Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Classification du texte - 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 de détection d'objets SageMaker intégré d'Amazon. Consultez Régler une classification de texte - TensorFlow modèle pour obtenir des informations sur le réglage des hyperparamètres.
Nom du paramètre | Description |
---|---|
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 : |
beta_1 |
Version beta1 des optimiseurs Valeurs valides : valeur à virgule flottante, plage : [ Valeur par défaut : |
beta_2 |
Version beta2 des optimiseurs Valeurs valides : valeur à virgule flottante, plage : [ Valeur par défaut : |
dropout_rate |
Taux d'abandon pour la couche d'abandon au niveau de la couche de classification supérieure. Utilisé uniquement quand Valeurs valides : valeur à virgule flottante, plage : [ Valeur par défaut : |
early_stopping |
Définissez ce paramètre sur Valeurs valides : chaîne, valeur : ( Valeur par défaut : |
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 : [ Valeur par défaut : |
early_stopping_patience |
Nombre d'époques pour continuer l'entraînement sans amélioration. Utilisé uniquement quand Valeurs valides : nombre entier positif. Valeur par défaut : |
epochs |
Nombre de dates epoch d'entraînement. Valeurs valides : nombre entier positif. Valeur par défaut : |
epsilon |
Epsilon des optimiseurs Valeurs valides : valeur à virgule flottante, plage : [ Valeur par défaut : |
initial_accumulator_value |
Valeur de départ pour les accumulateurs, ou valeurs de moment par paramètre, pour l'optimiseur Valeurs valides : valeur à virgule flottante, plage : [ Valeur par défaut : |
learning_rate |
Taux d'apprentissage de l'optimiseur. Valeurs valides : valeur à virgule flottante, plage : [ Valeur par défaut : |
momentum |
Moment pour les optimiseurs Valeurs valides : valeur à virgule flottante, plage : [ Valeur par défaut : |
optimizer |
Type d'optimiseur. Pour plus d'informations, consultez la section Optimiseurs Valeurs valides : chaîne, l'une des valeurs suivantes : ( Valeur par défaut : |
regularizers_l2 |
Facteur de régularisation L2 pour la couche dense au niveau de la couche de classification. Utilisé uniquement quand Valeurs valides : valeur à virgule flottante, plage : [ Valeur par défaut : |
reinitialize_top_layer |
Si ce paramètre a pour valeur Valeurs valides : chaîne, l'une des valeurs suivantes : ( Valeur par défaut : |
rho |
Facteur de déduction pour le gradient des optimiseurs Valeurs valides : valeur à virgule flottante, plage : [ Valeur par défaut : |
train_only_on_top_layer |
S'il a pour valeur Valeurs valides : chaîne, valeur : ( Valeur par défaut : |
validation_split_ratio |
Fraction des données d'entraînement à diviser de manière aléatoire pour créer des données de validation. Utilisé uniquement si les données de validation ne sont pas fournies via le canal Valeurs valides : valeur à virgule flottante, plage : [ Valeur par défaut : |
warmup_steps_fraction |
Fraction du nombre total d'étapes de mise à jour du gradient, au cours de laquelle le taux d'apprentissage passe de 0 au taux d'apprentissage initial en guise d'échauffement. Utilisé uniquement avec l'optimiseur Valeurs valides : valeur à virgule flottante, plage : [ Valeur par défaut : |