Hiperparâmetros de Segmentação semântica

As tabelas a seguir listam os hiperparâmetros suportados pelo algoritmo de segmentação SageMaker semântica da Amazon para arquitetura de rede, entradas de dados e treinamento. Você especifica a Segmentação semântica para treinamento noAlgorithmName da solicitação CreateTrainingJob.

Hiperparâmetros de arquitetura de rede

Nome do parâmetro Descrição

Nome do parâmetro	Descrição
`backbone`	O backbone a ser usado para o componente codificador do algoritmo. Opcional Valores válidos: `resnet-50`, `resnet-101` Valor padrão: `resnet-50`
`use_pretrained_model`	Se um modelo pré-treinado deve ou não ser usado para o backbone. Opcional Valores válidos: `True`, `False` Valor padrão: `True`
`algorithm`	O algoritmo a ser usado para a segmentação semântica. Opcional Valores válidos: `fcn`: Algoritmo FCN (Rede totalmente convolucional) `psp`: Algoritmo PSP (Análise de cenas em pirâmide) `deeplab`: DeepLab Algoritmo V3 Valor padrão: `fcn`

backbone

O backbone a ser usado para o componente codificador do algoritmo.

Opcional

Valores válidos: resnet-50, resnet-101

Valor padrão: resnet-50

use_pretrained_model

Se um modelo pré-treinado deve ou não ser usado para o backbone.

Opcional

Valores válidos: True, False

Valor padrão: True

algorithm

O algoritmo a ser usado para a segmentação semântica.

Opcional

Valores válidos:

fcn: Algoritmo FCN (Rede totalmente convolucional)
psp: Algoritmo PSP (Análise de cenas em pirâmide)
deeplab: DeepLab Algoritmo V3

Valor padrão: fcn

Hiperparâmetros de dados

Nome do parâmetro	Descrição
`num_classes`	O número de classes para segmentar. Obrigatório Valores válidos: 2 ≤ número inteiro positivo ≤ 254
`num_training_samples`	O número de amostras nos dados de treinamento. O algoritmo usa esse valor para configurar o planejador de taxa de aprendizagem. Obrigatório Valores válidos: inteiro positivo
`base_size`	Define como as imagens são redimensionadas antes do corte. As imagens são redimensionadas de modo que o comprimento de tamanho longo é definido como `base_size` multiplicado por um número aleatório de 0,5 a 2,0, e o tamanho curto é calculado para preservar a proporção. Opcional Valores válidos: número inteiro positivo > 16 Valor padrão: 520
`crop_size`	O tamanho de imagem para entrada durante o treinamento. Redimensionamos aleatoriamente a imagem de entrada com base em `base_size` e, depois, fazemos um corte quadrado aleatório com comprimento lateral igual a `crop_size`. Os `crop_size` serão arredondados automaticamente para múltiplos de 8. Opcional Valores válidos: número inteiro positivo > 16 Valor padrão: 240

Hiperparâmetros de treinamento

Nome do parâmetro	Descrição
`early_stopping`	Se a lógica de interrupção precoce deve ou não ser usada durante o treinamento. Opcional Valores válidos: `True`, `False` Valor padrão: `False`
`early_stopping_min_epochs`	O número mínimo de epochs que devem ser executados. Opcional Valores válidos: inteiro Valor padrão: 5
`early_stopping_patience`	O número de epochs que atendem à tolerância de desempenho inferior antes que o algoritmo imponha uma interrupção precoce. Opcional Valores válidos: inteiro Valor padrão: 4
`early_stopping_tolerance`	Se a melhoria relativa da pontuação do trabalho de treinamento, mIOU, for menor que esse valor, a interrupção precoce considerará que o epoch não melhorou. Usado apenas quando `early_stopping` = `True`. Opcional Valores válidos: 0 ≤ flutuante ≤ 1 Valor padrão: 0.0
`epochs`	O número de epochs com os quais treinar. Opcional Valores válidos: inteiro positivo Valor padrão: 10
`gamma1`	O fator de degradação para a média móvel do gradiente quadrado para `rmsprop`. Usado apenas para `rmsprop`. Opcional Valores válidos: 0 ≤ flutuante ≤ 1 Valor padrão: 0.9
`gamma2`	O fator de dinâmica para `rmsprop`. Opcional Valores válidos: 0 ≤ flutuante ≤ 1 Valor padrão: 0.9
`learning_rate`	A taxa de aprendizagem inicial. Opcional Valores válidos: 0 < flutuante ≤ 1 Valor padrão: 0.001
`lr_scheduler`	A forma do cronograma de taxa de aprendizagem que controla sua diminuição ao longo do tempo. Opcional Valores válidos: `step`: Uma degradação gradual, em que a taxa de aprendizagem é reduzida (multiplicada) pelo `lr_scheduler_factor` após os epochs especificados por `lr_scheduler_step`. `poly`: Uma degradação suave usando uma função polinomial. `cosine`: Uma degradação suave usando uma função de cosseno. Valor padrão: `poly`
`lr_scheduler_factor`	Se `lr_scheduler` estiver definido como `step`, a proporção pela qual reduzir (multiplicar) o `learning_rate` após cada uma dos epochs especificados pelo `lr_scheduler_step`. Caso contrário, ele será ignorado. Opcional Valores válidos: 0 ≤ flutuante ≤ 1 Valor padrão: 0.1
`lr_scheduler_step`	Uma lista delimitada por vírgula dos epochs após os quais a `learning_rate` é reduzida (multiplicada) por um `lr_scheduler_factor`. Por exemplo, se o valor for definido como `"10, 20"`, a `learning-rate` será reduzida pelo `lr_scheduler_factor` após o 10º epoch e novamente por esse fator após o 20º epoch. Obrigatório condicionalmente se o `lr_scheduler` estiver definido como `step`. Caso contrário, ele será ignorado. Valores válidos: string Valor padrão: (Sem padrão, pois o valor é obrigatório quando usado.)
`mini_batch_size`	O tamanho do lote para treinamento. Usar um `mini_batch_size` grande geralmente resulta em um treinamento mais rápido, mas pode causar falta de memória. O uso da memória é afetado pelos valores dos parâmetros `mini_batch_size` e `image_shape`, e da arquitetura de backbone. Opcional Valores válidos: inteiro positivo Valor padrão: 16
`momentum`	A dinâmica do otimizador `sgd`. Quando você usa outros otimizadores, o algoritmo de segmentação semântica ignora esse parâmetro. Opcional Valores válidos: 0 < flutuante ≤ 1 Valor padrão: 0.9
`optimizer`	O tipo de otimizador. Para obter mais informações sobre um otimizador, escolha o link apropriado: `adam`: Estimativa de dinâmica adaptativa `adagrad`: Descida de gradiente adaptativo `nag`: Gradiente acelerado de Nesterov `rmsprop`: Propagação da raiz média quadrática `sgd`: Descida de gradiente estocástica Opcional Valores válidos: `adam`, `adagrad`, `nag`, `rmsprop`, `sgd` Valor padrão: `sgd`
`syncbn`	Se definido como `True`, a média e a variância da normalização do lote são calculadas em todas as amostras processadas nas GPUs. Opcional Valores válidos: `True`, `False` Valor padrão: `False`
`validation_mini_batch_size`	O tamanho do lote para validação. Um `mini_batch_size` grande geralmente resulta em um treinamento mais rápido, mas pode causar falta de memória. O uso da memória é afetado pelos valores dos parâmetros `mini_batch_size` e `image_shape`, e da arquitetura de backbone. Para pontuar a validação em toda a imagem sem recortá-la, defina esse parâmetro como 1. Use essa opção se quiser medir o desempenho na imagem inteira como um todo. nota Definir o parâmetro `validation_mini_batch_size` como 1 faz com que o algoritmo crie um novo modelo de rede para cada imagem. Isso pode retardar a validação e o treinamento. Para recortar imagens no tamanho especificado no parâmetro `crop_size`, mesmo durante a avaliação, defina esse parâmetro como um valor maior que 1. Opcional Valores válidos: inteiro positivo Valor padrão: 16
`weight_decay`	O coeficiente de degradação do peso do otimizador `sgd`. Quando você usa outros otimizadores, o algoritmo ignora esse parâmetro. Opcional Valores válidos: 0 < flutuante < 1 Valor padrão: 0.0001

Atenção O Javascript está desativado ou não está disponível no seu navegador.

Para usar a documentação da AWS, o Javascript deve estar ativado. Consulte as páginas de Ajuda do navegador para obter instruções.

Convenções do documento

Segmentação de semântica

Ajuste de modelos

Hiperparâmetros de Segmentação semântica

nota