文本分类- TensorFlow 超参数

超参数是在机器学习模型开始学习之前设置的参数。Amazon A SageMaker I 内置的对象检测- TensorFlow 算法支持以下超参数。有关超参数调整的信息，请参阅调整文本分类- TensorFlow 模型。

参数名称	描述
batch_size	训练的批次大小。对于具有多个实例的训练 GPUs，此批量大小用于整个 GPUs。 有效值：正整数。 默认值：32。
beta_1	"adam" 和 "adamw" 优化器的 beta1。表示一阶矩估计的指数衰减率。对其他优化程序则忽略。 有效值：浮点型，范围：[0.0，1.0]。 默认值：0.9。
beta_2	"adam" 和 "adamw" 优化器的 beta2。表示二阶矩估计的指数衰减率。对其他优化程序则忽略。 有效值：浮点型，范围：[0.0，1.0]。 默认值：0.999。
dropout_rate	顶层分类层中丢弃层的丢弃比率。仅在 reinitialize_top_layer 设置为 "True" 时使用。 有效值：浮点型，范围：[0.0，1.0]。 默认值：0.2
early_stopping	设置为 "True" 可在训练期间使用提前停止逻辑。设置为 "False" 则不使用提前停止。 有效值：字符串，以下任意值：（"True" 或 "False"）。 默认值："False"。
early_stopping_min_delta	认定为有所改进的所需的最小变化。小于值 early_stopping_min_delta 的绝对变化不会认定为改进。仅在 early_stopping 设置为 "True" 时使用。 有效值：浮点型，范围：[0.0，1.0]。 默认值：0.0。
early_stopping_patience	继续训练而没有改善的纪元数。仅在 early_stopping 设置为 "True" 时使用。 有效值：正整数。 默认值：5。
epochs	训练纪元数。 有效值：正整数。 默认值：10。
epsilon	"adam"、"rmsprop"、"adadelta"、"adagrad" 优化器的 ε。通常设置为较小的值，以避免被 0 除。对其他优化程序则忽略。 有效值：浮点型，范围：[0.0，1.0]。 默认值：1e-7。
initial_accumulator_value	累加器的起始值，对于 "adagrad" 优化器，为每个参数的动量值。对其他优化程序则忽略。 有效值：浮点型，范围：[0.0，1.0]。 默认值：0.0001。
learning_rate	优化器的学习率。 有效值：浮点型，范围：[0.0，1.0]。 默认值：0.001。
momentum	"sgd" 和 "nesterov" 优化器的动量。对其他优化程序则忽略。 有效值：浮点型，范围：[0.0，1.0]。 默认值：0.9。
optimizer	优化程序类型。有关更多信息，请参阅 TensorFlow 文档中的优化器。 有效值：字符串，以下任意值：（"adamw"、"adam"、"sgd"、"nesterov"、"rmsprop"、 "adagrad"、"adadelta"）。 默认值："adam"。
regularizers_l2	分类层中密集层的 L2 正则化因子。仅在 reinitialize_top_layer 设置为 "True" 时使用。 有效值：浮点型，范围：[0.0，1.0]。 默认值：0.0001。
reinitialize_top_layer	如果设置为 "Auto"，则在微调期间将重新初始化顶层分类层参数。对于增量训练，除非设置为 "True"，否则不会重新初始化顶层分类层参数。 有效值：字符串，以下任意值：（"Auto"、"True" 或 "False"）。 默认值："Auto"。
rho	"adadelta" 和 "rmsprop" 优化器的梯度的折扣系数。对其他优化程序则忽略。 有效值：浮点型，范围：[0.0，1.0]。 默认值：0.95。
train_only_on_top_layer	如果为 "True"，则仅对顶层分类层参数进行微调。如果为 "False"，则对所有模型参数进行微调。 有效值：字符串，以下任意值：（"True" 或 "False"）。 默认值："False"。
validation_split_ratio	为创建验证数据而随机拆分的训练数据比例。仅在未通过 validation 通道提供验证数据时使用。 有效值：浮点型，范围：[0.0，1.0]。 默认值：0.2。
warmup_steps_fraction	梯度更新步骤总数中的一部分，作为预热，学习率从 0 增加到初始学习率。仅与 adamw 优化器一起使用。 有效值：浮点型，范围：[0.0，1.0]。 默认值：0.1。