Classification des images - TensorFlow Hyperparamètres

Les hyperparamètres sont des paramètres définis avant qu'un modèle de machine learning ne commence à apprendre. Les hyperparamètres suivants sont pris en charge par l' TensorFlow algorithme SageMaker intégré de classification des images d'Amazon. Consultez Régler une classification d'images - TensorFlow modèle pour obtenir des informations sur le réglage des hyperparamètres.

Nom du paramètre	Description
augmentation	Définissez la valeur "True" pour appliquer augmentation_random_flip, augmentation_random_rotation et augmentation_random_zoom aux données d'entraînement. Valeurs valides : chaîne, valeur : ("True" ou "False"). Valeur par défaut : "False".
augmentation_random_flip	Indique le mode de retournement à utiliser pour l'augmentation des données lorsque augmentation a pour valeur "True". Pour plus d'informations, consultez RandomFlipla TensorFlow documentation. Valeurs valides : chaîne, l'une des valeurs suivantes : ("horizontal_and_vertical", "vertical" ou "None"). Valeur par défaut : "horizontal_and_vertical".
augmentation_random_rotation	Indique le degré de rotation à utiliser pour l'augmentation des données lorsque augmentation a pour valeur "True". Les valeurs représentent des fractions de 2π. Les valeurs positives effectuent une rotation dans le sens inverse des aiguilles d'une montre, tandis que les valeurs négatives effectuent une rotation dans le sens horaire. 0 signifie une absence de rotation. Pour plus d'informations, consultez RandomRotationla TensorFlow documentation. Valeurs valides : valeur à virgule flottante, plage : [-1.0, 1.0]. Valeur par défaut : 0.2.
augmentation_random_zoom	Indique le niveau de zoom vertical à utiliser pour l'augmentation des données lorsque augmentation a pour valeur "True". Les valeurs positives effectuent un zoom arrière tandis que les valeurs négatives effectuent un zoom avant. 0signifie une absence de zoom. Pour plus d'informations, consultez RandomZoomla TensorFlow documentation. Valeurs valides : valeur à virgule flottante, plage : [-1.0, 1.0]. Valeur par défaut : 0.1.
batch_size	Taille de lot pour l'entraînement. Pour l'entraînement sur des instances dotées de plusieurs GPU, cette taille de lot est utilisée sur l'ensemble des GPU. Valeurs valides : nombre entier positif. Valeur par défaut : 32.
beta_1	Version beta1 de l'optimiseur "adam". Représente le taux de dégradation exponentielle pour les estimations du premier moment. Ignoré pour les autres optimiseurs. Valeurs valides : valeur à virgule flottante, plage : [0.0, 1.0]. Valeur par défaut : 0.9.
beta_2	Version beta2 de l'optimiseur "adam". Représente le taux de dégradation exponentielle pour les estimations du second moment. Ignoré pour les autres optimiseurs. Valeurs valides : valeur à virgule flottante, plage : [0.0, 1.0]. Valeur par défaut : 0.999.
binary_mode	Lorsque binary_mode est défini sur "True", le modèle renvoie un seul nombre de probabilité pour la classe positive et peut utiliser des options eval_metric supplémentaires. À utiliser uniquement pour les problèmes de classification binaire. Valeurs valides : chaîne, valeur : ("True" ou "False"). Valeur par défaut : "False".
dropout_rate	Taux d'abandon pour la couche d'abandon au niveau de la couche de classification supérieure. Valeurs valides : valeur à virgule flottante, plage : [0.0, 1.0]. Valeur par défaut : 0.2
early_stopping	Définissez ce paramètre sur "True" pour utiliser une logique d'arrêt anticipé au cours de l'entraînement. S'il a pour valeur "False", l'arrêt anticipé n'est pas utilisé. Valeurs valides : chaîne, valeur : ("True" ou "False"). Valeur par défaut : "False".
early_stopping_min_delta	Modification minimale requise pour être considérée comme une amélioration. Une modification absolue inférieure à la valeur de early_stopping_min_delta ne constitue pas une amélioration. Utilisé uniquement quand early_stopping a pour valeur "True". Valeurs valides : valeur à virgule flottante, plage : [0.0, 1.0]. Valeur par défaut : 0.0.
early_stopping_patience	Nombre d'époques pour continuer l'entraînement sans amélioration. Utilisé uniquement quand early_stopping a pour valeur "True". Valeurs valides : nombre entier positif. Valeur par défaut : 5.
epochs	Nombre de dates epoch d'entraînement. Valeurs valides : nombre entier positif. Valeur par défaut : 3.
epsilon	Epsilon des optimiseurs "adam", "rmsprop", "adadelta" et "adagrad". Généralement défini sur une petite valeur pour éviter la division par 0. Ignoré pour les autres optimiseurs. Valeurs valides : valeur à virgule flottante, plage : [0.0, 1.0]. Valeur par défaut : 1e-7.
eval_metric	Si binary_mode est défini sur "False", eval_metric ne peut être que "accuracy". Si binary_mode est "True", sélectionnez l'une des valeurs valides. Pour plus d'informations, consultez la section Métriques dans la TensorFlow documentation. Valeurs valides : chaîne, l'une des valeurs suivantes : ("accuracy", "precision", "recall", "auc" ou "prc"). Valeur par défaut : "accuracy".
image_resize_interpolation	Indique la méthode d'interpolation utilisée lors du redimensionnement des images. Pour plus d'informations, consultez image.resize dans la documentation. TensorFlow Valeurs valides : chaîne, l'une des valeurs suivantes : ("bilinear", "nearest", "bicubic", "area", "lanczos3", "lanczos5", "gaussian" ou "mitchellcubic"). Valeur par défaut : "bilinear".
initial_accumulator_value	Valeur de départ pour les accumulateurs, ou valeurs de moment par paramètre, pour l'optimiseur "adagrad". Ignoré pour les autres optimiseurs. Valeurs valides : valeur à virgule flottante, plage : [0.0, 1.0]. Valeur par défaut : 0.0001.
label_smoothing	Indique dans quelle mesure relaxer la confiance sur les valeurs des étiquettes. Par exemple, si label_smoothing a pour valeur 0.1, les étiquettes non ciblées sont 0.1/num_classes et les étiquettes ciblées sont 0.9+0.1/num_classes. Valeurs valides : valeur à virgule flottante, plage : [0.0, 1.0]. Valeur par défaut : 0.1.
learning_rate	Taux d'apprentissage de l'optimiseur. Valeurs valides : valeur à virgule flottante, plage : [0.0, 1.0]. Valeur par défaut : 0.001.
momentum	Moment pour les optimiseurs "sgd", "nesterov" et "rmsprop". Ignoré pour les autres optimiseurs. Valeurs valides : valeur à virgule flottante, plage : [0.0, 1.0]. Valeur par défaut : 0.9.
optimizer	Type d'optimiseur. Pour plus d'informations, consultez la section Optimiseurs dans la TensorFlow documentation. Valeurs valides : chaîne, l'une des valeurs suivantes : ("adam", "sgd", "nesterov", "rmsprop", "adagrad", "adadelta"). Valeur par défaut : "adam".
regularizers_l2	Facteur de régularisation L2 pour la couche dense au niveau de la couche de classification. Valeurs valides : valeur à virgule flottante, plage : [0.0, 1.0]. Valeur par défaut : .0001.
reinitialize_top_layer	Si ce paramètre a pour valeur "Auto", les paramètres de la couche de classification supérieure sont réinitialisés au cours de l'affinage. Pour l'entraînement incrémentiel, les paramètres de la couche de classification supérieure ne sont pas réinitialisés à moins d'être définis sur "True". Valeurs valides : chaîne, l'une des valeurs suivantes : ("Auto", "True" ou "False"). Valeur par défaut : "Auto".
rho	Facteur de déduction pour le gradient des optimiseurs "adadelta" et "rmsprop". Ignoré pour les autres optimiseurs. Valeurs valides : valeur à virgule flottante, plage : [0.0, 1.0]. Valeur par défaut : 0.95.
train_only_top_layer	S'il a pour valeur "True", seuls les paramètres de la couche de classification supérieure sont ajustés. S'il a pour valeur "False", tous les paramètres du modèle sont affinés. Valeurs valides : chaîne, valeur : ("True" ou "False"). Valeur par défaut : "False".