Bagikan melalui

ImageModelDistributionSettings interface

Paket:
@azure/arm-machinelearning

Ekspresi distribusi untuk menyapu nilai pengaturan model. <contoh> Beberapa contohnya adalah:

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.

Properti

amsGradient

Aktifkan AMSGrad saat pengoptimal adalah 'adam' atau 'adamw'.
augmentations

Pengaturan untuk menggunakan Augmentasi.
beta1

Nilai 'beta1' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].
beta2

Nilai 'beta2' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].
distributed

Apakah akan menggunakan pelatihan distribusi.
earlyStopping

Aktifkan logika penghentian awal selama pelatihan.
earlyStoppingDelay

Jumlah minimum epoch atau evaluasi validasi untuk menunggu sebelum peningkatan metrik utama dilacak untuk penghentian awal. Harus bilangan bulat positif.
earlyStoppingPatience

Jumlah minimum epoch atau evaluasi validasi tanpa peningkatan metrik utama sebelum eksekusi dihentikan. Harus bilangan bulat positif.
enableOnnxNormalization

Aktifkan normalisasi saat mengekspor model ONNX.
evaluationFrequency

Frekuensi untuk mengevaluasi himpunan data validasi untuk mendapatkan skor metrik. Harus bilangan bulat positif.
gradientAccumulationStep

Akumulasi gradien berarti menjalankan sejumlah langkah "GradAccumulationStep" yang dikonfigurasi tanpa memperbarui bobot model sambil mengumpulkan gradien langkah-langkah tersebut, lalu menggunakan gradien akumulasi untuk menghitung pembaruan bobot. Harus bilangan bulat positif.
layersToFreeze

Jumlah lapisan yang akan dibekukan untuk model. Harus bilangan bulat positif. Misalnya, meneruskan 2 sebagai nilai untuk 'seresnext' berarti membekukan layer0 dan layer1. Untuk daftar lengkap model yang didukung dan detail tentang pembekuan lapisan, silakan lihat: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate

Tingkat pembelajaran awal. Harus berupa float dalam rentang [0, 1].
learningRateScheduler

Jenis penjadwal tingkat pembelajaran. Harus 'warmup_cosine' atau 'langkah'.
modelName

Nama model yang akan digunakan untuk pelatihan. Untuk informasi lebih lanjut tentang model yang tersedia, silakan kunjungi dokumentasi resmi: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
momentum

Nilai momentum saat pengoptimal adalah 'sgd'. Harus berupa float dalam rentang [0, 1].
nesterov

Aktifkan nesterov saat pengoptimal adalah 'sgd'.
numberOfEpochs

Jumlah epoch pelatihan. Harus bilangan bulat positif.
numberOfWorkers

Jumlah pekerja pemuat data. Harus bilangan bulat non-negatif.
optimizer

Jenis pengoptimal. Harus berupa 'sgd', 'adam', atau 'adamw'.
randomSeed

Benih acak yang akan digunakan saat menggunakan pelatihan deterministik.
stepLRGamma

Nilai gamma ketika penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa float dalam rentang [0, 1].
stepLRStepSize

Nilai ukuran langkah saat penjadwal tingkat pembelajaran adalah 'langkah'. Harus bilangan bulat positif.
trainingBatchSize

Ukuran batch pelatihan. Harus bilangan bulat positif.
validationBatchSize

Ukuran batch validasi. Harus bilangan bulat positif.
warmupCosineLRCycles

Nilai siklus kosinus saat penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa float dalam rentang [0, 1].
warmupCosineLRWarmupEpochs

Nilai epoch pemanasan ketika penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus bilangan bulat positif.
weightDecay

Nilai pembbusukan berat saat pengoptimal adalah 'sgd', 'adam', atau 'adamw'. Harus berupa float dalam kisaran[0, 1].

Detail Properti

amsGradient

Aktifkan AMSGrad saat pengoptimal adalah 'adam' atau 'adamw'.

amsGradient?: string

Nilai Properti

string

augmentations

Pengaturan untuk menggunakan Augmentasi.

augmentations?: string

Nilai Properti

string

beta1

Nilai 'beta1' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].

beta1?: string

Nilai Properti

string

beta2

Nilai 'beta2' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].

beta2?: string

Nilai Properti

string

distributed

Apakah akan menggunakan pelatihan distribusi.

distributed?: string

Nilai Properti

string

earlyStopping

Aktifkan logika penghentian awal selama pelatihan.

earlyStopping?: string

Nilai Properti

string

earlyStoppingDelay

Jumlah minimum epoch atau evaluasi validasi untuk menunggu sebelum peningkatan metrik utama dilacak untuk penghentian awal. Harus bilangan bulat positif.

earlyStoppingDelay?: string

Nilai Properti

string

earlyStoppingPatience

Jumlah minimum epoch atau evaluasi validasi tanpa peningkatan metrik utama sebelum eksekusi dihentikan. Harus bilangan bulat positif.

earlyStoppingPatience?: string

Nilai Properti

string

enableOnnxNormalization

Aktifkan normalisasi saat mengekspor model ONNX.

enableOnnxNormalization?: string

Nilai Properti

string

evaluationFrequency

Frekuensi untuk mengevaluasi himpunan data validasi untuk mendapatkan skor metrik. Harus bilangan bulat positif.

evaluationFrequency?: string

Nilai Properti

string

gradientAccumulationStep

Akumulasi gradien berarti menjalankan sejumlah langkah "GradAccumulationStep" yang dikonfigurasi tanpa memperbarui bobot model sambil mengumpulkan gradien langkah-langkah tersebut, lalu menggunakan gradien akumulasi untuk menghitung pembaruan bobot. Harus bilangan bulat positif.

gradientAccumulationStep?: string

Nilai Properti

string

layersToFreeze

Jumlah lapisan yang akan dibekukan untuk model. Harus bilangan bulat positif. Misalnya, meneruskan 2 sebagai nilai untuk 'seresnext' berarti membekukan layer0 dan layer1. Untuk daftar lengkap model yang didukung dan detail tentang pembekuan lapisan, silakan lihat: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

layersToFreeze?: string

Nilai Properti

string

learningRate

Tingkat pembelajaran awal. Harus berupa float dalam rentang [0, 1].

learningRate?: string

Nilai Properti

string

learningRateScheduler

Jenis penjadwal tingkat pembelajaran. Harus 'warmup_cosine' atau 'langkah'.

learningRateScheduler?: string

Nilai Properti

string

modelName

Nama model yang akan digunakan untuk pelatihan. Untuk informasi lebih lanjut tentang model yang tersedia, silakan kunjungi dokumentasi resmi: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

modelName?: string

Nilai Properti

string

momentum

Nilai momentum saat pengoptimal adalah 'sgd'. Harus berupa float dalam rentang [0, 1].

momentum?: string

Nilai Properti

string

nesterov

Aktifkan nesterov saat pengoptimal adalah 'sgd'.

nesterov?: string

Nilai Properti

string

numberOfEpochs

Jumlah epoch pelatihan. Harus bilangan bulat positif.

numberOfEpochs?: string

Nilai Properti

string

numberOfWorkers

Jumlah pekerja pemuat data. Harus bilangan bulat non-negatif.

numberOfWorkers?: string

Nilai Properti

string

optimizer

Jenis pengoptimal. Harus berupa 'sgd', 'adam', atau 'adamw'.

optimizer?: string

Nilai Properti

string

randomSeed

Benih acak yang akan digunakan saat menggunakan pelatihan deterministik.

randomSeed?: string

Nilai Properti

string

stepLRGamma

Nilai gamma ketika penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa float dalam rentang [0, 1].

stepLRGamma?: string

Nilai Properti

string

stepLRStepSize

Nilai ukuran langkah saat penjadwal tingkat pembelajaran adalah 'langkah'. Harus bilangan bulat positif.

stepLRStepSize?: string

Nilai Properti

string

trainingBatchSize

Ukuran batch pelatihan. Harus bilangan bulat positif.

trainingBatchSize?: string

Nilai Properti

string

validationBatchSize

Ukuran batch validasi. Harus bilangan bulat positif.

validationBatchSize?: string

Nilai Properti

string

warmupCosineLRCycles

Nilai siklus kosinus saat penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa float dalam rentang [0, 1].

warmupCosineLRCycles?: string

Nilai Properti

string

warmupCosineLRWarmupEpochs

Nilai epoch pemanasan ketika penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus bilangan bulat positif.

warmupCosineLRWarmupEpochs?: string

Nilai Properti

string

weightDecay

Nilai pembbusukan berat saat pengoptimal adalah 'sgd', 'adam', atau 'adamw'. Harus berupa float dalam kisaran[0, 1].

weightDecay?: string

Nilai Properti

string