调整 BlazingText 模型

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 执行自动模型优化。

BlazingText 算法计算的指标

BlazingText 2VEC 算法 (skipgram、cbow, 和batch_skipgram模式）在训练期间报告单个指标：train:mean_rho. 此衡量指标的计算方法是WS-353 单词相似度数据集. 在优化 Word2Vec 算法的超参数值时，请使用此指标作为目标。

BlazingText 文本分类算法（supervised 模式）也在训练期间报告单个指标：validation:accuracy。在优化文本分类算法的超参数值时，请使用这些指标作为目标。

指标名称	描述	优化方向
`train:mean_rho`	WS-353 单词相似性数据集的均值 rho（Spearman 的秩相关系数）	最大化
`validation:accuracy`	用户指定的验证数据集的分类准确率	最大化

可优化的 BlazingText 超参数

Word2Vec 算法的可优化超参数

使用以下超参数优化 Amazon SageMaker BlazingText Word2Vec 模型。对 Word2Vec 目标指标影响最大的超参数为：mode、 learning_rate、window_size、vector_dim 和 negative_samples。

参数名称	参数类型	建议的范围或值
`batch_size`	`IntegerParameterRange`	[8-32]
`epochs`	`IntegerParameterRange`	[5-15]
`learning_rate`	`ContinuousParameterRange`	MinValue：0.005，MaxValue：0.01
`min_count`	`IntegerParameterRange`	[0-100]
`mode`	`CategoricalParameterRange`	[`'batch_skipgram'`, `'skipgram'`, `'cbow'`]
`negative_samples`	`IntegerParameterRange`	[5-25]
`sampling_threshold`	`ContinuousParameterRange`	MinValue：0.0001，MaxValue：0.001
`vector_dim`	`IntegerParameterRange`	[32-300]
`window_size`	`IntegerParameterRange`	[1-10]

文本分类算法的可优化超参数

使用以下方法优化 Amazon SageMaker BlazingText 文本分类模型超参数.

参数名称	参数类型	建议的范围或值
`buckets`	`IntegerParameterRange`	[1000000-10000000]
`epochs`	`IntegerParameterRange`	[5-15]
`learning_rate`	`ContinuousParameterRange`	MinValue：0.005，MaxValue：0.01
`min_count`	`IntegerParameterRange`	[0-100]
`mode`	`CategoricalParameterRange`	[`'supervised'`]
`vector_dim`	`IntegerParameterRange`	[32-300]
`word_ngrams`	`IntegerParameterRange`	[1-3]

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。

超参数

DeepAR 预测