Ajuste a detecção de um objeto - TensorFlow modelo - Amazon SageMaker

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.

Ajuste a detecção de um objeto - TensorFlow modelo

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.

Métricas calculadas pelo algoritmo de detecção de objetos TensorFlow

Consulte a tabela a seguir para descobrir quais métricas são calculadas pelo TensorFlow algoritmo de Detecção de Objetos.

Nome da métrica Descrição Direção de otimização Padrão Regex
validation:localization_loss

A perda de localização para previsão de caixa.

Minimizar

Val_localization=([0-9\\.]+)

Detecção de objetos ajustável - hiperparâmetros TensorFlow

Ajuste um modelo de detecção de objetos do com os seguintes hiperparâmetros. Os hiperparâmetros que têm o maior impacto sobre métrica objetiva de detecção de objetos são: batch_size, learning_rate e optimizer. Os hiperparâmetros que têm o maior impacto nas métricas objetivas de classificação de imagem são 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 Detecção de objetos - TensorFlow Hiperparâmetros.

Nome do parâmetro Tipo de parâmetro Intervalos recomendados
batch_size

IntegerParameterRanges

MinValue: 8, MaxValue 512

beta_1

ContinuousParameterRanges

MinValue: 1e-6, 0,99 MaxValue

beta_2

ContinuousParameterRanges

MinValue: 1e-6, 0,99 MaxValue

eps

ContinuousParameterRanges

MinValue: 1e-8, MaxValue: 1,0

learning_rate

ContinuousParameterRanges

MinValue: 1e-6, 0,5 MaxValue

momentum

ContinuousParameterRanges

MinValue: 0,0, MaxValue 0,99

optimizer

CategoricalParameterRanges

['sgd', ‘adam’, ‘rmsprop’, 'nesterov', 'adagrad', 'adadelta']

regularizers_l2

ContinuousParameterRanges

MinValue: 0,0, MaxValue 0,99

train_only_on_top_layer

CategoricalParameterRanges

['True', 'False']

initial_accumulator_value

CategoricalParameterRanges

MinValue: 0,0, MaxValue 0,99