기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
Object Detection 하이퍼파라미터
CreateTrainingJob
요청에서 사용하고자 하는 훈련 알고리즘을 지정합니다. 또한 훈련 데이터 세트에서 모델의 파라미터를 예측하는 데 사용되는 알고리즘 관련 하이퍼파라미터를 지정할 수도 있습니다. 다음 표에는 객체 감지 알고리즘 훈련을 SageMaker 위해 Amazon에서 제공하는 하이퍼파라미터가 나열되어 있습니다. 객체 훈련 작동 방식에 대한 자세한 정보는 Object Detection 작동 방식 단원을 참조하세요.
파라미터 이름 | 설명 |
---|---|
num_classes |
출력 클래스의 수. 이 파라미터는 네트워크 출력의 차원을 정의하고 데이터 세트의 클래스 수로 설정됩니다. 필수 유효한 값: 양수 |
num_training_samples |
입력 데이터 세트의 훈련 예제 수. 참고이 값과 훈련 세트의 샘플 수가 일치하지 않는 경우 필수 유효한 값: 양수 |
base_network |
사용할 기본 네트워크 아키텍처. 선택 사항 유효한 값: 'vgg-16' 또는 'resnet-50' 기본값: 'vgg-16' |
early_stopping |
선택 사항 유효한 값: 기본 값: |
early_stopping_min_epochs |
조기 중지 로직을 호출하기 전에 실행해야 할 최소 epoch 수. 선택 사항 유효한 값: 양수 기본값: 10 |
early_stopping_patience |
상대적 지표에 선택 사항 유효한 값: 양수 기본값: 5 |
early_stopping_tolerance |
조기 중지를 피하기 위해 선택 사항 유효한 값: 0 ≤ 부동 소수점 ≤ 1 기본 값: 0.0 |
image_shape |
입력 이미지의 이미지 크기. 입력 이미지의 크기를 이 크기의 사각형 이미지로 재조정합니다. 성능 향상을 위해 300 및 512를 사용하는 것이 좋습니다. 선택 사항 유효한 값: 양수 ≥300 기본값: 300 |
epochs |
훈련 epoch의 수. 선택 사항 유효한 값: 양수 기본값: 30 |
freeze_layer_pattern |
기본 네트워크의 동결 계층에 대한 정규식(regex). 예를 들어, 선택 사항 유효한 값: 문자열 기본값: 동결되는 계층 없음 |
kv_store |
분산 훈련 중 사용되는 가중치 업데이트 동기화 모드. 가중치는 머신에 걸쳐 동기식 또는 비동기식으로 업데이트될 수 있습니다. 동기식 업데이트는 일반적으로 비동기식 업데이트보다 더 높은 정확도를 제공하지만 속도가 느릴 수 있습니다. 자세한 내용은 분산 훈련 참고이 파라미터는 단일 머신 훈련에 해당되지 않습니다. 선택 사항 유효한 값:
기본값: - |
label_width |
훈련 및 검증 데이터 간 동기화에 사용되는 포스 패딩 레이블 너비. 예를 들어, 데이터의 이미지 하나에 객체가 최대 10개 포함되어 있고, 각 객체의 주석이 5가지 숫자 [class_id, left, top, width, height]로 지정된 경우 선택 사항 유효한 값: 데이터의 가장 긴 주석 정보 길이를 수용하기에 충분히 큰 양의 정수 기본값: 350 |
learning_rate |
초기 학습률. 선택 사항 유효한 값: (0, 1]의 부동 소수점 기본값: 0.001 |
lr_scheduler_factor |
학습률이 감소하는 비율. 선택 사항 유효한 값: (0, 1)의 부동 소수점 기본값: 0.1 |
lr_scheduler_step |
학습률이 감소하는 epoch. 학습률은 쉼표로 구분된 문자열에 나열된 epoch(예: "epoch1, epoch2, ...")에서 선택 사항 유효한 값: 문자열 기본값: 빈 문자열 |
mini_batch_size |
훈련용 배치 크기. 단일 기계 다중 GPU 설정에서 각 는 선택 사항 유효한 값: 양수 기본값: 32 |
momentum |
선택 사항 유효한 값: (0, 1]의 부동 소수점 기본값: 0.9 |
nms_threshold |
최대가 아닌 억제 임계값 선택 사항 유효한 값: (0, 1]의 부동 소수점 기본값: 0.45 |
optimizer |
옵티마이저 유형. 옵티마이저 값에 대한 자세한 내용은 MXNet의 섹션을 참조하세요API 선택 사항 유효한 값: ['sgd', 'adam', 'rmsprop', 'adadelta'] 기본값: 'sgd' |
overlap_threshold |
평가 중첩 임계값 선택 사항 유효한 값: (0, 1]의 부동 소수점 기본값: 0.5 |
use_pretrained_model |
훈련용 사전 훈련 모델을 사용할지 여부를 표시합니다. 1로 설정된 경우 해당 아키텍처를 가진 사전 훈련 모델이 로드되고 훈련에 사용됩니다. 그렇지 않은 경우 네트워크는 처음부터 교육됩니다. 선택 사항 유효한 값: 0 또는 1 기본값: 1 |
weight_decay |
선택 사항 유효한 값: (0, 1)의 부동 소수점 기본값: 0.0005 |