Ajuste una clasificación de imágenes: modelo TensorFlow

El ajuste de modelo automático, también conocido como ajuste de hiperparámetros, encuentra la mejor versión de un modelo ejecutando muchas tareas que probar una serie de hiperparámetros en su conjunto de datos. Usted elige los hiperparámetros que pueden ajustarse, un rango de valores para cada uno de ellos y una métrica objetiva. Puede elegir la métrica objetiva de las métricas que el algoritmo computa. El ajuste de modelo automático busca los hiperparámetros elegidos para encontrar la combinación de valores que obtienen el modelo que optimiza la métrica objetiva.

Para obtener más información acerca del ajuste de modelos, consulte Realice el ajuste automático del modelo con SageMaker.

Métricas calculadas mediante el algoritmo de clasificación de imágenes TensorFlow

El algoritmo de clasificación de imágenes es un algoritmo supervisado. Informa una métrica de precisión que se calcula durante la capacitación. Al ajustar el modelo, elija esta métrica como la métrica objetivo.

Nombre de métrica	Descripción	Dirección de optimización
validation:accuracy	La ratio del número de predicciones correctas con respecto al número total de predicciones realizadas.	Maximizar

Clasificación de imágenes ajustable: hiperparámetros TensorFlow

Ajuste un modelo de clasificación de imágenes con los siguientes hiperparámetros. Estos son los hiperparámetros con mayor impacto en las métricas de objetivos de clasificación de imágenes: batch_size, learning_rate y optimizer. Ajuste los hiperparámetros relacionados con el optimizador, como momentum, regularizers_l2, beta_1, beta_2 y eps, en función del optimizer seleccionado. Por ejemplo, utilice beta_1 y beta_2 solo cuando adam es el optimizer.

Para obtener más información sobre los hiperparámetros que se utilizan en cada optimizer, consulte Clasificación de imágenes: TensorFlow hiperparámetros.

Nombre del parámetro	Tipo de parámetro	Intervalos recomendados
batch_size	IntegerParameterRanges	MinValue: 8, MaxValue: 512
beta_1	ContinuousParameterRanges	MinValue: 1e-6, 0,999 MaxValue
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, 0,999 MaxValue
optimizer	CategoricalParameterRanges	['sgd', ‘adam’, ‘rmsprop’, 'nesterov', 'adagrad', 'adadelta']
regularizers_l2	ContinuousParameterRanges	MinValue: 0,0, MaxValue 0,999
train_only_top_layer	ContinuousParameterRanges	['True', 'False']