Optimieren Sie ein Objekterkennungsmodell TensorFlow

Die automatische Modelloptimierung, auch bekannt als Hyperparameteroptimierung, sucht die beste Version eines Modells, indem viele Aufträge ausgeführt werden, die einen Bereich von Hyperparametern in Ihrem Datensatz 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 Automatische Modelloptimierung mit SageMaker.

Mit dem Object Detection-Algorithmus berechnete Metriken TensorFlow

In der folgenden Tabelle können Sie herausfinden, welche Metriken vom Objekterkennungsalgorithmus berechnet werden. TensorFlow

Metrikname	Beschreibung	Optimierungsrichtung	Regex-Musterung
validation:localization_loss	Der Lokalisierungsverlust bei der Box-Vorhersage.	Minimieren	Val_localization=([0-9\\.]+)

Einstellbare Objekterkennung — Hyperparameter TensorFlow

Stimmen Sie ein Objekterkennungsmodell mit den folgenden Hyperparametern ab. Die Hyperparameter mit den größten Auswirkungen auf objektive Objekterkennungsmetrik 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 Objekterkennung — TensorFlow Hyperparameter.

Name des Parameters	Parametertyp	Empfohlene Bereiche
batch_size	IntegerParameterRanges	MinValue: 8, MaxValue: 512
beta_1	ContinuousParameterRanges	MinValue: 1e-6, MaxValue: 0,99
beta_2	ContinuousParameterRanges	MinValue: 1e-6,: 0,999 MaxValue
eps	ContinuousParameterRanges	MinValue: 1e-8,: 1,0 MaxValue
learning_rate	ContinuousParameterRanges	MinValue: 1e-6,: 0,5 MaxValue
momentum	ContinuousParameterRanges	MinValue: 0,0,: 0,99 MaxValue
optimizer	CategoricalParameterRanges	['sgd', 'adam', 'rmsprop', 'nesterov', 'adagrad', 'adadelta']
regularizers_l2	ContinuousParameterRanges	MinValue: 0,0, MaxValue: 0,99
train_only_on_top_layer	CategoricalParameterRanges	['True', 'False']
initial_accumulator_value	CategoricalParameterRanges	MinValue: 0,0, MaxValue: 0,99