ImageModelSettings Classe

Initialise une nouvelle instance d’ImageModelSettings.

Paramètres pour les scénarios avancés.

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

Paramètres d’utilisation des augmentations.

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

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

Fréquence de stockage des points de contrôle du modèle. Cette valeur doit être un entier positif.

Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel.

ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel.

Indique s’il faut utiliser l’entraînement distribué.

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

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.

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.

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

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

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.

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.

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

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

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.

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

Activez nesterov lorsque l’optimiseur est « sgd ».

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

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

Type d’optimiseur.

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

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

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

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

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

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].

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

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