Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
# Clasificación de imágenes: TensorFlow hiperparámetros
Los hiperparámetros son parámetros que se establecen antes de que un modelo de machine learning comience a aprender. Los siguientes hiperparámetros son compatibles con el TensorFlow algoritmo de clasificación de imágenes integrado de Amazon SageMaker AI. Para obtener más información sobre el ajuste de hiperparámetros, consulte [Ajuste una clasificación de imágenes: modelo TensorFlow](IC-TF-tuning.md).
| Nombre del parámetro | Description (Descripción) |
| --- | --- |
| augmentation | Configure `"True"` para aplicar `augmentation_random_flip`, `augmentation_random_rotation` y `augmentation_random_zoom` en los datos de entrenamiento.
Valores válidos: cadena (`"True"` o `"False"`).
Valor predeterminado: `"False"`. |
| augmentation\_random\_flip | Indica qué modo de volteo se debe utilizar para el aumento de datos cuando `augmentation` está configurado en `"True"`. Para obtener más información, consulte [RandomFlip](https://www.tensorflow.org/api_docs/python/tf/keras/layers/RandomFlip)la TensorFlow documentación.
Valores válidos: cadena (`"horizontal_and_vertical"`, `"vertical"` o `"None"`).
Valor predeterminado: `"horizontal_and_vertical"`. |
| augmentation\_random\_rotation | Indica el grado de rotación que se debe utilizar para el aumento de datos cuando `augmentation` está establecido en `"True"`. Los valores representan una fracción de 2π. Los valores positivos giran en sentido contrario a las agujas del reloj, mientras que los valores negativos giran en sentido horario. `0` significa que no hay rotación. Para obtener más información, consulte [RandomRotation](https://www.tensorflow.org/api_docs/python/tf/keras/layers/RandomRotation)la TensorFlow documentación.
Valores válidos: flotante, con el rango [`-1.0`, `1.0`].
Valor predeterminado: `0.2`. |
| augmentation\_random\_zoom | Indica el grado de zoom vertical que se debe utilizar para el aumento de datos cuando `augmentation` está establecido en `"True"`. Los valores positivos se alejan, mientras que los valores negativos se acercan. `0` significa que no hay zoom. Para obtener más información, consulte [RandomZoom](https://www.tensorflow.org/api_docs/python/tf/keras/layers/RandomZoom)la TensorFlow documentación.
Valores válidos: flotante, con el rango [`-1.0`, `1.0`].
Valor predeterminado: `0.1`. |
| batch\_size | El tamaño del lote para la capacitación. Para el entrenamiento en instancias con varias GPU, este tamaño de lote se utiliza en todas las GPU.
Valores válidos: número entero positivo.
Valor predeterminado: `32`. |
| beta\_1 | La versión beta1 del optimizador `"adam"`. Representa la tasa de degradación exponencial para las estimaciones del primer momento. No se tiene en cuenta para otros optimizadores.
Valores válidos: flotante, con el rango [`0.0`, `1.0`].
Valor predeterminado: `0.9`. |
| beta\_2 | La versión beta2 del optimizador `"adam"`. Representa la tasa de degradación exponencial para las estimaciones del segundo momento. No se tiene en cuenta para otros optimizadores.
Valores válidos: flotante, con el rango [`0.0`, `1.0`].
Valor predeterminado: `0.999`. |
| binary\_mode | Cuando `binary_mode` se establece en `"True"`, el modelo devuelve un único número de probabilidad para la clase positiva y puede utilizar opciones `eval_metric` adicionales. Úselo solo para problemas de clasificación binaria.
Valores válidos: cadena (`"True"` o `"False"`).
Valor predeterminado: `"False"`. |
| dropout\_rate | La tasa de eliminación en la capa de eliminación, dentro de la capa de clasificación superior.
Valores válidos: flotante, con el rango [`0.0`, `1.0`].
Valor predeterminado: `0.2` |
| early\_stopping | Se establece en `"True"` a fin de usar una lógica de detención temprana durante el entrenamiento. Si es `"False"`, no se utiliza la interrupción temprana.
Valores válidos: cadena (`"True"` o `"False"`).
Valor predeterminado: `"False"`. |
| early\_stopping\_min\_delta | El cambio mínimo necesario para considerarse una mejora. Un cambio absoluto inferior al valor de early\_stopping\_min\_delta no se considera mejora. Solo se usa cuando early\_stopping está establecido en "True".Valores válidos: flotante, con el rango [`0.0`, `1.0`].
Valor predeterminado: `0.0`. |
| early\_stopping\_patience | El número de epochs (fechas de inicio) para seguir entrenando sin que haya mejoras. Solo se usa cuando `early_stopping` está establecido en `"True"`.
Valores válidos: número entero positivo.
Valor predeterminado: `5`. |
| epochs | El número de fechas de inicio de capacitación.
Valores válidos: número entero positivo.
Valor predeterminado: `3`. |
| epsilon | El valor épsilon para los optimizadores `"adam"`, `"rmsprop"`, `"adadelta"` y `"adagrad"`. Se suele establecer en un valor pequeño para evitar la división por 0. No se tiene en cuenta para otros optimizadores.
Valores válidos: flotante, con el rango [`0.0`, `1.0`].
Valor predeterminado: `1e-7`. |
| eval\_metric | Si `binary_mode` se establece en `"False"`, `eval_metric` solo puede ser `"accuracy"`. Si `binary_mode` es `"True"`, seleccione cualquiera de los valores válidos. Para obtener más información, consulte [Métricas](https://www.tensorflow.org/api_docs/python/tf/keras/metrics) en la TensorFlow documentación.
Valores válidos: cadena (`"accuracy"`, `"precision"`, `"recall"`, `"auc"` o `"prc"`).
Valor predeterminado: `"accuracy"`. |
| image\_resize\_interpolation | Indica el método de interpolación utilizado al cambiar el tamaño de las imágenes. Para obtener más información, consulte [image.resize en la documentación](https://www.tensorflow.org/api_docs/python/tf/image/resize). TensorFlow
Valores válidos: cadena (`"bilinear"`, `"nearest"`, `"bicubic"`, `"area"`, ` "lanczos3"`, `"lanczos5"`, `"gaussian"` o `"mitchellcubic"`).
Valor predeterminado: `"bilinear"`. |
| initial\_accumulator\_value | El valor inicial de los acumuladores o los valores de impulso por parámetro del optimizador `"adagrad"`. No se tiene en cuenta para otros optimizadores.
Valores válidos: flotante, con el rango [`0.0`, `1.0`].
Valor predeterminado: `0.0001`. |
| label\_smoothing | Indica en qué medida se debe relajar la confianza en los valores de las etiquetas. Por ejemplo, si `label_smoothing` es `0.1`, las etiquetas que no son de destino serán `0.1/num_classes ` y las etiquetas de destino serán `0.9+0.1/num_classes`.
Valores válidos: flotante, con el rango [`0.0`, `1.0`].
Valor predeterminado: `0.1`. |
| learning\_rate | La tasa de aprendizaje del optimizador. Valores válidos: flotante, con el rango [`0.0`, `1.0`].
Valor predeterminado: `0.001`. |
| momentum | El impulso para los optimizadores `"sgd"`, `"nesterov"` y `"rmsprop"`. No se tiene en cuenta para otros optimizadores.
Valores válidos: flotante, con el rango [`0.0`, `1.0`].
Valor predeterminado: `0.9`. |
| optimizer | El tipo de optimizador. Para obtener más información, consulte [Optimizadores](https://www.tensorflow.org/api_docs/python/tf/keras/optimizers) en la documentación. TensorFlow
Valores válidos: cadena, (`"adam"`, `"sgd"`, `"nesterov"`, `"rmsprop"`, ` "adagrad"` o `"adadelta"`).
Valor predeterminado: `"adam"`. |
| regularizers\_l2 | El factor de regularización L2 de la capa densa en la capa de clasificación.
Valores válidos: flotante, con el rango [`0.0`, `1.0`].
Valor predeterminado: `.0001`. |
| reinitialize\_top\_layer | Si se establece en `"Auto"`, los parámetros de la capa de clasificación superior se reinicializan durante el ajuste. Para el entrenamiento incremental, los parámetros de la capa de clasificación superior no se reinicializan, a no ser que se establezca en `"True"`.
Valores válidos: cadena, `"Auto"`, `"True"` o `"False"`.
Valor predeterminado: `"Auto"`. |
| rho | El factor de descuento para el gradiente de los optimizadores `"adadelta"` y `"rmsprop"`. No se tiene en cuenta para otros optimizadores.
Valores válidos: flotante, con el rango [`0.0`, `1.0`].
Valor predeterminado: `0.95`. |
| train\_only\_top\_layer | Si es `"True"`, solo se refinan los parámetros de la capa de clasificación superior. Si es `"False"`, todos los parámetros del modelo se refinan.
Valores válidos: cadena (`"True"` o `"False"`).
Valor predeterminado: `"False"`. |