Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris. # Klasifikasi Gambar - MXNet Algoritma klasifikasi SageMaker gambar Amazon adalah algoritma pembelajaran yang diawasi yang mendukung klasifikasi multi-label. Dibutuhkan gambar sebagai input dan output satu atau lebih label yang ditetapkan untuk gambar itu. Ini menggunakan jaringan saraf convolutional yang dapat dilatih dari awal atau dilatih menggunakan pembelajaran transfer ketika sejumlah besar gambar pelatihan tidak tersedia [Format input yang direkomendasikan untuk algoritma klasifikasi gambar Amazon SageMaker AI adalah Apache MXNet RecorDio.](https://mxnet.apache.org/api/faq/recordio) Namun, Anda juga dapat menggunakan gambar mentah dalam format.jpg atau .png. Lihat [diskusi ini](https://mxnet.apache.org/api/architecture/note_data_loading) untuk gambaran luas tentang persiapan dan pemuatan data yang efisien untuk sistem pembelajaran mesin. **catatan** Untuk mempertahankan interoperabilitas yang lebih baik dengan kerangka kerja pembelajaran mendalam yang ada, ini berbeda dari format data protobuf yang biasa digunakan oleh algoritme AI Amazon lainnya. SageMaker Untuk informasi lebih lanjut tentang jaringan convolutional, lihat: + [Pembelajaran residual mendalam untuk pengenalan gambar](https://arxiv.org/abs/1512.03385) Kaiming He, et al., Konferensi IEEE 2016 tentang Visi Komputer dan Pengenalan Pola + [ImageNet database gambar](http://www.image-net.org/) + [Klasifikasi gambar dengan gluon-CV dan MXNet](https://gluon-cv.mxnet.io/build/examples_classification/index.html) **Topics** + [Antarmuka Input/Output untuk Algoritma Klasifikasi Gambar](#IC-inputoutput) + [Rekomendasi Instans EC2 untuk Algoritma Klasifikasi Gambar](#IC-instances) + [Klasifikasi Gambar Contoh Notebook](#IC-sample-notebooks) + [Bagaimana Klasifikasi Gambar Bekerja](IC-HowItWorks.md) + [Klasifikasi Gambar Hyperparameters](IC-Hyperparameter.md) + [Menyetel Model Klasifikasi Gambar](IC-tuning.md) ## Antarmuka Input/Output untuk Algoritma Klasifikasi Gambar Algoritma SageMaker AI Image Classification mendukung jenis konten RecorDio (`application/x-recordio`) dan image (`image/png``image/jpeg`,, dan`application/x-image`) untuk pelatihan dalam mode file, dan mendukung tipe konten RecorDio (`application/x-recordio`) untuk pelatihan dalam mode pipa. Namun, Anda juga dapat berlatih dalam mode pipa menggunakan file gambar (`image/png`,, dan`application/x-image`)`image/jpeg`, tanpa membuat file RecorDo, dengan menggunakan format augmented manifest. Pelatihan terdistribusi didukung untuk mode file dan mode pipa. Saat menggunakan jenis konten RecorDio dalam mode pipa, Anda harus mengatur `S3DataDistributionType` to. `S3DataSource` `FullyReplicated` Algoritma ini mendukung model yang sepenuhnya direplikasi di mana data Anda disalin ke setiap mesin. Algoritma mendukung`image/png`,`image/jpeg`, dan `application/x-image` untuk inferensi. ### Berlatih dengan Format Recordio Jika Anda menggunakan format RecorDo untuk pelatihan, tentukan keduanya `train` dan `validation` saluran sebagai nilai untuk `InputDataConfig` parameter permintaan. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) Tentukan satu file RecorDo (`.rec`) di `train` saluran dan satu file Recordio di saluran. `validation` Atur jenis konten untuk kedua saluran`application/x-recordio`. ### Berlatih dengan Format Gambar Jika Anda menggunakan format Gambar untuk pelatihan, tentukan `train``validation`,`train_lst`,, dan `validation_lst` saluran sebagai nilai untuk `InputDataConfig` parameter [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html)permintaan. Tentukan data gambar individu (`.jpg`atau `.png` file) untuk `train` dan `validation` saluran. Tentukan satu `.lst` file di masing-masing `validation_lst` saluran `train_lst` dan. Atur jenis konten untuk keempat saluran ke`application/x-image`. **catatan** SageMaker AI membaca data pelatihan dan validasi secara terpisah dari saluran yang berbeda, jadi Anda harus menyimpan data pelatihan dan validasi di folder yang berbeda. `.lst`File adalah file yang dipisahkan tab dengan tiga kolom yang berisi daftar file gambar. Kolom pertama menentukan indeks gambar, kolom kedua menentukan indeks label kelas untuk gambar, dan kolom ketiga menentukan jalur relatif dari file gambar. Indeks gambar di kolom pertama harus unik di semua gambar. Kumpulan indeks label kelas diberi nomor berturut-turut dan penomoran harus dimulai dengan 0. Misalnya, 0 untuk kelas kucing, 1 untuk kelas dog, dan seterusnya untuk kelas tambahan. Berikut ini adalah contoh `.lst` file: ``` 5 1 your_image_directory/train_img_dog1.jpg 1000 0 your_image_directory/train_img_cat1.jpg 22 1 your_image_directory/train_img_dog2.jpg ``` Misalnya, jika gambar latihan Anda disimpan di`s3:///train/class_dog`,`s3:///train/class_cat`, dan seterusnya, tentukan jalur untuk `train` saluran Anda sebagai`s3:///train`, yang merupakan direktori tingkat atas untuk data Anda. Dalam `.lst` file, tentukan jalur relatif untuk file individual bernama `train_image_dog1.jpg` dalam direktori `class_dog` kelas sebagai`class_dog/train_image_dog1.jpg`. Anda juga dapat menyimpan semua file gambar Anda di bawah satu subdirektori di dalam `train` direktori. Dalam hal ini, gunakan subdirektori itu untuk jalur relatif. Misalnya, `s3:///train/your_image_directory`. ### Berlatih dengan Augmented Manifest Image Format Format manifes yang diperbesar memungkinkan Anda melakukan pelatihan dalam mode Pipe menggunakan file gambar tanpa perlu membuat file RecorDio. Anda perlu menentukan saluran kereta dan validasi sebagai nilai untuk `InputDataConfig` parameter [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html)permintaan. Saat menggunakan format, file manifes S3 perlu dibuat yang berisi daftar gambar dan anotasi yang sesuai. Format file manifes harus dalam format [JSON Lines](http://jsonlines.org/) di mana setiap baris mewakili satu sampel. Gambar ditentukan menggunakan `'source-ref'` tag yang menunjuk ke lokasi S3 gambar. Anotasi disediakan di bawah nilai `"AttributeNames"` parameter seperti yang ditentukan dalam [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html)permintaan. Ini juga dapat berisi metadata tambahan di bawah `metadata` tag, tetapi ini diabaikan oleh algoritma. Dalam contoh berikut, yang `"AttributeNames"` terkandung dalam daftar referensi `["source-ref", "class"]` gambar dan anotasi. Nilai label yang sesuai adalah `"0"` untuk gambar pertama dan `“1”` untuk gambar kedua: ``` {"source-ref":"s3://image/filename1.jpg", "class":"0"} {"source-ref":"s3://image/filename2.jpg", "class":"1", "class-metadata": {"class-name": "cat", "type" : "groundtruth/image-classification"}} ``` Urutan `"AttributeNames"` dalam file input penting saat melatih ImageClassification algoritma. Ini menerima data pipa dalam urutan tertentu, dengan `image` pertama, diikuti oleh. `label` Jadi "AttributeNames" dalam contoh ini disediakan dengan yang `"source-ref"` pertama, diikuti oleh`"class"`. Saat menggunakan ImageClassification algoritma dengan Augmented Manifest, nilai `RecordWrapperType` parameter harus`"RecordIO"`. Pelatihan multi-label juga didukung dengan menentukan array nilai JSON. `num_classes`Hyperparameter harus diatur agar sesuai dengan jumlah total kelas. Ada dua format label yang valid: multi-hot dan class-id. Dalam format multi-hot, setiap label adalah vektor multi-hot encoded dari semua kelas, di mana setiap kelas mengambil nilai 0 atau 1. Dalam contoh berikut, ada tiga kelas. Gambar pertama diberi label dengan kelas 0 dan 2, sedangkan gambar kedua diberi label dengan kelas 2 saja: ``` {"image-ref": "s3://amzn-s3-demo-bucket/sample01/image1.jpg", "class": "[1, 0, 1]"} {"image-ref": "s3://amzn-s3-demo-bucket/sample02/image2.jpg", "class": "[0, 0, 1]"} ``` Dalam format class-id, setiap label adalah daftar id kelas, dari [0,`num_classes`), yang berlaku untuk titik data. Contoh sebelumnya malah akan terlihat seperti ini: ``` {"image-ref": "s3://amzn-s3-demo-bucket/sample01/image1.jpg", "class": "[0, 2]"} {"image-ref": "s3://amzn-s3-demo-bucket/sample02/image2.jpg", "class": "[2]"} ``` Format multi-hot adalah default, tetapi dapat secara eksplisit diatur dalam tipe konten dengan `label-format` parameter: Format class-id, `"application/x-recordio; label-format=multi-hot".` yang merupakan format yang dikeluarkan oleh, harus disetel secara eksplisit: GroundTruth `"application/x-recordio; label-format=class-id".` Untuk informasi selengkapnya tentang file manifes tambahan, lihat[Augmented Manifest Files untuk Pekerjaan Pelatihan](augmented-manifest.md). ### Pelatihan Inkremental Anda juga dapat menyemai pelatihan model baru dengan artefak dari model yang Anda latih sebelumnya dengan SageMaker AI. Pelatihan tambahan menghemat waktu pelatihan ketika Anda ingin melatih model baru dengan data yang sama atau serupa. SageMaker Model klasifikasi gambar AI hanya dapat diunggulkan dengan model klasifikasi gambar bawaan lain yang dilatih dalam SageMaker AI. Untuk menggunakan model yang telah dilatih sebelumnya, dalam [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html)permintaan, tentukan `ChannelName` sebagai “model” dalam `InputDataConfig` parameter. Atur saluran `ContentType` untuk model ke`application/x-sagemaker-model`. Hiperparameter input dari model baru dan model terlatih yang Anda unggah ke saluran model harus memiliki pengaturan yang sama untuk parameter`num_layers`, `image_shape` dan `num_classes` input. Parameter ini menentukan arsitektur jaringan. Untuk file model yang telah dilatih sebelumnya, gunakan keluaran artefak model terkompresi (dalam format.tar.gz) oleh AI. SageMaker Anda dapat menggunakan format RecorDio atau gambar untuk input data. ### Inferensi dengan Algoritma Klasifikasi Gambar Model yang dihasilkan dapat di-host untuk inferensi dan mendukung format yang dikodekan `.jpg` dan `.png` gambar sebagai`image/png, image/jpeg`, dan tipe konten. `application/x-image` Gambar input diubah ukurannya secara otomatis. Outputnya adalah nilai probabilitas untuk semua kelas yang dikodekan dalam format JSON, atau dalam [format teks JSON Lines](http://jsonlines.org/) untuk transformasi batch. Model klasifikasi gambar memproses satu gambar per permintaan sehingga hanya menghasilkan satu baris dalam format JSON atau JSON Lines. Berikut ini adalah contoh respons dalam format JSON Lines: ``` accept: application/jsonlines {"prediction": [prob_0, prob_1, prob_2, prob_3, ...]} ``` Untuk detail lebih lanjut tentang pelatihan dan inferensi, lihat contoh contoh contoh klasifikasi gambar contoh contoh contoh yang direferensikan dalam pendahuluan. ## Rekomendasi Instans EC2 untuk Algoritma Klasifikasi Gambar Untuk klasifikasi gambar, kami mendukung instance P2, P3, G4dn, dan G5. Sebaiknya gunakan instans GPU dengan lebih banyak memori untuk pelatihan dengan ukuran batch besar. Anda juga dapat menjalankan algoritme pada pengaturan multi-GPU dan multi-mesin untuk pelatihan terdistribusi. Kedua instance CPU (seperti C4) dan GPU (P2, P3, G4dn, atau G5) dapat digunakan untuk inferensi. ## Klasifikasi Gambar Contoh Notebook Untuk contoh buku catatan yang menggunakan algoritme klasifikasi gambar SageMaker AI, lihat [Membuat dan Mendaftarkan Model Klasifikasi MXNet Gambar melalui SageMaker Pipelines](https://github.com/aws-samples/amazon-sagemaker-pipelines-mxnet-image-classification/blob/main/image-classification-sagemaker-pipelines.ipynb). Untuk petunjuk cara membuat dan mengakses instance notebook Jupyter yang dapat Anda gunakan untuk menjalankan contoh di SageMaker AI, lihat. [Instans SageMaker notebook Amazon](nbi.md) Setelah Anda membuat instance notebook dan membukanya, pilih tab **Contoh SageMaker AI** untuk melihat daftar semua sampel SageMaker AI. Contoh notebook klasifikasi gambar terletak di bagian **Pengantar algoritma Amazon**. Untuk membuka buku catatan, klik tab **Use** dan pilih **Create copy**. # Bagaimana Klasifikasi Gambar Bekerja Algoritma klasifikasi gambar mengambil gambar sebagai input dan mengklasifikasikannya ke dalam salah satu kategori output. Pembelajaran mendalam telah merevolusi domain klasifikasi gambar dan telah mencapai kinerja yang luar biasa. Berbagai jaringan pembelajaran mendalam seperti [ResNet](https://arxiv.org/abs/1512.03385), [DenseNet](https://arxiv.org/abs/1608.06993), [Inception](https://arxiv.org/pdf/1409.4842.pdf), dan sebagainya, telah dikembangkan menjadi sangat akurat untuk klasifikasi gambar. Pada saat yang sama, ada upaya untuk mengumpulkan data gambar berlabel yang penting untuk melatih jaringan ini. [ImageNet](https://www.image-net.org/)adalah salah satu kumpulan data besar yang memiliki lebih dari 11 juta gambar dengan sekitar 11.000 kategori. Setelah jaringan dilatih dengan ImageNet data, kemudian dapat digunakan untuk menggeneralisasi dengan dataset lain juga, dengan penyesuaian ulang sederhana atau fine-tuning. Dalam pendekatan pembelajaran transfer ini, jaringan diinisialisasi dengan bobot (dalam contoh ini, dilatih ImageNet), yang nantinya dapat disetel dengan baik untuk tugas klasifikasi gambar dalam kumpulan data yang berbeda. Klasifikasi gambar di Amazon SageMaker AI dapat dijalankan dalam dua mode: pelatihan penuh dan pembelajaran transfer. Dalam mode pelatihan penuh, jaringan diinisialisasi dengan bobot acak dan dilatih pada data pengguna dari awal. Dalam mode pembelajaran transfer, jaringan diinisialisasi dengan bobot yang telah dilatih sebelumnya dan hanya lapisan teratas yang terhubung sepenuhnya diinisialisasi dengan bobot acak. Kemudian, seluruh jaringan disetel dengan data baru. Dalam mode ini, pelatihan dapat dicapai bahkan dengan kumpulan data yang lebih kecil. Ini karena jaringan sudah terlatih dan oleh karena itu dapat digunakan dalam kasus-kasus tanpa data pelatihan yang memadai. # Klasifikasi Gambar Hyperparameters Hyperparameters adalah parameter yang ditetapkan sebelum model pembelajaran mesin mulai belajar. Hyperparameter berikut didukung oleh algoritma Klasifikasi Gambar bawaan Amazon SageMaker AI. Lihat [Menyetel Model Klasifikasi Gambar](IC-tuning.md) untuk informasi tentang penyetelan hiperparameter klasifikasi gambar. | Nama Parameter | Deskripsi | | --- | --- | | num\$1classes | Jumlah kelas output. Parameter ini mendefinisikan dimensi output jaringan dan biasanya diatur ke jumlah kelas dalam dataset. Selain klasifikasi multi-kelas, klasifikasi multi-label juga didukung. Silakan merujuk ke [Antarmuka Input/Output untuk Algoritma Klasifikasi Gambar](image-classification.md#IC-inputoutput) untuk detail tentang cara bekerja dengan klasifikasi multi-label dengan file manifes tambahan. **Diperlukan** Nilai yang valid: bilangan bulat positif | | num\$1training\$1samples | Jumlah contoh pelatihan dalam dataset input. Jika ada ketidakcocokan antara nilai ini dan jumlah sampel dalam set pelatihan, maka perilaku `lr_scheduler_step` parameter tidak ditentukan dan akurasi pelatihan terdistribusi mungkin terpengaruh. **Diperlukan** Nilai yang valid: bilangan bulat positif | | augmentation\$1type | Jenis augmentasi data. Gambar input dapat ditambah dengan berbagai cara seperti yang ditentukan di bawah ini. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/IC-Hyperparameter.html) **Opsional** Nilai yang valid:`crop`,`crop_color`, atau`crop_color_transform`. Nilai default: tidak ada nilai default | | beta\$11 | Beta1 untuk`adam`, yaitu laju peluruhan eksponensial untuk perkiraan momen pertama. **Opsional** Nilai yang valid: float. Rentang dalam [0, 1]. Nilai default: 0,9 | | beta\$12 | Beta2 untuk`adam`, yaitu laju peluruhan eksponensial untuk perkiraan momen kedua. **Opsional** Nilai yang valid: float. Rentang dalam [0, 1]. Nilai default: 0,999 | | checkpoint\$1frequency | Periode untuk menyimpan parameter model (dalam jumlah zaman). Perhatikan bahwa semua file pos pemeriksaan disimpan sebagai bagian dari file model akhir "model.tar.gz" dan diunggah ke S3 ke lokasi model yang ditentukan. Ini meningkatkan ukuran file model secara proporsional dengan jumlah pos pemeriksaan yang disimpan selama pelatihan. **Opsional** Nilai yang valid: bilangan bulat positif tidak lebih besar dari`epochs`. Nilai default: tidak ada nilai default (Simpan pos pemeriksaan pada zaman yang memiliki akurasi validasi terbaik) | | early\$1stopping | `True`untuk menggunakan logika penghentian awal selama pelatihan. `False`tidak menggunakannya. **Opsional** Nilai yang valid: `True` or `False` Nilai default: `False` | | early\$1stopping\$1min\$1epochs | Jumlah minimum epoch yang harus dijalankan sebelum logika penghentian awal dapat dipanggil. Ini hanya digunakan ketika `early_stopping` =`True`. **Opsional** Nilai yang valid: bilangan bulat positif Nilai default: 10 | | early\$1stopping\$1patience | Jumlah zaman yang harus menunggu sebelum mengakhiri pelatihan jika tidak ada perbaikan yang dilakukan dalam metrik yang relevan. Ini hanya digunakan ketika `early_stopping` =`True`. **Opsional** Nilai yang valid: bilangan bulat positif Nilai default: 5 | | early\$1stopping\$1tolerance | Toleransi relatif untuk mengukur peningkatan metrik validasi akurasi. Jika rasio peningkatan akurasi dibagi dengan akurasi terbaik sebelumnya lebih kecil dari `early_stopping_tolerance` nilai yang ditetapkan, penghentian awal menganggap tidak ada perbaikan. Ini hanya digunakan ketika `early_stopping` =`True`. **Opsional** Nilai yang valid: 0 ≤ float ≤ 1 Nilai default: 0.0 | | epochs | Jumlah zaman pelatihan. **Opsional** Nilai yang valid: bilangan bulat positif Nilai default: 30 | | eps | Epsilon untuk `adam` dan. `rmsprop` Biasanya diatur ke nilai kecil untuk menghindari pembagian dengan 0. **Opsional** Nilai yang valid: float. Rentang dalam [0, 1]. Nilai default: 1e-8 | | gamma | Gamma untuk`rmsprop`, faktor peluruhan untuk rata-rata bergerak gradien kuadrat. **Opsional** Nilai yang valid: float. Rentang dalam [0, 1]. Nilai default: 0,9 | | image\$1shape | Dimensi gambar input, yang ukurannya sama dengan lapisan input jaringan. Format didefinisikan sebagai '`num_channels`, tinggi, lebar'. Dimensi gambar dapat mengambil nilai apa pun karena jaringan dapat menangani berbagai dimensi input. Namun, mungkin ada kendala memori jika dimensi gambar yang lebih besar digunakan. Model terlatih hanya dapat menggunakan ukuran gambar 224 x 224 tetap. Dimensi gambar khas untuk klasifikasi gambar adalah '3.224.224'. Ini mirip dengan ImageNet dataset. Untuk pelatihan, jika ada gambar input yang lebih kecil dari parameter ini dalam dimensi apa pun, pelatihan gagal. Jika gambar lebih besar, sebagian gambar dipotong, dengan area yang dipotong ditentukan oleh parameter ini. Jika hyperparameter `augmentation_type` diatur, tanaman acak diambil; jika tidak, tanaman sentral diambil. Pada kesimpulan, gambar input diubah ukurannya menjadi `image_shape` yang digunakan selama pelatihan. Rasio aspek tidak dipertahankan, dan gambar tidak dipotong. **Opsional** Nilai yang valid: string Nilai default: '3.224.224' | | kv\$1store | Mode sinkronisasi pembaruan berat selama pelatihan terdistribusi. Pembaruan bobot dapat diperbarui baik secara sinkron atau asinkron di seluruh mesin. Pembaruan sinkron biasanya memberikan akurasi yang lebih baik daripada pembaruan asinkron tetapi bisa lebih lambat. Lihat pelatihan terdistribusi MXNet untuk lebih jelasnya. Parameter ini tidak berlaku untuk pelatihan mesin tunggal. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/IC-Hyperparameter.html) **Opsional** Nilai yang valid: `dist_sync` atau `dist_async` Nilai default: tidak ada nilai default | | learning\$1rate | Tingkat pembelajaran awal. **Opsional** Nilai yang valid: float. Rentang dalam [0, 1]. Nilai default: 0,1 | | lr\$1scheduler\$1factor | Rasio untuk mengurangi tingkat pembelajaran yang digunakan bersama dengan `lr_scheduler_step` parameter, didefinisikan sebagai `lr_new` = `lr_old` \$1`lr_scheduler_factor`. **Opsional** Nilai yang valid: float. Rentang dalam [0, 1]. Nilai default: 0,1 | | lr\$1scheduler\$1step | Zaman untuk mengurangi tingkat pembelajaran. Seperti yang dijelaskan dalam `lr_scheduler_factor` parameter, tingkat pembelajaran berkurang `lr_scheduler_factor` pada zaman ini. Misalnya, jika nilainya disetel ke “10, 20", maka tingkat pembelajaran dikurangi `lr_scheduler_factor` setelah zaman ke-10 dan lagi `lr_scheduler_factor` setelah zaman ke-20. Zaman dibatasi oleh “,”. **Opsional** Nilai yang valid: string Nilai default: tidak ada nilai default | | mini\$1batch\$1size | Ukuran batch untuk pelatihan. Dalam pengaturan multi-GPU mesin tunggal, setiap GPU menangani `mini_batch_size` sampel pelatihan /num\$1gpu. Untuk pelatihan multi-mesin dalam mode dist\$1sync, ukuran batch sebenarnya `mini_batch_size` adalah\$1 jumlah mesin. Lihat MXNet dokumen untuk detail selengkapnya. **Opsional** Nilai yang valid: bilangan bulat positif Nilai default: 32 | | momentum | Momentum untuk `sgd` dan`nag`, diabaikan untuk pengoptimal lainnya. **Opsional** Nilai yang valid: float. Rentang dalam [0, 1]. Nilai default: 0,9 | | multi\$1label | Tandai untuk digunakan untuk klasifikasi multi-label di mana setiap sampel dapat diberi beberapa label. Akurasi rata-rata di semua kelas dicatat. **Opsional** Nilai yang valid: 0 atau 1 Nilai default: 0 | | num\$1layers | Jumlah lapisan untuk jaringan. Untuk data dengan ukuran gambar besar (misalnya, 224x224 - seperti ImageNet), kami sarankan memilih jumlah lapisan dari set [18, 34, 50, 101, 152, 200]. Untuk data dengan ukuran gambar kecil (misalnya, 28x28 - seperti CIFAR), kami sarankan untuk memilih jumlah lapisan dari set [20, 32, 44, 56, 110]. Jumlah lapisan di setiap set didasarkan pada ResNet paper. Untuk pembelajaran transfer, jumlah lapisan mendefinisikan arsitektur jaringan dasar dan karenanya hanya dapat dipilih dari himpunan [18, 34, 50, 101, 152, 200]. **Opsional** Nilai yang valid: bilangan bulat positif dalam [18, 34, 50, 101, 152, 200] atau [20, 32, 44, 56, 110] Nilai default: 152 | | optimizer | Jenis pengoptimal. Untuk detail lebih lanjut tentang parameter untuk pengoptimal, silakan merujuk ke API MXNet. **Opsional** Nilai yang valid: Salah satu`sgd`,`adam`,`rmsprop`, atau`nag`. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/IC-Hyperparameter.html) Nilai default: `sgd` | | precision\$1dtype | Ketepatan bobot yang digunakan untuk pelatihan. Algoritma dapat menggunakan presisi tunggal (`float32`) atau setengah presisi (`float16`) untuk bobot. Menggunakan setengah presisi untuk bobot menghasilkan pengurangan konsumsi memori. **Opsional** Nilai yang valid: `float32` or `float16` Nilai default: `float32` | | resize | Jumlah piksel di sisi terpendek gambar setelah mengubah ukurannya untuk pelatihan. Jika parameter tidak diatur, maka data pelatihan digunakan tanpa mengubah ukuran. Parameter harus lebih besar dari komponen lebar dan tinggi `image_shape` untuk mencegah kegagalan pelatihan. **Diperlukan** saat menggunakan jenis konten gambar **Opsional** saat menggunakan jenis konten RecorDio Nilai yang valid: bilangan bulat positif Nilai default: tidak ada nilai default | | top\$1k | Melaporkan akurasi top-k selama pelatihan. Parameter ini harus lebih besar dari 1, karena akurasi pelatihan top-1 sama dengan akurasi pelatihan reguler yang telah dilaporkan. **Opsional** Nilai valid: bilangan bulat positif lebih besar dari 1. Nilai default: tidak ada nilai default | | use\$1pretrained\$1model | Bendera untuk menggunakan model pra-terlatih untuk pelatihan. Jika disetel ke 1, maka model yang telah dilatih sebelumnya dengan jumlah lapisan yang sesuai dimuat dan digunakan untuk pelatihan. Hanya lapisan FC atas yang diinisialisasi ulang dengan bobot acak. Jika tidak, jaringan dilatih dari awal. **Opsional** Nilai yang valid: 0 atau 1 Nilai default: 0 | | use\$1weighted\$1loss | Tandai untuk menggunakan kehilangan entropi silang tertimbang untuk klasifikasi multi-label (hanya digunakan ketika `multi_label` = 1), di mana bobot dihitung berdasarkan distribusi kelas. **Opsional** Nilai yang valid: 0 atau 1 Nilai default: 0 | | weight\$1decay | Peluruhan berat koefisien untuk `sgd` dan`nag`, diabaikan untuk pengoptimal lainnya. **Opsional** Nilai yang valid: float. Rentang dalam [0, 1]. Nilai default: 0,0001 | # Menyetel Model Klasifikasi Gambar *Penyetelan model otomatis*, juga dikenal sebagai tuning hyperparameter, menemukan versi terbaik dari model dengan menjalankan banyak pekerjaan yang menguji berbagai hiperparameter pada kumpulan data Anda. Anda memilih hyperparameters yang dapat disetel, rentang nilai untuk masing-masing, dan metrik objektif. Anda memilih metrik objektif dari metrik yang dihitung algoritme. Penyetelan model otomatis mencari hiperparameter yang dipilih untuk menemukan kombinasi nilai yang menghasilkan model yang mengoptimalkan metrik objektif. Untuk informasi lebih lanjut tentang penyetelan model, lihat[Penyetelan model otomatis dengan AI SageMaker](automatic-model-tuning.md). ## Metrik yang Dihitung oleh Algoritma Klasifikasi Gambar Algoritma klasifikasi gambar adalah algoritma yang diawasi. Ini melaporkan metrik akurasi yang dihitung selama pelatihan. Saat menyetel model, pilih metrik ini sebagai metrik objektif. | Nama Metrik | Deskripsi | Arah Optimasi | | --- | --- | --- | | validation:accuracy | Rasio jumlah prediksi yang benar dengan jumlah prediksi yang dibuat. | Maksimalkan | ## Hiperparameter Klasifikasi Gambar yang Dapat Disetel Sesuaikan model klasifikasi gambar dengan hyperparameter berikut. Hiperparameter yang memiliki dampak terbesar pada metrik objektif klasifikasi gambar adalah:`mini_batch_size`,`learning_rate`, dan. `optimizer` Setel hiperparameter terkait pengoptimal, seperti,,`momentum`,,`weight_decay`,`beta_1`, dan `beta_2` `eps``gamma`, berdasarkan yang dipilih. `optimizer` Misalnya, gunakan `beta_1` dan `beta_2` `adam` hanya kapan`optimizer`. Untuk informasi lebih lanjut tentang hiperparameter mana yang digunakan di setiap pengoptimal, lihat. [Klasifikasi Gambar Hyperparameters](IC-Hyperparameter.md) | Nama Parameter | Jenis Parameter | Rentang yang Direkomendasikan | | --- | --- | --- | | beta\$11 | ContinuousParameterRanges | MinValue: 1e-6,: 0.999 MaxValue | | beta\$12 | ContinuousParameterRanges | MinValue: 1e-6,: 0.999 MaxValue | | eps | ContinuousParameterRanges | MinValue: 1e-8, MaxValue: 1.0 | | gamma | ContinuousParameterRanges | MinValue: 1e-8,: 0.999 MaxValue | | learning\$1rate | ContinuousParameterRanges | MinValue: 1e-6, MaxValue: 0,5 | | mini\$1batch\$1size | IntegerParameterRanges | MinValue: 8, MaxValue: 512 | | momentum | ContinuousParameterRanges | MinValue: 0.0, MaxValue: 0.999 | | optimizer | CategoricalParameterRanges | ['sgd', 'adam', 'rmsprop', 'nag'] | | weight\$1decay | ContinuousParameterRanges | MinValue: 0.0, MaxValue: 0.999 |