Bildklassifizierung – TensorFlow Hyperparameter

Hyperparameter sind Parameter, die festgelegt werden, bevor ein Machine Learning-Modell mit dem Lernen beginnt. Die folgenden Hyperparameter werden vom integrierten Amazon SageMaker -Image-Klassifizierungsalgorithmus unterstützt TensorFlow . Weitere Informationen zur Hyperparameter-Optimierung finden Sie unter Optimieren einer Bildklassifizierung – TensorFlow Modell.

Name des Parameters	Beschreibung
augmentation	Legen Sie auf "True" fest, damit augmentation_random_flip, augmentation_random_rotation, und augmentation_random_zoom auf die Trainingsdaten angewendet werden. Gültige Werte: Zeichenfolge, entweder: ("True" or "False"). Standardwert: "False".
augmentation_random_flip	Gibt an, welcher Umkehrmodus für die Datenerweiterung verwendet werden soll, wenn augmentation auf "True" festgelegt ist. Weitere Informationen finden Sie unter RandomFlip in der - TensorFlow Dokumentation. Gültige Werte: String, einer der folgenden Werte: ("horizontal_and_vertical", "vertical" oder "None"). Standardwert: "horizontal_and_vertical".
augmentation_random_rotation	Gibt an, wie viel Rotation für die Datenerweiterung verwendet werden soll, wenn augmentation auf "True" festgelegt ist. Werte stellen einen Bruchteil von 2π dar. Positive Werte drehen sich gegen den Uhrzeigersinn, negative Werte drehen sich im Uhrzeigersinn. 0 bedeutet keine Rotation. Weitere Informationen finden Sie unter RandomRotation in der - TensorFlow Dokumentation. Gültige Werte: Float, Bereich: [-1.0, 1.0]. Standardwert: 0.2.
augmentation_random_zoom	Gibt an, wie viel vertikaler Zoom für die Datenvergrößerung verwendet werden soll, wenn augmentation auf "True" festgelegt ist. Bei positiven Werten wird herausgezoomt, bei negativen Werten hineingezoomt. 0 bedeutet kein Zoomen. Weitere Informationen finden Sie unter RandomZoom in der - TensorFlow Dokumentation. Gültige Werte: Float, Bereich: [-1.0, 1.0]. Standardwert: 0.1.
batch_size	Die Batch-Größe für die Schulung. Für das Training auf Instanzen mit mehreren GPUs wird diese Batchgröße für alle GPUs verwendet. Gültige Werte: positive Ganzzahl. Standardwert: 32.
beta_1	Die Beta1-Version für den "adam" Optimierer. Die exponentielle Zerfallsrate für Schätzwerte im ersten Schritt. Wird für andere Optimierer ignoriert. Gültige Werte: Float, Bereich: [0.0, 1.0]. Standardwert: 0.9.
beta_2	Die Beta2 für den Optimierer. "adam" Die exponentielle Zerfallsrate für Schätzwerte im zweiten Schritt. Wird für andere Optimierer ignoriert. Gültige Werte: Float, Bereich: [0.0, 1.0]. Standardwert: 0.999.
binary_mode	Wenn binary_mode auf "True" gesetzt ist, gibt das Modell eine einzelne Wahrscheinlichkeitszahl für die positive Klasse zurück und kann zusätzliche eval_metric Optionen verwenden. Nur für binäre Klassifikationsprobleme verwenden. Gültige Werte: String, entweder: ("True" oder "False"). Standardwert: "False".
dropout_rate	Die Abbrecherquote für die Dropout-Ebene in der obersten Klassifizierungsebene. Gültige Werte: Float, Bereich: [0.0, 1.0]. Standardwert: 0.2
early_stopping	Auf "True" eingestellt, um die Logik zum vorzeitigen Abbruch während des Trainings zu verwenden. Falls "False", wird vorzeitiges Abbrechen nicht verwendet. Gültige Werte: Zeichenfolge, entweder: ("True" oder "False"). Standardwert: "False".
early_stopping_min_delta	Die geringste Änderung, die erforderlich ist, um als Verbesserung zu gelten. Eine absolute Änderung, die unter dem Wert von early_stopping_min_delta liegt, gilt nicht als Verbesserung. Wird nur verwendet, wenn für early_stopping der Wert "True" festgelegt ist. Gültige Werte: Float, Bereich: [0.0, 1.0]. Standardwert: 0.0.
early_stopping_patience	Die Anzahl der Epochen, in denen die Ausbildung ohne Verbesserung fortgesetzt wird. Wird nur verwendet, wenn für early_stopping der Wert "True" festgelegt ist. Gültige Werte: positive Ganzzahl. Standardwert: 5.
epochs	Die Anzahl der Schulungsepochen. Gültige Werte: positive Ganzzahl. Standardwert: 3.
epsilon	Das Epsilon für "adam", "rmsprop", "adadelta", und "adagrad". Normalerweise auf einen kleinen Wert eingestellt, um eine Division durch 0 zu vermeiden. Wird für andere Optimierer ignoriert. Gültige Werte: Float, Bereich: [0.0, 1.0]. Standardwert: 1e-7.
eval_metric	Wenn binary_mode auf "False" festgelegt ist, kann eval_metric nur "accuracy" sein. Wenn binary_mode "True" ist, wählen Sie einen der gültigen Werte aus. Weitere Informationen finden Sie unter Metriken in der - TensorFlow Dokumentation. Gültige Werte: String, einer der folgenden Werte: ("accuracy", "precision", "recall", "auc" oder"prc"). Standardwert: "accuracy".
image_resize_interpolation	Gibt die Interpolationsmethode an, die bei der Größenänderung von Bildern verwendet wird. Weitere Informationen finden Sie unter image.resize in der - TensorFlow Dokumentation. Gültige Werte: string, einer der folgenden Werte: ("bilinear", "nearest", "bicubic", "area", "lanczos3", "lanczos5", "gaussian" oder "mitchellcubic"). Standardwert: "bilinear".
initial_accumulator_value	Der Startwert für die Akkumulatoren oder die Impulswerte pro Parameter für den "adagrad" Optimierer. Wird für andere Optimierer ignoriert. Gültige Werte: Float, Bereich: [0.0, 1.0]. Standardwert: 0.0001.
label_smoothing	Gibt an, um wie viel das Vertrauen in Label-Werte gelockert werden soll. Wenn beispielsweise label_smoothing 0.1 ist, dann sind Beschriftungen, die nicht zu den Zielbezeichnungen gehören, 0.1/num_classes und Zielbeschriftungen sind 0.9+0.1/num_classes. Gültige Werte: Float, Bereich: [0.0, 1.0]. Standardwert: 0.1.
learning_rate	Die Lernrate des Optimierers. Gültige Werte: Float, Bereich: [0.0, 1.0]. Standardwert: 0.001.
momentum	Die Dynamik für "sgd", "nesterov" und "rmsprop"-Optimierer. Wird für andere Optimierer ignoriert. Gültige Werte: Float, Bereich: [0.0, 1.0]. Standardwert: 0.9.
optimizer	Der Optimierer-Typ. Weitere Informationen finden Sie unter Optimierer in der - TensorFlow Dokumentation. Gültige Werte: Zeichenfolge, einer der folgenden Werte: ("adam", "sgd", "nesterov", "rmsprop", "adagrad" , "adadelta"). Standardwert: "adam".
regularizers_l2	Der L2-Regularisierungsfaktor für die dichte Schicht in der Klassifizierungsschicht. Gültige Werte: Float, Bereich: [0.0, 1.0]. Standardwert: .0001.
reinitialize_top_layer	Wenn dieser Wert auf "Auto" gesetzt ist, werden die Parameter der obersten Klassifikationsschicht während der Feinabstimmung neu initialisiert. Beim inkrementellen Training werden die Parameter der obersten Klassifikationsschicht nur dann neu initialisiert, wenn sie auf "True" gesetzt sind. Gültige Werte: Zeichenfolge, einer der folgenden Werte: ("Auto", "True" oder "False"). Standardwert: "Auto".
rho	Der Abzinsungsfaktor für den Gradienten der "adadelta" und "rmsprop" Optimierer. Wird für andere Optimierer ignoriert. Gültige Werte: Float, Bereich: [0.0, 1.0]. Standardwert: 0.95.
train_only_top_layer	Falls "True", werden nur die Parameter der obersten Klassifikationsschicht fein abgestimmt. Falls "False", werden alle Modellparameter fein abgestimmt. Gültige Werte: Zeichenfolge, entweder: ("True" or "False"). Standardwert: "False".