As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Ajustar uma classificação de imagens - TensorFlow modelo
O ajuste automático de modelos, também conhecido como ajuste de hiperparâmetros, localiza a melhor versão de um modelo executando vários trabalhos que testam uma série de hiperparâmetros no seu conjunto de dados. Você escolhe os hiperparâmetros ajustáveis, um intervalo de valores para cada um e uma métrica objetiva. Você escolhe a métrica objetiva entre as métricas que o algoritmo calcula. O ajuste de modelo automático pesquisa os hiperparâmetros escolhidos para encontrar a combinação de valores que resultam no modelo que otimiza a métrica objetiva.
Para mais informações sobre o ajuste de modelos, consulte Execute o ajuste automático do modelo com SageMaker.
Métricas calculadas pelo algoritmo de Classificação de Imagens TensorFlow
O algoritmo de classificação de imagens é um algoritmo supervisionado. Ele relata uma métrica de precisão que é calculada durante o treinamento. Ao ajustar o modelo, escolha essa métrica como a métrica objetiva.
Nome da métrica | Descrição | Direção de otimização |
---|---|---|
validation:accuracy |
A proporção do número de previsões corretas para o número total de previsões feitas. |
Maximizar |
Classificação de imagem ajustável - hiperparâmetros TensorFlow
Ajuste um modelo de classificação de imagem com os seguintes hiperparâmetros. Os hiperparâmetros que têm o maior impacto nas métricas objetivas de classificação de imagem são: batch_size
, learning_rate
e optimizer
. Os hiperparâmetros ajustáveis relacionados ao otimizador como momentum
, regularizers_l2
, beta_1
, beta_2
e eps
com base no optimizer
selecionado. Por exemplo, use beta_1
e beta_2
somente quando adam
for o optimizer
.
Para obter mais informações sobre quais hiperparâmetros são usados para cada optimizer
, consulte Classificação de imagens - TensorFlow Hiperparâmetros.
Nome do parâmetro | Tipo de parâmetro | Intervalos recomendados |
---|---|---|
batch_size |
IntegerParameterRanges |
MinValue: 8, MaxValue 512 |
beta_1 |
ContinuousParameterRanges |
MinValue: 1e-6, 0,99 MaxValue |
beta_2 |
ContinuousParameterRanges |
MinValue: 1e-6, 0,99 MaxValue |
eps |
ContinuousParameterRanges |
MinValue: 1e-8, MaxValue: 1,0 |
learning_rate |
ContinuousParameterRanges |
MinValue: 1e-6, 0,5 MaxValue |
momentum |
ContinuousParameterRanges |
MinValue: 0,0, MaxValue 0,99 |
optimizer |
CategoricalParameterRanges |
['sgd', ‘adam’, ‘rmsprop’, 'nesterov', 'adagrad', 'adadelta'] |
regularizers_l2 |
ContinuousParameterRanges |
MinValue: 0,0, MaxValue 0,99 |
train_only_top_layer |
ContinuousParameterRanges |
['True', 'False'] |