调整对象检测 – TensorFlow 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 执行自动模型调优。
对象检测 – TensorFlow 算法计算的指标
请参阅下表,了解对象检测 – TensorFlow 算法计算了哪些指标。
指标名称 | 描述 | 优化方向 | 正则表达式模式 |
---|---|---|---|
validation:localization_loss |
框预测的局部化损失。 |
最小化 |
|
可调整对象检测 – TensorFlow 超参数
使用以下超参数调整对象检测模型。对对象检测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,请参阅对象检测 – TensorFlow 超参数。
参数名称 | 参数类型 | 建议的范围 |
---|---|---|
batch_size |
IntegerParameterRanges |
最小值:8,最大值:512 |
beta_1 |
ContinuousParameterRanges |
最小值:1e-6,最大值:0.999 |
beta_2 |
ContinuousParameterRanges |
最小值:1e-6,最大值:0.999 |
eps |
ContinuousParameterRanges |
最小值:1e-8,最大值:1.0 |
learning_rate |
ContinuousParameterRanges |
最小值:1e-6,最大值:0.5 |
momentum |
ContinuousParameterRanges |
最小值:0.0,最大值:0.999 |
optimizer |
CategoricalParameterRanges |
[sgd、adam、rmsprop、nesterov、adagrad、adadelta] |
regularizers_l2 |
ContinuousParameterRanges |
最小值:0.0,最大值:0.999 |
train_only_on_top_layer |
CategoricalParameterRanges |
[True、False] |
initial_accumulator_value |
CategoricalParameterRanges |
最小值:0.0,最大值:0.999 |