调整文本分类- TensorFlow 模型

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_size、learning_rate 和 optimizer。根据选定 optimizer 优化与优化程序相关的超参数，例如 momentum、regularizers_l2、beta_1、beta_2 和 eps。例如，仅当 adamw 或 adam 是 optimizer 时，使用 beta_1 和 beta_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]