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。
調整對象檢測- TensorFlow 型號
「自動模型調校」，又稱為超參數調校，會透過在您的資料集上，執行許多測試超參數範圍的任務，來尋找最佳版本的模型。您可以選擇可調校的超參數、每一個超參數的值範圍，及目標指標。您可以從演算法運算的指標中選擇目標指標。自動模型調校會搜尋所選擇的超參數，以找出產生之模型可最佳化目標指標的值組合。
如需模型調校的詳細資訊，請參閱 執行自動模型調整 SageMaker。
通過對象檢測計算的度量- TensorFlow 算法
請參閱下表，找出「物件偵測-」 TensorFlow 演算法所計算的度量。
| 指標名稱 | 描述 | 最佳化方向 | 正則表達式 |
|---|---|---|---|
validation:localization_loss |
方塊預測的本地化損失。 |
最小化 |
|
可調對象檢測- TensorFlow 超參數
使用下列超參數調整物件偵測模型。對物件偵測目標指標帶來最大影響的超參數為：batch_size、learning_rate 和 optimizer。根據選取的 optimizer，調校與最佳化工具相關的超參數，例如 momentum、regularizers_l2、beta_1、beta_2 和 eps。例如，只在 adam 為 optimizer 時，才使用 beta_1 和 beta_2。
如需每個 optimizer 中使用了哪些超參數的詳細資訊，請參閱 物體偵測- TensorFlow 超參數。
| 參數名稱 | 參數類型 | 建議範圍 |
|---|---|---|
batch_size |
IntegerParameterRanges |
MinValue：八、 MaxValue |
beta_1 |
ContinuousParameterRanges |
MinValue: 一至六, MaxValue: 0.999 |
beta_2 |
ContinuousParameterRanges |
MinValue: 一至六, MaxValue: 0.999 |
eps |
ContinuousParameterRanges |
MinValue: 第一節之八, MaxValue: 1.0 |
learning_rate |
ContinuousParameterRanges |
MinValue: 一至六, MaxValue: 0.5 |
momentum |
ContinuousParameterRanges |
MinValue: 0.0, MaxValue: |
optimizer |
CategoricalParameterRanges |
["sgd","adam","rmsprop","nesterov","adagrad","adadelta"] |
regularizers_l2 |
ContinuousParameterRanges |
MinValue: 0.0, MaxValue: |
train_only_on_top_layer |
CategoricalParameterRanges |
['True', 'False'] |
initial_accumulator_value |
CategoricalParameterRanges |
MinValue: 0.0, MaxValue: |
