Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# BlazingText Hiperparameter
<a name="blazingtext_hyperparameters"></a>

Saat Anda memulai pekerjaan pelatihan dengan `CreateTrainingJob` permintaan, Anda menentukan algoritma pelatihan. Anda juga dapat menentukan hyperparameter khusus algoritme sebagai peta. string-to-string Hiperparameter untuk BlazingText algoritme bergantung pada mode mana yang Anda gunakan: Word2Vec (tanpa pengawasan) dan Klasifikasi Teks (diawasi).

## Hyperparameter Word2Vec
<a name="blazingtext_hyperparameters_word2vec"></a>

Tabel berikut mencantumkan hyperparameters untuk algoritma pelatihan BlazingText Word2Vec yang disediakan oleh Amazon AI. SageMaker 


| Nama Parameter | Deskripsi | 
| --- | --- | 
| mode | Arsitektur Word2vec digunakan untuk pelatihan.<br />**Diperlukan**<br />Nilai valid: `batch_skipgram`, `skipgram`, atau `cbow` | 
| batch\_size | Ukuran setiap batch saat `mode` diatur ke`batch_skipgram`. Setel ke angka antara 10 dan 20.<br />**Opsional**<br />Nilai yang valid: Bilangan bulat positif<br />Nilai default: 11 | 
| buckets | Jumlah bucket hash yang digunakan untuk subkata.<br />**Opsional**<br />Nilai yang valid: bilangan bulat positif<br />Nilai default: 2000000 | 
| epochs | Jumlah lintasan lengkap melalui data pelatihan.<br />**Opsional**<br />Nilai yang valid: Bilangan bulat positif<br />Nilai default: 5 | 
| evaluation | Apakah model terlatih dievaluasi menggunakan Tes [WordSimilarity-353](http://www.gabrilovich.com/resources/data/wordsim353/wordsim353.html).<br />**Opsional**<br />Nilai yang valid: (Boolean) `True` atau `False`<br />Nilai default: `True` | 
| learning\_rate | Ukuran langkah yang digunakan untuk pembaruan parameter.<br />**Opsional**<br />Nilai yang valid: Float positif<br />Nilai default: 0,05 | 
| min\_char | Jumlah minimum karakter yang digunakan untuk subkata/karakter n-gram.<br />**Opsional**<br />Nilai yang valid: bilangan bulat positif<br />Nilai default: 3 | 
| min\_count | Kata-kata yang muncul kurang dari `min_count` kali dibuang.<br />**Opsional**<br />Nilai yang valid: Bilangan bulat non-negatif<br />Nilai default: 5 | 
| max\_char | Jumlah maksimum karakter yang akan digunakan untuk subkata/karakter n-gram<br />**Opsional**<br />Nilai yang valid: bilangan bulat positif<br />Nilai default: 6 | 
| negative\_samples | Jumlah sampel negatif untuk strategi berbagi sampel negatif.<br />**Opsional**<br />Nilai yang valid: Bilangan bulat positif<br />Nilai default: 5 | 
| sampling\_threshold | Ambang batas untuk terjadinya kata-kata. Kata-kata yang muncul dengan frekuensi lebih tinggi dalam data pelatihan diambil sampelnya secara acak.<br />**Opsional**<br />Nilai yang valid: Fraksi positif. Rentang yang disarankan adalah (0, 1e-3]<br />Nilai default: 0,0001 | 
| subwords | Apakah akan mempelajari penyematan subkata pada tidak.<br />**Opsional**<br />Nilai yang valid: (Boolean) `True` atau `False`<br />Nilai default: `False` | 
| vector\_dim | Dimensi kata vektor yang dipelajari algoritma.<br />**Opsional**<br />Nilai yang valid: Bilangan bulat positif<br />Nilai default: 100 | 
| window\_size | Ukuran jendela konteks. Jendela konteks adalah jumlah kata yang mengelilingi kata target yang digunakan untuk pelatihan.<br />**Opsional**<br />Nilai yang valid: Bilangan bulat positif<br />Nilai default: 5 | 

## Klasifikasi Teks Hyperparameters
<a name="blazingtext_hyperparameters_text_class"></a>

Tabel berikut mencantumkan hyperparameters untuk algoritma pelatihan Klasifikasi Teks yang disediakan oleh Amazon SageMaker AI.

**catatan**  
Meskipun beberapa parameter umum antara mode Klasifikasi Teks dan Word2Vec, mereka mungkin memiliki arti yang berbeda tergantung pada konteksnya.


| Nama Parameter | Deskripsi | 
| --- | --- | 
| mode | Mode pelatihan.<br />**Diperlukan**<br />Nilai yang valid: `supervised` | 
| buckets | Jumlah ember hash yang digunakan untuk kata n-gram.<br />**Opsional**<br />Nilai yang valid: Bilangan bulat positif<br />Nilai default: 2000000 | 
| early\_stopping | Apakah akan menghentikan pelatihan jika akurasi validasi tidak membaik setelah `patience` sejumlah zaman. Perhatikan bahwa saluran validasi diperlukan jika penghentian awal digunakan.<br />**Opsional**<br />Nilai yang valid: (Boolean) `True` atau `False`<br />Nilai default: `False` | 
| epochs | Jumlah maksimum lintasan lengkap melalui data pelatihan.<br />**Opsional**<br />Nilai yang valid: Bilangan bulat positif<br />Nilai default: 5 | 
| learning\_rate | Ukuran langkah yang digunakan untuk pembaruan parameter.<br />**Opsional**<br />Nilai yang valid: Float positif<br />Nilai default: 0,05 | 
| min\_count | Kata-kata yang muncul kurang dari `min_count` kali dibuang.<br />**Opsional**<br />Nilai yang valid: Bilangan bulat non-negatif<br />Nilai default: 5 | 
| min\_epochs | Jumlah minimum zaman untuk dilatih sebelum logika penghentian awal dipanggil.<br />**Opsional**<br />Nilai yang valid: Bilangan bulat positif<br />Nilai default: 5 | 
| patience | Jumlah epoch yang harus menunggu sebelum menerapkan penghentian awal ketika tidak ada kemajuan yang dibuat pada set validasi. Digunakan hanya ketika `early_stopping` itu`True`.<br />**Opsional**<br />Nilai yang valid: Bilangan bulat positif<br />Nilai default: 4 | 
| vector\_dim | Dimensi lapisan embedding.<br />**Opsional**<br />Nilai yang valid: Bilangan bulat positif<br />Nilai default: 100 | 
| word\_ngrams | Jumlah fitur kata n-gram yang digunakan.<br />**Opsional**<br />Nilai yang valid: Bilangan bulat positif<br />Nilai default: 2 |