ImageModelDistributionSettings interface

Paquet:

@azure/arm-machinelearning

Expressions de distribution pour balayer les valeurs des paramètres du modèle. 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.

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 float dans la plage [0, 1].
beta2	Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1].
distributed	Indique s’il faut utiliser la formation du répartiteur.
earlyStopping	Activez la logique d’arrêt précoce pendant l’entraînement.
earlyStoppingDelay	Nombre minimal d’époques ou d’évaluations de validation à attendre avant que l’amélioration de la métrique principale soit suivie pour l’arrêt anticipé. 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. 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 des scores de métriques. 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 cumulant les dégradés de ces étapes, puis en utilisant les dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.
layersToFreeze	Nombre de couches à figer pour le modèle. Doit être un entier positif. Par exemple, passer 2 comme valeur pour « seresnext » signifie geler la couche0 et la couche1. 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 float dans la plage [0, 1].
learningRateScheduler	Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ».
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’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1].
nesterov	Activez nesterov lorsque l’optimiseur est « sgd ».
numberOfEpochs	Nombre d’époques d’entraînement. Doit être un entier positif.
numberOfWorkers	Nombre de travailleurs du chargeur de données. Doit être un entier non négatif.
optimizer	Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ».
randomSeed	Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe.
stepLRGamma	Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1].
stepLRStepSize	Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif.
trainingBatchSize	Taille du lot d’entraînement. Doit être un entier positif.
validationBatchSize	Taille du lot de validation. Doit être un entier positif.
warmupCosineLRCycles	Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1].
warmupCosineLRWarmupEpochs	Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif.
weightDecay	Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1].

Détails de la propriété

amsGradient

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

amsGradient?: string

Valeur de propriété

string

augmentations

Paramètres d’utilisation des augmentations.

augmentations?: string

Valeur de propriété

string

beta1

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

beta1?: string

Valeur de propriété

string

beta2

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

beta2?: string

Valeur de propriété

string

distributed

Indique s’il faut utiliser la formation du répartiteur.

distributed?: string

Valeur de propriété

string

earlyStopping

Activez la logique d’arrêt précoce pendant l’entraînement.

earlyStopping?: string

Valeur de propriété

string

earlyStoppingDelay

Nombre minimal d’époques ou d’évaluations de validation à attendre avant que l’amélioration de la métrique principale soit suivie pour l’arrêt anticipé. Doit être un entier positif.

earlyStoppingDelay?: string

Valeur de propriété

string

earlyStoppingPatience

Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’arrêt de l’exécution. Doit être un entier positif.

earlyStoppingPatience?: string

Valeur de propriété

string

enableOnnxNormalization

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

enableOnnxNormalization?: string

Valeur de propriété

string

evaluationFrequency

Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif.

evaluationFrequency?: string

Valeur de propriété

string

gradientAccumulationStep

L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mettre à jour les pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant les dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.

gradientAccumulationStep?: string

Valeur de propriété

string

layersToFreeze

Nombre de couches à figer pour le modèle. Doit être un entier positif. Par exemple, passer 2 comme valeur pour « seresnext » signifie geler la couche0 et la couche1. 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.

layersToFreeze?: string

Valeur de propriété

string

learningRate

Taux d’apprentissage initial. Doit être un float dans la plage [0, 1].

learningRate?: string

Valeur de propriété

string

learningRateScheduler

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

learningRateScheduler?: string

Valeur de propriété

string

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.

modelName?: string

Valeur de propriété

string

momentum

Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1].

momentum?: string

Valeur de propriété

string

nesterov

Activez nesterov lorsque l’optimiseur est « sgd ».

nesterov?: string

Valeur de propriété

string

numberOfEpochs

Nombre d’époques d’entraînement. Doit être un entier positif.

numberOfEpochs?: string

Valeur de propriété

string

numberOfWorkers

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

numberOfWorkers?: string

Valeur de propriété

string

optimizer

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

optimizer?: string

Valeur de propriété

string

randomSeed

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

randomSeed?: string

Valeur de propriété

string

stepLRGamma

Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1].

stepLRGamma?: string

Valeur de propriété

string

stepLRStepSize

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

stepLRStepSize?: string

Valeur de propriété

string

trainingBatchSize

Taille du lot d’entraînement. Doit être un entier positif.

trainingBatchSize?: string

Valeur de propriété

string

validationBatchSize

Taille du lot de validation. Doit être un entier positif.

validationBatchSize?: string

Valeur de propriété

string

warmupCosineLRCycles

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

warmupCosineLRCycles?: string

Valeur de propriété

string

warmupCosineLRWarmupEpochs

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

warmupCosineLRWarmupEpochs?: string

Valeur de propriété

string

weightDecay

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

weightDecay?: string

Valeur de propriété

string