Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés. # Hiperparámetros de clasificación de imágenes Los hiperparámetros son parámetros que se establecen antes de que un modelo de machine learning comience a aprender. El algoritmo de clasificación de imágenes integrado de Amazon SageMaker AI admite los siguientes hiperparámetros. Consulte [Ajuste de un modelo de clasificación de imágenes](IC-tuning.md) para obtener información sobre el ajuste de hiperparámetros de clasificación de imágenes. | Nombre del parámetro | Description (Descripción) | | --- | --- | | num\$1classes | Número de clases de salida. Este parámetro define las dimensiones de la salida de red y normalmente se establece en el número de clases en el conjunto de datos. Además de la clasificación multiclase, también se admite la clasificación multietiqueta. Consulte [Interfaz de entrada/salida para el algoritmo de clasificación de imágenes](image-classification.md#IC-inputoutput) para obtener detallse sobre cómo trabajar con la clasificación multietiqueta con archivos de manifiesto aumentados. **Obligatorio** Valores válidos: número entero positivo | | num\$1training\$1samples | Número de ejemplos de capacitación en el conjunto de datos de entrada. Si se produce una falta de coincidencia entre este valor y el número de muestras en el conjunto de capacitación, el comportamiento del parámetro `lr_scheduler_step` no se define y la precisión de la capacitación distribuida puede verse afectada. **Obligatorio** Valores válidos: número entero positivo | | augmentation\$1type | Tipo de aumento de datos. Las imágenes de entrada pueden aumentarse de distintas formas, como se especifica a continuación. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/IC-Hyperparameter.html) **Opcional** Valores válidos: `crop`, `crop_color` o `crop_color_transform`. Valor predeterminado: no tiene | | beta\$11 | beta1 para `adam`, es decir, la tasa de decremento exponencial para las estimaciones del primer momento. **Opcional** Valores válidos: número flotante Rango en [0, 1]. Valor predeterminado: 0,9 | | beta\$12 | beta2 para `adam`, es decir, la tasa de decremento exponencial para las estimaciones del segundo momento. **Opcional** Valores válidos: número flotante Rango en [0, 1]. Valor predeterminado: 0.999 | | checkpoint\$1frequency | Periodo para almacenar los parámetros de modelo (en número de fechas de inicio). Tenga en cuenta que todos los archivos de punto de control se guardan como parte del archivo de modelo final "model.tar.gz" y se cargan en S3 en la ubicación especificada del modelo. Esto aumenta el tamaño del archivo de modelo proporcionalmente al número de puntos de control guardados durante el entrenamiento. **Opcional** Valores válidos: número entero positivo no superior a `epochs` Valor predeterminado: ningún valor predeterminado (guarde el punto de comprobación en la época con la mejor precisión de validación) | | early\$1stopping | `True` para utilizar lógica de detención temprana durante la capacitación. `False` para no utilizarla. **Opcional** Valores válidos: `True` o `False` Valor predeterminado: `False` | | early\$1stopping\$1min\$1epochs | El número mínimo de fechas de inicio que deben ejecutarse antes de que pueda invocarse la lógica de detención temprana. Se utiliza solo cuando `early_stopping` = `True`. **Opcional** Valores válidos: número entero positivo Valor predeterminado: 10 | | early\$1stopping\$1patience | El número de fechas de inicio que esperar antes de finalizar la capacitación si no se realiza ninguna mejora en la métrica relevante. Se utiliza solo cuando `early_stopping` = `True`. **Opcional** Valores válidos: número entero positivo Valor predeterminado: 5 | | early\$1stopping\$1tolerance | Tolerancia relativa para medir una mejora en la métrica de validación de precisión. Si la proporción de la mejora en la precisión dividida por la mejor precisión anterior es inferior al conjunto de valores `early_stopping_tolerance`, la detención temprana considera que no se produce mejora. Se utiliza solo cuando `early_stopping` = `True`. **Opcional** Valores válidos: 0 ≤ número flotante ≤ 1 Valor predeterminado: 0,0 | | epochs | Número de fechas de inicio de capacitación. **Opcional** Valores válidos: número entero positivo Valor predeterminado: 30 | | eps | El valor épsilon para `adam` y `rmsprop`. Se suele establecer en un valor pequeño para evitar la división por 0. **Opcional** Valores válidos: número flotante Rango en [0, 1]. Valor predeterminado: 1e-8 | | gamma | El valor gamma para `rmsprop`, el factor de degradación para el promedio de movimiento del gradiente cuadrado. **Opcional** Valores válidos: número flotante Rango en [0, 1]. Valor predeterminado: 0,9 | | image\$1shape | Las dimensiones de imagen de entrada, que tienen el mismo tamaño que la capa de entrada de la red. El formato se define como '`num_channels`, alto, ancho'. La dimensión de imagen puede tomar cualquier valor, puesto que la red puede administrar distintas dimensiones de la entrada. Sin embargo, existen limitaciones de memoria si se utiliza una dimensión de imagen mayor. Los modelos prentrenados solo pueden usar un tamaño fijo de imagen (224 x 224). Las dimensiones de imagen típicas para la clasificación de imágenes son “3, 224, 224”. Esto es similar al conjunto de datos. ImageNet Se produce un error en el entrenamiento si alguna imagen de entrada es más pequeña que este parámetro en cualquier dimensión. Si una imagen es más grande, se recorta una parte de la imagen y el área recortada se especifica en este parámetro. Si se establece el hiperparámetro `augmentation_type`, se hace un recorte aleatorio; de lo contrario, se hace un recorte central. En la inferencia, las imágenes de entrada se redimensionan para ajustarlas a la `image_shape` que se utilizó durante el entrenamiento. La relación de aspecto no se conserva y las imágenes no se recortan. **Opcional** Valores válidos: cadena Valor predeterminado: “3, 224, 224” | | kv\$1store | Modo de sincronización de las actualizaciones de ponderación durante la capacitación distribuida. Las actualizaciones de ponderación pueden actualizarse de forma sincrónica o asincrónica en las máquinas. Las actualizaciones sincrónicas suelen proporcionar una mejor precisión que las asincrónicas, pero pueden ser más lentas. Consulte la capacitación distribuida en MXNet para obtener más detalles. Este parámetro no es aplicable a la capacitación de una máquina. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/IC-Hyperparameter.html) **Opcional** Valores válidos: `dist_sync` o `dist_async` Valor predeterminado: no tiene | | learning\$1rate | Tasa de aprendizaje inicial. **Opcional** Valores válidos: número flotante Rango en [0, 1]. Valor predeterminado: 0.1 | | lr\$1scheduler\$1factor | La proporción para reducir la tasa de aprendizaje utilizada junto con el parámetro `lr_scheduler_step`, que se define como `lr_new` = `lr_old` \$1 `lr_scheduler_factor`. **Opcional** Valores válidos: número flotante Rango en [0, 1]. Valor predeterminado: 0.1 | | lr\$1scheduler\$1step | Las fechas de inicio en las que reducir la tasa de aprendizaje. Tal y como se explica en el parámetro `lr_scheduler_factor`, `lr_scheduler_factor` reduce la tasa de aprendizaje en estas fechas de inicio. Por ejemplo, si el valor se establece en "10, 20", `lr_scheduler_factor` reduce la tasa de aprendizaje después de la décima fecha de inicio y `lr_scheduler_factor` de nuevo después de la vigésima fecha de inicio. Las fechas de inicio se delimitan mediante ",". **Opcional** Valores válidos: cadena Valor predeterminado: no tiene | | mini\$1batch\$1size | El tamaño del lote para la capacitación. En una configuración de varias GPU de una máquina, cada GPU administra muestras de capacitación `mini_batch_size`/num\$1gpu. Para la capacitación de varias máquinas en el modo dist\$1sync, el tamaño de lote real es `mini_batch_size`\$1número de máquinas. Consulte los MXNet documentos para obtener más información. **Opcional** Valores válidos: número entero positivo Valor predeterminado: 32 | | momentum | El impulso de `sgd` y `nag`, pasado por alto para otros optimizadores. **Opcional** Valores válidos: número flotante Rango en [0, 1]. Valor predeterminado: 0,9 | | multi\$1label | Marca que se debe utilizar para la clasificación de múltiples etiquetas donde es posible asignar a cada muestra múltiples etiquetas. Se registra la exactitud promedio en todas las clases. **Opcional** Valores válidos: 0 o 1 Valor predeterminado: 0 | | num\$1layers | Número de capas de la red. Para datos con un tamaño de imagen grande (por ejemplo, 224 x 224 ImageNet), sugerimos seleccionar el número de capas del conjunto [18, 34, 50, 101, 152, 200]. Para datos con un tamaño pequeño de imagen (por ejemplo, 28x28, como CIFAR), sugerimos que se seleccione el número de capas del conjunto [20, 32, 44, 56, 110]. El número de capas de cada conjunto se basa en el ResNet papel. Para transferir el aprendizaje, el número de capas define la arquitectura de la red de base y, por lo tanto, solo puede seleccionarse desde el conjunto [18, 34, 50, 101, 152, 200]. **Opcional** Valores válidos: número entero positivo [18, 34, 50, 101, 152, 200] o [20, 32, 44, 56, 110] Valor predeterminado: 152 | | optimizer | El tipo de optimizador. Para obtener más información sobre los parámetros de los optimizadores, consulta MXNet la API. **Opcional** Valores válidos: uno de entre los valores `sgd`, `adam`, `rmsprop` o `nag` [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/IC-Hyperparameter.html) Valor predeterminado: `sgd` | | precision\$1dtype | La precisión de las ponderaciones que se utilizan para la capacitación. El algoritmo puede utilizar precisión única (`float32`) o la mitad de precisión (`float16`) para las ponderaciones. El uso de la mitad de precisión para ponderaciones resulta en una reducción del consumo de memoria. **Opcional** Valores válidos: `float32` o `float16` Valor predeterminado: `float32` | | resize | Número de píxeles en el lado más corto de una imagen después de cambiarla de tamaño para el entrenamiento. Si no se establece el parámetro, se utilizan los datos de capacitación sin el cambio de tamaño. El parámetro debe ser mayor que los componentes de ancho y alto de `image_shape` para evitar errores en el entrenamiento. **Necesario** cuando se utilizan tipos de contenido de imagen **Opcional** cuando se utiliza el tipo de contenido RecordIO Valores válidos: número entero positivo Valor predeterminado: no tiene | | top\$1k | Informa de la precisión de top-k durante la capacitación. Este parámetro tiene que ser superior a 1, ya que la precisión de la capacitación top-1 es la misma que la precisión de capacitación normal de la que se ha informado. **Opcional** Valores válidos: número entero positivo superior a 1 Valor predeterminado: no tiene | | use\$1pretrained\$1model | Marca para usar un modelo de capacitación previa para la capacitación. Si se establece en 1, se carga el modelo de capacitación previa con el número correspondiente de capas y se utiliza para la capacitación. Solo la capa FC superior se reinicializa con ponderaciones aleatorias. De lo contrario, se realiza la capacitación de la red desde cero. **Opcional** Valores válidos: 0 o 1 Valor predeterminado: 0 | | use\$1weighted\$1loss | Marca para utilizar pérdida de entropía cruzada ponderada para la clasificación de múltiples etiquetas (se utiliza solo cuando `multi_label` = 1), donde las ponderaciones se calculan en función de la distribución de clases. **Opcional** Valores válidos: 0 o 1 Valor predeterminado: 0 | | weight\$1decay | El decremento de ponderación del coeficiente para `sgd` y `nag`, pasado por alto para otros optimizadores. **Opcional** Valores válidos: número flotante Rango en [0, 1]. Valor predeterminado: 0.0001 |