Iperparametri di segmentazione semantica

Le tabelle seguenti elencano gli iperparametri supportati dall'algoritmo di segmentazione SageMaker semantica di Amazon per l'architettura di rete, gli input di dati e l'addestramento. Puoi specificare la segmentazione semantica per il training in AlgorithmName della richiesta CreateTrainingJob.

Iperparametri dell'architettura di rete

Nome parametro	Descrizione
backbone	Il backbone da utilizzare per il componente codificatore dell'algoritmo. Opzionale Valori validi: resnet-50, resnet-101 Valore predefinito: resnet-50
use_pretrained_model	Indica se un modello già sottoposto al training deve essere utilizzato per il backbone. Opzionale Valori validi: True, False Valore predefinito: True
algorithm	L'algoritmo da utilizzare per la segmentazione semantica. Opzionale Valori validi: fcn: algoritmo Fully-Convolutional Network (FCN) psp: algoritmo Pyramid Scene Parsing (PSP) deeplabDeepLab : algoritmo V3 Valore predefinito: fcn

Iperparametri dei dati

Nome parametro	Descrizione
num_classes	Il numero di classi da segmentare. Campo obbligatorio Valori validi: 2 ≤ numero intero positivo ≤ 254
num_training_samples	Il numero di esempi nei dati di training. L'algoritmo utilizza questo valore per impostare il pianificatore della velocità di apprendimento. Campo obbligatorio Valori validi: numeri interi positivi
base_size	Definisce il modo in cui le immagini vengono ridimensionate prima del ritaglio. Le immagini vengono ridimensionate in modo tale che la lunghezza delle dimensioni lunghe sia impostata su base_size moltiplicata per un numero casuale compreso tra 0,5 e 2.0 e la dimensione corta viene calcolata per mantenere le proporzioni. Opzionale Valori validi: numeri interi positivi > 16 Valore predefinito: 520
crop_size	La dimensione dell'immagine per l'input durante il training. Riscaliamo casualmente l'immagine di input in base a base_size, quindi prendiamo un ritaglio quadrato casuale con lunghezza laterale uguale a crop_size. L'input crop_size verrà arrotondato automaticamente a multipli di 8. Opzionale Valori validi: numeri interi positivi > 16 Valore predefinito: 240

Iperparametri di training

Nome parametro	Descrizione
early_stopping	Indica se utilizzare la logica di arresto precoce durante il training. Opzionale Valori validi: True, False Valore predefinito: False
early_stopping_min_epochs	Il numero minimo di epoche (Unix epochs) che devono essere eseguite. Opzionale Valori validi: numero intero Valore predefinito: 5
early_stopping_patience	Il numero di epoche (Unix epochs) che soddisfano la tolleranza per prestazioni inferiori prima che l'algoritmo applichi un arresto precoce. Opzionale Valori validi: numero intero Valore predefinito: 4
early_stopping_tolerance	Se il miglioramento relativo di mIOU è inferiore a questo valore, l'arresto precoce considera l'epoca (Unix epoch) come non migliorata. Viene usato solo quando early_stopping = True. Opzionale Valori validi: 0 ≤ float ≤ 1 Valore predefinito: 0.0
epochs	Il numero di epoche (Unix epochs) da usare per il training. Opzionale Valori validi: numeri interi positivi Valore predefinito: 10
gamma1	Il fattore di decadimento per la media mobile del gradiente squadrato per rmsprop. Usato solo per rmsprop. Opzionale Valori validi: 0 ≤ float ≤ 1 Valore predefinito: 0,9
gamma2	Il fattore di momento per rmsprop. Opzionale Valori validi: 0 ≤ float ≤ 1 Valore predefinito: 0,9
learning_rate	La velocità di apprendimento iniziale. Opzionale Valori validi: 0 < float ≤ 1 Valore predefinito: 0,001
lr_scheduler	La forma del pianificatore della velocità di apprendimento che ne controlla la diminuzione nel tempo. Opzionale Valori validi: step: un decadimento graduale, in cui il tasso di apprendimento viene ridotto (moltiplicato) per lr_scheduler_factor dopo epoche successive specificate da lr_scheduler_step. poly: un decadimento lineare utilizzando una funzione polinomiale. cosine: un decadimento lineare utilizzando una funzione cosinusoide. Valore predefinito: poly
lr_scheduler_factor	Se lr_scheduler è impostato su step, il rapporto con cui ridurre (moltiplicare) learning_rate dopo ciascuna epoca specificata da lr_scheduler_step. In caso contrario, viene ignorato. Opzionale Valori validi: 0 ≤ float ≤ 1 Valore predefinito: 0,1
lr_scheduler_step	Un elenco delimitato da virgole delle epoche dopo le quali learning_rate viene ridotto (moltiplicato) di un lr_scheduler_factor. Ad esempio, se il valore è impostato su "10, 20", il learning-rate viene ridotto di lr_scheduler_factor dopo la decima epoca e nuovamente di tale fattore dopo la ventesima epoca. Condizionalmente obbligatorio se lr_scheduler è impostato su step. In caso contrario, viene ignorato. Valori validi: stringa Valore predefinito: (nessun valore predefinito, poiché il valore è obbligatorio quando viene utilizzato).
mini_batch_size	Le dimensioni del batch per il training. L'utilizzo di un valore elevato per mini_batch_size di solito si traduce in un training più veloce, ma potrebbe causare l'esaurimento della memoria. L'utilizzo della memoria è influenzato dai valori dei parametri mini_batch_size e image_shape e dall'architettura backbone. Opzionale Valori validi: numeri interi positivi Valore predefinito: 16
momentum	Il momento per l'ottimizzatore sgd. Quando usi altri ottimizzatori, l'algoritmo di segmentazione semantica ignora questo parametro. Opzionale Valori validi: 0 < float ≤ 1 Valore predefinito: 0,9
optimizer	Il tipo di ottimizzatore. Per ulteriori informazioni su un ottimizzatore, scegli il collegamento appropriato: adam: stima del momento adattivo adagrad: Discesa del gradiente adattiva nag: Gradiente accelerato Nesterov rmsprop: Propagazione della radice valore quadratico medio sgd: la discesa stocastica del gradiente Opzionale Valori validi: adam, adagrad, nag, rmsprop, sgd Valore predefinito: sgd
syncbn	Se il valore è impostato su True, la media e la varianza di normalizzazione batch vengono calcolate su tutti i campioni elaborati attraverso le GPU. Opzionale Valori validi: True, False Valore predefinito: False
validation_mini_batch_size	Le dimensioni del batch per la convalida. Un valore elevato per mini_batch_size di solito si traduce in un training più veloce, ma potrebbe causare l'esaurimento della memoria. L'utilizzo della memoria è influenzato dai valori dei parametri mini_batch_size e image_shape e dall'architettura backbone. Per assegnare un punteggio alla convalida sull'intera immagine senza ritagliare immagini, imposta questo parametro su 1. Utilizza questa opzione se vuoi misurare le prestazioni dell'intera immagine nel complesso. Nota Impostando il parametro validation_mini_batch_size su 1, l'algoritmo crea un nuovo modello di rete per ogni immagine. Questo potrebbe rallentare la convalida e il training. Per ritagliare le immagini alla dimensione specificata nel parametro crop_size, anche durante la valutazione, imposta il parametro su un valore maggiore di 1. Opzionale Valori validi: numeri interi positivi Valore predefinito: 16
weight_decay	Il coefficiente di decadimento del peso per l'ottimizzatore sgd. Quando usi altri ottimizzatori, l'algoritmo ignora questo parametro. Opzionale Valori validi: 0 < float < 1 Valore predefinito: 0.0001