物件偵測超參數

在 CreateTrainingJob 請求中，請指定您想要使用的訓練演算法。您也可以指定演算法特定的超參數，用來協助預估訓練資料集的模型參數。下表列出 Amazon 提供的超參數， SageMaker 用於訓練物件偵測演算法。如需物件訓練運作方式的詳細資訊，請參閱物件偵測的運作方式。

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。必要有效值：正整數
`num_training_samples`	輸入資料集中的訓練範例數量。注意如果此值與訓練集中的範例數量不相符，則表示 `lr_scheduler_step` 參數未定義行為，且可能會影響分散式訓練的準確度。必要有效值：正整數
`base_network`	可使用的基礎網路架構。選用有效值：'vgg-16' 或 'resnet-50' 預設值：'vgg-16'
`early_stopping`	`True` 以在訓練期間使用提前停止的邏輯。`False` 則不使用它。選用有效值：`True` 或 `False` 預設值：`False`
`early_stopping_min_epochs`	調用提前停止邏輯前，應執行的 epoch 數量下限。只有在 `early_stopping` = `True` 時才會使用。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，結束訓練前等待的 epoch 數量，如 `early_stopping_tolerance` 超參數所定義。只有在 `early_stopping` = `True` 時才會使用。選用有效值：正整數預設值：5
`early_stopping_tolerance`	若要避免提早停止，`validation:mAP` (平均精度均值 (mAP)) 中的相關改進需要超過的公差值。如果 mAP 中的變更率除以過去最佳 mAP 的結果小於 `early_stopping_tolerance` 值，則提早停止會將其視為毫無改進。只有在 `early_stopping` = `True` 時才會使用。選用有效值：0 ≤ 浮點數 ≤ 1 預設值：0.0
`image_shape`	輸入影像的影像大小。我們會使用此大小將輸入影像重新調整為方形影像。我們建議您使用 300 和 512，以獲得更好的效能。選用有效值：正整數 ≥300 預設：300
`epochs`	訓練 epoch 的數量。選用有效值：正整數預設：30
`freeze_layer_pattern`	可在基礎網路中凍結層的正規表示式 (regex)。例如，假設我們設定 `freeze_layer_pattern` = `"^(conv1_\|conv2_).*"`，則會凍結任何名稱包含 `"conv1_"` 或 `"conv2_"` 的層，這表示訓練時不會更新這些層的權重。您可以在網路符號檔案 vgg16-symbol.json 和 resnet-50-symbol.json 中找到層名稱。凍結層表示不能進一步修改其權重。這可大幅縮短訓練時間，但會犧牲適度的準確率損失。此技術通常在不需要保留基礎網路中較低層的情況下，用於傳輸學習。選用有效值：字串預設：不凍結任何層。
`kv_store`	用於分散式訓練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。如需詳細資訊，請參閱分散式訓練MXNet教學課程。注意此參數不適用於單部機器訓練。選用有效值：`'dist_sync'` 或 `'dist_async'` `'dist_sync'`：所有工作者會在每個批次的作業執行完畢後，同步更新梯度。透過 `'dist_sync'`，batch-size 目前可表示各機器所使用的批次大小。所以，假設有 n 部機器使用批次大小 b，則 dist_sync 的行為就像批次大小 n*b 的單一機器。 `'dist_async'`：此參數會執行非同步更新。從任何機器接收到梯度時，系統即會更新權重；權重更新作業不可部分完成。然而，此操作無法保證更新的先後順序。預設：-
`label_width`	用來進行跨訓練和驗證資料同步的強制填補標籤寬度。例如，如果資料中的一個影像包含最多 10 個物件，且每個物件註釋指定了 5 個數字 [class_id, left, top, width, height]，則 `label_width` 不得小於 (10*5 + 標題資訊長度)。標題資訊長度通常是 2。我們建議您針對訓練使用稍微大於 `label_width` 的值，例如此範例的 60。選用有效值：足以容納資料中最大註釋資訊長度的正整數。預設：350
`learning_rate`	初始學習率。選用有效值：浮點數 (0, 1] 預設：0.001
`lr_scheduler_factor`	降低學習率的比率。搭配使用定義為 `lr_new` = `lr_old` * `lr_scheduler_factor` 的 `lr_scheduler_step` 參數。選用有效值：浮點數 (0, 1) 預設：0.1
`lr_scheduler_step`	要降低學習率的 epoch。`lr_scheduler_factor` 會降低提列於逗號分隔字串 "epoch1, epoch2, ..." 中的 epoch 學習速率。例如，假設該值的設定為 "10, 20" 且 `lr_scheduler_factor` 設為 1/2，則系統會將第 10 個 epoch 後的學習率減半，並再將第 20 個 epoch 後的學習率減半。選用有效值：字串預設：空白字串
`mini_batch_size`	訓練的批次大小。在單一機器多 CPU 設定中，每個都會GPU處理`mini_batch_size`/`num_gpu`訓練範例。若是 `dist_sync` 模式中的多部機器訓練，實際批次大小則為：`mini_batch_size`*機器數量。通常，`mini_batch_size` 越大訓練更快，但可能會導致記憶體不足問題。記憶體使用量與 `mini_batch_size`、`image_shape` 和 `base_network` 架構相關。例如，在單一 p3.2xlarge 執行個體中，不會導致記憶體不足錯誤的最大 `mini_batch_size` 為 32，且 base_network 設為 "resnet-50" 而 `image_shape` 為 300。使用相同的執行個體時，您可以使用 64 的 `mini_batch_size`、`vgg-16` 的基礎網路和 300 的 `image_shape`。選用有效值：正整數預設：32
`momentum`	`sgd` 的動量。若是其他最佳化工具則忽略。選用有效值：浮點數 (0, 1] 預設：0.9
`nms_threshold`	非最大的抑制閾值。選用有效值：浮點數 (0, 1] 預設：0.45
`optimizer`	最佳化工具類型。如需最佳化工具值的詳細資訊，請參閱 MXNet的 API。選用有效值：['sgd', 'adam', 'rmsprop', 'adadelta'] 預設：'sgd'
`overlap_threshold`	評估重疊閾值。選用有效值：浮點數 (0, 1] 預設：0.5
`use_pretrained_model`	指出是否要使用預先訓練模型進行訓練。若將此值設定為 1，則系統會載入具備對應架構的預先訓練模型，以進行訓練。否則，網路皆是從頭開始訓練。選用有效值：0 或 1 預設：1
`weight_decay`	`sgd` 和 `rmsprop` 的權重衰減係數。若是其他最佳化工具則忽略。選用有效值：浮點數 (0, 1) 預設：0.0005

您的瀏覽器已停用或無法使用 Javascript。

您必須啟用 Javascript，才能使用 AWS 文件。請參閱您的瀏覽器說明頁以取得說明。

文件慣用形式

運作方式

模型調校

物件偵測超參數

注意

注意