ImageModelSettingsClassification Klasse
Modelleinstellungen für AutoML-Bildklassifizierungsaufgaben.
- Vererbung
-
azure.ai.ml.entities._job.automl.image.image_model_settings.ImageModelDistributionSettingsImageModelSettingsClassification
Konstruktor
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)
Parameter
- ams_gradient
- bool
Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" lautet.
- beta1
- float
Wert von "beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkommawert im Bereich [0, 1] sein.
- beta2
- float
Wert von "beta2", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkommawert im Bereich [0, 1] sein.
- checkpoint_frequency
- int
Häufigkeit zum Speichern von Modellprüfpunkten. Der Wert muss eine positive ganze Zahl sein.
- checkpoint_run_id
- str
Die ID einer vorherigen Ausführung, die über einen vortrainierten Prüfpunkt für inkrementelles Training verfügt.
- early_stopping_delay
- int
Mindestanzahl von Epochen oder Validierungsauswertungen, die gewartet werden sollen, bevor die primäre Metrikverbesserung für das frühzeitige Beenden nachverfolgt wird. Der Wert muss eine positive ganze Zahl sein.
- early_stopping_patience
- int
Minimale Anzahl von Epochen oder Validierungsauswertungen ohne primäre Metrikverbesserung, bevor die Ausführung beendet wird. Der Wert muss eine positive ganze Zahl sein.
- enable_onnx_normalization
- bool
Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells.
- evaluation_frequency
- int
Häufigkeit zum Auswerten des Validierungsdatasets, um Metrikergebnisse zu erhalten. Der Wert muss eine positive ganze Zahl sein.
- gradient_accumulation_step
- int
Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von GradAccumulationStep-Schritten ausgeführt wird, ohne die Modellgewichte zu aktualisieren, während die Farbverläufe dieser Schritte gesammelt werden, und dann die akkumulierten Farbverläufe zum Berechnen der Gewichtungsupdates verwendet werden. Der Wert muss eine positive ganze Zahl sein.
- layers_to_freeze
- int
Anzahl der Ebenen, die für das Modell fixiert werden sollen. Der Wert muss eine positive ganze Zahl sein. Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext" das Einfrieren von layer0 und layer1. Eine vollständige Liste der unterstützten Modelle und Details zum Einfrieren der Ebene finden Sie unter: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
- learning_rate
- float
Anfängliche Lernrate. Muss ein Gleitkommawert im Bereich [0, 1] sein.
- learning_rate_scheduler
- str oder LearningRateScheduler
Typ des Lernratenplaners. Muss "warmup_cosine" oder "Schritt" sein. Mögliche Werte sind: "None", "WarmupCosine", "Step".
- model_name
- str
Name des Modells, das für das Training verwendet werden soll. Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
- momentum
- float
Wert des Momentums, wenn der Optimierer "sgd" ist. Muss ein Gleitkommawert im Bereich [0, 1] sein.
- number_of_epochs
- int
Anzahl der Trainingsepochen Der Wert muss eine positive ganze Zahl sein.
- number_of_workers
- int
Anzahl der DataLoader-Worker. Muss eine nicht negative ganze Zahl sein.
- optimizer
- str oder StochasticOptimizer
Typ des Optimierers. Mögliche Werte sind: "None", "Sgd", "Adam", "Adamw".
- random_seed
- int
Zufälliger Startwert, der bei Verwendung des deterministischen Trainings verwendet werden soll.
- step_lr_gamma
- float
Wert von Gamma, wenn der Lernratenplaner "step" ist. Muss ein Gleitkommawert im Bereich [0, 1] sein.
- step_lr_step_size
- int
Wert der Schrittgröße, wenn der Lernratenplaner "schritt" ist. Der Wert muss eine positive ganze Zahl sein.
- training_batch_size
- int
Trainingsbatchgröße. Der Wert muss eine positive ganze Zahl sein.
- validation_batch_size
- int
Überprüfungsbatchgröße. Der Wert muss eine positive ganze Zahl sein.
- warmup_cosine_lr_cycles
- float
Der Wert des Kosinuszyklus, wenn der Lernratenplaner "warmup_cosine" ist. Muss ein Gleitkommawert im Bereich [0, 1] sein.
- warmup_cosine_lr_warmup_epochs
- int
Wert von Aufwärmperioden, wenn der Lernratenplaner "warmup_cosine" ist. Der Wert muss eine positive ganze Zahl sein.
- weight_decay
- float
Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich [0, 1] sein.
- training_crop_size
- int
Bildzuschneidegröße, die in das neuronale Netzwerk für das Trainingsdataset eingegeben wird. Der Wert muss eine positive ganze Zahl sein.
- validation_crop_size
- int
Bildzuschneidegröße, die in das neuronale Netzwerk für das Validierungsdataset eingegeben wird. Der Wert muss eine positive ganze Zahl sein.
- validation_resize_size
- int
Bildgröße, auf die die Größe vor dem Zuschneiden für das Validierungsdataset geändert werden soll. Der Wert muss eine positive ganze Zahl sein.
- weighted_loss
- int
Gewichteter Verlust. Die akzeptierten Werte sind 0 für keinen gewichteten Verlust. 1 für gewichteten Verlust mit sqrt. (class_weights). 2 für gewichteten Verlust mit class_weights. Muss 0, 1 oder 2 sein.
Azure SDK for Python