語意分段超參數

下表列出 Amazon SageMaker 語意分割演算法支援的網路架構、資料輸入和訓練的超參數。您可以在 CreateTrainingJob 請求的 AlgorithmName 中，針對訓練指定語意分段。

網路架構超參數

參數名稱描述

參數名稱	描述
`backbone`	用於演算法編碼器元件的骨幹。選用有效值：`resnet-50`、`resnet-101` 預設值：`resnet-50`
`use_pretrained_model`	預先訓練模型是否會用於骨幹。選用有效值：`True`、`False` 預設值：`True`
`algorithm`	要用於語意分段的演算法。選用有效值： `fcn`：Fully-Convolutional Network (FCN) 演算法 `psp`：Pyramid Scene Parsing (PSP) 演算法 `deeplab`: 演DeepLab 算法預設值：`fcn`

backbone

用於演算法編碼器元件的骨幹。

選用

有效值：resnet-50、resnet-101

預設值：resnet-50

use_pretrained_model

預先訓練模型是否會用於骨幹。

選用

有效值：True、False

預設值：True

algorithm

要用於語意分段的演算法。

選用

有效值：

fcn：Fully-Convolutional Network (FCN) 演算法
psp：Pyramid Scene Parsing (PSP) 演算法
deeplab: 演DeepLab 算法

預設值：fcn

資料超參數

參數名稱	描述
`num_classes`	要分段的類別數。必要有效值：2 ≤ 正整數 ≤ 254
`num_training_samples`	訓練資料中的樣本數。演算法會使用此值設定學習率排程器。必要有效值：正整數
`base_size`	定義影像在裁剪前的重新縮放方式。影像會重新縮放，將較長一邊的大小長度設為 `base_size` 乘以介於 0.5 到 2.0 的隨機數字，而較短一邊的大小長度則會運算到保留長寬比。選用有效值：大於 16 的正整數預設值：520
`crop_size`	訓練期間輸入的影像大小。我們會根據 `base_size` 隨機重新縮放輸入影像，然後採用邊常等於 `crop_size` 的隨機正方形裁剪。系統會將 `crop_size` 自動四捨五入為 8 的倍數。選用有效值：大於 16 的正整數預設值：240

訓練超參數

參數名稱	描述
`early_stopping`	是否要在訓練期間使用提前停止邏輯。選用有效值：`True`、`False` 預設值：`False`
`early_stopping_min_epochs`	必須執行的最低 epoch 數。選用有效值：整數預設值：5
`early_stopping_patience`	在演算法強制提前停止前，需符合較低效能容忍度的 epoch 數。選用有效值：整數預設值：4
`early_stopping_tolerance`	如果訓練任務分數 (mIOU) 的相對改善小於此值，則提前停止會將 epoch 視為尚未改善。只有在 `early_stopping` = `True` 時才會使用此值。選用有效值：0 ≤ 浮點數 ≤ 1 預設值：0.0
`epochs`	用於訓練的 epoch 數。選用有效值：正整數預設值：10
`gamma1`	`rmsprop` 平方梯度的移動平均衰減因子。僅限用於 `rmsprop`。選用有效值：0 ≤ 浮點數 ≤ 1 預設值：0.9
`gamma2`	`rmsprop` 的動力因子。選用有效值：0 ≤ 浮點數 ≤ 1 預設值：0.9
`learning_rate`	初始學習率。選用有效值：0 < 浮點數 ≤ 1 預設值：0.001
`lr_scheduler`	控制其隨時間減少值的學習率排程形狀。選用有效值： `step`：逐步衰減，系統會依 `lr_scheduler_step` 指定多個 epoch 後的 `lr_scheduler_factor` 降低（乘以）學習率。 `poly`：使用多項式函數的平滑衰減。 `cosine`：使用餘弦函數的平滑衰減。預設值：`poly`
`lr_scheduler_factor`	假設 `lr_scheduler` 的設定為 `step`，則系統會依 `lr_scheduler_step` 指定每個 epoch 後降低（乘以）`learning_rate` 的比例。否則，會遭到忽略。選用有效值：0 ≤ 浮點數 ≤ 1 預設值：0.1
`lr_scheduler_step`	依 `lr_scheduler_factor` 降低（乘以）`learning_rate` 後的以逗號分隔的 epoch 清單。例如，假設該值的設定為「`"10, 20"`」，則系統會依第 10 個 epoch 後的 `lr_scheduler_factor` 降低 `learning-rate`，並再次依第 20 個 epoch 後的此因子降低學習率。如果 `lr_scheduler` 的設定為 `step`，則為有條件必要。否則，會遭到忽略。有效值：字串預設值：（無預設值，使用時則此值為必要。）
`mini_batch_size`	訓練的批次大小。使用較大的 `mini_batch_size` 通常會加快訓練，但是可能會使您記憶體不足。記憶體用量會受 `mini_batch_size` 和 `image_shape` 參數，以及骨幹架構影響。選用有效值：正整數預設值：16
`momentum`	`sgd` 最佳化工具的動力。當您使用其他最佳化工具時，語意分段演算法會忽略此參數。選用有效值：0 < 浮點數 ≤ 1 預設值：0.9
`optimizer`	最佳化工具類型。如需最佳化工具的詳細資訊，請選擇適當連結： `adam`：Adaptive momentum estimation `adagrad`：Adaptive gradient descent `nag`：Nesterov accelerated gradient `rmsprop`：Root mean square propagation `sgd`：Stochastic gradient descent 選用有效值：`adam`、`adagrad`、`nag`、`rmsprop`、`sgd` 預設值：`sgd`
`syncbn`	如果設定為 `True`，則會針對跨 GPU 處理的所有範例計算批次標準化平均值和差異。選用有效值：`True`、`False` 預設值：`False`
`validation_mini_batch_size`	驗證的批次大小。使用較大的 `mini_batch_size` 通常會加快訓練，但是可能會使您記憶體不足。記憶體用量會受 `mini_batch_size` 和 `image_shape` 參數，以及骨幹架構影響。若要為整個影像上的驗證進行評分，而不想要裁切影像，請將此參數設為 1。若您希望測量整個影像的整體效能，請使用此選項。注意將 `validation_mini_batch_size` 參數設為 1，會使演算法為每個影像建立一個新的網路模型。這可能會使驗證和訓練變慢。若要將影像裁切至 `crop_size` 參數中指定的大小，即使是在評估中，也請將此參數設為大於 1 的值。選用有效值：正整數預設值：16
`weight_decay`	`sgd` 最佳化工具的加權衰減係數。當您使用其他最佳化工具時，演算法會忽略此參數。選用有效值：0 < 浮點數 < 1 預設值：0.0001

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

語意分段

模型調校

語意分段超參數

注意