Objekterkennung – TensorFlow Hyperparameters - Amazon SageMaker AI

Objekterkennung – TensorFlow Hyperparameters

Hyperparameter sind Parameter, die festgelegt werden, bevor ein Machine-Learning-Modell mit dem Lernen beginnt. Die folgenden Hyperparameter werden von dem in Amazon SageMaker AI integrierten Algorithmus Objekterkennung – TensorFlow unterstützt. Weitere Informationen zur Hyperparameter-Optimierung finden Sie unter Optimieren eines Objekterkennungsmodells.

Name des Parameters Beschreibung
batch_size

Die Batch-Größe für das Training.

Gültige Werte: positive Ganzzahl.

Standardwert: 3.
beta_1

Die Beta1-Version für den "adam" Optimierer. Die exponentielle Zerfallsrate für Schätzwerte im ersten Schritt. Wird für andere Optimierer ignoriert.

Gültige Werte: Float, Bereich: [0.0, 1.0].

Standardwert: 0.9.
beta_2

Die Beta2 für den Optimierer. "adam" Die exponentielle Zerfallsrate für Schätzwerte im zweiten Schritt. Wird für andere Optimierer ignoriert.

Gültige Werte: Float, Bereich: [0.0, 1.0].

Standardwert: 0.999.
early_stopping

Auf "True" eingestellt, um die Logik zum vorzeitigen Abbruch während des Trainings zu verwenden. Falls "False", wird vorzeitiges Abbrechen nicht verwendet.

Gültige Werte: Zeichenfolge, entweder: ("True" oder "False").

Standardwert: "False".
early_stopping_min_delta Die geringste Änderung, die erforderlich ist, um als Verbesserung zu gelten. Eine absolute Änderung, die unter dem Wert von early_stopping_min_delta liegt, gilt nicht als Verbesserung. Wird nur verwendet, wenn für early_stopping der Wert "True" festgelegt ist.

Gültige Werte: Float, Bereich: [0.0, 1.0].

Standardwert: 0.0.
early_stopping_patience

Die Anzahl der Epochen, in denen die Ausbildung ohne Verbesserung fortgesetzt wird. Wird nur verwendet, wenn für early_stopping der Wert "True" festgelegt ist.

Gültige Werte: positive Ganzzahl.

Standardwert: 5.
epochs

Die Anzahl der Trainingsepochen.

Gültige Werte: positive Ganzzahl.

Standardwert: 5 für kleinere Modelle, 1 für größere Modelle.
epsilon

Das Epsilon für "adam", "rmsprop", "adadelta", und "adagrad" Optimierer. Normalerweise auf einen kleinen Wert eingestellt, um eine Division durch 0 zu vermeiden. Wird für andere Optimierer ignoriert.

Gültige Werte: Float, Bereich: [0.0, 1.0].

Standardwert: 1e-7.
initial_accumulator_value

Der Startwert für die Akkumulatoren oder die Impulswerte pro Parameter für den "adagrad" Optimierer. Wird für andere Optimierer ignoriert.

Gültige Werte: Float, Bereich: [0.0, 1.0].

Standardwert: 0.1.
learning_rate Die Lernrate des Optimierers.

Gültige Werte: Float, Bereich: [0.0, 1.0].

Standardwert: 0.001.
momentum

Der Schwung für die "sgd" und "nesterov" Optimierer. Wird für andere Optimierer ignoriert.

Gültige Werte: Float, Bereich: [0.0, 1.0].

Standardwert: 0.9.
optimizer

Der Optimierer-Typ. Weitere Informationen finden Sie unter Optimierern in der TensorFlow-Dokumentation.

Gültige Werte: Zeichenfolge, einer der folgenden Werte: ("adam", "sgd", "nesterov", "rmsprop", "adagrad" , "adadelta").

Standardwert: "adam".
reinitialize_top_layer

Wenn dieser Wert auf "Auto" gesetzt ist, werden die Parameter der obersten Klassifikationsschicht während der Feinabstimmung neu initialisiert. Beim inkrementellen Training werden die Parameter der obersten Klassifikationsschicht nur dann neu initialisiert, wenn sie auf "True" gesetzt sind.

Gültige Werte: Zeichenfolge, einer der folgenden Werte: ("Auto", "True" oder "False").

Standardwert: "Auto".
rho

Der Abzinsungsfaktor für den Gradienten der "adadelta" und "rmsprop" Optimierer. Wird für andere Optimierer ignoriert.

Gültige Werte: Float, Bereich: [0.0, 1.0].

Standardwert: 0.95.
train_only_on_top_layer

Falls "True", werden nur die Parameter der obersten Klassifikationsschicht fein abgestimmt. Falls "False", werden alle Modellparameter fein abgestimmt.

Gültige Werte: Zeichenfolge, entweder: ("True" or "False").

Standardwert: "False".