Ottimizza un modello BlazingText

L'ottimizzazione automatica dei modelli, nota anche come ottimizzazione degli iperparametri, trova la versione migliore di un modello eseguendo molti processi che testano un intervallo di iperparametri sul set di dati. Scegli gli iperparametri ottimizzabili, un intervallo di valori per ciascuno di essi e un parametro obiettivo. Puoi scegliere il parametro obiettivo tra i parametri calcolati dall'algoritmo. L'ottimizzazione automatica del modello ricerca gli iperparametri scelti per trovare la combinazione di valori che restituisce il modello che ottimizza il parametro obiettivo.

Per ulteriori informazioni sull'ottimizzazione del modello, consulta Ottimizzazione automatica del modello con SageMaker.

Metriche calcolate dall'algoritmo BlazingText

L'algoritmo BlazingText Word2Vec (skipgramcbow, e le batch_skipgram modalità) riporta su una singola metrica durante l'allenamento:. train:mean_rho Questo parametro viene calcolato sui set di dati di similarità per parola WS-353. Quando si ottimizzano i valori degli iperparametri per l'algoritmo Word2Vec, utilizza questo parametro come obiettivo.

L'algoritmo di classificazione del BlazingText testo (supervisedmodalità), riporta anche su una singola metrica durante l'allenamento: il. validation:accuracy Quando si ottimizzano i valori degli iperparametri per l'algoritmo di classificazione del testo, utilizza questi parametri come obiettivo.

Nome parametro	Descrizione	Direzione dell'ottimizzazione
`train:mean_rho`	L'elemento media_rho (il coefficiente di correlazione per la classifica di Spearman) sui set di dati di similarità per parola WS-353	Massimizza
`validation:accuracy`	L'accuratezza della classificazione sul set di dati di convalida specificato dall'utente	Massimizza

Iperparametri regolabili BlazingText

Iperparametri ottimizzabili per l'algoritmo Word2Vec

Ottimizza un modello Amazon SageMaker BlazingText Word2Vec con i seguenti iperparametri. Gli iperparametri che hanno il maggiore impatto sui parametri obiettivo Word2Vec sono: mode, learning_rate, window_size, vector_dim e negative_samples.

Nome parametro	Tipo parametro	Intervalli o valori consigliati
`batch_size`	`IntegerParameterRange`	[8-32]
`epochs`	`IntegerParameterRange`	[5-15]
`learning_rate`	`ContinuousParameterRange`	MinValue: 0,005,: 0,01 MaxValue
`min_count`	`IntegerParameterRange`	[0-100]
`mode`	`CategoricalParameterRange`	[`'batch_skipgram'`, `'skipgram'`, `'cbow'`]
`negative_samples`	`IntegerParameterRange`	[5-25]
`sampling_threshold`	`ContinuousParameterRange`	MinValue: 0,001, 0,001 MaxValue
`vector_dim`	`IntegerParameterRange`	[32-300]
`window_size`	`IntegerParameterRange`	[1-10]

Iperparametri ottimizzabili per l'algoritmo di classificazione del testo

Ottimizza un modello di classificazione del SageMaker BlazingText testo Amazon con i seguenti iperparametri.

Nome parametro	Tipo parametro	Intervalli o valori consigliati
`buckets`	`IntegerParameterRange`	[1000000-10000000]
`epochs`	`IntegerParameterRange`	[5-15]
`learning_rate`	`ContinuousParameterRange`	MinValue: 0,005, MaxValue: 0,01
`min_count`	`IntegerParameterRange`	[0-100]
`vector_dim`	`IntegerParameterRange`	[32-300]
`word_ngrams`	`IntegerParameterRange`	[1-3]

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

Iperparametri

Allocazione latente di Dirichlet (LDA, Latent Dirichlet Allocation)