Hyperparamètres de la segmentation sémantique

Les tableaux suivants répertorient les hyperparamètres pris en charge par l'algorithme de segmentation sémantique Amazon SageMaker pour une architecture réseau, les entrées de données et l'entraînement. Vous spécifiez la segmentation sémantique pour la formation dans l'AlgorithmName de la demande CreateTrainingJob.

Hyperparamètres de l'architecture réseau

Nom du paramètre	Description
backbone	Backbone à utiliser pour l'encodeur de l'algorithme. Facultatif Valeurs valides : resnet-50, resnet-101 Valeur par défaut : resnet-50
use_pretrained_model	Indique si un modèle préentraîné est à utiliser pour le backbone. Facultatif Valeurs valides : True, False Valeur par défaut : True
algorithm	Algorithme à utiliser pour la segmentation sémantique. Facultatif Valeurs valides : fcn : Algorithme FCN (Fully Convolutional Network) psp : Algorithme PSP (Pyramid Scene Parsing) deeplab : Algorithme DeepLab V3 Valeur par défaut : fcn

Hyperparamètres de données

Nom du paramètre	Description
num_classes	Nombre de classes à segmenter. Obligatoire Valeurs valides : 2 ≤ entier positif ≤ 254
num_training_samples	Nombre d'échantillons dans les données d'entraînement. L'algorithme utilise cette valeur pour configurer le planificateur du taux d'apprentissage. Obligatoire Valeurs valides : nombre entier positif
base_size	Définit la manière dont les images sont redimensionnées avant le rognage. Les images sont redimensionnées de manière à ce que la longueur soit base_size multiplié par un nombre aléatoire compris entre 0,5 et 2,0, et la largeur calculée pour préserver le rapport de l'image. Facultatif Valeurs valides : entier positif > 16 Valeur par défaut : 520
crop_size	Taille de l'image pour l'entrée pendant l'entraînement. Nous redimensionnons aléatoirement l'image d'entrée en fonction de base_size, puis nous effectuons un rognage carré aléatoire avec une longueur latérale égale à crop_size. La valeur crop_size sera automatiquement arrondie à des multiples de 8. Facultatif Valeurs valides : entier positif > 16 La valeur par défaut est 240.

Entraînement des hyperparamètres

Nom du paramètre	Description
early_stopping	Indique s'il faut utiliser une logique d'arrêt anticipé au cours de l'entraînement. Facultatif Valeurs valides : True, False Valeur par défaut : False
early_stopping_min_epochs	Nombre minimal des périodes (epochs) qui doivent être exécutées. Facultatif Valeurs valides : nombre entier Valeur par défaut : 5
early_stopping_patience	Nombre de périodes (epochs) qui répondent à la tolérance pour les performances les plus basses avant que l'algorithme n'applique un arrêt anticipé. Facultatif Valeurs valides : nombre entier Valeur par défaut : 4
early_stopping_tolerance	Si l'amélioration relative de mIOU est inférieure à cette valeur, l'arrêt anticipé considère la période (epoch) comme non améliorée. Ce paramètre est utilisé uniquement si early_stopping = True. Facultatif Valeurs valides : 0 ≤ valeur flottante ≤ 1 Valeur par défaut : 0.0
epochs	Nombre de périodes (epochs) avec lesquelles entraîner. Facultatif Valeurs valides : nombre entier positif Valeur par défaut : 10
gamma1	Facteur de dégradation pour la moyenne mobile du gradient carré pour rmsprop. Utilisé uniquement pour rmsprop. Facultatif Valeurs valides : 0 ≤ valeur flottante ≤ 1 Valeur par défaut : 0.9
gamma2	Facteur de vitesse (momentum) pour rmsprop. Facultatif Valeurs valides : 0 ≤ valeur flottante ≤ 1 Valeur par défaut : 0.9
learning_rate	Le taux d'apprentissage initial. Facultatif Valeurs valides : 0 < valeur flottante ≤ 1 Valeur par défaut : 0.001
lr_scheduler	La forme du calendrier du taux d'apprentissage qui contrôle sa diminution au fil du temps. Facultatif Valeurs valides : step : dégradation progressive, où le taux d'apprentissage est réduit (multiplié) par le facteur lr_scheduler_factor après les époques spécifiées par lr_scheduler_step. poly : dégradation lisse à l'aide d'une fonction polynomiale. cosine : dégradation lisse à l'aide d'une fonction cosinus. Valeur par défaut : poly
lr_scheduler_factor	Si lr_scheduler est défini sur step, le rapport par lequel réduire (multiplier) le facteur learning_rate après chacune des époques spécifiées par lr_scheduler_step. Sinon, il est ignoré. Facultatif Valeurs valides : 0 ≤ valeur flottante ≤ 1 Valeur par défaut : 0.1
lr_scheduler_step	Liste délimitée par des virgules des époques après lesquelles le taux learning_rate est réduit (multiplié) par un facteur lr_scheduler_factor. Par exemple, si la valeur est définie sur "10, 20", le taux learning-rate est réduit de lr_scheduler_factor après la 10e époque et à nouveau de ce facteur après la 20e époque. Requis sous condition si lr_scheduler est défini sur step. Sinon, il est ignoré. Valeurs valides : chaîne Valeur par défaut : (Pas de valeur par défaut, car la valeur est requise lorsqu'il est utilisé.)
mini_batch_size	Taille de lot pour l'entraînement. L'utilisation d'une mini_batch_size élevée se traduit généralement par un entraînement plus rapide, mais peut conduire à une mémoire insuffisante. L'utilisation de la mémoire est affectée par les valeurs des paramètres mini_batch_size et image_shape, et par l'architecture du backbone. Facultatif Valeurs valides : nombre entier positif Valeur par défaut : 16
momentum	La vitesse (momentum) de l'optimiseur sgd. Lorsque vous utilisez d'autres optimisateurs, l'algorithme de segmentation sémantique ignore ce paramètre. Facultatif Valeurs valides : 0 < valeur flottante ≤ 1 Valeur par défaut : 0.9
optimizer	Le type d'optimiseur. Pour plus d'informations sur l'optimiseur, choisissez le lien approprié : adam : Adam (estimation adaptive avec momentum) adagrad : descente de gradient adaptative nag : gradient accéléré de Nesterov rmsprop : propagation quadratique moyenne sgd : descente de gradient stochastique Facultatif Valeurs valides: adam, adagrad, nag, rmsprop, sgd Valeur par défaut : sgd
syncbn	Si elle est définie sur True, la moyenne et les variations de la normalisation des lots sont calculées sur tous les échantillons traités dans les GPU. Facultatif Valeurs valides : True, False Valeur par défaut : False
validation_mini_batch_size	Taille de lot pour la validation. L'utilisation d'une mini_batch_size élevée se traduit généralement par un entraînement plus rapide, mais peut conduire à une mémoire insuffisante. L'utilisation de la mémoire est affectée par les valeurs des paramètres mini_batch_size et image_shape, et par l'architecture du backbone. Pour marquer la validation de l'ensemble de l'image sans rogner les images, définissez ce paramètre sur 1. Utilisez cette option si vous souhaitez mesurer les performances sur l'ensemble de l'image dans son ensemble. Note Définir le validation_mini_batch_size paramètre sur 1 conduit l'algorithme à créer un nouveau modèle de réseau pour chaque image. Cela peut ralentir la validation et l'entraînement. Pour rogner les images à la taille spécifiée dans le paramètre crop_size, même au cours de l'évaluation, définissez ce paramètre sur une valeur supérieure à 1. Facultatif Valeurs valides : nombre entier positif Valeur par défaut : 16
weight_decay	Coefficient de dégradation de pondération pour l'optimiseur sgd. Lorsque vous utilisez d'autres optimisateurs, l'algorithme ignore ce paramètre. Facultatif Valeurs valides : 0 < valeur flottante < 1 Valeur par défaut : 0.0001