本文為英文版的機器翻譯版本,如內容有任何歧義或不一致之處,概以英文版為準。
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 |
|
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'] |