Iperparametri di segmentazione semantica

Le tabelle seguenti elencano gli iperparametri supportati dall'algoritmo di segmentazione SageMaker semantica di Amazon per l'architettura di rete, gli input di dati e l'addestramento. Puoi specificare la segmentazione semantica per il training in AlgorithmName della richiesta CreateTrainingJob.

Iperparametri dell'architettura di rete

Nome parametro Descrizione

Nome parametro	Descrizione
`backbone`	Il backbone da utilizzare per il componente codificatore dell'algoritmo. Opzionale Valori validi: `resnet-50`, `resnet-101` Valore predefinito: `resnet-50`
`use_pretrained_model`	Indica se un modello già sottoposto al training deve essere utilizzato per il backbone. Opzionale Valori validi: `True`, `False` Valore predefinito: `True`
`algorithm`	L'algoritmo da utilizzare per la segmentazione semantica. Opzionale Valori validi: `fcn`: algoritmo Fully-Convolutional Network (FCN) `psp`: algoritmo Pyramid Scene Parsing (PSP) `deeplab`DeepLab : algoritmo V3 Valore predefinito: `fcn`

backbone

Il backbone da utilizzare per il componente codificatore dell'algoritmo.

Opzionale

Valori validi: resnet-50, resnet-101

Valore predefinito: resnet-50

use_pretrained_model

Indica se un modello già sottoposto al training deve essere utilizzato per il backbone.

Opzionale

Valori validi: True, False

Valore predefinito: True

algorithm

L'algoritmo da utilizzare per la segmentazione semantica.

Opzionale

Valori validi:

fcn: algoritmo Fully-Convolutional Network (FCN)
psp: algoritmo Pyramid Scene Parsing (PSP)
deeplabDeepLab : algoritmo V3

Valore predefinito: fcn

Iperparametri dei dati

Nome parametro	Descrizione
`num_classes`	Il numero di classi da segmentare. Campo obbligatorio Valori validi: 2 ≤ numero intero positivo ≤ 254
`num_training_samples`	Il numero di esempi nei dati di training. L'algoritmo utilizza questo valore per impostare il pianificatore della velocità di apprendimento. Campo obbligatorio Valori validi: numeri interi positivi
`base_size`	Definisce il modo in cui le immagini vengono ridimensionate prima del ritaglio. Le immagini vengono ridimensionate in modo tale che la lunghezza delle dimensioni lunghe sia impostata su `base_size` moltiplicata per un numero casuale compreso tra 0,5 e 2.0 e la dimensione corta viene calcolata per mantenere le proporzioni. Opzionale Valori validi: numeri interi positivi > 16 Valore predefinito: 520
`crop_size`	La dimensione dell'immagine per l'input durante il training. Riscaliamo casualmente l'immagine di input in base a `base_size`, quindi prendiamo un ritaglio quadrato casuale con lunghezza laterale uguale a `crop_size`. L'input `crop_size` verrà arrotondato automaticamente a multipli di 8. Opzionale Valori validi: numeri interi positivi > 16 Valore predefinito: 240

Iperparametri di training

Nome parametro	Descrizione
`early_stopping`	Indica se utilizzare la logica di arresto precoce durante il training. Opzionale Valori validi: `True`, `False` Valore predefinito: `False`
`early_stopping_min_epochs`	Il numero minimo di epoche (Unix epochs) che devono essere eseguite. Opzionale Valori validi: numero intero Valore predefinito: 5
`early_stopping_patience`	Il numero di epoche (Unix epochs) che soddisfano la tolleranza per prestazioni inferiori prima che l'algoritmo applichi un arresto precoce. Opzionale Valori validi: numero intero Valore predefinito: 4
`early_stopping_tolerance`	Se il miglioramento relativo di mIOU è inferiore a questo valore, l'arresto precoce considera l'epoca (Unix epoch) come non migliorata. Viene usato solo quando `early_stopping` = `True`. Opzionale Valori validi: 0 ≤ float ≤ 1 Valore predefinito: 0.0
`epochs`	Il numero di epoche (Unix epochs) da usare per il training. Opzionale Valori validi: numeri interi positivi Valore predefinito: 10
`gamma1`	Il fattore di decadimento per la media mobile del gradiente squadrato per `rmsprop`. Usato solo per `rmsprop`. Opzionale Valori validi: 0 ≤ float ≤ 1 Valore predefinito: 0,9
`gamma2`	Il fattore di momento per `rmsprop`. Opzionale Valori validi: 0 ≤ float ≤ 1 Valore predefinito: 0,9
`learning_rate`	La velocità di apprendimento iniziale. Opzionale Valori validi: 0 < float ≤ 1 Valore predefinito: 0,001
`lr_scheduler`	La forma del pianificatore della velocità di apprendimento che ne controlla la diminuzione nel tempo. Opzionale Valori validi: `step`: un decadimento graduale, in cui il tasso di apprendimento viene ridotto (moltiplicato) per `lr_scheduler_factor` dopo epoche successive specificate da `lr_scheduler_step`. `poly`: un decadimento lineare utilizzando una funzione polinomiale. `cosine`: un decadimento lineare utilizzando una funzione cosinusoide. Valore predefinito: `poly`
`lr_scheduler_factor`	Se `lr_scheduler` è impostato su `step`, il rapporto con cui ridurre (moltiplicare) `learning_rate` dopo ciascuna epoca specificata da `lr_scheduler_step`. In caso contrario, viene ignorato. Opzionale Valori validi: 0 ≤ float ≤ 1 Valore predefinito: 0,1
`lr_scheduler_step`	Un elenco delimitato da virgole delle epoche dopo le quali `learning_rate` viene ridotto (moltiplicato) di un `lr_scheduler_factor`. Ad esempio, se il valore è impostato su `"10, 20"`, il `learning-rate` viene ridotto di `lr_scheduler_factor` dopo la decima epoca e nuovamente di tale fattore dopo la ventesima epoca. Condizionalmente obbligatorio se `lr_scheduler` è impostato su `step`. In caso contrario, viene ignorato. Valori validi: stringa Valore predefinito: (nessun valore predefinito, poiché il valore è obbligatorio quando viene utilizzato).
`mini_batch_size`	Le dimensioni del batch per il training. L'utilizzo di un valore elevato per `mini_batch_size` di solito si traduce in un training più veloce, ma potrebbe causare l'esaurimento della memoria. L'utilizzo della memoria è influenzato dai valori dei parametri `mini_batch_size` e `image_shape` e dall'architettura backbone. Opzionale Valori validi: numeri interi positivi Valore predefinito: 16
`momentum`	Il momento per l'ottimizzatore `sgd`. Quando usi altri ottimizzatori, l'algoritmo di segmentazione semantica ignora questo parametro. Opzionale Valori validi: 0 < float ≤ 1 Valore predefinito: 0,9
`optimizer`	Il tipo di ottimizzatore. Per ulteriori informazioni su un ottimizzatore, scegli il collegamento appropriato: `adam`: stima del momento adattivo `adagrad`: Discesa del gradiente adattiva `nag`: Gradiente accelerato Nesterov `rmsprop`: Propagazione della radice valore quadratico medio `sgd`: la discesa stocastica del gradiente Opzionale Valori validi: `adam`, `adagrad`, `nag`, `rmsprop`, `sgd` Valore predefinito: `sgd`
`syncbn`	Se il valore è impostato su `True`, la media e la varianza di normalizzazione batch vengono calcolate su tutti i campioni elaborati attraverso le GPU. Opzionale Valori validi: `True`, `False` Valore predefinito: `False`
`validation_mini_batch_size`	Le dimensioni del batch per la convalida. Un valore elevato per `mini_batch_size` di solito si traduce in un training più veloce, ma potrebbe causare l'esaurimento della memoria. L'utilizzo della memoria è influenzato dai valori dei parametri `mini_batch_size` e `image_shape` e dall'architettura backbone. Per assegnare un punteggio alla convalida sull'intera immagine senza ritagliare immagini, imposta questo parametro su 1. Utilizza questa opzione se vuoi misurare le prestazioni dell'intera immagine nel complesso. Nota Impostando il parametro `validation_mini_batch_size` su 1, l'algoritmo crea un nuovo modello di rete per ogni immagine. Questo potrebbe rallentare la convalida e il training. Per ritagliare le immagini alla dimensione specificata nel parametro `crop_size`, anche durante la valutazione, imposta il parametro su un valore maggiore di 1. Opzionale Valori validi: numeri interi positivi Valore predefinito: 16
`weight_decay`	Il coefficiente di decadimento del peso per l'ottimizzatore `sgd`. Quando usi altri ottimizzatori, l'algoritmo ignora questo parametro. Opzionale Valori validi: 0 < float < 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

Segmentazione semantica

Ottimizzazione del modello

Iperparametri di segmentazione semantica

Nota