Sequence-to-Sequence 하이퍼파라미터

파라미터 이름	설명
`batch_size`	경사 하강에 대한 미니 배치 크기. 선택 사항 유효한 값: 양수 기본값: 64
`beam_size`	빔 검색에 대한 빔의 길이. 컴퓨팅 `bleu`에 대한 훈련 중 사용되고, 추론 중 사용됩니다. 선택 사항 유효한 값: 양수 기본값: 5
`bleu_sample_size`	검증 데이터 세트에서 선택하여 교육 도중 `bleu` 점수를 디코딩 및 컴퓨팅하는 인스턴스의 수. -1로 설정하면 전체 검증 세트를 사용합니다(`bleu`가 `optimized_metric`으로 선택된 경우). 선택 사항 유효한 값: 정수 기본값: 0
`bucket_width`	최대 (`max_seq_len_source`, `max_seq_len_target`)개의 (소스,대상) 버킷을 반환합니다. 데이터에서 길이가 긴 측은 `bucket_width` 단계를 사용하는 반면 짧은 측은 평균 대상/소스 길이 비율로 축소된 단계를 사용합니다. 한 측에서 다른 측보다 먼저 최대 길이에 도달한 경우 해당 측의 추가 버킷 너비는 `max_len`으로 고정됩니다. 선택 사항 유효한 값: 양수 기본값: 10
`bucketing_enabled`	`false`로 설정되면 버킷을 비활성화하고 최대 길이로 펼쳐집니다. 선택 사항 유효한 값: `true`또는 `false` 기본 값: `true`
`checkpoint_frequency_num_batches`	x회의 배치마다 체크포인트 및 검증. 이 체크포인트 하이퍼파라미터는 최적의 모델을 조기에 중단하고 검색할 수 있도록 SageMaker 의 seq2seq 알고리즘에 전달됩니다. 알고리즘의 체크포인트는 알고리즘의 훈련 컨테이너에서 로컬로 실행되며 체크포인트와 호환되지 않습니다. SageMaker 알고리즘은 체크포인트를 로컬 경로에 일시적으로 저장하고 훈련 작업이 중지된 후 최상의 모델 아티팩트를 S3의 모델 출력 경로에 저장합니다. 선택 사항 유효한 값: 양수 기본값: 1000
`checkpoint_threshold`	교육 중지 전에 검증 데이터 세트의 `optimized_metric`이 개선되지 않도록 하는 체크포인트 모델의 최대 수. 이 체크포인트 하이퍼파라미터는 최적의 모델을 조기에 중지하고 검색할 수 있도록 SageMaker 의 seq2seq 알고리즘에 전달됩니다. 알고리즘의 체크포인트는 알고리즘의 훈련 컨테이너에서 로컬로 실행되며 체크포인트와 호환되지 않습니다. SageMaker 알고리즘은 체크포인트를 로컬 경로에 일시적으로 저장하고 훈련 작업이 중지된 후 최상의 모델 아티팩트를 S3의 모델 출력 경로에 저장합니다. 선택 사항 유효한 값: 양수 기본값: 3
`clip_gradient`	이보다 더 큰 절대 하강 값을 고정합니다. 음수로 설정하면 비활성화합니다. 선택 사항 유효한 값: 부동 소수점 기본값: 1
`cnn_activation_type`	사용할 `cnn` 활성화 유형. 선택 사항 유효한 값: 문자열. `glu`, `relu`, `softrelu`, `sigmoid` 또는 `tanh` 중 하나입니다. 기본 값: `glu`
`cnn_hidden_dropout`	컨볼루션 계층 사이 드롭아웃에 대한 드롭아웃 가능성. 선택 사항 유효한 값: 부동 소수점. 범위: [0,1]. 기본값: 0
`cnn_kernel_width_decoder`	`cnn` 디코더에 대한 커널 너비. 선택 사항 유효한 값: 양수 기본값: 5
`cnn_kernel_width_encoder`	`cnn` 인코더에 대한 커널 너비. 선택 사항 유효한 값: 양수 기본값: 3
`cnn_num_hidden`	인코더 및 디코더에 대한 `cnn` 숨겨진 유닛 수. 선택 사항 유효한 값: 양수 기본값: 512
`decoder_type`	디코더 유형. 선택 사항 유효한 값: 문자열. `rnn` 또는 `cnn`입니다. 기본값: rnn
`embed_dropout_source`	소스 측 임베딩에 대한 드롭아웃 가능성. 선택 사항 유효한 값: 부동 소수점. 범위: [0,1]. 기본값: 0
`embed_dropout_target`	대상 측 임베딩에 대한 드롭아웃 가능성. 선택 사항 유효한 값: 부동 소수점. 범위: [0,1]. 기본값: 0
`encoder_type`	인코더 유형. `rnn` 아키텍처는 Bahdanau 등의 어텐션 메커니즘을 기반으로 하며, cnn 아키텍처는 Gehring 등의 메커니즘을 기반으로 합니다. 선택 사항 유효한 값: 문자열. `rnn` 또는 `cnn`입니다. 기본 값: `rnn`
`fixed_rate_lr_half_life`	`fixed_rate_`* 스케줄러에 대한 체크포인트 수의 측면에서 학습률의 반주기. 선택 사항 유효한 값: 양수 기본값: 10
`learning_rate`	초기 학습률. 선택 사항 유효한 값: 부동 소수점 기본값: 0.0003
`loss_type`	교육에 대한 손실 함수. 선택 사항 유효한 값: 문자열. `cross-entropy` 기본 값: `cross-entropy`
`lr_scheduler_type`	학습률 스케줄러 유형. `plateau_reduce`는 `validation_accuracy`에 대한 `optimized_metric`이 변화가 없을 때마다 학습률일 감소함을 의미합니다. `inv_t`는 반한시 감소입니다. `learning_rate`/(1+`decay_rate`t) 선택 사항* 유효한 값: 문자열. `plateau_reduce`, `fixed_rate_inv_t` 또는 `fixed_rate_inv_sqrt_t`. 기본 값: `plateau_reduce`
`max_num_batches`	처리할 업데이트/배치의 최대 수. 무제한은 -1로 설정합니다. 선택 사항 유효한 값: 정수 기본값: -1
`max_num_epochs`	적합이 중지되기 전에 교육 데이터를 통해 전달할 epoch의 최대 수. 검증 정확도가 개선되지 않고 이 파라미터가 통과된 경우에도 epoch의 수까지 교육은 계속됩니다. 통과되지 않은 경우 무시됩니다. 선택 사항 유효한 값: max_num_epochs보다 작거나 같은 양의 정수 기본값: none
`max_seq_len_source`	소스 시퀀스의 최대 길이. 이 길이보다 더 긴 시퀀스의 경우 이 길이로 잘립니다. 선택 사항 유효한 값: 양수 기본 값: 100
`max_seq_len_target`	대상 시퀀스의 최대 길이. 이 길이보다 더 긴 시퀀스의 경우 이 길이로 잘립니다. 선택 사항 유효한 값: 양수 기본 값: 100
`min_num_epochs`	`early_stopping` 조건을 통해 중지되기 전 훈련에서 실행해야 할 최소 epoch 수. 선택 사항 유효한 값: 양수 기본값: 0
`momentum`	`sgd`에 대해 사용되는 모멘텀 상수. `adam` 또는 `rmsprop`를 사용하는 경우 이 파라미터를 전달하지 마십시오. 선택 사항 유효한 값: 부동 소수점 기본값: none
`num_embed_source`	소스 토큰에 대한 임베딩 크기. 선택 사항 유효한 값: 양수 기본값: 512
`num_embed_target`	대상 토큰에 대한 임베딩 크기. 선택 사항 유효한 값: 양수 기본값: 512
`num_layers_decoder`	디코더 rnn 또는 cnn에 대한 계층 수. 선택 사항 유효한 값: 양수 기본값: 1
`num_layers_encoder`	인코더 `rnn` 또는 `cnn`에 대한 계층 수. 선택 사항 유효한 값: 양수 기본값: 1
`optimized_metric`	조기 중지에 최적화된 지표. 선택 사항 유효한 값: 문자열. `perplexity`, `accuracy` 또는 `bleu`. 기본 값: `perplexity`
`optimizer_type`	옵티마이저 선택. 선택 사항 유효한 값: 문자열. `adam`, `sgd` 또는 `rmsprop`. 기본 값: `adam`
`plateau_reduce_lr_factor`	학습률을 곱하는 팩터(`plateau_reduce`의 경우). 선택 사항 유효한 값: 부동 소수점 기본 값: 0.5
`plateau_reduce_lr_threshold`	`plateau_reduce` 스케줄러의 경우 `optimized_metric`이 체크포인트에 대해 개선되지 않은 경우 감소 팩터로 학습률을 곱합니다. 선택 사항 유효한 값: 양수 기본값: 3
`rnn_attention_in_upper_layers`	어텐션을 Google NMT paper와 같은 rnn의 상위 계층으로 전달합니다. 2개 이상의 계층이 사용되는 경우에만 해당됩니다. 선택 사항 유효한 값: 부울(`true` 또는 `false`) 기본 값: `true`
`rnn_attention_num_hidden`	어텐션 계층에 대한 숨겨진 유닛 수(기본값: `rnn_num_hidden`) 선택 사항 유효한 값: 양수 기본 값: `rnn_num_hidden`
`rnn_attention_type`	인코더의 어텐션 모델. Luong et al. 백서에 따르면 `mlp`는 concat를, bilinear는 general을 가리킵니다. 선택 사항 유효한 값: 문자열. `dot`, `fixed`, `mlp` 또는 `bilinear` 중 하나 기본 값: `mlp`
`rnn_cell_type`	특정 유형의 `rnn` 아키텍처 선택 사항 유효한 값: 문자열. `lstm` 또는 `gru`입니다. 기본 값: `lstm`
`rnn_decoder_state_init`	인코더로부터 `rnn` 디코더 상태를 초기화하는 방법 선택 사항 유효한 값: 문자열. `last`, `avg` 또는 `zero`. 기본 값: `last`
`rnn_first_residual_layer`	잔류 연결을 보유하는 첫 번째 rnn 계층으로, 인코더 또는 디코더의 계층 수가 2개 이상인 경우에만 해당됩니다. 선택 사항 유효한 값: 양수 기본값: 2
`rnn_num_hidden`	인코더 및 디코더에 대한 rnn 숨겨진 유닛 수. 이는 2의 배수여야 합니다. 알고리즘이 기본적으로 양방향 Long Term Short Term Memory(LSTM)를 사용하기 때문입니다. 선택 사항 유효한 값: 양의 짝수. 기본값: 1024
`rnn_residual_connections`	누적된 rnn에 잔류 연결을 추가합니다. 계층의 수는 2개 이상이어야 합니다. 선택 사항 유효한 값: 부울(`true` 또는 `false`) 기본 값: `false`
`rnn_decoder_hidden_dropout`	컨텍스트를 디코더의 rnn 숨겨진 상태와 결합한 숨겨진 상태에 대한 드롭아웃 가능성. 선택 사항 유효한 값: 부동 소수점. 범위: [0,1]. 기본값: 0
`training_metric`	평가 데이터에 대한 교육 추적 지표. 선택 사항 유효한 값: 문자열. `perplexity` 또는 `accuracy`입니다. 기본 값: `perplexity`
`weight_decay`	가중치 감퇴 상수. 선택 사항 유효한 값: 부동 소수점 기본값: 0
`weight_init_scale`	가중치 초기화 규모(`uniform` 및 `xavier` 초기화의 경우). 선택 사항 유효한 값: 부동 소수점 기본값: 2.34
`weight_init_type`	가중치 초기화 유형. 선택 사항 유효한 값: 문자열. `uniform` 또는 `xavier`입니다. 기본 값: `xavier`
`xavier_factor_type`	Xavier 팩터 유형. 선택 사항 유효한 값: 문자열. `in`, `out` 또는 `avg`. 기본 값: `in`

javascript가 브라우저에서 비활성화되거나 사용이 불가합니다.

AWS 설명서를 사용하려면 Javascript가 활성화되어야 합니다. 지침을 보려면 브라우저의 도움말 페이지를 참조하십시오.

문서 규칙

작동 방식

모델 튜닝