Partager via

ImageModelSettingsClassification Classe

  • Référence

Paramètres de modèle pour les tâches de classification d’images AutoML.

Héritage
azure.ai.ml.entities._job.automl.image.image_model_settings.ImageModelDistributionSettings
ImageModelSettingsClassification

Constructeur

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)

Paramètres

advanced_settings
str
Obligatoire

Paramètres pour les scénarios avancés.

ams_gradient
bool
Obligatoire

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

beta1
float
Obligatoire

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

beta2
float
Obligatoire

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

checkpoint_frequency
int
Obligatoire

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

checkpoint_run_id
str
Obligatoire

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

distributed
bool
Obligatoire

Indique s’il faut utiliser l’entraînement distribué.

early_stopping
bool
Obligatoire

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

early_stopping_delay
int
Obligatoire

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

early_stopping_patience
int
Obligatoire

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.

enable_onnx_normalization
bool
Obligatoire

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

evaluation_frequency
int
Obligatoire

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

gradient_accumulation_step
int
Obligatoire

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 utiliser les dégradés accumulés pour calculer les mises à jour de poids. Cette valeur doit être un entier positif.

layers_to_freeze
int
Obligatoire

Nombre de couches à figer pour le modèle. Cette valeur doit être un entier positif. Par exemple, passer 2 comme valeur pour ' seresnext' signifie figer layer0 et layer1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de la couche, consultez : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

learning_rate
float
Obligatoire

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

learning_rate_scheduler
str ou LearningRateScheduler
Obligatoire

Type de planificateur du taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». Les valeurs possibles sont les suivantes : « None », « WarmupCosine », « Step ».

model_name
str
Obligatoire

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
float
Obligatoire

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

nesterov
bool
Obligatoire

Activez nesterov lorsque l’optimiseur est « sgd ».

number_of_epochs
int
Obligatoire

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

number_of_workers
int
Obligatoire

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

optimizer
str ou StochasticOptimizer
Obligatoire

Type d’optimiseur. Les valeurs possibles sont les suivantes : « None », « Sgd », « Adam », « Adamw ».

random_seed
int
Obligatoire

Valeur de départ aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe.

step_lr_gamma
float
Obligatoire

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

step_lr_step_size
int
Obligatoire

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

training_batch_size
int
Obligatoire

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

validation_batch_size
int
Obligatoire

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

warmup_cosine_lr_cycles
float
Obligatoire

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

warmup_cosine_lr_warmup_epochs
int
Obligatoire

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

weight_decay
float
Obligatoire

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

training_crop_size
int
Obligatoire

Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données d’entraînement. Cette valeur doit être un entier positif.

validation_crop_size
int
Obligatoire

Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Cette valeur doit être un entier positif.

validation_resize_size
int
Obligatoire

Taille d’image à laquelle redimensionner avant le rognage du jeu de données de validation. Cette valeur doit être un entier positif.

weighted_loss
int
Obligatoire

Perte pondérée. Les valeurs acceptées sont 0 pour aucune perte pondérée. 1 pour la perte de poids avec sqrt. (class_weights). 2 pour une perte de poids avec class_weights. Doit être 0 ou 1 ou 2.