ImageModelSettings interface

Paquete:

@azure/arm-machinelearning

Configuración usada para entrenar el modelo. Para obtener más información sobre la configuración disponible, visite la documentación oficial: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Propiedades

advancedSettings	Configuración de escenarios avanzados.
amsGradient	Habilite AMSGrad cuando el optimizador sea "adam" o "adamw".
augmentations	Configuración para usar aumentos.
beta1	Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un valor float en el intervalo [0, 1].
beta2	Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un valor float en el intervalo [0, 1].
checkpointFrequency	Frecuencia para almacenar puntos de control del modelo. Debe ser un entero positivo.
checkpointModel	Modelo de punto de comprobación entrenado previamente para el entrenamiento incremental.
checkpointRunId	Identificador de una ejecución anterior que tiene un punto de control entrenado previamente para el entrenamiento incremental.
distributed	Si se va a usar el entrenamiento distribuido.
earlyStopping	Habilite la lógica de detención temprana durante el entrenamiento.
earlyStoppingDelay	Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de que se realice un seguimiento de la mejora de la métrica principal para la detención temprana. Debe ser un entero positivo.
earlyStoppingPatience	Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes de que se detenga la ejecución. Debe ser un entero positivo.
enableOnnxNormalization	Habilite la normalización al exportar el modelo ONNX.
evaluationFrequency	Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo.
gradientAccumulationStep	La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo.
layersToFreeze	Número de capas que se van a inmovilizar para el modelo. Debe ser un entero positivo. Por ejemplo, pasar 2 como valor para "seresnext" significa la capa de congelación 0 y la capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, consulte: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	Velocidad de aprendizaje inicial. Debe ser un valor float en el intervalo [0, 1].
learningRateScheduler	Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso".
modelName	Nombre del modelo que se va a usar para el entrenamiento. Para obtener más información sobre los modelos disponibles, visite la documentación oficial: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
momentum	Valor de impulso cuando el optimizador es "sgd". Debe ser un valor float en el intervalo [0, 1].
nesterov	Habilite nesterov cuando el optimizador sea "sgd".
numberOfEpochs	Número de épocas de entrenamiento. Debe ser un entero positivo.
numberOfWorkers	Número de trabajos del cargador de datos. Debe ser un entero no negativo.
optimizer	Tipo de optimizador.
randomSeed	Inicialización aleatoria que se usará al usar el entrenamiento determinista.
stepLRGamma	Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un valor float en el intervalo [0, 1].
stepLRStepSize	Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo.
trainingBatchSize	Tamaño del lote de entrenamiento. Debe ser un entero positivo.
validationBatchSize	Tamaño del lote de validación. Debe ser un entero positivo.
warmupCosineLRCycles	Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un valor float en el intervalo [0, 1].
warmupCosineLRWarmupEpochs	Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo.
weightDecay	Valor de descomposición de peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un float en el intervalo[0, 1].

Detalles de las propiedades

advancedSettings

Configuración de escenarios avanzados.

advancedSettings?: string

Valor de propiedad

string

amsGradient

Habilite AMSGrad cuando el optimizador sea "adam" o "adamw".

amsGradient?: boolean

Valor de propiedad

boolean

augmentations

Configuración para usar aumentos.

augmentations?: string

Valor de propiedad

string

beta1

Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un valor float en el intervalo [0, 1].

beta1?: number

Valor de propiedad

number

beta2

Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un valor float en el intervalo [0, 1].

beta2?: number

Valor de propiedad

number

checkpointFrequency

Frecuencia para almacenar puntos de control del modelo. Debe ser un entero positivo.

checkpointFrequency?: number

Valor de propiedad

number

checkpointModel

Modelo de punto de comprobación entrenado previamente para el entrenamiento incremental.

checkpointModel?: MLFlowModelJobInput

Valor de propiedad

MLFlowModelJobInput

checkpointRunId

Identificador de una ejecución anterior que tiene un punto de control entrenado previamente para el entrenamiento incremental.

checkpointRunId?: string

Valor de propiedad

string

distributed

Si se va a usar el entrenamiento distribuido.

distributed?: boolean

Valor de propiedad

boolean

earlyStopping

Habilite la lógica de detención temprana durante el entrenamiento.

earlyStopping?: boolean

Valor de propiedad

boolean

earlyStoppingDelay

Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de que se realice un seguimiento de la mejora de la métrica principal para la detención temprana. Debe ser un entero positivo.

earlyStoppingDelay?: number

Valor de propiedad

number

earlyStoppingPatience

Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes de que se detenga la ejecución. Debe ser un entero positivo.

earlyStoppingPatience?: number

Valor de propiedad

number

enableOnnxNormalization

Habilite la normalización al exportar el modelo ONNX.

enableOnnxNormalization?: boolean

Valor de propiedad

boolean

evaluationFrequency

Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo.

evaluationFrequency?: number

Valor de propiedad

number

gradientAccumulationStep

La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo.

gradientAccumulationStep?: number

Valor de propiedad

number

layersToFreeze

Número de capas que se van a inmovilizar para el modelo. Debe ser un entero positivo. Por ejemplo, pasar 2 como valor para "seresnext" significa la capa de congelación 0 y la capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, consulte: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

layersToFreeze?: number

Valor de propiedad

number

learningRate

Velocidad de aprendizaje inicial. Debe ser un valor float en el intervalo [0, 1].

learningRate?: number

Valor de propiedad

number

learningRateScheduler

Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso".

learningRateScheduler?: string

Valor de propiedad

string

modelName

Nombre del modelo que se va a usar para el entrenamiento. Para obtener más información sobre los modelos disponibles, visite la documentación oficial: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

modelName?: string

Valor de propiedad

string

momentum

Valor de impulso cuando el optimizador es "sgd". Debe ser un valor float en el intervalo [0, 1].

momentum?: number

Valor de propiedad

number

nesterov

Habilite nesterov cuando el optimizador sea "sgd".

nesterov?: boolean

Valor de propiedad

boolean

numberOfEpochs

Número de épocas de entrenamiento. Debe ser un entero positivo.

numberOfEpochs?: number

Valor de propiedad

number

numberOfWorkers

Número de trabajos del cargador de datos. Debe ser un entero no negativo.

numberOfWorkers?: number

Valor de propiedad

number

optimizer

Tipo de optimizador.

optimizer?: string

Valor de propiedad

string

randomSeed

Inicialización aleatoria que se usará al usar el entrenamiento determinista.

randomSeed?: number

Valor de propiedad

number

stepLRGamma

Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un valor float en el intervalo [0, 1].

stepLRGamma?: number

Valor de propiedad

number

stepLRStepSize

Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo.

stepLRStepSize?: number

Valor de propiedad

number

trainingBatchSize

Tamaño del lote de entrenamiento. Debe ser un entero positivo.

trainingBatchSize?: number

Valor de propiedad

number

validationBatchSize

Tamaño del lote de validación. Debe ser un entero positivo.

validationBatchSize?: number

Valor de propiedad

number

warmupCosineLRCycles

Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un valor float en el intervalo [0, 1].

warmupCosineLRCycles?: number

Valor de propiedad

number

warmupCosineLRWarmupEpochs

Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo.

warmupCosineLRWarmupEpochs?: number

Valor de propiedad

number

weightDecay

Valor de descomposición de peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un float en el intervalo[0, 1].

weightDecay?: number

Valor de propiedad

number