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.
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.
Mit dem semantischen Segmentierungsalgorithmus berechnete Metriken
Der semantische Segmentierungsalgorithmus meldet zwei Validierungsmetriken. Wenn Sie die Hyperparameterwerte optimieren, wählen Sie diese Metrik als Ziel aus.
| Metrikname | Beschreibung | Optimierungsrichtung |
|---|---|---|
validation:mIOU |
Bei Bildern im Validierungssatz wird die Fläche des Schnittpunkts zwischen der vorhergesagten Segmentierung und der Ground-Truth geteilt durch den Bereich, in dem sie zusammengeführt werden. Wird auch als Jaccard-Index bezeichnet. |
Maximieren |
validation:pixel_accuracy |
Der Prozentsatz der Pixel, die in Bildern aus dem Validierungssatz korrekt klassifiziert wurden. |
Maximieren |
Optimierbare semantische Segmentierungshyperparameter
Sie können die folgenden Hyperparameter für sie semantische Segmentierung optimieren.
| Name des Parameters | Parametertyp | Empfohlene Bereiche |
|---|---|---|
learning_rate |
ContinuousParameterRange |
MinValue: 1e-4,: 1e-1 MaxValue |
mini_batch_size |
IntegerParameterRanges |
MinValue: 1,: 128 MaxValue |
momentum |
ContinuousParameterRange |
MinValue: 0,9, MaxValue: 0,99 |
optimzer |
CategoricalParameterRanges |
['sgd', 'adam', 'adadelta'] |
weight_decay |
ContinuousParameterRange |
MinValue: 1e-5,: 1e-3 MaxValue |
