ImageModelDistributionSettings Classe
Définition
Important
Certaines informations portent sur la préversion du produit qui est susceptible d’être en grande partie modifiée avant sa publication. Microsoft exclut toute garantie, expresse ou implicite, concernant les informations fournies ici.
Expressions de distribution pour balayer les valeurs des paramètres du modèle. <exemple> Voici quelques exemples :
ModelName = "choice('seresnext', 'resnest50')";
LearningRate = "uniform(0.001, 0.01)";
LayersToFreeze = "choice(0, 2)";
```</example>
All distributions can be specified as distribution_name(min, max) or choice(val1, val2, ..., valn)
where distribution name can be: uniform, quniform, loguniform, etc
For more details on how to compose distribution expressions please check the documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters
For more information on the available settings please visit the official documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
public class ImageModelDistributionSettingstype ImageModelDistributionSettings = classPublic Class ImageModelDistributionSettings- Héritage
-
ImageModelDistributionSettings
- Dérivé
Constructeurs
| ImageModelDistributionSettings() |
Initialise une nouvelle instance d’ImageModelDistributionSettings. |
Propriétés
| AmsGradient |
Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». |
| Augmentations |
Paramètres d’utilisation des augmentations. |
| Beta1 |
Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. |
| Beta2 |
Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. |
| Distributed |
Indique s’il faut utiliser l’entraînement du répartiteur. |
| EarlyStopping |
Permet d’avoir une logique d’arrêt anticipé au cours de l’entraînement. |
| EarlyStoppingDelay |
Nombre minimal d’époques ou d’évaluations de validation à attendre avant que l’amélioration des métriques primaires soit suivie d’un arrêt précoce. Cette valeur doit être un entier positif. |
| EarlyStoppingPatience |
Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’arrêt de l’exécution. Cette valeur doit être un entier positif. |
| EnableOnnxNormalization |
Activez la normalisation lors de l’exportation du modèle ONNX. |
| EvaluationFrequency |
Fréquence d’évaluation du jeu de données de validation pour obtenir les scores de métrique. Cette valeur doit être un entier positif. |
| GradientAccumulationStep |
L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mettre à jour les pondérations du modèle tout en accumulant les dégradés de ces étapes, puis en utilisant les dégradés accumulés pour calculer les mises à jour de pondération. Cette valeur doit être un entier positif. |
| LayersToFreeze |
Nombre de couches à figer pour le modèle. Cette valeur doit être un entier positif. Pour instance, passer 2 comme valeur pour « seresnext » signifie geler les couches 0 et 1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, consultez : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models. |
| LearningRate |
Taux d’apprentissage initial. Doit être un nombre à virgule flottante dans la plage [0, 1]. |
| LearningRateScheduler |
Type de planificateur du taux d’apprentissage. Doit être « warmup_cosine » ou « step ». |
| ModelName |
Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models. |
| Momentum |
Valeur de l’impulsion lorsque l’optimiseur est « sgd ». Doit être un nombre à virgule flottante dans la plage [0, 1]. |
| Nesterov |
Activez nesterov lorsque l’optimiseur est « sgd ». |
| NumberOfEpochs |
Nombre d’époques d’entraînement. Cette valeur doit être un entier positif. |
| NumberOfWorkers |
Nombre de workers du chargeur de données. Doit être un entier non négatif. |
| Optimizer |
Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ». |
| RandomSeed |
Graines aléatoires à utiliser lors de l’utilisation de l’entraînement déterministe. |
| StepLRGamma |
Valeur gamma lorsque le planificateur de taux d’apprentissage est « step ». Doit être un nombre à virgule flottante dans la plage [0, 1]. |
| StepLRStepSize |
Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « step ». Cette valeur doit être un entier positif. |
| TrainingBatchSize |
Taille du lot d’entraînement. Cette valeur doit être un entier positif. |
| ValidationBatchSize |
Taille du lot de validation. Cette valeur doit être un entier positif. |
| WarmupCosineLRCycles |
Valeur du cycle cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un nombre à virgule flottante dans la plage [0, 1]. |
| WarmupCosineLRWarmupEpochs |
Valeur des époques d’échauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Cette valeur doit être un entier positif. |
| WeightDecay |
Valeur de la décomposition de poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. |