkpoint vengono salvati come parte del file di modello finale "model.tar.gz" e caricati su S3 nella posizione del modello specificata. Ciò aumenta la dimensione del file del modello proporzionalmente al numero di checkpoint salvati durante il training. Opzionale Valori validi: numeri interi positivi non superiori a `epochs`. Valore predefinito: nessuno (salva checkpoint all'epoca (Unix epoch) che ha la migliore accuratezza di convalida).
`early_stopping`	`True` per utilizzare la logica di arresto precoce durante il training. `False` per ignorarla. Opzionale Valori validi: `True` o `False` Valore predefinito: `False`
`early_stopping_min_epochs`	Il numero minimo di epoche (Unix epochs) che devono essere eseguite prima di poter richiamare la logica di arresto precoce. Usato solo quando `early_stopping` = `True`. Opzionale Valori validi: numeri interi positivi Valore predefinito: 10
`early_stopping_patience`	Il numero di epoche (Unix epochs) da aspettare prima di terminare il training se non verranno eseguiti dei miglioramenti nel parametro rilevante. Usato solo quando `early_stopping` = `True`. Opzionale Valori validi: numeri interi positivi Valore predefinito: 5
`early_stopping_tolerance`	Tolleranza relativa per misurare un miglioramento nel parametro di convalida accuratezza. Se il rapporto tra il miglioramento nell'accuratezza, diviso per l'accuratezza migliore precedente è inferiore al valore `early_stopping_tolerance` impostato, l'arresto precoce considera che non c'è miglioramento. Usato solo quando `early_stopping` = `True`. Opzionale Valori validi: 0 ≤ float ≤ 1 Valore predefinito: 0.0
`epochs`	Numero di epoche (Unix epochs) di training. Opzionale Valori validi: numeri interi positivi Valore predefinito: 30
`eps`	L'epsilon per `adam` e `rmsprop`. Di solito è impostata su un piccolo valore per evitare la divisione per 0. Opzionale Valori validi: float. Intervallo in [0, 1]. Valore predefinito: 1e-8
`gamma`	Il gamma per `rmsprop`, il fattore di decadimento per la media mobile del gradiente al quadrato. Opzionale Valori validi: float. Intervallo in [0, 1]. Valore predefinito: 0,9
`image_shape`	Le dimensioni dell'immagine di input, che corrispondono alle dimensioni del livello di input della rete. Il formato è definito come "`num_channels`, altezza, larghezza". La dimensione dell'immagine può avere qualsiasi valore in quanto la rete può gestire varie dimensioni di input. Tuttavia, possono essere presenti limitazioni di memoria nel caso in cui vengano utilizzate maggiori dimensioni dell'immagine . I modelli preaddestrati possono utilizzare solo immagini con dimensioni fisse 224 x 224. Le dimensioni tipiche delle immagini per la classificazione delle immagini sono "3.224.224". È simile al ImageNet set di dati. Per quanto riguarda l'addestramento, se un'immagine di input è più piccola di questo parametro in qualsiasi dimensione, l'addestramento ha un esito negativo. Se un'immagine è più grande, una parte dell'immagine viene tagliata, con l'area tagliata specificata da questo parametro. Se l'iperparametro `augmentation_type` è impostato, viene eseguito un ritaglio casuale; in caso contrario, viene eseguito un ritaglio centrale. In caso di inferenza, le immagini di input vengono ridimensionate a `image_shape` che era stato utilizzato durante l'addestramento. Il rapporto di formato non è mantenuto e le immagini non vengono ritagliate. Opzionale Valori validi: stringa Valore di default: "3.224.224"
`kv_store`	Modalità di sincronizzazione di aggiornamento del peso durante il training distribuito. Gli aggiornamenti del peso possono essere eseguiti in modo sincrono o asincrono sulle macchine. Gli aggiornamenti sincroni in genere offrono accuratezza migliore rispetto agli aggiornamenti asincroni ma possono essere più lenti. Consulta il training distribuito in MXNet per ulteriori dettagli. Questo parametro non è applicabile a training a singola macchina. `dist_sync`: i gradienti vengono sincronizzati dopo ogni batch con tutti i lavoratori. Con `dist_sync`, le dimensioni del batch ora corrispondono alle dimensioni del batch utilizzate su ogni macchina. Pertanto, se non ci sono macchine n e utilizziamo dimensioni del batch b, quindi `dist_sync` si comporta come batch locale con dimensioni del batch nb `dist_async`: esegue aggiornamenti asincroni. I pesi vengono aggiornati quando i gradienti sono ricevuti da qualsiasi computer e gli aggiornamenti dei pesi sono atomici. Tuttavia, l'ordine non è garantito. Opzionale* Valori validi: `dist_sync` o `dist_async` Valore predefinito: nessuno
`learning_rate`	Velocità di apprendimento iniziale. Opzionale Valori validi: float. Intervallo in [0, 1]. Valore predefinito: 0,1
`lr_scheduler_factor`	Il rapporto per ridurre il tasso di apprendimento utilizzato in combinazione con il parametro `lr_scheduler_step`, definito come `lr_new` = `lr_old` * `lr_scheduler_factor`. Opzionale Valori validi: float. Intervallo in [0, 1]. Valore predefinito: 0,1
`lr_scheduler_step`	Le epoche (Unix epochs) in base alle quali ridurre la velocità di apprendimento. Come spiegato nel parametro `lr_scheduler_factor`, il tasso di apprendimento viene ridotto in base a `lr_scheduler_factor` con queste epoche (Unix epochs). Ad esempio, se il valore è impostato su "10, 20", il tasso di apprendimento viene ridotto di `lr_scheduler_factor` dopo la decimo epoca (Unix epoch) e nuovamente di `lr_scheduler_factor` dopo la ventesima epoca (Unix epoch). Le epoche (Unix epochs) sono delimitate da ",". Opzionale Valori validi: stringa Valore predefinito: nessuno
`mini_batch_size`	Le dimensioni del batch per il training. In una impostazione a singola macchina a più GPU, ogni GPU gestisce esempi di training `mini_batch_size`/num_gpu. Per il training a più macchine in modalità dist_sync, le dimensioni effettive del batch corrispondono a `mini_batch_size` per il numero di macchine. Consulta MXNet docs per ulteriori dettagli. Opzionale Valori validi: numeri interi positivi Valore predefinito: 32
`momentum`	Il momento per `sgd` e `nag`, ignorato per altri ottimizzatori. Opzionale Valori validi: float. Intervallo in [0, 1]. Valore predefinito: 0,9
`multi_label`	Flag da utilizzare per la classificazione multi-etichetta, in cui ogni esempio può essere assegnato a più etichette. Viene registrata l'accuratezza media per tutte le classi. Opzionale Valori validi: 0 o 1 Valore predefinito: 0
`num_layers`	Numero di livelli per la rete. Per dati con immagini di grandi dimensioni (ad esempio, 224x224, simili ImageNet), suggeriamo di selezionare il numero di livelli dal set [18, 34, 50, 101, 152, 200]. Per i dati con immagini di piccole dimensioni (ad esempio, 28 x 28 - come CIFAR), ti consigliamo di selezionare il numero di livelli dal set [20, 32, 44, 56, 110]. Il numero di strati in ogni set dipende dal tipo di ResNet carta. Per il trasferimento dell'apprendimento, il numero di livelli definisce l'architettura della rete di base e, di conseguenza, può essere selezionata solo dal set [18, 34, 50, 101, 152, 200]. Opzionale Valori validi: numeri interi positivi in [18, 34, 50, 101, 152, 200] o [20, 32, 44, 56, 110] Valore predefinito: 152
`optimizer`	Il tipo di ottimizzazione. Per ulteriori dettagli sui parametri per gli ottimizzatori, consulta l'API di MXNet. Opzionale Valori validi: uno tra `sgd`, `adam`, `rmsprop` o `nag`. `sgd`: la discesa stocastica del gradiente `adam`: stima del momento adattivo `rmsprop`: Propagazione della radice valore quadratico medio `nag`: Gradiente accelerato Nesterov Valore predefinito: `sgd`
`precision_dtype`	La precisione dei pesi usati per il training. L'algoritmo può utilizzare la precisione singola (`float32`) o metà precisione (`float16`) per i pesi. L'utilizzo d metà precisione per i pesi comporta una riduzione del consumo di memoria. Opzionale Valori validi: `float32` o `float16` Valore predefinito: `float32`
`resize`	Numero di pixel sul lato più corto di un'immagine dopo averla ridimensionata per l'allenamento. Se il parametro non è impostato, i dati di training vengono utilizzati come tali senza ridimensionamento. Il parametro dovrebbe essere maggiore dei componenti relativi alla larghezza e all'altezza di `image_shape` per evitare errori nell'addestramento. Obbligatorio quando si utilizzano tipi di contenuto immagine Facoltativo quando si utilizza il tipo di contenuto RecordIO Valori validi: numeri interi positivi Valore predefinito: nessuno
`top_k`	Segnala l'accuratezza top-k durante il training. Questo parametro deve essere maggiore di 1, poiché l'accuratezza top-1 di training corrisponde all'accuratezza regolare di training che è già stata segnalata. Opzionale Valori validi: numeri interi positivi superiori a 1. Valore predefinito: nessuno
`use_pretrained_model`	Appone un flag per utilizzare un modello precedentemente sottoposto a training per il training. Se impostato su 1, il modello preformato con il numero corrispondente di livelli viene caricato e utilizzato per il training. Solo il primo livello FC viene inizializzato nuovamente con pesi casuali. Altrimenti, la rete viene preparata da zero. Opzionale Valori validi: 0 o 1 Valore predefinito: 0
`use_weighted_loss`	Contrassegna per utilizzare la perdita di entropia incrociata ponderata per la classificazione multi-etichetta (utilizzata solo quando `multi_label` = 1), dove i pesi sono calcolati in base alla distribuzione delle classi. Opzionale Valori validi: 0 o 1 Valore predefinito: 0
`weight_decay`	Il coefficiente di decadimento peso per `sgd` e `nag`, ignorato per altri ottimizzatori. Opzionale Valori validi: float. Intervallo in [0, 1]. Valore predefinito: 0.0001

Avvertimento JavaScript è disabilitato o non è disponibile nel tuo browser.

Per usare la documentazione AWS, JavaScript deve essere abilitato. Consulta le pagine della guida del browser per le istruzioni.

Convenzioni dei documenti

Come funziona

Ottimizzazione del modello