調校影像分類模型

「自動模型調校」，又稱為超參數調校，會透過在您的資料集上，執行許多測試超參數範圍的任務，來尋找最佳版本的模型。您可以選擇可調校的超參數、每一個超參數的值範圍，及目標指標。您可以從演算法運算的指標中選擇目標指標。自動模型調校會搜尋所選擇的超參數，以找出產生之模型可最佳化目標指標的值組合。

如需模型調校的詳細資訊，請參閱 執行自動模型調整 SageMaker。

影像分類演算法所運算的指標

影像分類演算法是一種監督式演算法。它會報告在訓練期間運算的準確度指標。調校模型時，請選擇此指標做為目標指標。

指標名稱	描述	最佳化方向
validation:accuracy	正確預測數與總預測數的比率。	最大化

可調校影像分類超參數

使用下列超參數調校影像分類模型。對影像分類目標指標影響程度最大的超參數為：mini_batch_size、learning_rate 和 optimizer。根據選取的 optimizer，調校與最佳化工具相關的超參數，例如 momentum、weight_decay、beta_1、beta_2、eps 和 gamma。例如，只在 adam 為 optimizer 時，才使用 beta_1 和 beta_2。

如需每個最佳化工具中使用了哪些超參數的詳細資訊，請參閱 影像分類超參數。

參數名稱	參數類型	建議範圍
beta_1	ContinuousParameterRanges	MinValue: 一至六, MaxValue: 0.999
beta_2	ContinuousParameterRanges	MinValue: 一至六, MaxValue: 0.999
eps	ContinuousParameterRanges	MinValue: 第一節之八, MaxValue: 1.0
gamma	ContinuousParameterRanges	MinValue: 一至八, MaxValue: 0.999
learning_rate	ContinuousParameterRanges	MinValue: 一至六, MaxValue: 0.5
mini_batch_size	IntegerParameterRanges	MinValue：八、 MaxValue
momentum	ContinuousParameterRanges	MinValue: 0.0, MaxValue:
optimizer	CategoricalParameterRanges	['sgd', ‘adam’, ‘rmsprop’, 'nag']
weight_decay	ContinuousParameterRanges	MinValue: 0.0, MaxValue: