Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Optimieren eines Objekterkennungsmodells
Die automatische Modelloptimierung, auch bekannt als Hyperparameter-Optimierung, sucht die beste Version eines Modells, indem viele Aufträge ausgeführt werden, die eine 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.
Weitere Informationen zu Modelloptimierung finden Sie unter Durchführen der automatischen Modelloptimierung mit SageMaker.
Vom Objekterkennungsalgorithmus berechnete Metriken
Der Objekterkennungsalgorithmus meldet eine einzelne Metrik während der Schulung: validation:mAP
. Wählen Sie beim Optimieren eines Modells diese Metrik als objektive Metrik aus.
Metrikname | Beschreibung | Optimierungsrichtung |
---|---|---|
validation:mAP |
Mittlere durchschnittliche Präzision (Mean Average Precision, mAP), die anhand des Validierungsdatasets berechnet wird. |
Maximieren |
Optimierbare Objekterkennungshyperparameter
Optimieren Sie das Amazon SageMaker-Objekterkennungsmodell mit den folgenden Hyperparametern. Die Hyperparameter mit den größten Auswirkungen auf objektive Objekterkennungsmetrik sind: mini_batch_size
, learning_rate
und optimizer
.
Parametername | Parametertyp | Empfohlene Bereiche |
---|---|---|
learning_rate |
ContinuousParameterRange |
MinValue: 1e-6, MaxValue: 0.5 |
mini_batch_size |
IntegerParameterRanges |
MinValue: 8, MaxValue: 64 |
momentum |
ContinuousParameterRange |
MinValue: 0.0, MaxValue: 0.999 |
optimizer |
CategoricalParameterRanges |
['sgd', 'adam', 'rmsprop', 'adadelta'] |
weight_decay |
ContinuousParameterRange |
MinValue: 0.0, MaxValue: 0.999 |