調整文字分類- TensorFlow 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。

由文本分類計算的度量- TensorFlow 算法

請參閱下表，找出文字分類- TensorFlow 演算法所計算的量度。

指標名稱	描述	最佳化方向	正則表達式
validation:accuracy	正確預測數與總預測數的比率。	最大化	val_accuracy=([0-9\\.]+)

可調整文字分類- TensorFlow 超參數

使用下列超參數調校文字分類模型。對文字分類目標指標影響程度最大的超參數為：batch_size、learning_rate 和 optimizer。基於選取的 optimizer，調校與最佳化工具相關的超參數，例如 momentum、regularizers_l2、beta_1、beta_2 和 eps。例如，只在 adamw 或 adam為 optimizer 時，才使用 beta_1 和 beta_2。

如需對每個 optimizer 使用了哪些超參數的更多相關資訊，請參閱 文字分類- TensorFlow 超參數。

參數名稱	參數類型	建議範圍
batch_size	IntegerParameterRanges	MinValue MaxValue：四、
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
learning_rate	ContinuousParameterRanges	MinValue: 一至六, MaxValue: 0.5
momentum	ContinuousParameterRanges	MinValue: 0.0, MaxValue:
optimizer	CategoricalParameterRanges	['adamw', 'adam', 'sgd', 'rmsprop', 'nesterov', 'adagrad', 'adadelta']
regularizers_l2	ContinuousParameterRanges	MinValue: 0.0, MaxValue:
train_only_on_top_layer	CategoricalParameterRanges	['True', 'False']