Ajustar um modelo de classificação de imagens

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

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

Hiperparâmetros ajustados de Classificação de imagens

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: mini_batch_size, learning_rate e optimizer. Os hiperparâmetros que têm o maior impacto nas métricas objetivas de classificação de imagem são momentum, weight_decay, beta_1, beta_2, eps e gamma, 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 em cada otimizador, consulte Hiperparâmetros de Classificação de imagens.

Nome do parâmetro	Tipo de parâmetro	Intervalos recomendados
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
gamma	ContinuousParameterRanges	MinValue: 1e-8, 0,99 MaxValue
learning_rate	ContinuousParameterRanges	MinValue: 1e-6, 0,5 MaxValue
mini_batch_size	IntegerParameterRanges	MinValue: 8, MaxValue 512
momentum	ContinuousParameterRanges	MinValue: 0,0, MaxValue 0,99
optimizer	CategoricalParameterRanges	['sgd', ‘adam’, ‘rmsprop’, 'nag']
weight_decay	ContinuousParameterRanges	MinValue: 0,0, MaxValue 0,99