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.
Ottimizzazione di un modello di segmentazione semantica
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.
Parametri calcolati dall'algoritmo di segmentazione semantica
L'algoritmo di segmentazione semantica riporta due parametri di convalida. Quando ottimizzi i valori degli iperparametri, scegli questo parametro come obiettivo.
Nome parametro | Descrizione | Direzione dell'ottimizzazione |
---|---|---|
validation:mIOU |
L'area di intersezione tra la segmentazione prevista e la ground truth divisa per l'area di unione tra le due parti per le immagini del set di convalida. Conosciuto anche come indice Jaccard. |
Massimizza |
validation:pixel_accuracy |
La percentuale di pixel classificati correttamente nelle immagini del set di convalida. |
Massimizza |
Iperparametri di segmentazione semantica ottimizzabili
Puoi ottimizzare i seguenti iperparametri per l'algoritmo di segmentazione semantica.
Nome parametro | Tipo parametro | Intervalli consigliati |
---|---|---|
learning_rate |
ContinuousParameterRange |
MinValue: 1e-4,: 1e-1 MaxValue |
mini_batch_size |
IntegerParameterRanges |
MinValue: 1,: 128 MaxValue |
momentum |
ContinuousParameterRange |
MinValue: 0,9, MaxValue: 0,99 |
optimzer |
CategoricalParameterRanges |
['sgd', 'adam', 'adadelta'] |
weight_decay |
ContinuousParameterRange |
MinValue: 1e-5,: 1e-3 MaxValue |