Ajuste un modelo de detección de objetos 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 un ajuste automático del modelo con SageMaker.

Métricas calculadas por el algoritmo de detección de objetos TensorFlow

Consulte la siguiente tabla para ver qué métricas calcula el TensorFlow algoritmo de detección de objetos.

Nombre de métrica	Descripción	Dirección de optimización	Patrón de expresiones regulares
validation:localization_loss	La pérdida de localización para la predicción de cuadros.	Minimizar	Val_localization=([0-9\\.]+)

Detección de objetos ajustable: hiperparámetros TensorFlow

Ajuste el modelo de detección de objetos con los siguientes hiperparámetros. Los hiperparámetros que tienen el mayor impacto sobre las métricas objetivo de detección de objetos son 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 Detección de objetos: 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_on_top_layer	CategoricalParameterRanges	['True', 'False']
initial_accumulator_value	CategoricalParameterRanges	MinValue: 0,0, MaxValue 0,999