Ajustar uma classificação de texto - 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 Texto TensorFlow

Consulte a tabela a seguir para descobrir quais métricas são calculadas pelo TensorFlow algoritmo de Classificação de Texto.

Nome da métrica	Descrição	Direção de otimização	Padrão Regex
validation:accuracy	A proporção do número de previsões corretas para o número total de previsões feitas.	Maximizar	val_accuracy=([0-9\\.]+)

Classificação de texto ajustável - hiperparâmetros TensorFlow

Ajuste um modelo de classificação de texto com os seguintes hiperparâmetros. Os hiperparâmetros que têm o maior impacto nas métricas objetivas de classificação de texto são: batch_size, learning_rate e optimizer. Os hiperparâmetros que têm o maior impacto nas métricas objetivas de classificação de imagem são momentum, regularizers_l2, beta_1, beta_2 e eps com base no optimizer selecionado. Por exemplo, use beta_1 e beta_2 somente quando adamw ou adam for o optimizer.

Para obter mais informações sobre quais hiperparâmetros são usados para cada optimizer, consulte Classificação de texto - TensorFlow Hiperparâmetros.

Nome do parâmetro	Tipo de parâmetro	Intervalos recomendados
batch_size	IntegerParameterRanges	MinValue: 4, MaxValue 128
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	['adamw', 'adam', 'sgd', 'rmsprop', 'nesterov', 'adagrad', 'adadelta']
regularizers_l2	ContinuousParameterRanges	MinValue: 0,0, MaxValue 0,99
train_only_on_top_layer	CategoricalParameterRanges	['True', 'False']