Optimierung eines semantischen Segmentierungsmodells

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.

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, MaxValue1e-1
mini_batch_size	IntegerParameterRanges	MinValue: 1, MaxValue: 128
momentum	ContinuousParameterRange	MinValue: 0,9, MaxValue0,999
optimzer	CategoricalParameterRanges	['sgd', 'adam', 'adadelta']
weight_decay	ContinuousParameterRange	MinValue: 1e-5, MaxValue1e-3