图像分类超参数

超参数是在机器学习模型开始学习之前设置的参数。Amazon SageMaker 内置图像分类算法支持以下超参数。有关图像分类超参数优化的信息，请参阅优化图像分类模型。

参数名称	描述
`num_classes`	输出分类的数量。此参数定义网络输出的维度，通常设置为数据集中的类别数。除了多类别分类外，还支持多标签分类。有关如何使用增强清单文件处理多标签分类的详情，请参阅图像分类算法的输入/输出接口。必填有效值：正整数
`num_training_samples`	输入数据集中的训练示例数。如果此值与训练集中的示例数不匹配，则 `lr_scheduler_step` 参数的行为未定义，且分布式训练准确率可能会受影响。必填有效值：正整数
`augmentation_type`	数据扩增类型。输入图像可按照下面指定的多种方式扩增。 `crop`：随机裁剪图像并水平翻转图像 `crop_color`：除了“裁剪”之外，还向相应的色调、饱和度和亮度通道分别添加 [-36, 36]、[-50, 50] 和 [-50, 50] 范围内的三个随机值 `crop_color_transform`：除了 `crop_color` 之外，还对图像应用随机转换，包括旋转、剪切和宽高比变化。最大旋转角度为 10 度，最大剪切比为 0.1，而最大宽高变化比为 0.25。可选有效值：`crop`、`crop_color` 或 `crop_color_transform`。默认值：无默认值
`beta_1`	`adam` 的 beta1，也就是一阶矩估计的指数衰减速率。可选有效值：浮点值。范围为 [0, 1]。默认值：0.9
`beta_2`	`adam` 的 beta2，也就是二阶矩估计的指数衰减速率。可选有效值：浮点值。范围为 [0, 1]。默认值：0.999
`checkpoint_frequency`	存储模型参数的周期 (纪元数)。请注意，所有检查点文件都会作为最终模型文件“model.tar.gz”的一部分保存，并上传到 S3 中的指定模型位置。这将根据训练期间保存的检查点数按比例增加模型文件的大小。可选有效值：不大于 `epochs` 的正整数。默认值：无默认值（在验证准确率最高的纪元保存检查点。）
`early_stopping`	`True` 表示在训练期间使用提前停止逻辑。`False` 表示不使用它。可选有效值：`True` 或 `False` 默认值：`False`
`early_stopping_min_epochs`	可以调用提前停止逻辑之前必须运行的最小纪元数。仅当 `early_stopping` = `True` 时使用它。可选有效值：正整数默认值：10
`early_stopping_patience`	如果在相关指标中没有改进，则在结束训练前等待的纪元数。仅当 `early_stopping` = `True` 时使用它。可选有效值：正整数默认值：5
`early_stopping_tolerance`	用于评估准确率验证指标改善的相对容差。如果准确率改善除以上一个最佳准确率的比率小于设置的 `early_stopping_tolerance` 值，则提前停止逻辑会认为没有改善。仅当 `early_stopping` = `True` 时使用它。可选有效值：0 ≤ 浮点值 ≤ 1 默认值：0.0
`epochs`	训练纪元数。可选有效值：正整数默认值：30
`eps`	`adam` 和 `rmsprop` 的 epsilon 值。它通常设置为较小的值，以避免被 0 除。可选有效值：浮点值。范围为 [0, 1]。默认值：1e-8
`gamma`	`rmsprop` 的 gamma 值，平方梯度的移动平均值的衰减系数。可选有效值：浮点值。范围为 [0, 1]。默认值：0.9
`image_shape`	输入图像尺寸，该尺寸与网络输入层的大小相同。其格式定义为“`num_channels`, 高度, 宽度”。图像尺寸可具有任意值，因为网络可处理各种尺寸的输入。但是，如果使用较大图像尺寸，可能会有内存限制。预训练模型只能使用高度 x 宽度为 224 x 224 的固定图像大小。典型图像分类的典型图像尺寸为“3,224,224”。这类似于 ImageNet 数据集。对于训练，如果任何输入图像的任何尺寸小于此参数，则训练将失败。如果图像较大，则会裁剪图像的一部分，并由此参数指定裁剪区域。如果设置了超参数 `augmentation_type`，则采用随机裁剪，否则将采取中央裁剪。在推理时，输入图像的大小调整为 `image_shape`，这是在训练期间使用的大小。不保留纵横比，也不裁剪图像。可选有效值：字符串默认值：“3,224,224”
`kv_store`	分布式训练期间的权重更新同步模式。可对各机器同步或异步更新权重更新。同步更新通常比异步更新提供更好的准确率，但速度较慢。请参阅 MXNet 中的分布式训练，以了解更多详细信息。此参数不适用于单个机器训练。 `dist_sync`：每次批处理后，梯度会与所有工作线程同步。对于 `dist_sync`，批次大小现在表示每台机器上使用的批次大小。因此，如果有 n 台机器，并且我们使用批次大小 b，则 `dist_sync` 行为类似于本地行为且批次大小为 n*b `dist_async`：执行异步更新。每当从任何机器收到梯度时，权重就会更新，并且权重更新是原子更新。然而，该顺序并不能得到保证。可选有效值：`dist_sync` 或 `dist_async` 默认值：无默认值
`learning_rate`	初始学习率。可选有效值：浮点值。范围为 [0, 1]。默认值：0.1
`lr_scheduler_factor`	与 `lr_scheduler_step` 参数结合使用以降低学习率的比率，定义为 `lr_new` = `lr_old` * `lr_scheduler_factor`。可选有效值：浮点值。范围为 [0, 1]。默认值：0.1
`lr_scheduler_step`	降低学习率的纪元。正如 `lr_scheduler_factor` 参数中所述，学习率在这些纪元降低了 `lr_scheduler_factor`。例如，如果将值设置为“10, 20”，则学习率在第 10 纪元之后降低 `lr_scheduler_factor`，然后在第 20 纪元之后再次降低 `lr_scheduler_factor`。纪元之间用“,”分隔。可选有效值：字符串默认值：无默认值
`mini_batch_size`	训练的批次大小。在单机器多 GPU 设置中，每个 GPU 处理 `mini_batch_size`/num_gpu 个训练样本。对于 dist_sync 模式下的多机器训练，实际批次大小为 `mini_batch_size`*机器数量。请参阅 MXNet 文档了解更多详细信息。可选有效值：正整数默认值：32
`momentum`	用于 `sgd` 和 `nag` 的动量，其他优化程序忽略此值。可选有效值：浮点值。范围为 [0, 1]。默认值：0.9
`multi_label`	用于多标签分类的标志，其中每个示例可以分配多个标签。记录所有分类的平均准确率。可选有效值：0 或 1 默认值：0
`num_layers`	网络的层数。对于包含大尺寸图像的数据 (例如 224x224 - 像 ImageNet)，建议从数据集 [18, 34, 50, 101, 152, 200] 中选择层数。对于包含小尺寸图像的数据 (例如 28x28 - 像 CIFAR)，建议从数据集 [20, 32, 44, 56, 110] 中选择层数。每个数据集中的层数均基于 ResNet 论文。对于迁移学习，层数定义了基础网络的架构，因此只能从数据集 [18, 34, 50, 101, 152, 200] 中选择。可选有效值：[18, 34, 50, 101, 152, 200] 或 [20, 32, 44, 56, 110] 中的正整数默认值：152
`optimizer`	优化程序类型。有关优化程序参数的更多详细信息，请参阅 MXNet 的 API。可选有效值：`sgd`、`adam`、`rmsprop` 或 `nag` 之一。 `sgd`：随机梯度下降 `adam`：适应性动量估计 `rmsprop`：均方根传播 `nag`：Nesterov 加速梯度默认值：`sgd`
`precision_dtype`	用于训练的权重精度。该算法可以对权重使用单精度 (`float32`) 或半精度 (`float16`)。对权重使用半精度会使内存消耗量减少。可选有效值：`float32` 或 `float16` 默认值：`float32`
`resize`	调整图像大小以进行训练后，图像最短边的像素数。如果未设置此参数，则使用训练数据时不调整大小。参数应该大于 `image_shape` 的宽度和高度分量，以防止训练失败。使用图像内容类型时为必需使用 RecordIO 内容类型时为可选有效值：正整数默认值：无默认值
`top_k`	训练期间报告前 k 个最大数准确率。此参数必须大于 1，因为 top-1 训练准确率与已报告的常规训练准确率相同。可选有效值：大于 1 的正整数。默认值：无默认值
`use_pretrained_model`	指示使用预先训练的模型进行训练的标志。如果设置为 1，则加载具有相应层数的预先训练的模型并将其用于训练。只有顶部 FC 层使用随机权重进行重新初始化。否则，从头训练网络。可选有效值：0 或 1 默认值：0
`use_weighted_loss`	用于多标签分类的加权交叉熵损失的标志（仅在 `multi_label` = 1 时使用），其中权重是基于分类的分布计算的。可选有效值：0 或 1 默认值：0
`weight_decay`	用于 `sgd` 和 `nag` 的权重衰减系数，其他优化程序忽略此值。可选有效值：浮点值。范围为 [0, 1]。默认值：0.0001

Javascript 在您的浏览器中被禁用或不可用。

要使用 Amazon Web Services 文档，必须启用 Javascript。请参阅浏览器的帮助页面以了解相关说明。

工作方式

模型优化