調整模 BlazingText 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。

由演算法計 BlazingText算的量度

BlazingText Word2Vec 演算法 (skipgramcbow、和batch_skipgram模式) 會在訓練期間報告單一量度:。train:mean_rho此指標是根據 WS-353 word similarity datasets 運算。針對 Word2Vec 演算法調校超參數值時，請使用此指標做為目標。

BlazingText 文字分類演算法 (supervised模式) 也會在訓練期間報告單一量度:validation:accuracy. 針對文字分類演算法調校超參數值時，請使用這些指標做為目標。

指標名稱	描述	最佳化方向
train:mean_rho	WS-353 word similarity datasets 上的平均 rho (Spearman 的排名關聯係數)	最大化
validation:accuracy	使用者指定驗證資料集上的分類準確度	最大化

可調整的超 BlazingText參數

Word2Vec 演算法可調校的超參數

使用以下超參數調整 Amazon SageMaker BlazingText Word2Vec 模型。對 Word2Vec 目標指標影響最大的超參數為：mode、 learning_rate、window_size、vector_dim 及 negative_samples。

參數名稱	參數類型	建議的範圍或值
batch_size	IntegerParameterRange	[8-32]
epochs	IntegerParameterRange	[5-15]
learning_rate	ContinuousParameterRange	MinValue MaxValue:
min_count	IntegerParameterRange	[0-100]
mode	CategoricalParameterRange	['batch_skipgram', 'skipgram', 'cbow']
negative_samples	IntegerParameterRange	[5-25]
sampling_threshold	ContinuousParameterRange	MinValue: 0.0001, MaxValue:
vector_dim	IntegerParameterRange	[32-300]
window_size	IntegerParameterRange	[1-10]

文字分類演算法可調校的超參數

使用下列超參數調整 Amazon SageMaker BlazingText 文字分類模型。

參數名稱	參數類型	建議的範圍或值
buckets	IntegerParameterRange	[1000000-10000000]
epochs	IntegerParameterRange	[5-15]
learning_rate	ContinuousParameterRange	MinValue MaxValue:
min_count	IntegerParameterRange	[0-100]
vector_dim	IntegerParameterRange	[32-300]
word_ngrams	IntegerParameterRange	[1-3]