기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
하이퍼파라미터 튜닝이라고도 하는 자동 모델 튜닝은 데이터세트에 대한 광범위한 하이퍼파라미터를 테스트하는 여러 작업을 실행하여 최적의 모델 버전을 찾습니다. 튜닝 가능한 하이퍼파라미터, 각 하이퍼파라미터에 대한 값 범위 및 목표 지표를 선택합니다. 알고리즘에서 계산하는 지표 중에서 목표 지표를 선택합니다. 자동 모델 튜닝은 선택한 하이퍼파라미터를 검색하여 목표 지표를 최적화하는 모델을 만드는 값 조합을 찾습니다.
모델 튜닝에 대한 추가 정보는 SageMaker AI를 사용한 자동 모델 튜닝 섹션을 참조하세요.
이미지 분류 - TensorFlow 알고리즘으로 계산되는 지표
Image Classification 알고리즘은 지도 알고리즘으로, 훈련 중 계산되는 정확도 지표를 보고합니다. 모델을 튜닝하는 경우 이 지표를 목표 지표로 선택합니다.
| 지표 이름 | 설명 | 최적화 방향 |
|---|---|---|
validation:accuracy |
올바른 예측 수 대 총 예측 수의 비율입니다. |
최대화 |
조정 가능한 이미지 분류 - TensorFlow 하이퍼파라미터
다음 하이퍼파라미터를 사용하여 이미지 분류 모델을 튜닝합니다. 이미지 분류 목표 지표에 가장 큰 영향을 미치는 하이퍼파라미터는 batch_size, learning_rate 및 optimizer입니다. 선택한 optimizer를 기반으로 momentum, regularizers_l2, beta_1, beta_2 및 eps 같은 옵티마이저 관련 하이퍼파라미터를 튜닝합니다. 예를 들어, adam이 optimizer인 경우에만 beta_1 및 beta_2를 사용합니다.
각 optimizer에 사용되는 하이퍼파라미터의 유형에 대한 자세한 내용은 이미지 분류 - 텐서플로우 하이퍼파라미터를 참조하세요.
| 파라미터 이름 | 파라미터 유형 | 권장 범위 |
|---|---|---|
batch_size |
IntegerParameterRanges |
MinValue: 8, MaxValue: 512 |
beta_1 |
ContinuousParameterRanges |
MinValue: 1e-6, MaxValue: 0.999 |
beta_2 |
ContinuousParameterRanges |
MinValue: 1e-6, MaxValue: 0.999 |
eps |
ContinuousParameterRanges |
MinValue: 1e-8, MaxValue: 1.0 |
learning_rate |
ContinuousParameterRanges |
MinValue: 1e-6, MaxValue: 0.5 |
momentum |
ContinuousParameterRanges |
MinValue: 0.0, MaxValue: 0.999 |
optimizer |
CategoricalParameterRanges |
['sgd', ‘adam’, ‘rmsprop’, 'nesterov', 'adagrad', 'adadelta'] |
regularizers_l2 |
ContinuousParameterRanges |
MinValue: 0.0, MaxValue: 0.999 |
train_only_top_layer |
ContinuousParameterRanges |
['True', 'False'] |
