Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra. # Classification des images - TensorFlow Hyperparamètres Les hyperparamètres sont des paramètres définis avant qu'un modèle de machine learning ne commence à apprendre. Les hyperparamètres suivants sont pris en charge par l' TensorFlow algorithme intégré de classification des images d'Amazon SageMaker AI. Consultez [Régler une classification d'images - TensorFlow modèle](IC-TF-tuning.md) pour obtenir des informations sur le réglage des hyperparamètres. | Nom du paramètre | Description | | --- | --- | | augmentation | Définissez la valeur `"True"` pour appliquer `augmentation_random_flip`, `augmentation_random_rotation` et `augmentation_random_zoom` aux données d'entraînement.
Valeurs valides : chaîne, valeur : (`"True"` ou `"False"`).
Valeur par défaut : `"False"`. | | augmentation\_random\_flip | Indique le mode de retournement à utiliser pour l'augmentation des données lorsque `augmentation` a pour valeur `"True"`. Pour plus d'informations, consultez [RandomFlip](https://www.tensorflow.org/api_docs/python/tf/keras/layers/RandomFlip)la TensorFlow documentation.
Valeurs valides : chaîne, l'une des valeurs suivantes : (`"horizontal_and_vertical"`, `"vertical"` ou `"None"`).
Valeur par défaut : `"horizontal_and_vertical"`. | | augmentation\_random\_rotation | Indique le degré de rotation à utiliser pour l'augmentation des données lorsque `augmentation` a pour valeur `"True"`. Les valeurs représentent des fractions de 2π. Les valeurs positives effectuent une rotation dans le sens inverse des aiguilles d'une montre, tandis que les valeurs négatives effectuent une rotation dans le sens horaire. `0` signifie une absence de rotation. Pour plus d'informations, consultez [RandomRotation](https://www.tensorflow.org/api_docs/python/tf/keras/layers/RandomRotation)la TensorFlow documentation.
Valeurs valides : valeur à virgule flottante, plage : [`-1.0`, `1.0`].
Valeur par défaut : `0.2`. | | augmentation\_random\_zoom | Indique le niveau de zoom vertical à utiliser pour l'augmentation des données lorsque `augmentation` a pour valeur `"True"`. Les valeurs positives effectuent un zoom arrière tandis que les valeurs négatives effectuent un zoom avant. `0`signifie une absence de zoom. Pour plus d'informations, consultez [RandomZoom](https://www.tensorflow.org/api_docs/python/tf/keras/layers/RandomZoom)la TensorFlow documentation.
Valeurs valides : valeur à virgule flottante, plage : [`-1.0`, `1.0`].
Valeur par défaut : `0.1`. | | batch\_size | Taille de lot pour l'entraînement. Pour la formation sur des instances comportant plusieurs instances GPUs, cette taille de lot est utilisée sur l'ensemble du GPUs.
Valeurs valides : nombre entier positif.
Valeur par défaut : `32`. | | beta\_1 | Version beta1 de l'optimiseur `"adam"`. Représente le taux de dégradation exponentielle pour les estimations du premier moment. Ignoré pour les autres optimiseurs.
Valeurs valides : valeur à virgule flottante, plage : [`0.0`, `1.0`].
Valeur par défaut : `0.9`. | | beta\_2 | Version beta2 de l'optimiseur `"adam"`. Représente le taux de dégradation exponentielle pour les estimations du second moment. Ignoré pour les autres optimiseurs.
Valeurs valides : valeur à virgule flottante, plage : [`0.0`, `1.0`].
Valeur par défaut : `0.999`. | | binary\_mode | Lorsque `binary_mode` est défini sur `"True"`, le modèle renvoie un seul nombre de probabilité pour la classe positive et peut utiliser des options `eval_metric` supplémentaires. À utiliser uniquement pour les problèmes de classification binaire.
Valeurs valides : chaîne, valeur : (`"True"` ou `"False"`).
Valeur par défaut : `"False"`. | | dropout\_rate | Taux d'abandon pour la couche d'abandon au niveau de la couche de classification supérieure.
Valeurs valides : valeur à virgule flottante, plage : [`0.0`, `1.0`].
Valeur par défaut : `0.2` | | early\_stopping | Définissez ce paramètre sur `"True"` pour utiliser une logique d'arrêt anticipé au cours de l'entraînement. S'il a pour valeur `"False"`, l'arrêt anticipé n'est pas utilisé.
Valeurs valides : chaîne, valeur : (`"True"` ou `"False"`).
Valeur par défaut : `"False"`. | | early\_stopping\_min\_delta | Modification minimale requise pour être considérée comme une amélioration. Une modification absolue inférieure à la valeur de early\_stopping\_min\_delta ne constitue pas une amélioration. Utilisé uniquement quand early\_stopping a pour valeur "True".Valeurs valides : valeur à virgule flottante, plage : [`0.0`, `1.0`].
Valeur par défaut : `0.0`. | | early\_stopping\_patience | Nombre d'époques pour continuer l'entraînement sans amélioration. Utilisé uniquement quand `early_stopping` a pour valeur `"True"`.
Valeurs valides : nombre entier positif.
Valeur par défaut : `5`. | | epochs | Nombre de dates epoch d'entraînement.
Valeurs valides : nombre entier positif.
Valeur par défaut : `3`. | | epsilon | Epsilon des optimiseurs `"adam"`, `"rmsprop"`, `"adadelta"` et `"adagrad"`. Généralement défini sur une petite valeur pour éviter la division par 0. Ignoré pour les autres optimiseurs.
Valeurs valides : valeur à virgule flottante, plage : [`0.0`, `1.0`].
Valeur par défaut : `1e-7`. | | eval\_metric | Si `binary_mode` est défini sur `"False"`, `eval_metric` ne peut être que `"accuracy"`. Si `binary_mode` est `"True"`, sélectionnez l'une des valeurs valides. Pour plus d'informations, consultez la section [Métriques](https://www.tensorflow.org/api_docs/python/tf/keras/metrics) dans la TensorFlow documentation.
Valeurs valides : chaîne, l'une des valeurs suivantes : (`"accuracy"`, `"precision"`, `"recall"`, `"auc"` ou `"prc"`).
Valeur par défaut : `"accuracy"`. | | image\_resize\_interpolation | Indique la méthode d'interpolation utilisée lors du redimensionnement des images. Pour plus d'informations, consultez [image.resize dans la documentation](https://www.tensorflow.org/api_docs/python/tf/image/resize). TensorFlow
Valeurs valides : chaîne, l'une des valeurs suivantes : (`"bilinear"`, `"nearest"`, `"bicubic"`, `"area"`, ` "lanczos3"`, `"lanczos5"`, `"gaussian"` ou `"mitchellcubic"`).
Valeur par défaut : `"bilinear"`. | | initial\_accumulator\_value | Valeur de départ pour les accumulateurs, ou valeurs de moment par paramètre, pour l'optimiseur `"adagrad"`. Ignoré pour les autres optimiseurs.
Valeurs valides : valeur à virgule flottante, plage : [`0.0`, `1.0`].
Valeur par défaut : `0.0001`. | | label\_smoothing | Indique dans quelle mesure relaxer la confiance sur les valeurs des étiquettes. Par exemple, si `label_smoothing` a pour valeur `0.1`, les étiquettes non ciblées sont `0.1/num_classes ` et les étiquettes ciblées sont `0.9+0.1/num_classes`.
Valeurs valides : valeur à virgule flottante, plage : [`0.0`, `1.0`].
Valeur par défaut : `0.1`. | | learning\_rate | Taux d'apprentissage de l'optimiseur. Valeurs valides : valeur à virgule flottante, plage : [`0.0`, `1.0`].
Valeur par défaut : `0.001`. | | momentum | Moment pour les optimiseurs `"sgd"`, `"nesterov"` et `"rmsprop"`. Ignoré pour les autres optimiseurs.
Valeurs valides : valeur à virgule flottante, plage : [`0.0`, `1.0`].
Valeur par défaut : `0.9`. | | optimizer | Type d'optimiseur. Pour plus d'informations, consultez la section [Optimiseurs](https://www.tensorflow.org/api_docs/python/tf/keras/optimizers) dans la TensorFlow documentation.
Valeurs valides : chaîne, l'une des valeurs suivantes : (`"adam"`, `"sgd"`, `"nesterov"`, `"rmsprop"`, ` "adagrad"`, `"adadelta"`).
Valeur par défaut : `"adam"`. | | regularizers\_l2 | Facteur de régularisation L2 pour la couche dense au niveau de la couche de classification.
Valeurs valides : valeur à virgule flottante, plage : [`0.0`, `1.0`].
Valeur par défaut : `.0001`. | | reinitialize\_top\_layer | Si ce paramètre a pour valeur `"Auto"`, les paramètres de la couche de classification supérieure sont réinitialisés au cours de l'affinage. Pour l'entraînement incrémentiel, les paramètres de la couche de classification supérieure ne sont pas réinitialisés à moins d'être définis sur `"True"`.
Valeurs valides : chaîne, l'une des valeurs suivantes : (`"Auto"`, `"True"` ou `"False"`).
Valeur par défaut : `"Auto"`. | | rho | Facteur de déduction pour le gradient des optimiseurs `"adadelta"` et `"rmsprop"`. Ignoré pour les autres optimiseurs.
Valeurs valides : valeur à virgule flottante, plage : [`0.0`, `1.0`].
Valeur par défaut : `0.95`. | | train\_only\_top\_layer | S'il a pour valeur `"True"`, seuls les paramètres de la couche de classification supérieure sont ajustés. S'il a pour valeur `"False"`, tous les paramètres du modèle sont affinés.
Valeurs valides : chaîne, valeur : (`"True"` ou `"False"`).
Valeur par défaut : `"False"`. |