Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Classificazione del testo - TensorFlow Iperparametri
<a name="text-classification-tensorflow-Hyperparameter"></a>

Gli iperparametri sono parametri impostati prima che un modello di machine learning inizi l'apprendimento. I seguenti iperparametri sono supportati dall' TensorFlow algoritmo Object Detection integrato di Amazon SageMaker AI. Per ulteriori informazioni sull'ottimizzazione iperparametri, consulta [Ottimizzazione di una classificazione del testo - modello TensorFlow](text-classification-tensorflow-tuning.md). 


| Nome parametro | Description | 
| --- | --- | 
| batch\_size | Le dimensioni del batch per l’addestramento. Per l'addestramento su istanze con più istanze GPUs, questa dimensione del batch viene utilizzata in tutto. GPUs <br />Valori validi: numeri interi positivi.<br />Valore predefinito: `32`. | 
| beta\_1 | La beta1 per gli ottimizzatori `"adam"` e `"adamw"`. Rappresenta la percentuale di decadimento esponenziale per stime di primo momento. Ignorato per altri ottimizzatori.<br />Valori validi: float, intervallo: [`0.0`, `1.0`].<br />Valore predefinito: `0.9`. | 
| beta\_2 | La beta2 per gli ottimizzatori `"adam"` e `"adamw"`. Rappresenta la percentuale di decadimento esponenziale per stime di secondo momento. Ignorato per altri ottimizzatori.<br />Valori validi: float, intervallo: [`0.0`, `1.0`].<br />Valore predefinito: `0.999`. | 
| dropout\_rate | La percentuale di dropout per il livello di dropout nel livello di classificazione superiore. Usato solo quando `reinitialize_top_layer` è impostato su `"True"`.<br />Valori validi: float, intervallo: [`0.0`, `1.0`].<br />Valore predefinito: `0.2` | 
| early\_stopping | Imposta su `"True"` per utilizzare la logica di arresto precoce durante l’addestramento. Se `"False"`, l'arresto anticipato non viene utilizzato.<br />Valori validi: stringa: (`"True"` o `"False"`).<br />Valore predefinito: `"False"`. | 
| early\_stopping\_min\_delta | La modifica minima necessaria per qualificarsi come miglioramento. Una variazione assoluta inferiore al valore di early\_stopping\_min\_delta non si qualifica come miglioramento. Usato solo quando early\_stopping è impostato su "True".Valori validi: float, intervallo: [`0.0`, `1.0`].<br />Valore predefinito: `0.0`. | 
| early\_stopping\_patience | Il numero di epoche in cui continuare l’addestramento senza alcun miglioramento. Usato solo quando `early_stopping` è impostato su `"True"`.<br />Valori validi: numeri interi positivi.<br />Valore predefinito: `5`. | 
| epochs | Il numero di epoche (Unix epochs) di addestramento.<br />Valori validi: numeri interi positivi.<br />Valore predefinito: `10`. | 
| epsilon | L'epsilon per gli ottimizzatori `"adam"`, `"rmsprop"`, `"adadelta"` e `"adagrad"`. Di solito è impostato su un piccolo valore per evitare la divisione per 0. Ignorato per altri ottimizzatori.<br />Valori validi: float, intervallo: [`0.0`, `1.0`].<br />Valore predefinito: `1e-7`. | 
| initial\_accumulator\_value | Il valore iniziale per gli accumulatori o i valori di momento per parametro per l'ottimizzatore `"adagrad"`. Ignorato per altri ottimizzatori.<br />Valori validi: float, intervallo: [`0.0`, `1.0`].<br />Valore predefinito: `0.0001`. | 
| learning\_rate | La velocità di apprendimento dell'ottimizzatore. Valori validi: float, intervallo: [`0.0`, `1.0`].<br />Valore predefinito: `0.001`. | 
| momentum | Il momento per gli ottimizzatori `"sgd"` e `"nesterov"`. Ignorato per altri ottimizzatori.<br />Valori validi: float, intervallo: [`0.0`, `1.0`].<br />Valore predefinito: `0.9`. | 
| optimizer | Il tipo di ottimizzazione. Per ulteriori informazioni, consulta [Ottimizzatori](https://www.tensorflow.org/api_docs/python/tf/keras/optimizers) nella TensorFlow documentazione.<br />Valori validi: stringa, uno dei seguenti valori: (`"adamw"`, `"adam"`, `"sgd"`, `"nesterov"`, `"rmsprop"`,` "adagrad"`, `"adadelta"`).<br />Valore predefinito: `"adam"`. | 
| regularizers\_l2 | Il fattore di regolarizzazione L2 per il livello denso nel livello di classificazione. Usato solo quando `reinitialize_top_layer` è impostato su `"True"`.<br />Valori validi: float, intervallo: [`0.0`, `1.0`].<br />Valore predefinito: `0.0001`. | 
| reinitialize\_top\_layer | Se impostato su `"Auto"`, i parametri del livello di classificazione superiore vengono reinizializzati durante l’ottimizzazione. Per l'addestramento incrementale, i parametri del livello di classificazione superiore non vengono reinizializzati a meno che non siano impostati su `"True"`.<br />Valori validi: stringa, uno dei seguenti valori: (`"Auto"`, `"True"` o `"False"`).<br />Valore predefinito: `"Auto"`. | 
| rho | Il fattore di sconto per il gradiente degli ottimizzatori `"adadelta"` e `"rmsprop"`. Ignorato per altri ottimizzatori. <br />Valori validi: float, intervallo: [`0.0`, `1.0`].<br />Valore predefinito: `0.95`. | 
| train\_only\_on\_top\_layer | Se `"True"`, solo i parametri del livello di classificazione superiore vengono ottimizzati. Se `"False"`, tutti i parametri del modello vengono ottimizzati.<br />Valori validi: stringa: (`"True"` o `"False"`).<br />Valore predefinito: `"False"`. | 
| validation\_split\_ratio | La frazione di dati di addestramento da dividere casualmente per creare dati di convalida. Utilizzata solo se i dati di convalida non vengono forniti attraverso il canale `validation`.<br />Valori validi: float, intervallo: [`0.0`, `1.0`].<br />Valore predefinito: `0.2`. | 
| warmup\_steps\_fraction | La frazione del numero totale di fasi di aggiornamento del gradiente, in cui il tasso di apprendimento aumenta da 0 al tasso di apprendimento iniziale durante il riscaldamento. Utilizzato solo con l'ottimizzatore `adamw`.<br />Valori validi: float, intervallo: [`0.0`, `1.0`].<br />Valore predefinito: `0.1`. |