語意分段超參數

下表會列出 Amazon SageMaker 語意分段演算法支援，用於網路架構、資料輸入和訓練的超參數。您可以在 CreateTrainingJob 請求的 AlgorithmName 中，針對訓練指定語意分段。

網路架構超參數

參數名稱	描述
backbone	用於演算法編碼器元件的骨幹。 選用 有效值：resnet-50、resnet-101 預設值：resnet-50
use_pretrained_model	預先訓練模型是否會用於骨幹。 選用 有效值：True、False 預設值：True
algorithm	要用於語意分段的演算法。 選用 有效值： fcn：Fully-Convolutional Network (FCN) 演算法 psp：Pyramid Scene Parsing (PSP) 演算法 deeplab：DeepLab V3 演算法 預設值：fcn

資料超參數

參數名稱	描述
num_classes	要分段的類別數。 必要 有效值：2 ≤ 正整數 ≤ 254
num_training_samples	訓練資料中的樣本數。演算法會使用此值設定學習率排程器。 必要 有效值：正整數
base_size	定義影像在裁剪前的重新縮放方式。影像會重新縮放，將較長一邊的大小長度設為 base_size 乘以介於 0.5 到 2.0 的隨機數字，而較短一邊的大小長度則會運算到保留長寬比。 選用 有效值：大於 16 的正整數 預設值：520
crop_size	訓練期間輸入的影像大小。我們會根據 base_size 隨機重新縮放輸入影像，然後採用邊常等於 crop_size 的隨機正方形裁剪。系統會將 crop_size 自動四捨五入為 8 的倍數。 選用 有效值：大於 16 的正整數 預設值：240

訓練超參數

參數名稱	描述
early_stopping	是否要在訓練期間使用提前停止邏輯。 選用 有效值：True、False 預設值：False
early_stopping_min_epochs	必須執行的最低 epoch 數。 選用 有效值：整數 預設值：5
early_stopping_patience	在演算法強制提前停止前，需符合較低效能容忍度的 epoch 數。 選用 有效值：整數 預設值：4
early_stopping_tolerance	如果訓練任務分數 (mIOU) 的相對改善小於此值，則提前停止會將 epoch 視為尚未改善。只有在 early_stopping = True 時才會使用此值。 選用 有效值：0 ≤ 浮點數 ≤ 1 預設值：0.0
epochs	用於訓練的 epoch 數。 選用 有效值：正整數 預設值：10
gamma1	rmsprop 平方梯度的移動平均衰減因子。僅限用於 rmsprop。 選用 有效值：0 ≤ 浮點數 ≤ 1 預設值：0.9
gamma2	rmsprop 的動力因子。 選用 有效值：0 ≤ 浮點數 ≤ 1 預設值：0.9
learning_rate	初始學習率。 選用 有效值：0 < 浮點數 ≤ 1 預設值：0.001
lr_scheduler	控制其隨時間減少值的學習率排程形狀。 選用 有效值： step：逐步衰減，系統會依 lr_scheduler_step 指定多個 epoch 後的 lr_scheduler_factor 降低（乘以）學習率。 poly：使用多項式函數的平滑衰減。 cosine：使用餘弦函數的平滑衰減。 預設值：poly
lr_scheduler_factor	假設 lr_scheduler 的設定為 step，則系統會依 lr_scheduler_step 指定每個 epoch 後降低（乘以）learning_rate 的比例。否則，會遭到忽略。 選用 有效值：0 ≤ 浮點數 ≤ 1 預設值：0.1
lr_scheduler_step	依 lr_scheduler_factor 降低（乘以）learning_rate 後的以逗號分隔的 epoch 清單。例如，假設該值的設定為「"10, 20"」，則系統會依第 10 個 epoch 後的 lr_scheduler_factor 降低 learning-rate，並再次依第 20 個 epoch 後的此因子降低學習率。 如果 lr_scheduler 的設定為 step，則為有條件必要。否則，會遭到忽略。 有效值：字串 預設值：（無預設值，使用時則此值為必要。）
mini_batch_size	訓練的批次大小。使用較大的 mini_batch_size 通常會加快訓練，但是可能會使您記憶體不足。記憶體用量會受 mini_batch_size 和 image_shape 參數，以及骨幹架構影響。 選用 有效值：正整數 預設值：16
momentum	sgd 最佳化工具的動力。當您使用其他最佳化工具時，語意分段演算法會忽略此參數。 選用 有效值：0 < 浮點數 ≤ 1 預設值：0.9
optimizer	最佳化工具類型。如需最佳化工具的詳細資訊，請選擇適當連結： adam：Adaptive momentum estimation adagrad：Adaptive gradient descent nag：Nesterov accelerated gradient rmsprop：Root mean square propagation sgd：Stochastic gradient descent 選用 有效值：adam、adagrad、nag、rmsprop、sgd 預設值：sgd
syncbn	如果設定為 True，則會針對跨 GPU 處理的所有範例計算批次標準化平均值和差異。 選用 有效值：True、False 預設值：False
validation_mini_batch_size	驗證的批次大小。使用較大的 mini_batch_size 通常會加快訓練，但是可能會使您記憶體不足。記憶體用量會受 mini_batch_size 和 image_shape 參數，以及骨幹架構影響。 若要為整個影像上的驗證進行評分，而不想要裁切影像，請將此參數設為 1。若您希望測量整個影像的整體效能，請使用此選項。 注意 將 validation_mini_batch_size 參數設為 1，會使演算法為每個影像建立一個新的網路模型。這可能會使驗證和訓練變慢。 若要將影像裁切至 crop_size 參數中指定的大小，即使是在評估中，也請將此參數設為大於 1 的值。 選用 有效值：正整數 預設值：16
weight_decay	sgd 最佳化工具的加權衰減係數。當您使用其他最佳化工具時，演算法會忽略此參數。 選用 有效值：0 < 浮點數 < 1 預設值：0.0001