Ajustar uma classificação de imagens - TensorFlow modelo

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

O ajuste automático de modelos, também conhecido como ajuste de hiperparâmetros, localiza a melhor versão de um modelo executando vários trabalhos que testam uma série de hiperparâmetros no seu conjunto de dados. Você escolhe os hiperparâmetros ajustáveis, um intervalo de valores para cada um e uma métrica objetiva. Você escolhe a métrica objetiva entre as métricas que o algoritmo calcula. O ajuste de modelo automático pesquisa os hiperparâmetros escolhidos para encontrar a combinação de valores que resultam no modelo que otimiza a métrica objetiva.

Para mais informações sobre o ajuste de modelos, consulte Ajuste automático do modelo com SageMaker IA.

Métricas calculadas pelo algoritmo de Classificação de Imagens TensorFlow

O algoritmo de classificação de imagens é um algoritmo supervisionado. Ele relata uma métrica de precisão que é calculada durante o treinamento. Ao ajustar o modelo, escolha essa métrica como a métrica objetiva.

Classificação de imagem ajustável - hiperparâmetros TensorFlow

Ajuste um modelo de classificação de imagem com os seguintes hiperparâmetros: Os hiperparâmetros que têm o maior impacto nas métricas objetivas de classificação de imagem são: batch_size, learning_rate e optimizer. Ajuste os hiperparâmetros relacionados com o otimizador, como momentum, regularizers_l2, beta_1, beta_2 e eps com base no optimizer selecionado. Por exemplo, use beta_1 e beta_2 somente quando adam for o optimizer.

Para obter mais informações sobre quais hiperparâmetros são usados para cada optimizer, consulte Classificação de imagens - TensorFlow Hiperparâmetros.