View a markdown version of this page

文字分類 - TensorFlow 超參數 - Amazon SageMaker AI

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。

文字分類 - TensorFlow 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 AI 內建物件偵測 - TensorFlow 演算法支援下列超參數。如需有關超參數調校的資訊，請參閱調校文字分類 - TensorFlow 模型。

參數名稱 說明
batch_size

訓練的批次大小。以多個 GPU 在執行個體進行訓練時，會在整個 GPU 中使用此批次大小。

有效值：正整數。

預設值：32。
beta_1

"adam" 和 "adamw" 最佳化工具的 beta1。代表第一時間預估的指數衰減率。若是其他最佳化工具則忽略。

有效值：浮動、範圍：[0.0,1.0]。

預設值：0.9。
beta_2

"adam" 和 "adamw" 最佳化工具的 beta2。代表第二時間預估的指數衰減率。若是其他最佳化工具則忽略。

有效值：浮動、範圍：[0.0,1.0]。

預設值：0.999。
dropout_rate

頂部分類層中退出層的退出率。僅在將 reinitialize_top_layer 設定為 "True" 時使用。

有效值：浮動、範圍：[0.0, 1.0]。

預設值：0.2
early_stopping

設定為 "True" 以在訓練期間使用提前停止邏輯。如果 "False"，則未使用提前停止。

有效值：字串，可以是任一：("True" 或 "False")。

預設值："False"。
early_stopping_min_delta 符合改善資格所需的變更下限。小於 early_stopping_min_delta 值的絕對變更不符合改善資格。僅在 early_stopping 設為 "True" 時才使用。

有效值：浮動、範圍：[0.0, 1.0]。

預設值：0.0。
early_stopping_patience

在沒有任何改善的情況下，繼續訓練的週期數量。僅在 early_stopping 設為 "True" 時才使用。

有效值：正整數。

預設值：5。
epochs

訓練 epoch 的數量。

有效值：正整數。

預設值：10。
epsilon

用於 "adam"、"rmsprop"、"adadelta" 和 "adagrad" 最佳化工具的 epsilon。通常會設定為較小值，避免要將該值除以 0。若是其他最佳化工具則忽略。

有效值：浮動、範圍：[0.0,1.0]。

預設值：1e-7。
initial_accumulator_value

累加器的起始值或 "adagrad" 最佳化工具的每個參數動量值。若是其他最佳化工具則忽略。

有效值：浮動、範圍：[0.0,1.0]。

預設值：0.0001。
learning_rate 最佳化工具的學習速率。

有效值：浮動、範圍：[0.0,1.0]。

預設值：0.001。
momentum

"sgd" 和 "nesterov" 最佳化工具的動量。若是其他最佳化工具則忽略。

有效值：浮動、範圍：[0.0,1.0]。

預設值：0.9。
optimizer

最佳化工具類型。如需更多資訊，請參閱 TensorFlow 文件中的最佳化工具。

有效值：字串，下列任何一項：("adamw"、"adam"、"sgd"、"nesterov"、"rmsprop"、 "adagrad"、"adadelta")。

預設值："adam"。
regularizers_l2

分類層中密集層的 L2 正規化因素。僅在 reinitialize_top_layer 設為 "True" 時才使用。

有效值：浮動、範圍：[0.0, 1.0]。

預設值：0.0001。
reinitialize_top_layer

如果設定為 "Auto"，則在微調期間重新初始化頂部分類層參數。對於增量訓練，除非設定為 "True"，否則不會重新初始化頂部分類層參數。

有效值：字串，下列任一項：("Auto"、"True" 或 "False")。

預設值："Auto"。
rho

"adadelta" 和 "rmsprop"最佳化工具的漸層折扣因素。若是其他最佳化工具則忽略。

有效值：浮動、範圍：[0.0,1.0]。

預設值：0.95。
train_only_on_top_layer

如果 "True"，則僅對頂部分類層參數進行微調。如果 "False"，則微調所有模型參數。

有效值：字串，可以是：("True" 或 "False")。

預設值："False"。
validation_split_ratio

要隨機分割以建立驗證資料的訓練資料分數。只有在未透過 validation 頻道提供驗證資料時才使用。

有效值：浮動、範圍：[0.0,1.0]。

預設值：0.2。
warmup_steps_fraction

漸層更新步驟總數的分數，其中學習速率從 0 增加到初始學習速率作為暖機。僅與 adamw 最佳化工具搭配使用。

有效值：浮點數，範圍：[0.0,1.0]。

預設值：0.1。