ImageModelDistributionSettings interface

Csomag:

@azure/arm-machinelearning

Terjesztési kifejezések a modellbeállítások értékeinek átsöpréséhez. <példa> Néhány példa:

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.

Tulajdonságok

amsGradient	Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw".
augmentations	A Kiegészítések használatának beállításai.
beta1	A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
beta2	A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
distributed	A terjesztő betanításának használata.
earlyStopping	A korai leállítási logika engedélyezése a betanítás során.
earlyStoppingDelay	Az elsődleges metrikajavítás nyomon követése előtt a korai leállításhoz szükséges minimális időértékek vagy érvényesítési értékelések száma. Pozitív egész számnak kell lennie.
earlyStoppingPatience	A futtatás leállítása előtt az elsődleges metrikajavítás nélküli alapidőszakok vagy érvényesítési értékelések minimális száma. Pozitív egész számnak kell lennie.
enableOnnxNormalization	Engedélyezze a normalizálást az ONNX-modell exportálása során.
evaluationFrequency	Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrika pontszámainak lekéréséhez. Pozitív egész számnak kell lennie.
gradientAccumulationStep	A színátmenet-felhalmozás azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat a modell súlyainak frissítése nélkül, miközben a lépések színátmeneteit gyűjti össze, majd a halmozott színátmenetekkel kiszámítja a súlyfrissítéseket. Pozitív egész számnak kell lennie.
layersToFreeze	A modellhez rögzíteni kívánt rétegek száma. Pozitív egész számnak kell lennie. Ha például a 2 értéket a "seresnext" értékeként adja át, az a 0. és az 1. réteg fagyasztását jelenti. A támogatott modellek teljes listáját és a rétegbefagyasztás részleteit a következő cikkben találja: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	Kezdeti tanulási arány. Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
learningRateScheduler	A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet.
modelName	A betanításhoz használandó modell neve. Az elérhető modellekről további információt a hivatalos dokumentációban talál: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
momentum	A lendület értéke, ha az optimalizáló "sgd". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
nesterov	Engedélyezze a nesterovot, ha az optimalizáló "sgd" állapotú.
numberOfEpochs	A betanítási korszakok száma. Pozitív egész számnak kell lennie.
numberOfWorkers	Az adatbetöltő feldolgozóinak száma. Nem negatív egész számnak kell lennie.
optimizer	Az optimalizáló típusa. "sgd", "adam" vagy "adamw" lehet.
randomSeed	Determinisztikus betanítás használatakor használandó véletlenszerű vetőmag.
stepLRGamma	A gamma értéke, ha a tanulási sebességütemező a "lépés". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
stepLRStepSize	A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie.
trainingBatchSize	Betanítási köteg mérete. Pozitív egész számnak kell lennie.
validationBatchSize	Érvényesítési köteg mérete. Pozitív egész számnak kell lennie.
warmupCosineLRCycles	A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
warmupCosineLRWarmupEpochs	A bemelegítési időszak értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie.
weightDecay	A súlycsökkenés értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". Lebegtetésnek kell lennie a tartományban[0, 1].

Tulajdonság adatai

amsGradient

Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw".

amsGradient?: string

Tulajdonság értéke

string

augmentations

A Kiegészítések használatának beállításai.

augmentations?: string

Tulajdonság értéke

string

beta1

A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.

beta1?: string

Tulajdonság értéke

string

beta2

A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.

beta2?: string

Tulajdonság értéke

string

distributed

A terjesztő betanításának használata.

distributed?: string

Tulajdonság értéke

string

earlyStopping

A korai leállítási logika engedélyezése a betanítás során.

earlyStopping?: string

Tulajdonság értéke

string

earlyStoppingDelay

Az elsődleges metrikajavítás nyomon követése előtt a korai leállításhoz szükséges minimális időértékek vagy érvényesítési értékelések száma. Pozitív egész számnak kell lennie.

earlyStoppingDelay?: string

Tulajdonság értéke

string

earlyStoppingPatience

A futtatás leállítása előtt az elsődleges metrikajavítás nélküli alapidőszakok vagy érvényesítési értékelések minimális száma. Pozitív egész számnak kell lennie.

earlyStoppingPatience?: string

Tulajdonság értéke

string

enableOnnxNormalization

Engedélyezze a normalizálást az ONNX-modell exportálása során.

enableOnnxNormalization?: string

Tulajdonság értéke

string

evaluationFrequency

Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrika pontszámainak lekéréséhez. Pozitív egész számnak kell lennie.

evaluationFrequency?: string

Tulajdonság értéke

string

gradientAccumulationStep

A színátmenet-felhalmozás azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat a modell súlyainak frissítése nélkül, miközben a lépések színátmeneteit gyűjti össze, majd a halmozott színátmenetekkel kiszámítja a súlyfrissítéseket. Pozitív egész számnak kell lennie.

gradientAccumulationStep?: string

Tulajdonság értéke

string

layersToFreeze

A modellhez rögzíteni kívánt rétegek száma. Pozitív egész számnak kell lennie. Ha például a 2 értéket a "seresnext" értékeként adja át, az a 0. és az 1. réteg fagyasztását jelenti. A támogatott modellek teljes listáját és a rétegbefagyasztás részleteit a következő cikkben találja: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

layersToFreeze?: string

Tulajdonság értéke

string

learningRate

Kezdeti tanulási arány. Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.

learningRate?: string

Tulajdonság értéke

string

learningRateScheduler

A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet.

learningRateScheduler?: string

Tulajdonság értéke

string

modelName

A betanításhoz használandó modell neve. Az elérhető modellekről további információt a hivatalos dokumentációban talál: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

modelName?: string

Tulajdonság értéke

string

momentum

A lendület értéke, ha az optimalizáló "sgd". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.

momentum?: string

Tulajdonság értéke

string

nesterov

Engedélyezze a nesterovot, ha az optimalizáló "sgd" állapotú.

nesterov?: string

Tulajdonság értéke

string

numberOfEpochs

A betanítási korszakok száma. Pozitív egész számnak kell lennie.

numberOfEpochs?: string

Tulajdonság értéke

string

numberOfWorkers

Az adatbetöltő feldolgozóinak száma. Nem negatív egész számnak kell lennie.

numberOfWorkers?: string

Tulajdonság értéke

string

optimizer

Az optimalizáló típusa. "sgd", "adam" vagy "adamw" lehet.

optimizer?: string

Tulajdonság értéke

string

randomSeed

Determinisztikus betanítás használatakor használandó véletlenszerű vetőmag.

randomSeed?: string

Tulajdonság értéke

string

stepLRGamma

A gamma értéke, ha a tanulási sebességütemező a "lépés". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.

stepLRGamma?: string

Tulajdonság értéke

string

stepLRStepSize

A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie.

stepLRStepSize?: string

Tulajdonság értéke

string

trainingBatchSize

Betanítási köteg mérete. Pozitív egész számnak kell lennie.

trainingBatchSize?: string

Tulajdonság értéke

string

validationBatchSize

Érvényesítési köteg mérete. Pozitív egész számnak kell lennie.

validationBatchSize?: string

Tulajdonság értéke

string

warmupCosineLRCycles

A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.

warmupCosineLRCycles?: string

Tulajdonság értéke

string

warmupCosineLRWarmupEpochs

A bemelegítési időszak értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie.

warmupCosineLRWarmupEpochs?: string

Tulajdonság értéke

string

weightDecay

A súlycsökkenés értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". Lebegtetésnek kell lennie a tartományban[0, 1].

weightDecay?: string

Tulajdonság értéke

string