Object2Vec 超參數

在 CreateTrainingJob 請求中，請指定訓練演算法。您也可以將演算法特定的超參數指定為 map。 string-to-string 下表列出 Object2Vec 訓練演算法的超參數。

參數名稱	描述
enc0_max_seq_len	enc0 編碼器的最大序列長度。 必要 有效值：1 ≤ 整數 ≤ 5000
enc0_vocab_size	enc0 權杖的詞彙數量。 必要 有效值：2 ≤ 整數 ≤ 3000000
bucket_width	啟用歸納時，允許的資料序列長度差異。若要啟用歸納，請對此參數指定非零值。 選用 有效值：0 ≤ 整數 ≤ 100 預設：0 (不歸納)
comparator_list	用來自訂兩個內嵌之比較方式的清單。Object2Vec 比較程式運算子層會採取編碼器中的編碼做為輸入，並輸出單一向量。這個向量是子向量的串連。傳遞到 comparator_list 的字串值和它們的傳送順序，決定這些子向量的組合方式。例如，如果 comparator_list="hadamard, concat"，則比較程式運算子會串連兩個編碼的 Hadamard 乘積和串連兩個編碼來建構向量。另一方面，如果 comparator_list="hadamard"，則比較程式運算子會建構向量，只做為兩個編碼的 Hadamard 乘積。 選用 有效值：包含三個二進位運算子之任何組合名稱的字串：hadamard、concat 或 abs_diff。Object2Vec 演算法目前需要兩個向量編碼具有相同維度。這些運算子會產生子向量，如下所示： hadamard：建構向量做為兩個編碼的 Hadamard (逐元素) 乘積。 concat：建構向量串連兩個編碼。 abs_diff：建構向量做為兩個編碼的絕對差。 預設值："hadamard, concat, abs_diff"
dropout	網路層的退出機率。退出是一種用於神經網路的正規化形式，可透過裁剪相互依賴的神經元降低過度擬合。 選用 有效值：0.0 ≤ 浮點數 ≤ 1.0 預設值：0.0
early_stopping_patience	套用提早停止前，允許之毫無改進的連續 epoch 數量。改進是搭配 early_stopping_tolerance 超參數來定義的。 選用 有效值：1 ≤ 整數 ≤ 5 預設值：3
early_stopping_tolerance	演算法必須在連續 epoch 之間達到的損失函式減少量，才能避免在 early_stopping_patience 超參數中指定的連續 epoch 數之後提早停止。 選用 有效值：0.000001 ≤ 浮點數 ≤ 0.1 預設值：0.01
enc_dim	內嵌層輸出的維度。 選用 有效值：4 ≤ 整數 ≤ 10000 預設值：4096
enc0_network	enc0 編碼器的網路模型。 選用 有效值：hcnn、bilstm 或 pooled_embedding hcnn：階層卷積神經網路。 bilstm：雙向長短期記憶體網路 (biLSTM)，其中訊號會即時向後與向前傳播。這是適合連續學習任務的重複神經網路 (RNN) 架構。 pooled_embedding：計算輸入中所有權杖之內嵌的平均值。 預設值：hcnn
enc0_cnn_filter_width	卷積神經網路 (CNN) enc0 編碼器的篩選條件寬度。 有條件 有效值：1 ≤ 整數 ≤ 9 預設值：3
enc0_freeze_pretrained_embedding	是否要凍結 enc0 預先訓練內嵌權重。 有條件 有效值：True 或 False 預設值：True
enc0_layers	enc0 編碼器中的層數量。 有條件 有效值：auto 或 1 ≤ 整數 ≤ 4 對於 hcnn，auto 表示 4。 對於 bilstm，auto 表示 1。 對於 pooled_embedding，auto 會忽略層數。 預設值：auto
enc0_pretrained_embedding_file	輔助資料管道中預先訓練 enc0 權杖內嵌檔案的檔案名稱。 有條件 有效值：包含英數字元、底線或句點的字串。[A-Za-z0-9\.\_] 預設值："" (空字串)
enc0_token_embedding_dim	enc0 權杖內嵌層的輸出維度。 有條件 有效值：2 ≤ 整數 ≤ 1000 預設值：300
enc0_vocab_file	將預先訓練的 enc0 權杖內嵌向量映射至數字詞彙 ID 的詞彙檔。 有條件 有效值：包含英數字元、底線或句點的字串。[A-Za-z0-9\.\_] 預設值："" (空字串)
enc1_network	enc1 編碼器的網路模型。如果您想要 enc1 編碼器使用與 enc0 相同的網路模型，包括超參數值，請將此值設為 enc0。 注意 即使有對稱架構 enc0 enc1 編碼器網路和共用參數值，您不能為這些網路。 選用 有效值：enc0、hcnn、bilstm 或 pooled_embedding enc0：enc0 編碼器的網路模型。 hcnn：階層卷積神經網路。 bilstm：雙向 LSTM，其中訊號會即時向後與向前傳播。這是適合連續學習任務的重複神經網路 (RNN) 架構。 pooled_embedding：輸入中所有權杖的內嵌平均值。 預設值：enc0
enc1_cnn_filter_width	CNN enc1 編碼器的篩選條件寬度。 有條件 有效值：1 ≤ 整數 ≤ 9 預設值：3
enc1_freeze_pretrained_embedding	是否要凍結 enc1 預先訓練內嵌權重。 有條件 有效值：True 或 False 預設值：True
enc1_layers	enc1 編碼器中的層數量。 有條件 有效值：auto 或 1 ≤ 整數 ≤ 4 對於 hcnn，auto 表示 4。 對於 bilstm，auto 表示 1。 對於 pooled_embedding，auto 會忽略層數。 預設值：auto
enc1_max_seq_len	enc1 編碼器的最大序列長度。 有條件 有效值：1 ≤ 整數 ≤ 5000
enc1_pretrained_embedding_file	輔助資料管道中 enc1 預先訓練權杖內嵌檔案的名稱。 有條件 有效值：包含英數字元、底線或句點的字串。[A-Za-z0-9\.\_] 預設值："" (空字串)
enc1_token_embedding_dim	enc1 權杖內嵌層的輸出維度。 有條件 有效值：2 ≤ 整數 ≤ 1000 預設值：300
enc1_vocab_file	將預先訓練 enc1 權杖內嵌與詞彙 ID 映射的詞彙檔案。 有條件 有效值：包含英數字元、底線或句點的字串。[A-Za-z0-9\.\_] 預設值："" (空字串)
enc1_vocab_size	enc0 權杖的詞彙數量。 有條件 有效值：2 ≤ 整數 ≤ 3000000
epochs	要針對訓練執行的 epoch 數量。 選用 有效值：1 ≤ 整數 ≤ 100 預設值：30
learning_rate	訓練的學習率。 選用 有效值：1.0E-6 ≤ 浮點數 ≤ 1.0 預設值：0.0004
mini_batch_size	訓練期間，針對 optimizer 將資料集分割而成的批次大小。 選用 有效值：1 ≤ 整數 ≤ 10000 預設值：32
mlp_activation	多層式感知器 (MLP) 層的啟用函式類型。 選用 有效值：tanh、relu 或 linear tanh：雙曲正切函式 relu：修正線性整流函式 (ReLU) linear：線性函式 預設值：linear
mlp_dim	來自 MLP 層的輸出維度。 選用 有效值：2 ≤ 整數 ≤ 10000 預設值：512
mlp_layers	網路中的 MLP 層數量。 選用 有效值：0 ≤ 整數 ≤ 10 預設值：2
negative_sampling_rate	負面範例 (協助訓練演算法而產生的) 與正面範例 (使用者提供的) 的比率。負面範例代表實際上不可能發生的資料，而且為了便於訓練而標示為負面。它們可協助模型區分觀察到的正面範例與觀察不到的負面範例。若要指定負面範例與用於訓練之正面範例的比率，請將此值設為正整數。例如，如果您在所有範例都是正面的輸入資料上訓練演算法，並將 negative_sampling_rate 設為 2，則 Object2Vec 演算法內部會產生每個正面範例兩個負面範例。如果您不想要在訓練期間產生或使用負面範例，請將此值設為 0。 選用 有效值：0 ≤ 整數 預設值：0 (關)
num_classes	分類訓練的類別數量。Amazon SageMaker 忽略了這個超參數的回歸問題。 選用 有效值：2 ≤ 整數 ≤ 30 預設值：2
optimizer	最佳化工具類型。 選用 有效值：adadelta、adagrad、adam、sgd 或 rmsprop。 adadelta：per-dimension learning rate method for gradient descent adagrad：adaptive gradient algorithm adam：adaptive moment estimation algorithm sgd：Stochastic gradient descent rmsprop：Root mean square propagation 預設值：adam
output_layer	輸出層的類型，而您在此輸出層中指定任務是迴歸或分類。 選用 有效值：softmax 或 mean_squared_error softmax：用於分類的 Softmax 函式。 mean_squared_error：用於迴歸的 MSE。 預設值：softmax
tied_token_embedding_weight	是否針對兩個編碼器使用共用的內嵌層。如果兩個編碼器的輸入使用相同的權杖層級單位，請使用共用的權杖內嵌層。例如，對於文件集合，如果一個編碼器編碼句子，另一個編碼整份文件，則您可以使用共用的權杖內嵌層。這是因為這兩個句子和文件是由來自相同詞彙的字詞權杖所組成。 選用 有效值：True 或 False 預設值：False
token_embedding_storage_type	訓練期間使用的梯度更新模式：當使用 dense 模式時，最佳化器會計算權杖內嵌層的完整梯度矩陣，即使梯度的大多數列均為零值也一樣。當使用 sparse 模式時，最佳化器只會存放實際在微批次中使用的梯度列。如果您想要演算法執行延遲梯度更新，僅計算非零列中的梯度並加速訓練，請指定 row_sparse。將此值設為 row_sparse，可限制其他超參數的可用值，如下所示： optimizer 超參數必須設為 adam、adagrad 或 sgd。否則，演算法會擲出 CustomerValueError。 演算法會自動停用歸納，將 bucket_width 超參數設為 0。 選用 有效值：dense 或 row_sparse 預設值：dense
weight_decay	用於最佳化的權重衰減參數。 選用 有效值：0 ≤ 浮點數 ≤ 10000 預設值：0 (無衰減)