本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 调整图像分类- TensorFlow 模型
模型优化

*自动模型优化*（也称作超参数优化）通过运行很多在数据集上测试一系列超参数的作业来查找模型的最佳版本。您可以选择可优化超参数、每个超参数的值范围和一个目标指标。您可以从算法计算的指标中选择目标指标。自动模型优化将搜索所选超参数以找到导致优化目标指标的模型的值组合。

有关模型优化的更多信息，请参阅[使用 SageMaker AI 自动调整模型](automatic-model-tuning.md)。

## 图像分类- TensorFlow 算法计算的指标
指标

图像分类算法是一种指导式算法。它报告在训练期间计算的准确率指标。优化模型时，请选择此指标作为目标指标。


| 指标名称 | 说明 | 优化方向 | 
| --- | --- | --- | 
| validation:accuracy | 正确预测数量与预测总数之比。 | 最大化 | 

## 可调图像分类-超参数 TensorFlow
可优化超参数

使用以下超参数优化图像分类模型。对图像分类目标指标影响最大的超参数包括：`batch_size`、`learning_rate` 和 `optimizer`。根据选定 `optimizer` 优化与优化程序相关的超参数，例如 `momentum`、`regularizers_l2`、`beta_1`、`beta_2` 和 `eps`。例如，仅当 `adam` 是 `optimizer` 时，使用 `beta_1` 和 `beta_2`。

有关各个 `optimizer` 中使用哪些超参数的更多信息，请参阅[图像分类- TensorFlow 超参数](IC-TF-Hyperparameter.md)。


| 参数名称 | 参数类型 | 建议的范围 | 
| --- | --- | --- | 
| batch\$1size | IntegerParameterRanges | MinValue: 8, MaxValue: 512 | 
| beta\$11 | ContinuousParameterRanges | MinValue: 1e-6， MaxValue: 0.999 | 
| beta\$12 | ContinuousParameterRanges | MinValue: 1e-6， MaxValue: 0.999 | 
| eps | ContinuousParameterRanges | MinValue: 1e-8， MaxValue: 1.0 | 
| learning\$1rate | ContinuousParameterRanges | MinValue: 1e-6， MaxValue: 0.5 | 
| momentum | ContinuousParameterRanges | MinValue: 0.0， MaxValue: 0.999 | 
| optimizer | CategoricalParameterRanges | [sgd、adam、rmsprop、nesterov、adagrad、adadelta] | 
| regularizers\$1l2 | ContinuousParameterRanges | MinValue: 0.0， MaxValue: 0.999 | 
| train\$1only\$1top\$1layer | ContinuousParameterRanges | [True、False] |