本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 语义分割超参数
<a name="segmentation-hyperparameters"></a>

下表列出了 Amazon A SageMaker I 语义分割算法支持的网络架构、数据输入和训练的超参数。您可以在 [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) 请求的 `AlgorithmName` 中为训练指定语义分割。

**网络架构超参数**


| 参数名称 | 说明 | 
| --- | --- | 
| backbone |  要用于算法的编码器组件的主干。 **可选** 有效值：`resnet-50`、`resnet-101` 默认值：`resnet-50`  | 
| use\$1pretrained\$1model |  是否将预训练模型用于主干。 **可选** 有效值：`True`、`False` 默认值：`True`  | 
| algorithm |  要用于语义分割的算法。 **可选** 有效值： [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/segmentation-hyperparameters.html) 默认值：`fcn`  | 

**数据超参数**


| 参数名称 | 说明 | 
| --- | --- | 
| num\$1classes |  要分割的类的数量。 **必填** 有效值：2 ≤ 正整数 ≤ 254  | 
| num\$1training\$1samples |  训练数据中的示例数。该算法使用此值来设置学习率计划程序。 **必填** 有效值：正整数  | 
| base\$1size |  定义裁剪前如何重新缩放图像。图像被重新缩放，以便将长尺寸长度设置为 `base_size` 乘以 0.5 到 2.0 之间的随机数，并计算短尺寸以保持长宽比。 **可选** 有效值：正整数 > 16 默认值：520  | 
| crop\$1size |  训练期间输入的图像大小。我们将根据 `base_size` 随机重新缩放输入图像，然后按照边长等于 `crop_size` 进行随机的方形裁剪。`crop_size` 将自动舍入到 8 的倍数。 **可选** 有效值：正整数 > 16 默认值：240  | 

**训练超参数**


| 参数名称 | 说明 | 
| --- | --- | 
| early\$1stopping |  是否在训练期间使用提前停止逻辑。 **可选** 有效值：`True`、`False` 默认值：`False`  | 
| early\$1stopping\$1min\$1epochs |  必须运行的纪元的最小数量。 **可选** 有效值：整数 默认值：5  | 
| early\$1stopping\$1patience |  在算法强制提前停止之前满足较低性能容差的纪元数。 **可选** 有效值：整数 默认值：4  | 
| early\$1stopping\$1tolerance |  如果训练作业分数 mIOU 的相对改善小于此值，则提前停止将纪元视为未改善。仅当 `early_stopping` = `True` 时使用。 **可选** 有效值：0 ≤ 浮点值 ≤ 1 默认值：0.0  | 
| epochs |  用于训练的纪元的数量。 **可选** 有效值：正整数 默认值：10  | 
| gamma1 |  `rmsprop` 的平方梯度的移动平均值的衰减系数。仅用于 `rmsprop`。 **可选** 有效值：0 ≤ 浮点值 ≤ 1 默认值：0.9  | 
| gamma2 |  `rmsprop` 的动量因子。 **可选** 有效值：0 ≤ 浮点值 ≤ 1 默认值：0.9  | 
| learning\$1rate |  初始学习率。 **可选** 有效值：0 ≤ 浮点值 ≤ 1 默认值：0.001  | 
| lr\$1scheduler |  学习率计划的形状，可控制其随时间的推移而减少。 **可选** 有效值： [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/segmentation-hyperparameters.html) 默认值：`poly`  | 
| lr\$1scheduler\$1factor |  如果 `lr_scheduler` 设置为 `step`，则为比率；在经过 `lr_scheduler_step` 指定的训练纪元数之后，`learning_rate` 降低（乘以）该比率。否则将忽略。 **可选** 有效值：0 ≤ 浮点值 ≤ 1 默认值：0.1  | 
| lr\$1scheduler\$1step |  一个逗号分隔的纪元数列表，在经过该纪元数后，`learning_rate` 减少（乘以）`lr_scheduler_factor`。例如，如果将值设置为 `"10, 20"`，则在第 10 个纪元之后，`learning-rate` 会降低 `lr_scheduler_factor`，在第 20 个纪元之后，再次降低该系数。 **有条件需要**：如果 `lr_scheduler` 设置为 `step`。否则将忽略。 有效值：字符串 默认值：（没有默认值，因为使用时需要该值。）  | 
| mini\$1batch\$1size |  训练的批次大小。使用大型 `mini_batch_size` 通常会加快训练速度，但可能会导致内存不足。内存使用率受 `mini_batch_size` 和 `image_shape` 参数的值以及主干架构的影响。 **可选** 有效值：正整数  默认值：16  | 
| momentum |  `sgd` 优化程序的动量。当您使用其他优化程序时，语义分割算法将忽略此参数。 **可选** 有效值：0 ≤ 浮点值 ≤ 1 默认值：0.9  | 
| optimizer |  优化程序的类型。有关优化程序的更多信息，请选择相应的链接： [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/segmentation-hyperparameters.html) **可选** 有效值：`adam`，`adagrad`，`nag`，`rmsprop`，`sgd` 默认值：`sgd`  | 
| syncbn |  如果设置为`True`，则将对整个过程中处理的所有样本计算批量归一化均值和方差 GPUs。 **可选**  有效值：`True`、`False` 默认值：`False`  | 
| validation\$1mini\$1batch\$1size |  验证的批次大小。大型 `mini_batch_size` 通常会加快训练速度，但可能会导致内存不足。内存使用率受 `mini_batch_size` 和 `image_shape` 参数的值以及主干架构的影响。 [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/segmentation-hyperparameters.html) **可选** 有效值：正整数 默认值：16  | 
| weight\$1decay |  `sgd` 优化程序的权重衰减系数。当您使用其他优化程序时，算法将忽略此参数。 **可选** 有效值：0 < 浮点型 < 1 默认值：0.0001  |