ImageModelDistributionSettings interface

Pakket:

@azure/arm-machinelearning

Distributie-expressies om waarden van modelinstellingen te overschrijven. <Voorbeeld> Enkele voorbeelden zijn:

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.

Eigenschappen

amsGradient	Schakel AMSGrad in wanneer optimizer 'adam' of 'adamw' is.
augmentations	Instellingen voor het gebruik van augmentations.
beta1	De waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.
beta2	De waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.
distributed	Of u distributietraining wilt gebruiken.
earlyStopping	Schakel vroege stoplogica in tijdens de training.
earlyStoppingDelay	Het minimum aantal epochs of validatie-evaluaties dat moet worden gewacht voordat primaire metrische gegevens worden verbeterd voor vroegtijdige stop. Moet een positief geheel getal zijn.
earlyStoppingPatience	Minimaal aantal tijdvakken of validatie-evaluaties zonder primaire metrische verbetering voordat de uitvoering wordt gestopt. Moet een positief geheel getal zijn.
enableOnnxNormalization	Normalisatie inschakelen bij het exporteren van een ONNX-model.
evaluationFrequency	Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.
gradientAccumulationStep	Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal 'GradAccumulationStep'-stappen zonder de modelgewichten bij te werken tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens de verzamelde kleurovergangen te gebruiken om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.
layersToFreeze	Aantal lagen dat moet worden geblokkeerd voor het model. Moet een positief geheel getal zijn. Het doorgeven van 2 als waarde voor 'seresnext' betekent bijvoorbeeld vrieslaag0 en laag1. Zie voor een volledige lijst met modellen die worden ondersteund en details over laagblokkering: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	Eerste leersnelheid. Moet een float in het bereik [0, 1] zijn.
learningRateScheduler	Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.
modelName	De naam van het model dat moet worden gebruikt voor training. Voor meer informatie over de beschikbare modellen raadpleegt u de officiële documentatie: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
momentum	Waarde van momentum wanneer optimizer 'sgd' is. Moet een float in het bereik [0, 1] zijn.
nesterov	Schakel nesterov in wanneer optimizer 'sgd' is.
numberOfEpochs	Aantal trainingstijdvakken. Moet een positief geheel getal zijn.
numberOfWorkers	Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.
optimizer	Type optimizer. Moet 'sgd', 'adam' of 'adamw' zijn.
randomSeed	Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.
stepLRGamma	Waarde van gamma wanneer de leerfrequentieplanner 'stap' is. Moet een float in het bereik [0, 1] zijn.
stepLRStepSize	Waarde van stapgrootte wanneer de leerfrequentieplanner 'stap' is. Moet een positief geheel getal zijn.
trainingBatchSize	Grootte van trainingsbatch. Moet een positief geheel getal zijn.
validationBatchSize	Grootte van validatiebatch. Moet een positief geheel getal zijn.
warmupCosineLRCycles	Waarde van cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een float in het bereik [0, 1] zijn.
warmupCosineLRWarmupEpochs	Waarde van opwarmtijdtijdvakken wanneer leerfrequentieplanner 'warmup_cosine' is. Moet een positief geheel getal zijn.
weightDecay	Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een float zijn in het bereik[0, 1].

Eigenschapdetails

amsGradient

Schakel AMSGrad in wanneer optimizer 'adam' of 'adamw' is.

amsGradient?: string

Waarde van eigenschap

string

augmentations

Instellingen voor het gebruik van augmentations.

augmentations?: string

Waarde van eigenschap

string

beta1

De waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.

beta1?: string

Waarde van eigenschap

string

beta2

De waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.

beta2?: string

Waarde van eigenschap

string

distributed

Of u distributietraining wilt gebruiken.

distributed?: string

Waarde van eigenschap

string

earlyStopping

Schakel vroege stoplogica in tijdens de training.

earlyStopping?: string

Waarde van eigenschap

string

earlyStoppingDelay

Het minimum aantal epochs of validatie-evaluaties dat moet worden gewacht voordat primaire metrische gegevens worden verbeterd voor vroegtijdige stop. Moet een positief geheel getal zijn.

earlyStoppingDelay?: string

Waarde van eigenschap

string

earlyStoppingPatience

Minimaal aantal tijdvakken of validatie-evaluaties zonder primaire metrische verbetering voordat de uitvoering wordt gestopt. Moet een positief geheel getal zijn.

earlyStoppingPatience?: string

Waarde van eigenschap

string

enableOnnxNormalization

Normalisatie inschakelen bij het exporteren van een ONNX-model.

enableOnnxNormalization?: string

Waarde van eigenschap

string

evaluationFrequency

Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.

evaluationFrequency?: string

Waarde van eigenschap

string

gradientAccumulationStep

Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal 'GradAccumulationStep'-stappen zonder de modelgewichten bij te werken tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens de verzamelde kleurovergangen te gebruiken om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.

gradientAccumulationStep?: string

Waarde van eigenschap

string

layersToFreeze

Aantal lagen dat moet worden geblokkeerd voor het model. Moet een positief geheel getal zijn. Het doorgeven van 2 als waarde voor 'seresnext' betekent bijvoorbeeld vrieslaag0 en laag1. Zie voor een volledige lijst met modellen die worden ondersteund en details over laagblokkering: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

layersToFreeze?: string

Waarde van eigenschap

string

learningRate

Eerste leersnelheid. Moet een float in het bereik [0, 1] zijn.

learningRate?: string

Waarde van eigenschap

string

learningRateScheduler

Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.

learningRateScheduler?: string

Waarde van eigenschap

string

modelName

De naam van het model dat moet worden gebruikt voor training. Voor meer informatie over de beschikbare modellen raadpleegt u de officiële documentatie: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

modelName?: string

Waarde van eigenschap

string

momentum

Waarde van momentum wanneer optimizer 'sgd' is. Moet een float in het bereik [0, 1] zijn.

momentum?: string

Waarde van eigenschap

string

nesterov

Schakel nesterov in wanneer optimizer 'sgd' is.

nesterov?: string

Waarde van eigenschap

string

numberOfEpochs

Aantal trainingstijdvakken. Moet een positief geheel getal zijn.

numberOfEpochs?: string

Waarde van eigenschap

string

numberOfWorkers

Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.

numberOfWorkers?: string

Waarde van eigenschap

string

optimizer

Type optimizer. Moet 'sgd', 'adam' of 'adamw' zijn.

optimizer?: string

Waarde van eigenschap

string

randomSeed

Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.

randomSeed?: string

Waarde van eigenschap

string

stepLRGamma

Waarde van gamma wanneer de leerfrequentieplanner 'stap' is. Moet een float in het bereik [0, 1] zijn.

stepLRGamma?: string

Waarde van eigenschap

string

stepLRStepSize

Waarde van stapgrootte wanneer de leerfrequentieplanner 'stap' is. Moet een positief geheel getal zijn.

stepLRStepSize?: string

Waarde van eigenschap

string

trainingBatchSize

Grootte van trainingsbatch. Moet een positief geheel getal zijn.

trainingBatchSize?: string

Waarde van eigenschap

string

validationBatchSize

Grootte van validatiebatch. Moet een positief geheel getal zijn.

validationBatchSize?: string

Waarde van eigenschap

string

warmupCosineLRCycles

Waarde van cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een float in het bereik [0, 1] zijn.

warmupCosineLRCycles?: string

Waarde van eigenschap

string

warmupCosineLRWarmupEpochs

Waarde van opwarmtijdtijdvakken wanneer leerfrequentieplanner 'warmup_cosine' is. Moet een positief geheel getal zijn.

warmupCosineLRWarmupEpochs?: string

Waarde van eigenschap

string

weightDecay

Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een float zijn in het bereik[0, 1].

weightDecay?: string

Waarde van eigenschap

string