对象检测超参数

在 CreateTrainingJob 请求中，您指定要使用的训练算法。您还可以指定特定于算法的超参数，用于帮助根据训练数据集估计模型的参数。下表列出了 Amazon 提供的 SageMaker 用于训练对象检测算法的超参数。有关对象训练工作原理的更多信息，请参阅对象检测的工作原理。

参数名称	描述
num_classes	输出类的数量。此参数定义网络输出的维度，通常设置为数据集中的类别数。 必填 有效值：正整数
num_training_samples	输入数据集中的训练样本数。 注意 如果此值与训练设置中的样本数不匹配，则 lr_scheduler_step 参数的行为未定义，且分布式训练准确度可能会受影响。 必填 有效值：正整数
base_network	要使用的基础网络架构。 可选 有效值：“vgg-16”或“resnet-50” 默认值：“vgg-16”
early_stopping	True 表示在训练期间使用提前停止逻辑。False 表示不使用它。 可选 有效值：True 或 False 默认值：False
early_stopping_min_epochs	可以调用提前停止逻辑之前必须运行的最小纪元数。仅当 early_stopping = True 时使用它。 可选 有效值：正整数 默认值：10
early_stopping_patience	如果在相关指标中没有改进，则在结束训练前等待的纪元数（如 early_stopping_tolerance 中的定义）。仅当 early_stopping = True 时使用它。 可选 有效值：正整数 默认值：5
early_stopping_tolerance	validation:mAP 的相对改进的容差值，要求超过平均精度 (mAP) 以避免提前停止。如果 mAP 变化除以上一个最佳 mAP 的比率小于 early_stopping_tolerance 值集，则提早停止会认为没有任何改进。仅当 early_stopping = True 时使用它。 可选 有效值：0 ≤ 浮点值 ≤ 1 默认值：0.0
image_shape	输入图像的图像大小。我们将输入图像重新缩放为具有此大小的方形图像。我们建议使用 300 和 512 来提高性能。 可选 有效值：正整数 ≥300 默认：300
epochs	训练纪元数。 可选 有效值：正整数 默认：30
freeze_layer_pattern	用于冻结基础网络中的层的正则表达式。例如，如果我们设置 freeze_layer_pattern = "^(conv1_|conv2_).*"，则名称中包含 "conv1_" 或 "conv2_" 的任何层都将冻结，这意味着这些层的权重在训练期间不会更新。这些层名称可在网络符号文件 vgg16-symbol.json 和 resnet-50-symbol.json 中找到。冻结层意味着其权重无法进一步修改。这可以显著减少训练时间，而不利的一面是准确性会有适度损失。该技术通常用于迁移学习，其中基础网络中的较低层不需要重新训练。 可选 有效值：字符串 默认值：不冻结层。
kv_store	分布式训练期间使用的权重更新同步模式。可对各机器同步或异步更新权重。同步更新通常比异步更新提供更好的准确率，但速度较慢。有关详细信息，请参阅分布式训练MXNet教程。 注意 此参数不适用于单个机器训练。 可选 有效值：'dist_sync' 或 'dist_async' 'dist_sync'：每次批处理后，梯度会与所有工作线程同步。对于 'dist_sync'，批次大小现在表示每台机器上使用的批次大小。因此，如果有 n 台机器，并且我们使用批次大小 b，则 dist_sync 行为类似于单个机器且批次大小为 n*b。 'dist_async'：执行异步更新。每当从任何机器收到梯度时，权重就会更新，并且权重更新是原子更新。然而，该顺序并不能得到保证。 默认值：-
label_width	用于跨训练和验证数据同步的强制填充标签宽度。例如，如果数据中的一个图像包含最多 10 个对象，并且每个对象的注释都指定了 5 个数字 [class_id、left、top、width、height]，那么 label_width 应不小于（10 * 5 + 标头信息长度）。标头信息长度通常是 2。我们建议使用稍大的 label_width 进行训练，例如本示例中为 60。 可选 有效值：正整数，应足够大以容纳数据中最大的注释信息长度。 默认值：350
learning_rate	初始学习率。 可选 有效值：(0, 1] 中的浮点值 默认值：0.001
lr_scheduler_factor	用于减少学习率的比率。与定义为 lr_new 的 lr_scheduler_step 参数结合使用 = lr_old * lr_scheduler_factor。 可选 有效值：(0, 1) 中的浮点值 默认值：0.1
lr_scheduler_step	降低学习率的纪元。在逗号分隔的字符串中列出的纪元，按照 lr_scheduler_factor 减少学习率：“epoch1，epoch2...”。例如，如果将值设置为“10, 20”并且 lr_scheduler_factor 设置为 1/2，则学习率在第 10 纪元之后减半，然后在第 20 纪元之后再减半。 可选 有效值：字符串 默认值：空字符串
mini_batch_size	训练的批次大小。在单机多 GPU 设置中，每台GPU处理mini_batch_size/num_gpu训练样本。对于 dist_sync 模式下的多机器训练，实际批次大小为 mini_batch_size*机器数量。大的 mini_batch_size 值通常可加快训练速度，但它可能会导致内存不足问题。内存使用率与 mini_batch_size、image_shape 和 base_network 架构相关。例如，在单个 p3.2xlarge 实例上，不出现内存不足错误的最大 mini_batch_size 为 32，其中 base_network 设置为“resnet-50”并且 image_shape 为 300。使用相同的实例，您可以将 mini_batch_size 设置为 64，使用基础网络 vgg-16，并将 image_shape 设置为 300。 可选 有效值：正整数 默认值：32
momentum	sgd 的动量。对其他优化程序则忽略。 可选 有效值：(0, 1] 中的浮点值 默认值：0.9
nms_threshold	非最大抑制阈值。 可选 有效值：(0, 1] 中的浮点值 默认值：0.45
optimizer	优化程序类型。有关优化器值的详细信息，请参阅MXNet。API 可选 有效值：['sgd', 'adam', 'rmsprop', 'adadelta'] 默认值：'sgd'
overlap_threshold	评估重叠阈值。 可选 有效值：(0, 1] 中的浮点值 默认值：0.5
use_pretrained_model	指明是否使用预先训练的模型进行训练。如果设置为 1，则加载具有架构的预先训练的模型并将其用于训练。否则，从头训练网络。 可选 有效值：0 或 1 默认值：1
weight_decay	sgd 和 rmsprop 的权重衰减系数。对其他优化程序则忽略。 可选 有效值：(0, 1) 中的浮点值 默认值：0.0005