Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà. # 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 integrato di Amazon SageMaker AI. Per informazioni sull'ottimizzazione della classificazione delle immagini, consulta [Ottimizzazione di un modello di classificazione delle immagini](IC-tuning.md). | Nome parametro | Description | | --- | --- | | num\$1classes | 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](image-classification.md#IC-inputoutput) per i dettagli su come utilizzare la classificazione multi-etichetta con i file manifest aumentati. **Campo obbligatorio** Valori validi: numeri interi positivi | | num\$1training\$1samples | Numero di esempi di addestramento nel set di dati di input. Se non c'è corrispondenza tra questo valore e il numero di esempi nel set di dati di addestramento, il comportamento del parametro `lr_scheduler_step` non è definito e ciò può avere conseguenze sull'accuratezza dell’addestramento distribuito. **Campo obbligatorio** Valori validi: numeri interi positivi | | augmentation\$1type | Tipo di ottimizzazione dei dati. Le immagini di input possono essere ottimizzate in diversi modi, come specificato di seguito. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/IC-Hyperparameter.html) **Opzionale** Valori validi: `crop`, `crop_color` o `crop_color_transform`. Valore predefinito: nessuno | | beta\$11 | 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\$12 | 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\$1frequency | 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 l’addestramento. **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\$1stopping | `True` per utilizzare la logica di arresto precoce durante l’addestramento. `False` per ignorarla. **Opzionale** Valori validi: `True` o `False` Valore predefinito: `False` | | early\$1stopping\$1min\$1epochs | 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\$1stopping\$1patience | Il numero di epoche (Unix epochs) da aspettare prima di terminare l’addestramento 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\$1stopping\$1tolerance | 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 addestramento. **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\$1shape | 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 set di dati. ImageNet 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\$1store | Modalità di sincronizzazione di aggiornamento del peso durante l’addestramento 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. Vedi la formazione distribuita in MXNet per maggiori dettagli. Questo parametro non è applicabile all’addestramento a singola macchina. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/IC-Hyperparameter.html) **Opzionale** Valori validi: `dist_sync` o `dist_async` Valore predefinito: nessuno | | learning\$1rate | Velocità di apprendimento iniziale. **Opzionale** Valori validi: float. Intervallo in [0, 1]. Valore predefinito: 0,1 | | lr\$1scheduler\$1factor | Il rapporto per ridurre il tasso di apprendimento utilizzato in combinazione con il parametro `lr_scheduler_step`, definito come `lr_new` = `lr_old` \$1 `lr_scheduler_factor`. **Opzionale** Valori validi: float. Intervallo in [0, 1]. Valore predefinito: 0,1 | | lr\$1scheduler\$1step | 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\$1batch\$1size | Le dimensioni del batch per l’addestramento. In una impostazione a singola macchina a più GPU, ogni GPU gestisce esempi di addestramento `mini_batch_size`/num\$1gpu. Per l’addestramento a più macchine in modalità dist\$1sync, le dimensioni effettive del batch corrispondono a `mini_batch_size` per il numero di macchine. Consulta MXNet i documenti per maggiori 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\$1label | 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\$1layers | 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 maggiori dettagli sui parametri per gli ottimizzatori, consulta MXNet l'API. **Opzionale** Valori validi: uno tra `sgd`, `adam`, `rmsprop` o `nag`. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/IC-Hyperparameter.html) Valore predefinito: `sgd` | | precision\$1dtype | La precisione dei pesi usati per l’addestramento. 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'addestramento. Se il parametro non è impostato, i dati di addestramento 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\$1k | Segnala l'accuratezza top-k durante l’addestramento. Questo parametro deve essere maggiore di 1, poiché l'accuratezza top-1 dell’addestramento corrisponde all'accuratezza regolare di addestramento che è già stata segnalata. **Opzionale** Valori validi: numeri interi positivi superiori a 1. Valore predefinito: nessuno | | use\$1pretrained\$1model | Appone un flag per utilizzare per l’addestramento un modello precedentemente addestrato. Se impostato su 1, il modello pre-addestrato con il numero corrispondente di livelli viene caricato e utilizzato per l’addestramento. 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\$1weighted\$1loss | 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\$1decay | 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 |