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。
調整文字分類 - TensorFlow 模型
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，請參閱使用 自動模型調校 SageMaker。
文字分類 - TensorFlow 演算法計算的指標
請參閱下列圖表，以尋找由文字分類 TensorFlow 演算法計算的指標。
| 指標名稱 | 描述 | 最佳化方向 | 正則表達式 |
|---|---|---|---|
validation:accuracy |
正確預測數與總預測數的比率。 |
最大化 |
|
可調整的文字分類 - TensorFlow 超參數
使用下列超參數調校文字分類模型。對文字分類目標指標影響程度最大的超參數為：batch_size、learning_rate 和 optimizer。基於選取的 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 adamw 或 adam為 optimizer 時，才使用 beta_1 和 beta_2。
如需對每個 optimizer 使用了哪些超參數的更多相關資訊，請參閱文字分類 - TensorFlow 超參數。
| 參數名稱 | 參數類型 | 建議範圍 |
|---|---|---|
batch_size |
IntegerParameterRanges |
MinValue：4、 MaxValue：128 |
beta_1 |
ContinuousParameterRanges |
MinValue：1e-6， MaxValue：0.999 |
beta_2 |
ContinuousParameterRanges |
MinValue：1e-6， MaxValue：0.999 |
eps |
ContinuousParameterRanges |
MinValue：1e-8、 MaxValue：1.0 |
learning_rate |
ContinuousParameterRanges |
MinValue：1e-6， MaxValue：0.5 |
momentum |
ContinuousParameterRanges |
MinValue：0.0、 MaxValue：0.999 |
optimizer |
CategoricalParameterRanges |
['adamw', 'adam', 'sgd', 'rmsprop', 'nesterov', 'adagrad', 'adadelta'] |
regularizers_l2 |
ContinuousParameterRanges |
MinValue：0.0、 MaxValue：0.999 |
train_only_on_top_layer |
CategoricalParameterRanges |
['True', 'False'] |
