Classificazione del testo - TensorFlow Iperparametri

Gli iperparametri sono parametri impostati prima che un modello di machine learning inizi l'apprendimento. I seguenti iperparametri sono supportati dall' TensorFlow algoritmo Object Detection SageMaker integrato di Amazon. Per ulteriori informazioni sull'ottimizzazione iperparametri, consulta Ottimizzazione di una classificazione del testo - modello TensorFlow .

Nome parametro	Descrizione
batch_size	Le dimensioni del batch per il training. Per l’addestramento su istanze con più GPU, questa dimensione del batch viene utilizzata tra le GPU. Valori validi: numeri interi positivi. Valore predefinito: 32.
beta_1	La beta1 per gli ottimizzatori "adam" e "adamw". Rappresenta la percentuale di decadimento esponenziale per stime di primo momento. Ignorato per altri ottimizzatori. Valori validi: float, intervallo: [0.0, 1.0]. Valore predefinito: 0.9.
beta_2	La beta2 per gli ottimizzatori "adam" e "adamw". Rappresenta la percentuale di decadimento esponenziale per stime di secondo momento. Ignorato per altri ottimizzatori. Valori validi: float, intervallo: [0.0, 1.0]. Valore predefinito: 0.999.
dropout_rate	La percentuale di dropout per il livello di dropout nel livello di classificazione superiore. Usato solo quando reinitialize_top_layer è impostato su "True". Valori validi: float, intervallo: [0.0, 1.0]. Valore predefinito: 0.2
early_stopping	Imposta su "True" per utilizzare la logica di arresto precoce durante l’addestramento. Se "False", l'arresto anticipato non viene utilizzato. Valori validi: stringa: ("True" o "False"). Valore predefinito: "False".
early_stopping_min_delta	La modifica minima necessaria per qualificarsi come miglioramento. Una variazione assoluta inferiore al valore di early_stopping_min_delta non si qualifica come miglioramento. Usato solo quando early_stopping è impostato su "True". Valori validi: float, intervallo: [0.0, 1.0]. Valore predefinito: 0.0.
early_stopping_patience	Il numero di epoche in cui continuare l’addestramento senza alcun miglioramento. Usato solo quando early_stopping è impostato su "True". Valori validi: numeri interi positivi. Valore predefinito: 5.
epochs	Il numero di epoche (Unix epochs) di training. Valori validi: numeri interi positivi. Valore predefinito: 10.
epsilon	L'epsilon per gli ottimizzatori "adam", "rmsprop", "adadelta" e "adagrad". Di solito è impostato su un piccolo valore per evitare la divisione per 0. Ignorato per altri ottimizzatori. Valori validi: float, intervallo: [0.0, 1.0]. Valore predefinito: 1e-7.
initial_accumulator_value	Il valore iniziale per gli accumulatori o i valori di momento per parametro per l'ottimizzatore "adagrad". Ignorato per altri ottimizzatori. Valori validi: float, intervallo: [0.0, 1.0]. Valore predefinito: 0.0001.
learning_rate	La velocità di apprendimento dell'ottimizzatore. Valori validi: float, intervallo: [0.0, 1.0]. Valore predefinito: 0.001.
momentum	Il momento per gli ottimizzatori "sgd" e "nesterov". Ignorato per altri ottimizzatori. Valori validi: float, intervallo: [0.0, 1.0]. Valore predefinito: 0.9.
optimizer	Il tipo di ottimizzazione. Per ulteriori informazioni, consulta Optimizers nella TensorFlow documentazione. Valori validi: stringa, uno dei seguenti valori: ("adamw", "adam", "sgd", "nesterov", "rmsprop", "adagrad", "adadelta"). Valore predefinito: "adam".
regularizers_l2	Il fattore di regolarizzazione L2 per il livello denso nel livello di classificazione. Usato solo quando reinitialize_top_layer è impostato su "True". Valori validi: float, intervallo: [0.0, 1.0]. Valore predefinito: 0.0001.
reinitialize_top_layer	Se impostato su "Auto", i parametri del livello di classificazione superiore vengono reinizializzati durante l’ottimizzazione. Per l'addestramento incrementale, i parametri del livello di classificazione superiore non vengono reinizializzati a meno che non siano impostati su "True". Valori validi: stringa, uno dei seguenti valori: ("Auto", "True" o "False"). Valore predefinito: "Auto".
rho	Il fattore di sconto per il gradiente degli ottimizzatori "adadelta" e "rmsprop". Ignorato per altri ottimizzatori. Valori validi: float, intervallo: [0.0, 1.0]. Valore predefinito: 0.95.
train_only_on_top_layer	Se "True", solo i parametri del livello di classificazione superiore vengono ottimizzati. Se "False", tutti i parametri del modello vengono ottimizzati. Valori validi: stringa: ("True" o "False"). Valore predefinito: "False".
validation_split_ratio	La frazione di dati di addestramento da dividere casualmente per creare dati di convalida. Utilizzata solo se i dati di convalida non vengono forniti attraverso il canale validation. Valori validi: float, intervallo: [0.0, 1.0]. Valore predefinito: 0.2.
warmup_steps_fraction	La frazione del numero totale di passaggi di aggiornamento del gradiente, in cui il tasso di apprendimento aumenta da 0 al tasso di apprendimento iniziale durante il riscaldamento. Utilizzato solo con l'ottimizzatore adamw. Valori validi: float, intervallo: [0.0, 1.0]. Valore predefinito: 0.1.