ImageModelSettingsClassification Classe
Configurações de modelo para tarefas de Classificação de Imagem de AutoML.
- Herança
-
azure.ai.ml.entities._job.automl.image.image_model_settings.ImageModelDistributionSettingsImageModelSettingsClassification
Construtor
ImageModelSettingsClassification(*, advanced_settings: str | None = None, ams_gradient: bool | None = None, beta1: float | None = None, beta2: float | None = None, checkpoint_frequency: int | None = None, checkpoint_run_id: str | None = None, distributed: bool | None = None, early_stopping: bool | None = None, early_stopping_delay: int | None = None, early_stopping_patience: int | None = None, enable_onnx_normalization: bool | None = None, evaluation_frequency: int | None = None, gradient_accumulation_step: int | None = None, layers_to_freeze: int | None = None, learning_rate: float | None = None, learning_rate_scheduler: LearningRateScheduler | None = None, model_name: str | None = None, momentum: float | None = None, nesterov: bool | None = None, number_of_epochs: int | None = None, number_of_workers: int | None = None, optimizer: StochasticOptimizer | None = None, random_seed: int | None = None, step_lr_gamma: float | None = None, step_lr_step_size: int | None = None, training_batch_size: int | None = None, validation_batch_size: int | None = None, warmup_cosine_lr_cycles: float | None = None, warmup_cosine_lr_warmup_epochs: int | None = None, weight_decay: float | None = None, training_crop_size: int | None = None, validation_crop_size: int | None = None, validation_resize_size: int | None = None, weighted_loss: int | None = None, **kwargs)
Parâmetros
- beta1
- float
Valor de 'beta1' quando o otimizador é 'adam' ou 'adamw'. Precisa ser um float no intervalo [0, 1].
- beta2
- float
Valor de 'beta2' quando o otimizador é 'adam' ou 'adamw'. Precisa ser um float no intervalo [0, 1].
- checkpoint_frequency
- int
Frequência para armazenar pontos de verificação do modelo. Deve ser um número inteiro positivo.
- checkpoint_run_id
- str
A ID de uma execução anterior que tem um ponto de verificação pré-treinado para treinamento incremental.
- early_stopping_delay
- int
Número mínimo de épocas ou avaliações de validação a serem aguardadas antes que a melhoria da métrica primária seja controlada para a interrupção antecipada. Deve ser um número inteiro positivo.
- early_stopping_patience
- int
Número mínimo de épocas ou avaliações de validação sem nenhuma melhoria de métrica primária antes que a execução seja interrompida. Deve ser um número inteiro positivo.
- evaluation_frequency
- int
Frequência para avaliar o conjunto de dados de validação a fim de obter pontuações de métrica. Deve ser um número inteiro positivo.
- gradient_accumulation_step
- int
Acumulação de gradiente significa executar um número configurado de etapas "GradAccumulationStep" sem atualizar os pesos do modelo enquanto acumula os gradientes dessas etapas e, em seguida, usar os gradientes acumulados para calcular as atualizações de peso. Deve ser um número inteiro positivo.
- layers_to_freeze
- int
Número de camadas a serem congeladas para o modelo. Deve ser um número inteiro positivo. Por exemplo, passar 2 como valor para 'seresnext' significa congelar camada0 e camada1. Para obter uma lista completa de modelos com suporte e detalhes sobre o congelamento de camadas, consulte: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
- learning_rate
- float
Taxa de aprendizagem inicial. Precisa ser um float no intervalo [0, 1].
- learning_rate_scheduler
- str ou LearningRateScheduler
Tipo de agendador de taxa de aprendizagem. Deve ser 'warmup_cosine' ou 'step'. Os valores possíveis incluem: "None", "WarmupCosine", "Step".
- model_name
- str
Nome do modelo a ser usado para treinamento. Para obter mais informações sobre os modelos disponíveis, visite a documentação oficial: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
- momentum
- float
Valor do momento quando o otimizador é 'sgd'. Precisa ser um float no intervalo [0, 1].
- number_of_epochs
- int
Número de épocas de treinamento. Deve ser um número inteiro positivo.
- number_of_workers
- int
Número de trabalhos do carregador de dados. Deve ser um inteiro não negativo.
- optimizer
- str ou StochasticOptimizer
Tipo de otimizador. Os valores possíveis incluem: "None", "Sgd", "Adam", "Adamw".
- step_lr_gamma
- float
Valor de gama quando o agendador de taxa de aprendizagem é 'step'. Precisa ser um float no intervalo [0, 1].
- step_lr_step_size
- int
Valor do tamanho da etapa quando o agendador de taxa de aprendizagem é 'step'. Deve ser um número inteiro positivo.
- training_batch_size
- int
Tamanho do lote de treinamento. Deve ser um número inteiro positivo.
- validation_batch_size
- int
Tamanho do lote de validação. Deve ser um número inteiro positivo.
- warmup_cosine_lr_cycles
- float
Valor do ciclo de cosseno quando o agendador de taxa de aprendizagem é "warmup_cosine". Precisa ser um float no intervalo [0, 1].
- warmup_cosine_lr_warmup_epochs
- int
Valor das épocas de aquecimento quando o agendador de taxa de aprendizagem é "warmup_cosine". Deve ser um número inteiro positivo.
- weight_decay
- float
Valor da decadência de peso quando o otimizador é 'sgd', 'adam' ou 'adamw'. Deve ser um float no intervalo[0, 1].
- training_crop_size
- int
Tamanho de corte de imagem que é a entrada para a rede neural para o conjunto de dados de treinamento. Deve ser um número inteiro positivo.
- validation_crop_size
- int
Tamanho de corte de imagem que é a entrada para a rede neural para o conjunto de dados de validação. Deve ser um número inteiro positivo.
- validation_resize_size
- int
Tamanho da imagem a redimensionar antes do corte para um conjunto de validação. Deve ser um número inteiro positivo.
- weighted_loss
- int
Perda ponderada. Os valores aceitos são 0 para nenhuma perda ponderada. 1 para perda ponderada com sqrt. (class_weights). 2 para perda ponderada com class_weights. Precisa ser 0, 1 ou 2.
Azure SDK for Python