Delen via

ImageModelSettings interface

Pakket:
@azure/arm-machinelearning

Instellingen die worden gebruikt voor het trainen van het model. Ga voor meer informatie over de beschikbare instellingen naar de officiële documentatie: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Eigenschappen

advancedSettings

Instellingen voor geavanceerde scenario's.
amsGradient

Schakel AMSGrad in wanneer optimizer 'adam' of 'adamw' is.
augmentations

Instellingen voor het gebruik van augmentations.
beta1

De waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.
beta2

De waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.
checkpointFrequency

Frequentie voor het opslaan van modelcontrolepunten. Moet een positief geheel getal zijn.
checkpointModel

Het vooraf getrainde controlepuntmodel voor incrementele training.
checkpointRunId

De id van een vorige uitvoering met een vooraf getraind controlepunt voor incrementele training.
distributed

Of u gedistribueerde training wilt gebruiken.
earlyStopping

Schakel vroege stoplogica in tijdens de training.
earlyStoppingDelay

Het minimum aantal epochs of validatie-evaluaties dat moet worden gewacht voordat primaire metrische gegevens worden verbeterd voor vroegtijdige stop. Moet een positief geheel getal zijn.
earlyStoppingPatience

Minimaal aantal tijdvakken of validatie-evaluaties zonder primaire metrische verbetering voordat de uitvoering wordt gestopt. Moet een positief geheel getal zijn.
enableOnnxNormalization

Normalisatie inschakelen bij het exporteren van een ONNX-model.
evaluationFrequency

Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.
gradientAccumulationStep

Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal 'GradAccumulationStep'-stappen zonder de modelgewichten bij te werken tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens de verzamelde kleurovergangen te gebruiken om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.
layersToFreeze

Aantal lagen dat moet worden geblokkeerd voor het model. Moet een positief geheel getal zijn. Het doorgeven van 2 als waarde voor 'seresnext' betekent bijvoorbeeld vrieslaag0 en laag1. Zie voor een volledige lijst met modellen die worden ondersteund en details over laagblokkering: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate

Eerste leersnelheid. Moet een float in het bereik [0, 1] zijn.
learningRateScheduler

Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.
modelName

De naam van het model dat moet worden gebruikt voor training. Voor meer informatie over de beschikbare modellen raadpleegt u de officiële documentatie: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
momentum

Waarde van momentum wanneer optimizer 'sgd' is. Moet een float in het bereik [0, 1] zijn.
nesterov

Schakel nesterov in wanneer optimizer 'sgd' is.
numberOfEpochs

Aantal trainingstijdvakken. Moet een positief geheel getal zijn.
numberOfWorkers

Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.
optimizer

Type optimizer.
randomSeed

Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.
stepLRGamma

Waarde van gamma wanneer de leerfrequentieplanner 'stap' is. Moet een float in het bereik [0, 1] zijn.
stepLRStepSize

Waarde van stapgrootte wanneer de leerfrequentieplanner 'stap' is. Moet een positief geheel getal zijn.
trainingBatchSize

Grootte van trainingsbatch. Moet een positief geheel getal zijn.
validationBatchSize

Grootte van validatiebatch. Moet een positief geheel getal zijn.
warmupCosineLRCycles

Waarde van cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een float in het bereik [0, 1] zijn.
warmupCosineLRWarmupEpochs

Waarde van opwarmtijdtijdvakken wanneer leerfrequentieplanner 'warmup_cosine' is. Moet een positief geheel getal zijn.
weightDecay

Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een float zijn in het bereik[0, 1].

Eigenschapdetails

advancedSettings

Instellingen voor geavanceerde scenario's.

advancedSettings?: string

Waarde van eigenschap

string

amsGradient

Schakel AMSGrad in wanneer optimizer 'adam' of 'adamw' is.

amsGradient?: boolean

Waarde van eigenschap

boolean

augmentations

Instellingen voor het gebruik van augmentations.

augmentations?: string

Waarde van eigenschap

string

beta1

De waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.

beta1?: number

Waarde van eigenschap

number

beta2

De waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.

beta2?: number

Waarde van eigenschap

number

checkpointFrequency

Frequentie voor het opslaan van modelcontrolepunten. Moet een positief geheel getal zijn.

checkpointFrequency?: number

Waarde van eigenschap

number

checkpointModel

Het vooraf getrainde controlepuntmodel voor incrementele training.

checkpointModel?: MLFlowModelJobInput

Waarde van eigenschap

MLFlowModelJobInput

checkpointRunId

De id van een vorige uitvoering met een vooraf getraind controlepunt voor incrementele training.

checkpointRunId?: string

Waarde van eigenschap

string

distributed

Of u gedistribueerde training wilt gebruiken.

distributed?: boolean

Waarde van eigenschap

boolean

earlyStopping

Schakel vroege stoplogica in tijdens de training.

earlyStopping?: boolean

Waarde van eigenschap

boolean

earlyStoppingDelay

Het minimum aantal epochs of validatie-evaluaties dat moet worden gewacht voordat primaire metrische gegevens worden verbeterd voor vroegtijdige stop. Moet een positief geheel getal zijn.

earlyStoppingDelay?: number

Waarde van eigenschap

number

earlyStoppingPatience

Minimaal aantal tijdvakken of validatie-evaluaties zonder primaire metrische verbetering voordat de uitvoering wordt gestopt. Moet een positief geheel getal zijn.

earlyStoppingPatience?: number

Waarde van eigenschap

number

enableOnnxNormalization

Normalisatie inschakelen bij het exporteren van een ONNX-model.

enableOnnxNormalization?: boolean

Waarde van eigenschap

boolean

evaluationFrequency

Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.

evaluationFrequency?: number

Waarde van eigenschap

number

gradientAccumulationStep

Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal 'GradAccumulationStep'-stappen zonder de modelgewichten bij te werken tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens de verzamelde kleurovergangen te gebruiken om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.

gradientAccumulationStep?: number

Waarde van eigenschap

number

layersToFreeze

Aantal lagen dat moet worden geblokkeerd voor het model. Moet een positief geheel getal zijn. Het doorgeven van 2 als waarde voor 'seresnext' betekent bijvoorbeeld vrieslaag0 en laag1. Zie voor een volledige lijst met modellen die worden ondersteund en details over laagblokkering: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

layersToFreeze?: number

Waarde van eigenschap

number

learningRate

Eerste leersnelheid. Moet een float in het bereik [0, 1] zijn.

learningRate?: number

Waarde van eigenschap

number

learningRateScheduler

Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.

learningRateScheduler?: string

Waarde van eigenschap

string

modelName

De naam van het model dat moet worden gebruikt voor training. Voor meer informatie over de beschikbare modellen raadpleegt u de officiële documentatie: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

modelName?: string

Waarde van eigenschap

string

momentum

Waarde van momentum wanneer optimizer 'sgd' is. Moet een float in het bereik [0, 1] zijn.

momentum?: number

Waarde van eigenschap

number

nesterov

Schakel nesterov in wanneer optimizer 'sgd' is.

nesterov?: boolean

Waarde van eigenschap

boolean

numberOfEpochs

Aantal trainingstijdvakken. Moet een positief geheel getal zijn.

numberOfEpochs?: number

Waarde van eigenschap

number

numberOfWorkers

Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.

numberOfWorkers?: number

Waarde van eigenschap

number

optimizer

Type optimizer.

optimizer?: string

Waarde van eigenschap

string

randomSeed

Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.

randomSeed?: number

Waarde van eigenschap

number

stepLRGamma

Waarde van gamma wanneer de leerfrequentieplanner 'stap' is. Moet een float in het bereik [0, 1] zijn.

stepLRGamma?: number

Waarde van eigenschap

number

stepLRStepSize

Waarde van stapgrootte wanneer de leerfrequentieplanner 'stap' is. Moet een positief geheel getal zijn.

stepLRStepSize?: number

Waarde van eigenschap

number

trainingBatchSize

Grootte van trainingsbatch. Moet een positief geheel getal zijn.

trainingBatchSize?: number

Waarde van eigenschap

number

validationBatchSize

Grootte van validatiebatch. Moet een positief geheel getal zijn.

validationBatchSize?: number

Waarde van eigenschap

number

warmupCosineLRCycles

Waarde van cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een float in het bereik [0, 1] zijn.

warmupCosineLRCycles?: number

Waarde van eigenschap

number

warmupCosineLRWarmupEpochs

Waarde van opwarmtijdtijdvakken wanneer leerfrequentieplanner 'warmup_cosine' is. Moet een positief geheel getal zijn.

warmupCosineLRWarmupEpochs?: number

Waarde van eigenschap

number

weightDecay

Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een float zijn in het bereik[0, 1].

weightDecay?: number

Waarde van eigenschap

number