이미지 분류 - TensorFlow 하이퍼파라미터

하이퍼파라미터는 기계 학습 모델이 학습을 시작하기 전에 설정되는 파라미터입니다. Amazon의 SageMaker 내장 이미지 분류 - TensorFlow 알고리즘은 다음과 같은 하이퍼파라미터를 지원합니다. 하이퍼파라미터 튜닝 관련 정보는 이미지 분류 조정 - 모델 TensorFlow 을(를) 참조하세요.

파라미터 이름	설명
augmentation	augmentation_random_flip, augmentation_random_rotation 및 augmentation_random_zoom을 훈련 데이터에 적용하기 위해 "True"로 설정합니다. 유효한 값: 문자열, 다음 중 하나: ("True" 또는 "False"). 기본값: "False".
augmentation_random_flip	augmentation이 "True"로 설정된 경우 데이터 증대에 사용할 플립 모드를 나타냅니다. 자세한 내용은 TensorFlow 설명서를 참조하십시오 RandomFlip. 유효한 값: 문자열, 다음 중 하나: ("horizontal_and_vertical", "vertical" 또는 "None"). 기본값: "horizontal_and_vertical".
augmentation_random_rotation	augmentation이 "True"로 설정된 경우 데이터 증강에 사용할 회전량을 나타냅니다. 값은 2π의 일부를 나타냅니다. 양수 값은 시계 반대 방향으로 회전하고 음수 값은 시계 방향으로 회전합니다. 0은 회전이 없음을 의미합니다. 자세한 내용은 RandomRotation TensorFlow 설명서를 참조하십시오. 유효한 값: 부동 소수점, 범위: [-1.0, 1.0]. 기본값: 0.2.
augmentation_random_zoom	augmentation이 "True"로 설정된 경우 데이터 증강에 사용할 세로 줌의 정도를 나타냅니다. 양수 값은 축소되고 음수 값은 확대됩니다. 0은 확대/축소가 없음을 의미합니다. 자세한 내용은 RandomZoom TensorFlow 설명서를 참조하십시오. 유효한 값: 부동 소수점, 범위: [-1.0, 1.0]. 기본값: 0.1.
batch_size	교육용 배치 크기. GPU가 여러 개인 인스턴스로 훈련할 경우에는 이 배치 크기가 모든 GPU에서 사용됩니다. 유효한 값: 양수. 기본값: 32.
beta_1	"adam" 최적화 프로그램용 beta1. 1차 추정치의 지수 감소율을 나타냅니다. 다른 옵티마이저의 경우 무시됩니다. 유효한 값: 부동 소수점, 범위: [0.0, 1.0]. 기본값: 0.9.
beta_2	"adam" 최적화 프로그램용 beta2. 2차 추정치의 지수 감소율을 나타냅니다. 다른 옵티마이저의 경우 무시됩니다. 유효한 값: 부동 소수점, 범위: [0.0, 1.0]. 기본값: 0.999.
binary_mode	binary_mode가 "True"로 설정된 경우 모델은 포지티브 클래스에 대해 단일 확률 수를 반환하며 추가 eval_metric 옵션을 사용할 수 있습니다. 바이너리 분류 문제에만 사용하십시오. 유효한 값: 문자열, 다음 중 하나: ("True" 또는 "False"). 기본값: "False".
dropout_rate	최상위 분류 레이어에 있는 드롭아웃 레이어의 드롭아웃 비율. 유효한 값: 부동 소수점, 범위: [0.0, 1.0]. 기본 값: 0.2
early_stopping	훈련 중 조기 중지 로직을 사용하기 위한 "True" 설정 여부. "False"인 경우에는 조기 중지를 사용하지 않습니다. 유효한 값: 문자열, 다음 중 하나: ("True" 또는 "False"). 기본값: "False".
early_stopping_min_delta	개선으로 인정받는 데 필요한 최소 변화. early_stopping_min_delta의 값보다 작은 절대 변화는 개선으로 인정되지 않습니다. early_stopping이(가) "True"(으)로 설정된 경우에만 사용합니다. 유효한 값: 부동 소수점, 범위: [0.0, 1.0]. 기본값: 0.0.
early_stopping_patience	개선이 없는 상태에서도 훈련을 계속할 수 있는 에포크의 수. early_stopping이(가) "True"(으)로 설정된 경우에만 사용합니다. 유효한 값: 양수. 기본값: 5.
epochs	훈련 epoch의 수. 유효한 값: 양수. 기본값: 3.
epsilon	"adam", "rmsprop", "adadelta", "adagrad" 최적화 프로그램 전용 엡실론. 0으로 나눠지지 않도록 대개 작은 값으로 설정됩니다. 다른 옵티마이저의 경우 무시됩니다. 유효한 값: 부동 소수점, 범위: [0.0, 1.0]. 기본값: 1e-7.
eval_metric	binary_mode가 "False"로 설정된 경우 eval_metric은 "accuracy"만 될 수 있습니다. binary_mode가 "True"이면, 유효한 값 중 하나를 선택하십시오. 자세한 내용은 TensorFlow 설명서의 지표를 참조하십시오. 유효한 값: 문자열, 다음 중 하나: ("accuracy", "precision", "recall", "auc" 또는 "prc"). 기본값: "accuracy".
image_resize_interpolation	이미지 크기를 조정할 때 사용되는 보간 방법을 나타냅니다. 자세한 내용은 설명서의 image.resize를 참조하십시오. TensorFlow 유효한 값: 문자열, 다음 중 하나: ("bilinear", "nearest", "bicubic", "area", "lanczos3", "lanczos5", "gaussian" 또는 "mitchellcubic"). 기본값: "bilinear".
initial_accumulator_value	"adagrad" 최적화 프로그램 전용 누적기의 시작 값 또는 파라미터별 모멘텀 값. 다른 옵티마이저의 경우 무시됩니다. 유효한 값: 부동 소수점, 범위: [0.0, 1.0]. 기본값: 0.0001.
label_smoothing	레이블 값에 대한 신뢰도를 어느 정도 완화해야 하는지를 나타냅니다. 예를 들어, label_smoothing이 0.1이면 비대상 레이블은 0.1/num_classes 이고 대상 레이블은 0.9+0.1/num_classes입니다. 유효한 값: 부동 소수점, 범위: [0.0, 1.0]. 기본값: 0.1.
learning_rate	최적화 프로그램 학습률. 유효한 값: 부동 소수점, 범위: [0.0, 1.0]. 기본값: 0.001.
momentum	"sgd", "nesterov" 및 "rmsprop" 옵티마이저의 모멘텀. 다른 옵티마이저의 경우 무시됩니다. 유효한 값: 부동 소수점, 범위: [0.0, 1.0]. 기본값: 0.9.
optimizer	옵티마이저 유형. 자세한 내용은 설명서의 옵티마이저를 참조하십시오. TensorFlow 유횻값: 문자열, 다음 중 하나: ("adam", "sgd", "nesterov", "rmsprop", "adagrad", "adadelta"). 기본값: "adam".
regularizers_l2	분류 계층의 고밀도 계층을 위한 L2 정규화 인자. 유효한 값: 부동 소수점, 범위: [0.0, 1.0]. 기본값: .0001.
reinitialize_top_layer	"Auto"(으)로 설정하면 미세 조정 중에 최상위 분류 계층 파라미터가 다시 초기화됩니다. 증분 훈련에서 최상위 분류 계층 파라미터는 "True"(으)로 설정된 경우를 제외하면 다시 초기화되지 않습니다. 유효한 값: 문자열, 다음 중 하나: ("Auto", "True" 또는 "False"). 기본값: "Auto".
rho	"adadelta" 및 "rmsprop" 최적화 프로그램의 그라데이션에 대한 할인 계수입니다. 다른 옵티마이저의 경우 무시됩니다. 유효한 값: 부동 소수점, 범위: [0.0, 1.0]. 기본값: 0.95.
train_only_top_layer	"True"인 경우 최상위 분류 계층 파라미터만 미세 조정됩니다. "False"인 경우 모든 모델 파라미터가 미세 조정됩니다. 유효한 값: 문자열, 다음 중 하나: ("True" 또는 "False"). 기본값: "False".