기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

# 이미지 분류 모델 튜닝
<a name="IC-tuning"></a>

하이퍼파라미터 튜닝이라고도 하는 자동 모델 튜닝은 데이터세트에 대한 광범위한 하이퍼파라미터를 테스트하는 여러 작업을 실행하여 최적의 모델 버전을 찾습니다.** 튜닝 가능한 하이퍼파라미터, 각 하이퍼파라미터에 대한 값 범위 및 목표 지표를 선택합니다. 알고리즘에서 계산하는 지표 중에서 목표 지표를 선택합니다. 자동 모델 튜닝은 선택한 하이퍼파라미터를 검색하여 목표 지표를 최적화하는 모델을 만드는 값 조합을 찾습니다.

모델 튜닝에 대한 추가 정보는 [SageMaker AI로 자동 모델 튜닝](automatic-model-tuning.md) 섹션을 참조하세요.

## Image Classification 알고리즘으로 계산되는 지표
<a name="IC-metrics"></a>

Image Classification 알고리즘은 지도 알고리즘으로, 훈련 중 계산되는 정확도 지표를 보고합니다. 모델을 튜닝하는 경우 이 지표를 목표 지표로 선택합니다.


| 지표 이름 | 설명 | 최적화 방향 | 
| --- | --- | --- | 
| validation:accuracy | 올바른 예측 수 대 총 예측 수의 비율입니다. | 최대화 | 

## 튜닝 가능한 이미지 분류 하이퍼파라미터
<a name="IC-tunable-hyperparameters"></a>

다음 하이퍼파라미터를 사용하여 이미지 분류 모델을 튜닝합니다. 이미지 분류 목표 지표에 가장 큰 영향을 미치는 하이퍼파라미터는 `mini_batch_size`, `learning_rate` 및 `optimizer`입니다. 선택한 `optimizer`를 기반으로 옵티마이저 관련 하이퍼파라미터(예: `momentum`, `weight_decay`, `beta_1`, `beta_2`, `eps` 및 `gamma`)를 튜닝합니다. 예를 들어, `adam`이 `optimizer`인 경우에만 `beta_1` 및 `beta_2`를 사용합니다.

각 옵티마이저에서 사용되는 하이퍼파라미터에 대한 자세한 정보는 [이미지 분류 하이퍼파라미터](IC-Hyperparameter.md) 섹션을 참조하세요.


| 파라미터 이름 | 파라미터 유형 | 권장 범위 | 
| --- | --- | --- | 
| beta\$11 | ContinuousParameterRanges | MinValue: 1e-6, MaxValue: 0.999 | 
| beta\$12 | ContinuousParameterRanges | MinValue: 1e-6, MaxValue: 0.999 | 
| eps | ContinuousParameterRanges | MinValue: 1e-8, MaxValue: 1.0 | 
| gamma | ContinuousParameterRanges | MinValue: 1e-8, MaxValue: 0.999 | 
| 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 |