ImageModelSettingsClassification Classe
Impostazioni del modello per le attività di classificazione delle immagini AutoML.
- Ereditarietà
-
azure.ai.ml.entities._job.automl.image.image_model_settings.ImageModelDistributionSettingsImageModelSettingsClassification
Costruttore
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)Parametri
- beta1
- float
Valore di 'beta1' quando Optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].
- beta2
- float
Valore di 'beta2' quando Optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].
- checkpoint_frequency
- int
Frequenza per archiviare i checkpoint del modello. Deve essere un intero positivo.
- checkpoint_run_id
- str
ID di un'esecuzione precedente con un checkpoint con training preliminare per il training incrementale.
- early_stopping_delay
- int
Numero minimo di periodi o valutazioni di convalida da attendere prima che venga rilevato il miglioramento della metrica primaria per l'arresto anticipato. Deve essere un intero positivo.
- early_stopping_patience
- int
Numero minimo di periodi o valutazioni di convalida senza miglioramenti delle metriche primarie prima dell'arresto dell'esecuzione. Deve essere un intero positivo.
- enable_onnx_normalization
- bool
Abilitare la normalizzazione durante l'esportazione del modello ONNX.
- evaluation_frequency
- int
Frequenza per valutare il set di dati di convalida per ottenere i punteggi delle metriche. Deve essere un intero positivo.
- gradient_accumulation_step
- int
L'accumulo di sfumature significa eseguire un numero configurato di passaggi "GradAccumulationStep" senza aggiornare i pesi del modello durante l'accumulo delle sfumature di tali passaggi e quindi usare le sfumature accumulate per calcolare gli aggiornamenti del peso. Deve essere un intero positivo.
- layers_to_freeze
- int
Numero di livelli da bloccare per il modello. Deve essere un intero positivo. Ad esempio, passando 2 come valore per "seresnext" significa congelamento layer0 e layer1. Per un elenco completo dei modelli supportati e dettagli sul blocco del livello, vedere: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
- learning_rate
- float
Frequenza di apprendimento iniziale. Deve essere un valore float nell'intervallo [0, 1].
- learning_rate_scheduler
- str oppure LearningRateScheduler
Tipo di utilità di pianificazione della frequenza di apprendimento. Deve essere 'warmup_cosine' o 'step'. I valori possibili includono: "None", "WarmupCosine", "Step".
- model_name
- str
Nome del modello da usare per il training. Per altre informazioni sui modelli disponibili, vedere la documentazione ufficiale: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
- momentum
- float
Valore di momentum quando Optimizer è "sgd". Deve essere un valore float nell'intervallo [0, 1].
- number_of_workers
- int
Numero di ruoli di lavoro del caricatore di dati. Deve essere un numero intero non negativo.
- optimizer
- str oppure StochasticOptimizer
Tipo di ottimizzatore. I valori possibili includono: "None", "Sgd", "Adam", "Adamw".
- random_seed
- int
Valore di inizializzazione casuale da usare quando si usa il training deterministico.
- step_lr_gamma
- float
Valore gamma quando l'utilità di pianificazione della frequenza di apprendimento è "passaggio". Deve essere un valore float nell'intervallo [0, 1].
- step_lr_step_size
- int
Valore delle dimensioni dei passaggi quando l'utilità di pianificazione della frequenza di apprendimento è "passaggio". Deve essere un intero positivo.
- training_batch_size
- int
Dimensioni del batch di training. Deve essere un intero positivo.
- validation_batch_size
- int
Dimensioni del batch di convalida. Deve essere un intero positivo.
- warmup_cosine_lr_cycles
- float
Il valore del ciclo coseno quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un valore float nell'intervallo [0, 1].
- warmup_cosine_lr_warmup_epochs
- int
Il valore dei periodi di riscaldamento quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un intero positivo.
- weight_decay
- float
Valore del decadimento del peso quando Optimizer è 'sgd', 'adam', o 'adamw'. Deve essere un valore float nell'intervallo[0, 1].
- training_crop_size
- int
Dimensioni di ritaglio delle immagini che vengono immesse nella rete neurale per il set di dati di training. Deve essere un intero positivo.
- validation_crop_size
- int
Dimensioni di ritaglio delle immagini che vengono immesse nella rete neurale per il set di dati di convalida. Deve essere un intero positivo.
- validation_resize_size
- int
Dimensioni dell'immagine in cui eseguire il ridimensionamento prima del ritaglio per il set di dati di convalida. Deve essere un intero positivo.
- weighted_loss
- int
Perdita ponderata. I valori accettati sono 0 per nessuna perdita ponderata. 1 per perdita ponderata con sqrt. (class_weights). 2 per perdita ponderata con class_weights. Deve essere 0 o 1 o 2.
Azure SDK for Python