Optimieren einer Bildklassifizierung – TensorFlow Modell

Die automatische Modelloptimierung, auch bekannt als Hyperparameter-Optimierung, sucht die beste Version eines Modells, indem viele Aufträge ausgeführt werden, die einen Bereich von Hyperparametern in Ihrem Dataset testen. Sie wählen die optimierbaren Hyperparameter, eine Reihe von Werten für jeden Parameter und eine objektive Metrik aus. Sie wählen die objektive Metrik aus den Metriken aus, die der Algorithmus berechnet. Die automatische Modelloptimierung durchsucht die ausgewählten Hyperparameter nach der Kombination von Werten, die das Modell ergeben, das die objektive Metrik optimiert.

Mehr Informationen über die Modelloptimierung finden Sie unter Durchführen der automatischen Modelloptimierung mit SageMaker.

Vom Bildklassifizierungsalgorithmus TensorFlow berechnete Metriken

Der Bildklassifizierungsalgorithmus ist ein überwachter Algorithmus. Er meldet eine Genauigkeitsmetrik, die während des Trainings berechnet wird. Wählen Sie diese Metrik beim Optimieren des Modells als objektive Metrik aus.

Metrikname	Beschreibung	Optimierungsrichtung
validation:accuracy	Das Verhältnis der Anzahl von richtigen Prognosen zur Gesamtzahl der erstellten Voraussagen.	Maximieren

Optimierbare Bildklassifizierung – TensorFlow Hyperparameter

Optimieren Sie ein Bildklassifizierungsmodell mit den folgenden Hyperparameter. Die Hyperparameter mit den größten Auswirkungen auf die objektiven Metriken der Bildklassifizierung sind: batch_size, learning_rate und optimizer. Optimieren Sie die auf den Optimierer bezogenen Hyperparameter, wie momentum, regularizers_l2, beta_1, beta_2 und eps basierend auf dem ausgewählten optimizer. Verwenden Sie z. B. beta_1 und beta_2 nur, wenn adam der optimizer ist.

Weitere Informationen dazu, welche Hyperparameter für die einzelnen optimizer verwendet werden, finden Sie unter Bildklassifizierung – TensorFlow Hyperparameter.

Name des Parameters	Parametertyp	Empfohlene Bereiche
batch_size	IntegerParameterRanges	MinValue: 8, MaxValue: 512
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, MaxValue0,999
optimizer	CategoricalParameterRanges	['sgd', 'adam', 'rmsprop', 'nesterov', 'adagrad', 'adadelta']
regularizers_l2	ContinuousParameterRanges	MinValue: 0,0, MaxValue0,999
train_only_top_layer	ContinuousParameterRanges	['True', 'False']