选择您的 Cookie 首选项

我们使用必要 Cookie 和类似工具提供我们的网站和服务。我们使用性能 Cookie 收集匿名统计数据,以便我们可以了解客户如何使用我们的网站并进行改进。必要 Cookie 无法停用,但您可以单击“自定义”或“拒绝”来拒绝性能 Cookie。

如果您同意,AWS 和经批准的第三方还将使用 Cookie 提供有用的网站功能、记住您的首选项并显示相关内容,包括相关广告。要接受或拒绝所有非必要 Cookie,请单击“接受”或“拒绝”。要做出更详细的选择,请单击“自定义”。

调整文本分类- TensorFlow 模型

聚焦模式
调整文本分类- TensorFlow 模型 - 亚马逊 SageMaker AI

本文属于机器翻译版本。若本译文内容与英语原文存在差异,则一律以英文原文为准。

本文属于机器翻译版本。若本译文内容与英语原文存在差异,则一律以英文原文为准。

自动模型优化(也称作超参数优化)通过运行很多在数据集上测试一系列超参数的作业来查找模型的最佳版本。您可以选择可优化超参数、每个超参数的值范围和一个目标指标。您可以从算法计算的指标中选择目标指标。自动模型优化将搜索所选超参数以找到导致优化目标指标的模型的值组合。

有关模型优化的更多信息,请参阅使用 SageMaker AI 自动调整模型

由文本分类- TensorFlow 算法计算的指标

请参阅下表,了解哪些指标是由文本分类- TensorFlow 算法计算的。

指标名称 描述 优化方向 正则表达式模式
validation:accuracy

正确预测数量与预测总数之比。

最大化

val_accuracy=([0-9\\.]+)

可调文本分类-超参数 TensorFlow

使用以下超参数优化文本分类模型。对文本分类目标指标影响最大的超参数包括:batch_sizelearning_rateoptimizer。根据选定 optimizer 优化与优化程序相关的超参数,例如 momentumregularizers_l2beta_1beta_2eps。例如,仅当 adamwadamoptimizer 时,使用 beta_1beta_2

有关各个 optimizer 中使用哪些超参数的更多信息,请参阅文本分类- TensorFlow 超参数

参数名称 参数类型 建议的范围
batch_size

IntegerParameterRanges

MinValue: 4, MaxValue: 128

beta_1

ContinuousParameterRanges

MinValue: 1e-6, MaxValue: 0.999

beta_2

ContinuousParameterRanges

MinValue: 1e-6, MaxValue: 0.999

eps

ContinuousParameterRanges

MinValue: 1e-8, MaxValue: 1.0

learning_rate

ContinuousParameterRanges

MinValue: 1e-6, MaxValue: 0.5

momentum

ContinuousParameterRanges

MinValue: 0.0, MaxValue: 0.999

optimizer

CategoricalParameterRanges

[adamw、adam、sgd、rmsprop、nesterov、adagrad、adadelta]

regularizers_l2

ContinuousParameterRanges

MinValue: 0.0, MaxValue: 0.999

train_only_on_top_layer

CategoricalParameterRanges

[True、False]

下一主题:

时间序列

上一主题:

超参数
隐私网站条款Cookie 首选项
© 2025, Amazon Web Services, Inc. 或其附属公司。保留所有权利。