图像分类 – TensorFlow 超参数 - Amazon SageMaker
Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异，请参阅 中国的 Amazon Web Services 服务入门 (PDF)。

图像分类 – TensorFlow 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 – TensorFlow 算法支持以下超参数。有关超参数调整的信息，请参阅调整图像分类 – TensorFlow 模型。

参数名称 描述
augmentation

设置为 "True" 可对训练数据应用 augmentation_random_flip、augmentation_random_rotation 和 augmentation_random_zoom。

有效值：字符串，以下任意值：（"True" 或 "False"）。

默认值："False"。
augmentation_random_flip

指示当 augmentation 设置为 "True" 时，使用哪种翻转模式进行数据增强。有关更多信息，请参阅 TensorFlow 文档中的 RandomFlip。

有效值：字符串，以下任意值：（"horizontal_and_vertical"、"vertical" 或 "None"）。

默认值："horizontal_and_vertical"。
augmentation_random_rotation

指示当 augmentation 设置为 "True" 时用于数据增强的旋转量。值表示 2π 的一部分。正值表示逆时针旋转，负值表示顺时针旋转。0 表示不进行旋转。有关更多信息，请参阅 TensorFlow 文档中的 RandomRotation。

有效值：浮点型，范围：[-1.0，1.0]。

默认值：0.2。
augmentation_random_zoom

指示当 augmentation 设置为 "True" 时用于数据增强的垂直缩放量。正值表示缩小，负值表示放大。0 表示不进行缩放。有关更多信息，请参阅 TensorFlow 文档中的 RandomZoom。

有效值：浮点型，范围：[-1.0，1.0]。

默认值：0.1。
batch_size

训练的批次大小。对于在具有多个 GPU 的实例上进行训练，对所有 GPU 使用此批量大小。

有效值：正整数。

默认值：32。
beta_1

"adam" 优化器的 beta1。表示一阶矩估计的指数衰减率。对其他优化程序则忽略。

有效值：浮点型，范围：[0.0，1.0]。

默认值：0.9。
beta_2

"adam" 优化器的 beta2。表示二阶矩估计的指数衰减率。对其他优化程序则忽略。

有效值：浮点型，范围：[0.0，1.0]。

默认值：0.999。
binary_mode

binary_mode 设置为 "True" 时，模型返回正向类的单个概率数，并且可以使用其他 eval_metric 选项。仅用于二元分类问题。

有效值：字符串，以下任意值：（"True" 或 "False"）。

默认值："False"。
dropout_rate

顶层分类层中丢弃层的丢弃比率。

有效值：浮点型，范围：[0.0，1.0]。

默认值：0.2
early_stopping

设置为 "True" 可在训练期间使用提前停止逻辑。设置为 "False" 则不使用提前停止。

有效值：字符串，以下任意值：（"True" 或 "False"）。

默认值："False"。
early_stopping_min_delta 认定为有所改进的所需的最小变化。小于值 early_stopping_min_delta 的绝对变化不会认定为改进。仅在 early_stopping 设置为 "True" 时使用。

有效值：浮点型，范围：[0.0，1.0]。

默认值：0.0。
early_stopping_patience

继续训练而没有改善的纪元数。仅在 early_stopping 设置为 "True" 时使用。

有效值：正整数。

默认值：5。
epochs

训练纪元数。

有效值：正整数。

默认值：3。
epsilon

"adam"、"rmsprop"、"adadelta"、"adagrad" 优化器的 ε。通常设置为较小的值，以避免被 0 除。对其他优化程序则忽略。

有效值：浮点型，范围：[0.0，1.0]。

默认值：1e-7。
eval_metric

如果 binary_mode 设置为 "False"，则 eval_metric 只能为 "accuracy"。如果 binary_mode 为 "True"，请选择任意有效值。有关更多信息，请参阅 TensorFlow 文档中的指标。

有效值：字符串，以下任意值：（"accuracy"、"precision"、"recall"、"auc" 或 "prc"）。

默认值："accuracy"。
image_resize_interpolation

表示调整图像大小时使用的插值方法。有关更多信息，请参阅 TensorFlow 文档中的 image.resize。

有效值：字符串，以下任意值：（"bilinear"、"nearest"、"bicubic"、"area"、 "lanczos3"、"lanczos5"、"gaussian" 或 "mitchellcubic"）。

默认值："bilinear"。
initial_accumulator_value

累加器的起始值，对于 "adagrad" 优化器，为每个参数的动量值。对其他优化程序则忽略。

有效值：浮点型，范围：[0.0，1.0]。

默认值：0.0001。
label_smoothing

表示对标签值的置信度放宽的程度。例如，如果 label_smoothing 是 0.1，则非目标标签是 0.1/num_classes ，目标标签是 0.9+0.1/num_classes。

有效值：浮点型，范围：[0.0，1.0]。

默认值：0.1。
learning_rate 优化器的学习率。

有效值：浮点型，范围：[0.0，1.0]。

默认值：0.001。
momentum

"sgd"、"nesterov" 和 "rmsprop" 优化器的动量。对其他优化程序则忽略。

有效值：浮点型，范围：[0.0，1.0]。

默认值：0.9。
optimizer

优化程序类型。有关更多信息，请参阅 TensorFlow 文档中的优化器。

有效值：字符串，以下任意值：（"adam"、"sgd"、"nesterov"、"rmsprop"、 "adagrad"、"adadelta"）。

默认值："adam"。
regularizers_l2

分类层中密集层的 L2 正则化因子。

有效值：浮点型，范围：[0.0，1.0]。

默认值：.0001。
reinitialize_top_layer

如果设置为 "Auto"，则在微调期间将重新初始化顶层分类层参数。对于增量训练，除非设置为 "True"，否则不会重新初始化顶层分类层参数。

有效值：字符串，以下任意值：（"Auto"、"True" 或 "False"）。

默认值："Auto"。
rho

"adadelta" 和 "rmsprop" 优化器的梯度的折扣系数。对其他优化程序则忽略。

有效值：浮点型，范围：[0.0，1.0]。

默认值：0.95。
train_only_top_layer

如果为 "True"，则仅对顶层分类层参数进行微调。如果为 "False"，则对所有模型参数进行微调。

有效值：字符串，以下任意值：（"True" 或 "False"）。

默认值："False"。