ImageModelSettingsClassification Classe
Definições de modelo para tarefas de Classificação de Imagens de AutoML.
- Herança
-
azure.ai.ml.entities._job.automl.image.image_model_settings.ImageModelDistributionSettingsImageModelSettingsClassification
Construtor
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)
Parâmetros
- beta1
- float
Valor de "beta1" quando o otimizador é "adão" ou "adamw". Tem de ser um flutuante no intervalo [0, 1].
- beta2
- float
Valor de "beta2" quando o otimizador é "adão" ou "adamw". Tem de ser um flutuante no intervalo [0, 1].
- checkpoint_frequency
- int
Frequência para armazenar pontos de verificação de modelos. Tem de ser um número inteiro positivo.
- checkpoint_run_id
- str
O ID de uma execução anterior que tem um ponto de verificação pré-preparado para preparação incremental.
- early_stopping_delay
- int
Número mínimo de épocas ou avaliações de validação a aguardar antes de a melhoria das métricas primárias ser controlada para paragem antecipada. Tem de ser um número inteiro positivo.
- early_stopping_patience
- int
Número mínimo de épocas ou avaliações de validação sem melhoria de métricas primárias antes de a execução ser parada. Tem de ser um número inteiro positivo.
- evaluation_frequency
- int
Frequência para avaliar o conjunto de dados de validação para obter classificações de métricas. Tem de ser um número inteiro positivo.
- gradient_accumulation_step
- int
A acumulação de gradação significa executar um número configurado de passos "GradAccumulationStep" sem atualizar os pesos do modelo enquanto acumula as gradações desses passos e, em seguida, utilizar os gradações acumuladas para calcular as atualizações de peso. Tem de ser um número inteiro positivo.
- layers_to_freeze
- int
Número de camadas a fixar para o modelo. Tem de ser um número inteiro positivo. Por exemplo, transmitir 2 como valor para "seresnext" significa congelar camada0 e camada1. Para obter uma lista completa dos modelos suportados e detalhes sobre o congelamento de camadas, consulte: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
- learning_rate
- float
Taxa de aprendizagem inicial. Tem de ser um flutuante no intervalo [0, 1].
- learning_rate_scheduler
- str ou LearningRateScheduler
Tipo de agendador de taxa de aprendizagem. Tem de ser "warmup_cosine" ou "passo". Os valores possíveis incluem: "None", "WarmupCosine", "Step".
- model_name
- str
Nome do modelo a utilizar para preparação. Para obter mais informações sobre os modelos disponíveis, visite a documentação oficial: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
- momentum
- float
Valor de impulso quando o otimizador é 'sgd'. Tem de ser um flutuante no intervalo [0, 1].
- number_of_epochs
- int
Número de épocas de preparação. Tem de ser um número inteiro positivo.
- number_of_workers
- int
Número de trabalhadores do carregador de dados. Tem de ser um número inteiro não negativo.
- optimizer
- str ou StochasticOptimizer
Tipo de otimizador. Os valores possíveis incluem: "None", "Sgd", "Adam", "Adamw".
- step_lr_gamma
- float
Valor da gama quando o programador de taxa de aprendizagem é "passo". Tem de ser um flutuante no intervalo [0, 1].
- step_lr_step_size
- int
Valor do tamanho do passo quando o agendador da taxa de aprendizagem é "passo". Tem de ser um número inteiro positivo.
- training_batch_size
- int
Tamanho do lote de preparação. Tem de ser um número inteiro positivo.
- validation_batch_size
- int
Tamanho do lote de validação. Tem de ser um número inteiro positivo.
- warmup_cosine_lr_cycles
- float
Valor do ciclo de cosseno quando o agendador da taxa de aprendizagem é "warmup_cosine". Tem de ser um flutuante no intervalo [0, 1].
- warmup_cosine_lr_warmup_epochs
- int
Valor das épocas de aquecimento quando o agendador de taxa de aprendizagem é "warmup_cosine". Tem de ser um número inteiro positivo.
- weight_decay
- float
Valor da decadência do peso quando o otimizador é 'sgd', 'adão' ou 'adamw'. Tem de ser um flutuante no intervalo[0, 1].
- training_crop_size
- int
Tamanho do recorte de imagem que é introduzido na rede neural para o conjunto de dados de preparação. Tem de ser um número inteiro positivo.
- validation_crop_size
- int
Tamanho do recorte de imagem que é introduzido na rede neural para o conjunto de dados de validação. Tem de ser um número inteiro positivo.
- validation_resize_size
- int
Tamanho da imagem para o qual redimensionar antes de recortar para o conjunto de dados de validação. Tem de ser um número inteiro positivo.
- weighted_loss
- int
Perda ponderada. Os valores aceites são 0 para nenhuma perda ponderada. 1 para perda ponderada com sqrt. (class_weights). 2 para perda ponderada com class_weights. Tem de ser 0, 1 ou 2.
Azure SDK for Python
Comentários
https://aka.ms/ContentUserFeedback.
Brevemente: Ao longo de 2024, vamos descontinuar progressivamente o GitHub Issues como mecanismo de feedback para conteúdos e substituí-lo por um novo sistema de feedback. Para obter mais informações, veja:Submeter e ver comentários