Object2Vec 超参数

在 CreateTrainingJob 请求中，您可以指定训练算法。您也可以将特定于算法的超参数指定为地图。 string-to-string 下表列出了 Object2Vec 训练算法的超参数。

参数名称	描述
`enc0_max_seq_len`	enc0 编码器的最大序列长度。必填有效值：1 ≤ 整数 ≤ 5000
`enc0_vocab_size`	enc0 标记的词汇表大小。必填有效值：2 ≤ 整数 ≤ 3000000
`bucket_width`	启用分桶时数据序列长度之间允许的差异。要启用分桶，请为该参数指定非零值。可选有效值：0 ≤ 整数 ≤ 100 默认值：0（不分桶）
`comparator_list`	用于自定义比较两个嵌入的方式的列表。Object2Vec 比较器运算符层将来自两个编码器的编码作为输入，并输出单个向量。该向量是将子向量串联在一起的结果。传递到 `comparator_list` 的字符串值及其传递顺序决定了如何合并这些子向量。例如，如果 `comparator_list="hadamard, concat"`，则比较器运算符串联两个编码的 Hadamard 乘积和两个编码的串联以构造向量。另一方面，如果 `comparator_list="hadamard"`，则比较器运算符将向量构造为仅两个编码的 Hadamard 乘积。可选有效值：包含三个二元运算符名称的任意组合的字符串：`hadamard`、`concat` 或 `abs_diff`。Object2Vec 算法目前要求两个向量编码具有相同的维度。这些运算符生成子向量，如下所示： `hadamard`：将向量构造为两个编码的 Hadamard 乘积（元素积）。 `concat`：将向量构造为两个编码的串联。 `abs_diff`：将向量构造为两个编码之间的绝对差值。默认值：`"hadamard, concat, abs_diff"`
`dropout`	网络层的丢弃概率。丢弃法是神经网络中使用的一种正规化形式，通过修剪相关的神经元来减少过拟合。可选有效值：0.0 ≤ 浮点值 ≤ 1.0 默认值：0.0
`early_stopping_patience`	在应用提前停止之前，允许的无改进的连续纪元数。改进是使用 `early_stopping_tolerance` 超参数定义的。可选有效值：1 ≤ 整数 ≤ 5 默认值：3
`early_stopping_tolerance`	算法必须在连续纪元之间实现损失函数减少，以避免在 `early_stopping_patience` 超参数中指定的连续纪元数量结束之后提前停止。可选有效值：0.000001 ≤ 浮点值 ≤ 0.1 默认值：0.01
`enc_dim`	嵌入层的输出的维。可选有效值：4 ≤ 整数 ≤ 10000 默认值：4096
`enc0_network`	enc0 编码器的网络模型。可选有效值：`hcnn`、`bilstm` 或 `pooled_embedding` `hcnn`：分层卷积神经网络。 `bilstm`：双向长短期记忆网络 (biLSTM)，其中信号向后面和前面的时间点传播。这是适合用于顺序学习任务的循环神经网络 (RNN) 架构。 `pooled_embedding`：对输入中的所有标记的嵌入取平均值。默认值：`hcnn`
`enc0_cnn_filter_width`	卷积神经网络 (CNN) enc0 编码器的滤波器宽度。条件有效值：1 ≤ 整数 ≤ 9 默认值：3
`enc0_freeze_pretrained_embedding`	是否冻结 enc0 预训练嵌入权重。条件有效值：`True` 或 `False` 默认值：`True`
`enc0_layers`	enc0 编码器中的层数。条件有效值：`auto` 或 1 ≤ 整数 ≤ 4 对于 `hcnn`，`auto` 表示 4。对于 `bilstm`，`auto` 表示 1。对于 `pooled_embedding`，`auto` 忽略层数。默认值：`auto`
`enc0_pretrained_embedding_file`	辅助数据通道中的预训练 enc0 标记嵌入文件的文件名。条件有效值：包含字母数字字符、下划线或句点的字符串。[A-Za-z0-9\.\_] 默认值：""（空字符串）
`enc0_token_embedding_dim`	enc0 令牌嵌入层的输出维度。条件有效值：2 ≤ 整数 ≤ 1000 默认值：300
`enc0_vocab_file`	用于将预训练的 enc0 标记嵌入向量映射到数字词汇表 ID 的词汇表文件。条件有效值：包含字母数字字符、下划线或句点的字符串。[A-Za-z0-9\.\_] 默认值：""（空字符串）
`enc1_network`	enc1 编码器的网络模型。如果您希望 enc1 编码器使用与 enc0 相同的网络模型（包括超参数值），请将该值设置为 `enc0`。注意即使 enc0 和 enc1 编码器网络具有对称的架构，您也无法在这些网络中共享参数值。可选有效值：`enc0`、`hcnn`、`bilstm` 或 `pooled_embedding` `enc0`：enc0 编码器的网络模型。 `hcnn`：分层卷积神经网络。 `bilstm`：双向 LSTM，其中信号向后面和前面的时间点传播。这是适合用于顺序学习任务的循环神经网络 (RNN) 架构。 `pooled_embedding`：输入中的所有标记的嵌入的平均值。默认值：`enc0`
`enc1_cnn_filter_width`	CNN enc1 编码器的滤波器宽度。条件有效值：1 ≤ 整数 ≤ 9 默认值：3
`enc1_freeze_pretrained_embedding`	是否冻结 enc1 预训练嵌入权重。条件有效值：`True` 或 `False` 默认值：`True`
`enc1_layers`	enc1 编码器中的层数。条件有效值：`auto` 或 1 ≤ 整数 ≤ 4 对于 `hcnn`，`auto` 表示 4。对于 `bilstm`，`auto` 表示 1。对于 `pooled_embedding`，`auto` 忽略层数。默认值：`auto`
`enc1_max_seq_len`	enc1 编码器的最大序列长度。条件有效值：1 ≤ 整数 ≤ 5000
`enc1_pretrained_embedding_file`	辅助数据通道中的 enc1 预训练标记嵌入文件的名称。条件有效值：包含字母数字字符、下划线或句点的字符串。[A-Za-z0-9\.\_] 默认值：""（空字符串）
`enc1_token_embedding_dim`	enc1 标记嵌入层的输出维度。条件有效值：2 ≤ 整数 ≤ 1000 默认值：300
`enc1_vocab_file`	用于将预训练的 enc1 标记嵌入映射到词汇表 ID 的词汇表文件。条件有效值：包含字母数字字符、下划线或句点的字符串。[A-Za-z0-9\.\_] 默认值：""（空字符串）
`enc1_vocab_size`	enc0 标记的词汇表大小。条件有效值：2 ≤ 整数 ≤ 3000000
`epochs`	要运行用于训练的纪元数。可选有效值：1 ≤ 整数 ≤ 100 默认值：30
`learning_rate`	训练的学习率。可选有效值：1.0E-6 ≤ 浮点值 ≤ 1.0 默认值：0.0004
`mini_batch_size`	在训练期间将 `optimizer` 的数据集拆分成的批次大小。可选有效值：1 ≤ 整数 ≤ 10000 默认值：32
`mlp_activation`	多层感知机 (MLP) 层的激活函数的类型。可选有效值：`tanh`、`relu` 或 `linear` `tanh`：双曲正切 `relu`：修正线性单元 (ReLU) `linear`：线性函数默认值：`linear`
`mlp_dim`	MLP 层的输出维度。可选有效值：2 ≤ 整数 ≤ 10000 默认值：512
`mlp_layers`	网络中的 MLP 层数。可选有效值：0 ≤ 整数 ≤ 10 默认值：2
`negative_sampling_rate`	为帮助训练算法而生成的负样本与用户提供的正样本的比率。负样本表示实际不太可能出现的数据，并在训练时标记为不正确的样本。它们有助于训练模型，以区分观察到的正样本和未观察到的负样本。要指定用于训练的负样本与正样本的比率，请将该值设置为正整数。例如，如果在所有样本都是正样本的输入数据上训练算法，并将 `negative_sampling_rate` 设置为 2，则 Object2Vec 算法在内部为每个正样本生成两个负样本。如果您不希望在训练期间生成或使用负样本，请将该值设置为 0。可选有效值：0 ≤ 整数默认值：0 (关闭)
`num_classes`	用于分类训练的分类数。对于回归问题，Amazon SageMaker 会忽略这个超参数。可选有效值：2 ≤ 整数 ≤ 30 默认值：2
`optimizer`	优化程序类型。可选有效值：`adadelta`、`adagrad`、`adam`、`sgd` 或 `rmsprop`。 `adadelta`：梯度下降的每个维的学习率方法 `adagrad`：自适应梯度算法 `adam`：自适应矩估计算法 `sgd`：随机梯度下降 `rmsprop`：均方根传播默认值：`adam`
`output_layer`	输出层的类型，您可以在其中指定任务是回归还是分类。可选有效值：`softmax` 或 `mean_squared_error` `softmax`：Softmax 函数用于分类。 `mean_squared_error`：MSE 用于回归。默认值：`softmax`
`tied_token_embedding_weight`	是否将共享嵌入层用于两个编码器。如果两个编码器的输入使用相同的标记级单元，请使用共享标记嵌入层。例如，对于文档集合，如果一个编码器对句子进行编码，另一个编码器对整个文档进行编码，则可以使用共享标记嵌入层。这是因为，句子和文档都是由同一词汇表中的单词标记组成的。可选有效值：`True` 或 `False` 默认值：`False`
`token_embedding_storage_type`	在训练期间使用的梯度更新模式：在使用 `dense` 模式时，优化程序计算标记嵌入层的完整梯度矩阵，即使梯度的大多数行的值为零。在使用 `sparse` 模式时，优化程序仅存储实际在小批次中使用的梯度行。如果您希望算法执行延迟梯度更新（仅计算非零行中的梯度并加速训练），请指定 `row_sparse`。如果将该值设置为 `row_sparse`，则会限制其他超参数的可用值，如下所示： `optimizer` 超参数必须设置为 `adam`、`adagrad` 或 `sgd`。否则，该算法将引发 `CustomerValueError`。该算法自动禁用分桶，从而将 `bucket_width` 超参数设置为 0。可选有效值：`dense` 或 `row_sparse` 默认值：`dense`
`weight_decay`	用于优化的权重衰减参数。可选有效值：0 ≤ 浮点值 ≤ 10000 默认值：0（无衰减）

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

Object2Vec 超参数

注意