ImageModelSettings interface

Pakiet:

@azure/arm-machinelearning

Ustawienia używane do trenowania modelu. Aby uzyskać więcej informacji na temat dostępnych ustawień, odwiedź oficjalną dokumentację: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Właściwości

advancedSettings	Ustawienia dla zaawansowanych scenariuszy.
amsGradient	Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw".
augmentations	Ustawienia dotyczące używania rozszerzeń.
beta1	Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie [0, 1].
beta2	Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie [0, 1].
checkpointFrequency	Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą.
checkpointModel	Wstępnie wytrenowany model punktu kontrolnego na potrzeby trenowania przyrostowego.
checkpointRunId	Identyfikator poprzedniego przebiegu, który ma wstępnie wytrenowany punkt kontrolny na potrzeby trenowania przyrostowego.
distributed	Czy należy używać trenowania rozproszonego.
earlyStopping	Włącz logikę wczesnego zatrzymywania podczas trenowania.
earlyStoppingDelay	Minimalna liczba epok lub ocen poprawności do oczekiwania przed rozpoczęciem śledzenia podstawowej metryki w celu wczesnego zatrzymania. Musi być dodatnią liczbą całkowitą.
earlyStoppingPatience	Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed zatrzymaniu przebiegu. Musi być dodatnią liczbą całkowitą.
enableOnnxNormalization	Włącz normalizację podczas eksportowania modelu ONNX.
evaluationFrequency	Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą.
gradientAccumulationStep	Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez aktualizowania wag modelu podczas gromadzenia gradientów tych kroków, a następnie używania skumulowanych gradientów do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.
layersToFreeze	Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza zamrażanie warstwy 0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegóły dotyczące blokowania warstw, zobacz: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	Początkowa szybkość nauki. Musi być zmiennoprzecinkiem w zakresie [0, 1].
learningRateScheduler	Typ harmonogramu szybkości nauki. Musi mieć wartość "warmup_cosine" lub "krok".
modelName	Nazwa modelu, który ma być używany do trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
momentum	Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkiem w zakresie [0, 1].
nesterov	Włącz nesterov, gdy optymalizator ma wartość "sgd".
numberOfEpochs	Liczba epok treningowych. Musi być dodatnią liczbą całkowitą.
numberOfWorkers	Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą.
optimizer	Typ optymalizatora.
randomSeed	Losowe inicjatory, które mają być używane podczas korzystania z trenowania deterministycznego.
stepLRGamma	Wartość gamma podczas uczenia się harmonogramu szybkości jest "krok". Musi być zmiennoprzecinkiem w zakresie [0, 1].
stepLRStepSize	Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą.
trainingBatchSize	Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą.
validationBatchSize	Rozmiar partii sprawdzania poprawności. Musi być dodatnią liczbą całkowitą.
warmupCosineLRCycles	Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkiem w zakresie [0, 1].
warmupCosineLRWarmupEpochs	Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą.
weightDecay	Wartość rozkładu wagi, gdy optymalizator to "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie[0, 1].

Szczegóły właściwości

advancedSettings

Ustawienia dla zaawansowanych scenariuszy.

advancedSettings?: string

Wartość właściwości

string

amsGradient

Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw".

amsGradient?: boolean

Wartość właściwości

boolean

augmentations

Ustawienia dotyczące używania rozszerzeń.

augmentations?: string

Wartość właściwości

string

beta1

Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie [0, 1].

beta1?: number

Wartość właściwości

number

beta2

Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie [0, 1].

beta2?: number

Wartość właściwości

number

checkpointFrequency

Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą.

checkpointFrequency?: number

Wartość właściwości

number

checkpointModel

Wstępnie wytrenowany model punktu kontrolnego na potrzeby trenowania przyrostowego.

checkpointModel?: MLFlowModelJobInput

Wartość właściwości

MLFlowModelJobInput

checkpointRunId

Identyfikator poprzedniego przebiegu, który ma wstępnie wytrenowany punkt kontrolny na potrzeby trenowania przyrostowego.

checkpointRunId?: string

Wartość właściwości

string

distributed

Czy należy używać trenowania rozproszonego.

distributed?: boolean

Wartość właściwości

boolean

earlyStopping

Włącz logikę wczesnego zatrzymywania podczas trenowania.

earlyStopping?: boolean

Wartość właściwości

boolean

earlyStoppingDelay

Minimalna liczba epok lub ocen poprawności do oczekiwania przed rozpoczęciem śledzenia podstawowej metryki w celu wczesnego zatrzymania. Musi być dodatnią liczbą całkowitą.

earlyStoppingDelay?: number

Wartość właściwości

number

earlyStoppingPatience

Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed zatrzymaniu przebiegu. Musi być dodatnią liczbą całkowitą.

earlyStoppingPatience?: number

Wartość właściwości

number

enableOnnxNormalization

Włącz normalizację podczas eksportowania modelu ONNX.

enableOnnxNormalization?: boolean

Wartość właściwości

boolean

evaluationFrequency

Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą.

evaluationFrequency?: number

Wartość właściwości

number

gradientAccumulationStep

Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez aktualizowania wag modelu podczas gromadzenia gradientów tych kroków, a następnie używania skumulowanych gradientów do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.

gradientAccumulationStep?: number

Wartość właściwości

number

layersToFreeze

Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza zamrażanie warstwy 0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegóły dotyczące blokowania warstw, zobacz: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

layersToFreeze?: number

Wartość właściwości

number

learningRate

Początkowa szybkość nauki. Musi być zmiennoprzecinkiem w zakresie [0, 1].

learningRate?: number

Wartość właściwości

number

learningRateScheduler

Typ harmonogramu szybkości nauki. Musi mieć wartość "warmup_cosine" lub "krok".

learningRateScheduler?: string

Wartość właściwości

string

modelName

Nazwa modelu, który ma być używany do trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

modelName?: string

Wartość właściwości

string

momentum

Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkiem w zakresie [0, 1].

momentum?: number

Wartość właściwości

number

nesterov

Włącz nesterov, gdy optymalizator ma wartość "sgd".

nesterov?: boolean

Wartość właściwości

boolean

numberOfEpochs

Liczba epok treningowych. Musi być dodatnią liczbą całkowitą.

numberOfEpochs?: number

Wartość właściwości

number

numberOfWorkers

Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą.

numberOfWorkers?: number

Wartość właściwości

number

optimizer

Typ optymalizatora.

optimizer?: string

Wartość właściwości

string

randomSeed

Losowe inicjatory, które mają być używane podczas korzystania z trenowania deterministycznego.

randomSeed?: number

Wartość właściwości

number

stepLRGamma

Wartość gamma podczas uczenia się harmonogramu szybkości jest "krok". Musi być zmiennoprzecinkiem w zakresie [0, 1].

stepLRGamma?: number

Wartość właściwości

number

stepLRStepSize

Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą.

stepLRStepSize?: number

Wartość właściwości

number

trainingBatchSize

Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą.

trainingBatchSize?: number

Wartość właściwości

number

validationBatchSize

Rozmiar partii sprawdzania poprawności. Musi być dodatnią liczbą całkowitą.

validationBatchSize?: number

Wartość właściwości

number

warmupCosineLRCycles

Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkiem w zakresie [0, 1].

warmupCosineLRCycles?: number

Wartość właściwości

number

warmupCosineLRWarmupEpochs

Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą.

warmupCosineLRWarmupEpochs?: number

Wartość właściwości

number

weightDecay

Wartość rozkładu wagi, gdy optymalizator to "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie[0, 1].

weightDecay?: number

Wartość właściwości

number