Bagikan melalui

ImageModelSettings interface

Paket:
@azure/arm-machinelearning

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

Properti

advancedSettings

Pengaturan untuk skenario tingkat lanjut.
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].
checkpointFrequency

Frekuensi untuk menyimpan titik pemeriksaan model. Harus bilangan bulat positif.
checkpointModel

Model titik pemeriksaan yang telah dilatih sebelumnya untuk pelatihan bertahap.
checkpointRunId

Id eksekusi sebelumnya yang memiliki titik pemeriksaan yang telah dilatih sebelumnya untuk pelatihan inkremental.
distributed

Apakah akan menggunakan pelatihan terdistribusi.
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.
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

advancedSettings

Pengaturan untuk skenario tingkat lanjut.

advancedSettings?: string

Nilai Properti

string

amsGradient

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

amsGradient?: boolean

Nilai Properti

boolean

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?: number

Nilai Properti

number

beta2

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

beta2?: number

Nilai Properti

number

checkpointFrequency

Frekuensi untuk menyimpan titik pemeriksaan model. Harus bilangan bulat positif.

checkpointFrequency?: number

Nilai Properti

number

checkpointModel

Model titik pemeriksaan yang telah dilatih sebelumnya untuk pelatihan bertahap.

checkpointModel?: MLFlowModelJobInput

Nilai Properti

MLFlowModelJobInput

checkpointRunId

Id eksekusi sebelumnya yang memiliki titik pemeriksaan yang telah dilatih sebelumnya untuk pelatihan inkremental.

checkpointRunId?: string

Nilai Properti

string

distributed

Apakah akan menggunakan pelatihan terdistribusi.

distributed?: boolean

Nilai Properti

boolean

earlyStopping

Aktifkan logika penghentian awal selama pelatihan.

earlyStopping?: boolean

Nilai Properti

boolean

earlyStoppingDelay

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

earlyStoppingDelay?: number

Nilai Properti

number

earlyStoppingPatience

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

earlyStoppingPatience?: number

Nilai Properti

number

enableOnnxNormalization

Aktifkan normalisasi saat mengekspor model ONNX.

enableOnnxNormalization?: boolean

Nilai Properti

boolean

evaluationFrequency

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

evaluationFrequency?: number

Nilai Properti

number

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?: number

Nilai Properti

number

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?: number

Nilai Properti

number

learningRate

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

learningRate?: number

Nilai Properti

number

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?: number

Nilai Properti

number

nesterov

Aktifkan nesterov saat pengoptimal adalah 'sgd'.

nesterov?: boolean

Nilai Properti

boolean

numberOfEpochs

Jumlah epoch pelatihan. Harus bilangan bulat positif.

numberOfEpochs?: number

Nilai Properti

number

numberOfWorkers

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

numberOfWorkers?: number

Nilai Properti

number

optimizer

Jenis pengoptimal.

optimizer?: string

Nilai Properti

string

randomSeed

Benih acak yang akan digunakan saat menggunakan pelatihan deterministik.

randomSeed?: number

Nilai Properti

number

stepLRGamma

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

stepLRGamma?: number

Nilai Properti

number

stepLRStepSize

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

stepLRStepSize?: number

Nilai Properti

number

trainingBatchSize

Ukuran batch pelatihan. Harus bilangan bulat positif.

trainingBatchSize?: number

Nilai Properti

number

validationBatchSize

Ukuran batch validasi. Harus bilangan bulat positif.

validationBatchSize?: number

Nilai Properti

number

warmupCosineLRCycles

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

warmupCosineLRCycles?: number

Nilai Properti

number

warmupCosineLRWarmupEpochs

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

warmupCosineLRWarmupEpochs?: number

Nilai Properti

number

weightDecay

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

weightDecay?: number

Nilai Properti

number