Régler la détection d'un objet - TensorFlow modèle

Le réglage de modèle automatique, ou réglage d'hyperparamètre, détecte la meilleure version d'un modèle en exécutant plusieurs tâches qui testent une plage d'hyperparamètres sur votre jeu de données. Vous choisissez les hyperparamètres réglables, une plage de valeurs pour chacun d'eux et une métrique d'objectif. Vous choisissez la métrique d'objectif parmi les métriques que calcule l'algorithme. Le réglage de modèle automatique recherche parmi les hyperparamètres choisis la combinaison de valeurs qui produira un modèle permettant d'optimiser la métrique d'objectif.

Pour plus d'informations sur le réglage de modèle, consultez Réglage automatique du modèle grâce à l' SageMaker IA.

Métriques calculées par l' TensorFlowalgorithme de détection d'objets

Reportez-vous au tableau suivant pour savoir quelles mesures sont calculées par l' TensorFlow algorithme de détection d'objets.

Nom de la métrique	Description	Orientation de l'optimisation	Motif Regex
validation:localization_loss	La perte de localisation pour la prédiction des boîtes.	Réduire	Val_localization=([0-9\\.]+)

Détection d'objets réglable - hyperparamètres TensorFlow

Personnalisez un modèle de détection d'objet avec les hyperparamètres suivants. Les hyperparamètres qui ont le plus d'impact sur la métrique d'objectif de détection d'objet sont : batch_size, learning_rate et optimizer. Réglez les hyperparamètres associés à l'optimiseur, tels que momentum, regularizers_l2, beta_1, beta_2 et eps, en fonction de l'optimizer sélectionné. Par exemple, utilisez beta_1 et beta_2 uniquement si adam = optimizer.

Pour plus d'informations sur les hyperparamètres qui sont utilisés pour chaque optimizer, consultez Détection d'objets - TensorFlow Hyperparamètres.

Nom du paramètre	Type de paramètre	Plages recommandées
batch_size	IntegerParameterRanges	MinValue: 8, MaxValue 512
beta_1	ContinuousParameterRanges	MinValue: 1e-6, 0,99 MaxValue
beta_2	ContinuousParameterRanges	MinValue: 1e-6, 0,99 MaxValue
eps	ContinuousParameterRanges	MinValue: 1e-8, MaxValue : 1,0
learning_rate	ContinuousParameterRanges	MinValue: 1e-6, 0,5 MaxValue
momentum	ContinuousParameterRanges	MinValue: 0,0, MaxValue 0,99
optimizer	CategoricalParameterRanges	['sgd', ‘adam’, ‘rmsprop’, 'nesterov', 'adagrad', 'adadelta']
regularizers_l2	ContinuousParameterRanges	MinValue: 0,0, MaxValue 0,99
train_only_on_top_layer	CategoricalParameterRanges	['True', 'False']
initial_accumulator_value	CategoricalParameterRanges	MinValue: 0,0, MaxValue 0,99