이미지 분류 조정 - 모델 TensorFlow

하이퍼파라미터 튜닝이라고도 하는 자동 모델 튜닝은 데이터 세트에 대한 광범위한 하이퍼파라미터를 테스트하는 여러 작업을 실행하여 최적의 모델 버전을 찾습니다. 튜닝 가능한 하이퍼파라미터, 각 하이퍼파라미터에 대한 값 범위 및 목표 지표를 선택합니다. 알고리즘에서 계산하는 지표 중에서 목표 지표를 선택합니다. 자동 모델 튜닝은 선택한 하이퍼파라미터를 검색하여 목표 지표를 최적화하는 모델을 만드는 값 조합을 찾습니다.

모델 튜닝에 대한 추가 정보는 다음을 사용하여 자동 모델 튜닝을 수행합니다. SageMaker 단원을 참조하십시오.

이미지 분류로 계산된 지표 - 알고리즘 TensorFlow

Image Classification 알고리즘은 지도 알고리즘으로, 훈련 중 계산되는 정확도 지표를 보고합니다. 모델을 튜닝하는 경우 이 지표를 목표 지표로 선택합니다.

지표 이름	설명	최적화 방향
validation:accuracy	올바른 예측 수 대 총 예측 수의 비율입니다.	최대화

조정 가능한 이미지 분류 - 하이퍼파라미터 TensorFlow

다음 하이퍼파라미터를 사용하여 이미지 분류 모델을 튜닝합니다. 이미지 분류 목표 지표에 가장 큰 영향을 미치는 하이퍼파라미터는 batch_size, learning_rate 및 optimizer입니다. 선택한 optimizer를 기반으로 momentum, regularizers_l2, beta_1, beta_2 및 eps 같은 옵티마이저 관련 하이퍼파라미터를 튜닝합니다. 예를 들어, adam이 optimizer인 경우에만 beta_1 및 beta_2를 사용합니다.

각 optimizer에 사용되는 하이퍼파라미터의 유형에 대한 자세한 내용은 이미지 분류 - TensorFlow 하이퍼파라미터을(를) 참조하세요.

파라미터 이름	파라미터 유형	권장 범위
batch_size	IntegerParameterRanges	MinValue: 8, MaxValue: 512
beta_1	ContinuousParameterRanges	MinValue: 1e-6,: 0.999 MaxValue
beta_2	ContinuousParameterRanges	MinValue: 1e-6,: 0.999 MaxValue
eps	ContinuousParameterRanges	MinValue: 1e-8,: 1.0 MaxValue
learning_rate	ContinuousParameterRanges	MinValue: 1e-6,: 0.5 MaxValue
momentum	ContinuousParameterRanges	MinValue: 0.0,: 0.999 MaxValue
optimizer	CategoricalParameterRanges	['sgd', ‘adam’, ‘rmsprop’, 'nesterov', 'adagrad', 'adadelta']
regularizers_l2	ContinuousParameterRanges	MinValue: 0.0,: 0.999 MaxValue
train_only_top_layer	ContinuousParameterRanges	['True', 'False']