Partager via

ImageModelSettings interface

  • Référence
Paquet:
@azure/arm-machinelearning

Paramètres utilisés pour l’entraînement du modèle. Pour plus d’informations sur les paramètres disponibles, consultez la documentation officielle : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Propriétés

advancedSettings

Paramètres pour les scénarios avancés.
amsGradient

Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ».
augmentations

Paramètres d’utilisation des augmentations.
beta1

Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1].
beta2

Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1].
checkpointFrequency

Fréquence de stockage des points de contrôle du modèle. Cette valeur doit être un entier positif.
checkpointModel

Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel.
checkpointRunId

ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel.
distributed

Indique s’il faut utiliser l’entraînement distribué.
earlyStopping

Permet d’avoir une logique d’arrêt anticipé au cours de l’entraînement.
earlyStoppingDelay

Nombre minimal d’époques ou d’évaluations de validation à attendre avant que l’amélioration des métriques primaires soit suivie d’un arrêt précoce. Cette valeur doit être un entier positif.
earlyStoppingPatience

Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’arrêt de l’exécution. Cette valeur doit être un entier positif.
enableOnnxNormalization

Activez la normalisation lors de l’exportation du modèle ONNX.
evaluationFrequency

Fréquence d’évaluation du jeu de données de validation pour obtenir les scores de métrique. Cette valeur doit être un entier positif.
gradientAccumulationStep

L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mettre à jour les pondérations du modèle tout en accumulant les dégradés de ces étapes, puis en utilisant les dégradés accumulés pour calculer les mises à jour de pondération. Cette valeur doit être un entier positif.
layersToFreeze

Nombre de couches à figer pour le modèle. Cette valeur doit être un entier positif. Par exemple, passer 2 comme valeur pour « seresnext » signifie geler les couches 0 et 1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel des couches, consultez : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate

Taux d’apprentissage initial. Doit être un nombre à virgule flottante dans la plage [0, 1].
learningRateScheduler

Type de planificateur du taux d’apprentissage. Doit être « warmup_cosine » ou « step ».
modelName

Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
momentum

Valeur de l’impulsion lorsque l’optimiseur est « sgd ». Doit être un nombre à virgule flottante dans la plage [0, 1].
nesterov

Activez nesterov lorsque l’optimiseur est « sgd ».
numberOfEpochs

Nombre d’époques d’entraînement. Cette valeur doit être un entier positif.
numberOfWorkers

Nombre de workers du chargeur de données. Doit être un entier non négatif.
optimizer

Type d’optimiseur.
randomSeed

Graines aléatoires à utiliser lors de l’utilisation de l’entraînement déterministe.
stepLRGamma

Valeur gamma lorsque le planificateur de taux d’apprentissage est « step ». Doit être un nombre à virgule flottante dans la plage [0, 1].
stepLRStepSize

Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « step ». Cette valeur doit être un entier positif.
trainingBatchSize

Taille du lot d’entraînement. Cette valeur doit être un entier positif.
validationBatchSize

Taille du lot de validation. Cette valeur doit être un entier positif.
warmupCosineLRCycles

Valeur du cycle cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un nombre à virgule flottante dans la plage [0, 1].
warmupCosineLRWarmupEpochs

Valeur des époques d’échauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Cette valeur doit être un entier positif.
weightDecay

Valeur de la décroissance de poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1].

Détails de la propriété

advancedSettings

Paramètres pour les scénarios avancés.

advancedSettings?: string

Valeur de propriété

string

amsGradient

Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ».

amsGradient?: boolean

Valeur de propriété

boolean

augmentations

Paramètres d’utilisation des augmentations.

augmentations?: string

Valeur de propriété

string

beta1

Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1].

beta1?: number

Valeur de propriété

number

beta2

Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1].

beta2?: number

Valeur de propriété

number

checkpointFrequency

Fréquence de stockage des points de contrôle du modèle. Cette valeur doit être un entier positif.

checkpointFrequency?: number

Valeur de propriété

number

checkpointModel

Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel.

checkpointModel?: MLFlowModelJobInput

Valeur de propriété

MLFlowModelJobInput

checkpointRunId

ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel.

checkpointRunId?: string

Valeur de propriété

string

distributed

Indique s’il faut utiliser l’entraînement distribué.

distributed?: boolean

Valeur de propriété

boolean

earlyStopping

Permet d’avoir une logique d’arrêt anticipé au cours de l’entraînement.

earlyStopping?: boolean

Valeur de propriété

boolean

earlyStoppingDelay

Nombre minimal d’époques ou d’évaluations de validation à attendre avant que l’amélioration des métriques primaires soit suivie d’un arrêt précoce. Cette valeur doit être un entier positif.

earlyStoppingDelay?: number

Valeur de propriété

number

earlyStoppingPatience

Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’arrêt de l’exécution. Cette valeur doit être un entier positif.

earlyStoppingPatience?: number

Valeur de propriété

number

enableOnnxNormalization

Activez la normalisation lors de l’exportation du modèle ONNX.

enableOnnxNormalization?: boolean

Valeur de propriété

boolean

evaluationFrequency

Fréquence d’évaluation du jeu de données de validation pour obtenir les scores de métrique. Cette valeur doit être un entier positif.

evaluationFrequency?: number

Valeur de propriété

number

gradientAccumulationStep

L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mettre à jour les pondérations du modèle tout en accumulant les dégradés de ces étapes, puis en utilisant les dégradés accumulés pour calculer les mises à jour de pondération. Cette valeur doit être un entier positif.

gradientAccumulationStep?: number

Valeur de propriété

number

layersToFreeze

Nombre de couches à figer pour le modèle. Cette valeur doit être un entier positif. Par exemple, passer 2 comme valeur pour « seresnext » signifie geler les couches 0 et 1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel des couches, consultez : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

layersToFreeze?: number

Valeur de propriété

number

learningRate

Taux d’apprentissage initial. Doit être un nombre à virgule flottante dans la plage [0, 1].

learningRate?: number

Valeur de propriété

number

learningRateScheduler

Type de planificateur du taux d’apprentissage. Doit être « warmup_cosine » ou « step ».

learningRateScheduler?: string

Valeur de propriété

string

modelName

Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

modelName?: string

Valeur de propriété

string

momentum

Valeur de l’impulsion lorsque l’optimiseur est « sgd ». Doit être un nombre à virgule flottante dans la plage [0, 1].

momentum?: number

Valeur de propriété

number

nesterov

Activez nesterov lorsque l’optimiseur est « sgd ».

nesterov?: boolean

Valeur de propriété

boolean

numberOfEpochs

Nombre d’époques d’entraînement. Cette valeur doit être un entier positif.

numberOfEpochs?: number

Valeur de propriété

number

numberOfWorkers

Nombre de workers du chargeur de données. Doit être un entier non négatif.

numberOfWorkers?: number

Valeur de propriété

number

optimizer

Type d’optimiseur.

optimizer?: string

Valeur de propriété

string

randomSeed

Graines aléatoires à utiliser lors de l’utilisation de l’entraînement déterministe.

randomSeed?: number

Valeur de propriété

number

stepLRGamma

Valeur gamma lorsque le planificateur de taux d’apprentissage est « step ». Doit être un nombre à virgule flottante dans la plage [0, 1].

stepLRGamma?: number

Valeur de propriété

number

stepLRStepSize

Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « step ». Cette valeur doit être un entier positif.

stepLRStepSize?: number

Valeur de propriété

number

trainingBatchSize

Taille du lot d’entraînement. Cette valeur doit être un entier positif.

trainingBatchSize?: number

Valeur de propriété

number

validationBatchSize

Taille du lot de validation. Cette valeur doit être un entier positif.

validationBatchSize?: number

Valeur de propriété

number

warmupCosineLRCycles

Valeur du cycle cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un nombre à virgule flottante dans la plage [0, 1].

warmupCosineLRCycles?: number

Valeur de propriété

number

warmupCosineLRWarmupEpochs

Valeur des époques d’échauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Cette valeur doit être un entier positif.

warmupCosineLRWarmupEpochs?: number

Valeur de propriété

number

weightDecay

Valeur de la décroissance de poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1].

weightDecay?: number

Valeur de propriété

number