Partager via


ImageModelDistributionSettingsClassification Classe

Définition

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)";
```&lt;/example&gt;
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 ImageModelDistributionSettingsClassification : Azure.ResourceManager.MachineLearning.Models.ImageModelDistributionSettings
type ImageModelDistributionSettingsClassification = class
    inherit ImageModelDistributionSettings
Public Class ImageModelDistributionSettingsClassification
Inherits ImageModelDistributionSettings
Héritage
ImageModelDistributionSettingsClassification

Constructeurs

ImageModelDistributionSettingsClassification()

Initialise une nouvelle instance de ImageModelDistributionSettingsClassification.

Propriétés

AmsGradient

Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ».

(Hérité de ImageModelDistributionSettings)
Augmentations

Paramètres d’utilisation des augmentations.

(Hérité de ImageModelDistributionSettings)
Beta1

Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1].

(Hérité de ImageModelDistributionSettings)
Beta2

Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1].

(Hérité de ImageModelDistributionSettings)
Distributed

Indique s’il faut utiliser l’entraînement du répartiteur.

(Hérité de ImageModelDistributionSettings)
EarlyStopping

Permet d’avoir une logique d’arrêt anticipé au cours de l’entraînement.

(Hérité de ImageModelDistributionSettings)
EarlyStoppingDelay

Nombre minimal d’époques ou d’évaluations de validation à attendre avant que l’amélioration des métriques principales soit suivie pour un arrêt précoce. Cette valeur doit être un entier positif.

(Hérité de ImageModelDistributionSettings)
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.

(Hérité de ImageModelDistributionSettings)
EnableOnnxNormalization

Activez la normalisation lors de l’exportation du modèle ONNX.

(Hérité de ImageModelDistributionSettings)
EvaluationFrequency

Fréquence d’évaluation du jeu de données de validation pour obtenir les scores de métrique. Cette valeur doit être un entier positif.

(Hérité de ImageModelDistributionSettings)
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 utiliser les dégradés accumulés pour calculer les mises à jour de poids. Cette valeur doit être un entier positif.

(Hérité de ImageModelDistributionSettings)
LayersToFreeze

Nombre de couches à figer pour le modèle. Cette valeur doit être un entier positif. Pour instance, le fait de passer 2 comme valeur pour « seresnext » signifie figer layer0 et layer1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de la couche, consultez : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

(Hérité de ImageModelDistributionSettings)
LearningRate

Taux d’apprentissage initial. Doit être un nombre à virgule flottante dans la plage [0, 1].

(Hérité de ImageModelDistributionSettings)
LearningRateScheduler

Type de planificateur du taux d’apprentissage. Doit être « warmup_cosine » ou « étape ».

(Hérité de ImageModelDistributionSettings)
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.

(Hérité de ImageModelDistributionSettings)
Momentum

Valeur de momentum lorsque l’optimiseur est « sgd ». Doit être un nombre à virgule flottante dans la plage [0, 1].

(Hérité de ImageModelDistributionSettings)
Nesterov

Activez nesterov lorsque l’optimiseur est « sgd ».

(Hérité de ImageModelDistributionSettings)
NumberOfEpochs

Nombre d’époques d’entraînement. Cette valeur doit être un entier positif.

(Hérité de ImageModelDistributionSettings)
NumberOfWorkers

Nombre de workers du chargeur de données. Doit être un entier non négatif.

(Hérité de ImageModelDistributionSettings)
Optimizer

Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ».

(Hérité de ImageModelDistributionSettings)
RandomSeed

Valeur de départ aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe.

(Hérité de ImageModelDistributionSettings)
StepLRGamma

Valeur gamma lorsque le planificateur de taux d’apprentissage est « step ». Doit être un nombre à virgule flottante dans la plage [0, 1].

(Hérité de ImageModelDistributionSettings)
StepLRStepSize

Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Cette valeur doit être un entier positif.

(Hérité de ImageModelDistributionSettings)
TrainingBatchSize

Taille du lot d’entraînement. Cette valeur doit être un entier positif.

(Hérité de ImageModelDistributionSettings)
TrainingCropSize

Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données d’entraînement. Cette valeur doit être un entier positif.

ValidationBatchSize

Taille du lot de validation. Cette valeur doit être un entier positif.

(Hérité de ImageModelDistributionSettings)
ValidationCropSize

Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Cette valeur doit être un entier positif.

ValidationResizeSize

Taille d’image à laquelle redimensionner avant le rognage du jeu de données de validation. Cette valeur doit être un entier positif.

WarmupCosineLRCycles

Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un nombre à virgule flottante dans la plage [0, 1].

(Hérité de ImageModelDistributionSettings)
WarmupCosineLRWarmupEpochs

Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Cette valeur doit être un entier positif.

(Hérité de ImageModelDistributionSettings)
WeightDecay

Valeur de la décroissance de poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1].

(Hérité de ImageModelDistributionSettings)
WeightedLoss

Perte pondérée. Les valeurs acceptées sont 0 pour aucune perte pondérée. 1 pour la perte de poids avec sqrt. (class_weights). 2 pour une perte de poids avec class_weights. Doit être 0 ou 1 ou 2.

S’applique à