本文為英文版的機器翻譯版本,如內容有任何歧義或不一致之處,概以英文版為準。
影像分類超參數
超參數是在機器學習模型開始學習之前設定的參數。Amazon SageMaker 內建影像分類演算法支援下列超參數。如需影像分類超參數調校的資訊,請參閱 調校影像分類模型。
參數名稱 | 描述 |
---|---|
num_classes |
輸出類別的數量。此參數會定義網路輸出的維度,且通常會以資料集中的類別數量來設定該維度。 除了multi-class 分類外,也支援 multi-label 分類。如需如何利用擴增資訊清單檔案使用 multi-label 分類的詳細資料,請參閱 影像分類演算法的輸入/輸出界面。 必要 有效值:正整數 |
num_training_samples |
輸入資料集中的訓練範例數量。 如果此值與訓練集中的範例數量不相符,則表示 必要 有效值:正整數 |
augmentation_type |
資料增強類型。您可以採用多種指定方式來增強輸入影像,如下所述。
選用 有效值: 預設值:沒有預設值 |
beta_1 |
選用 有效值:浮點數。範圍在 [0, 1] 之間。 預設值:0.9 |
beta_2 |
選用 有效值:浮點數。範圍在 [0, 1] 之間。 預設值:0.999 |
checkpoint_frequency |
存放模型參數的週期 (以 epoch 為單位)。 請注意,所有檢查點檔案都儲存為最終模型檔案 “model.tar.gz” 的一部分,並上傳到 S3 中指定的模型位置。根據訓練期間儲存的檢查點數目,這會成比例地增加模型檔案的大小。 選用 有效值:正整數,且不得大於 預設值:無預設值 (在有最佳驗證準確度的 epoch 上儲存檢查點。) |
early_stopping |
選用 有效值: 預設值: |
early_stopping_min_epochs |
呼叫提前停止邏輯前,應執行的 epoch 數量下限。只有在 選用 有效值:正整數 預設值:10 |
early_stopping_patience |
若未在相關指標中進行改善,結束培訓前等待的 epoch 數量。只有在 選用 有效值:正整數 預設值:5 |
early_stopping_tolerance |
測量準確度驗證指標中改善的相對容錯度。如準確度中的改善除以過去最佳準確度的比率小於所設定的 選用 有效值:0 ≤ 浮點數 ≤ 1 預設值:0.0 |
epochs |
要訓練的 epoch 數量。 選用 有效值:正整數 預設值:30 |
eps |
選用 有效值:浮點數。範圍在 [0, 1] 之間。 預設值:1e-8 |
gamma |
選用 有效值:浮點數。範圍在 [0, 1] 之間。 預設值:0.9 |
image_shape |
輸入影像的維度,其與網路的輸入層大小相同。該參數的格式定義為「 針對訓練,如果任何輸入影像在任一維度中都小於此參數,則訓練失敗。如果影像大於此參數,則會裁切影像的一部分,而裁切的區域由此參數指定。如果已設定超參數 推論時,輸入影像會調整到訓練期間所使用的 選用 有效值:字串 預設值:「3,224,224」 |
kv_store |
分散式訓練期間的權重更新同步模式。各機器能採用同步或非同步的方式來更新權重。同步更新的準確度通常會高於非同步更新,但執行速度較慢。請參閱 MXNet 中的分散式訓練,進一步了解詳細資訊。 此參數不適用於單部機器訓練。
選用 有效值: 預設值:沒有預設值 |
learning_rate |
初始學習率。 選用 有效值:浮點數。範圍在 [0, 1] 之間。 預設值:0.1 |
lr_scheduler_factor |
該比率會搭配使用 選用 有效值:浮點數。範圍在 [0, 1] 之間。 預設值:0.1 |
lr_scheduler_step |
要降低學習率的 epoch。如 選用 有效值:字串 預設值:沒有預設值 |
mini_batch_size |
訓練的批次大小。在單部機器的多 GPU 設定中,每個 GPU 可以處理的訓練範例數為: 選用 有效值:正整數 預設值:32 |
momentum |
選用 有效值:浮點數。範圍在 [0, 1] 之間。 預設值:0.9 |
multi_label |
用於多標籤分類的標記,其中每個樣本皆可以指派多個標籤。所有記錄類別間的平均準確度。 選用 有效值:0 或 1 預設值:0 |
num_layers |
網路的層級數。對於具有較大圖像尺寸的數據(例如,224x224-類似 ImageNet),我們建議從集合中選擇圖層的數量 [18,34,50,101,152,200]。如果資料的影像尺寸較小 (如 28 x 28 - 類似 CIFAR),則建議您選取 [20, 32, 44, 56, 110] 組的層級數。每個圖層集中的圖層數均以 ResNet paper 張為基礎。在遷移學習中,層級數會定義基本網路的架構,因此僅能選取 [18, 34, 50, 101, 152, 200] 組的層級數。 選用 有效值:[18, 34, 50, 101, 152, 200] 或 [20, 32, 44, 56, 110] 中的正整數 預設值:152 |
optimizer |
最佳化工具類型。如需最佳化工具參數的詳細資訊,請參閱 MXNet 的 API。 選用 有效值: 預設值: |
precision_dtype |
用於訓練的加權精確度。演算法可以針對加權使用單精確度 ( 選用 有效值: 預設值: |
resize |
調整影像大小以進行訓練後,影像最短邊的像素數目。若未設定此參數,則系統不會重新調整訓練資料的大小。該參數應大於 使用影像內容類型時需要 使用 RecordIO 內容類型時可選用 有效值:正整數 預設值:沒有預設值 |
top_k |
在訓練期間報告 top-k 準確度。由於 top-1 訓練準確度與回報的定期訓練準確度相同,此參數必須大於 1。 選用 有效值:正整數,且必須大於 1。 預設值:沒有預設值 |
use_pretrained_model |
指出是否要使用預先訓練模型進行訓練的標記。若將此值設定為 1,則系統會載入具備對應層級數的預先訓練模型,藉此進行訓練。且唯有頂端的 FC 層會重新初始化為隨機權重;否則,網路皆是從頭開始訓練。 選用 有效值:0 或 1 預設值:0 |
use_weighted_loss |
指出針對多標籤分類 (只有在 選用 有效值:0 或 1 預設值:0 |
weight_decay |
選用 有效值:浮點數。範圍在 [0, 1] 之間。 預設值:0.0001 |