调整物体检测- TensorFlow 模型 - Amazon SageMaker
指标可优化超参数

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

调整物体检测- TensorFlow 模型

自动模型优化（也称作超参数优化）通过运行很多在数据集上测试一系列超参数的作业来查找模型的最佳版本。您可以选择可优化超参数、每个超参数的值范围和一个目标指标。您可以从算法计算的指标中选择目标指标。自动模型优化将搜索所选超参数以找到导致优化目标指标的模型的值组合。

有关模型优化的更多信息，请参阅自动调整模型 SageMaker。

由物体检测- TensorFlow 算法计算的指标

请参阅下表，了解哪些指标是由物体检测- TensorFlow 算法计算的。

指标名称 描述 优化方向 正则表达式模式
validation:localization_loss

框预测的局部化损失。

最小化

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

可调物体检测-超参数 TensorFlow

使用以下超参数调整对象检测模型。对对象检测目标指标影响最大的超参数包括：batch_size、learning_rate 和 optimizer。根据选定 optimizer 优化与优化程序相关的超参数，例如 momentum、regularizers_l2、beta_1、beta_2 和 eps。例如，仅当 adam 是 optimizer 时，使用 beta_1 和 beta_2。

有关各个 optimizer 中使用哪些超参数的更多信息，请参阅物体检测- TensorFlow 超参数。

参数名称 参数类型 建议的范围
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_on_top_layer

CategoricalParameterRanges

[True、False]
initial_accumulator_value

CategoricalParameterRanges

MinValue: 0.0， MaxValue: 0.999