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.

# Régler un Sequence-to-Sequence modèle
<a name="seq-2-seq-tuning"></a>

Le *réglage de modèle automatique*, ou réglage d'hyperparamètre, détecte la meilleure version d'un modèle en exécutant plusieurs tâches qui testent une plage d'hyperparamètres sur votre jeu de données. Vous choisissez les hyperparamètres réglables, une plage de valeurs pour chacun d'eux et une métrique d'objectif. Vous choisissez la métrique d'objectif parmi les métriques que calcule l'algorithme. Le réglage de modèle automatique recherche parmi les hyperparamètres choisis la combinaison de valeurs qui produira un modèle permettant d'optimiser la métrique d'objectif.

Pour plus d'informations sur le réglage de modèle, consultez [Réglage automatique du modèle grâce à l' SageMaker IA](automatic-model-tuning.md).

## Métriques calculées par l' Sequence-to-Sequence algorithme
<a name="seq-2-seq-metrics"></a>

L'algorithme seq2seq rapporte trois métriques qui sont calculées au cours de la formation. Choisissez l'une d'entre elles en tant qu'objectif à optimiser lors du réglage des valeurs des hyperparamètres.


| Nom de la métrique | Description | Orientation de l'optimisation | 
| --- | --- | --- | 
| validation:accuracy | Précision calculée sur le jeu de données de validation. | Agrandir | 
| validation:bleu | [Bleu](https://en.wikipedia.org/wiki/BLEU) Score calculé sur le jeu de données de validation. Comme le calcul de BLEU est onéreux, vous pouvez choisir de calculer BLEU sur un sous-échantillon aléatoire de jeu de données de validation pour accélérer le processus global d’entraînement. Utilisez le paramètre `bleu_sample_size` pour spécifier le sous-échantillon. | Agrandir | 
| validation:perplexity | [Perplexity](https://en.wikipedia.org/wiki/Perplexity), fonction perte calculée sur le jeu de données de validation. Perplexity mesure l'entropie croisée entre un échantillon empirique et la distribution prédite par un modèle. La fonction fournit ainsi une mesure de la façon dont un modèle prédit les exemples de valeurs. Les modèles adaptés à la prédiction d'un échantillon ont une perplexité faible. | Réduire | 

## Hyperparamètres réglables Sequence-to-Sequence
<a name="seq-2-seq-tunable-hyperparameters"></a>

Vous pouvez régler les hyperparamètres suivants pour l'algorithme SageMaker AI Sequence to Sequence. Les hyperparamètres ayant le plus d'impact sur les métriques d'objectif de seq2seq sont : `batch_size`, `optimizer_type`, `learning_rate`, `num_layers_encoder` et `num_layers_decoder`.


| Nom du paramètre | Type de paramètre | Plages recommandées | 
| --- | --- | --- | 
| num\_layers\_encoder | IntegerParameterRange | [1-10] | 
| num\_layers\_decoder | IntegerParameterRange | [1-10] | 
| batch\_size | CategoricalParameterRange | [16,32,64,128,256,512,1024,2048] | 
| optimizer\_type | CategoricalParameterRange | ['adam', 'sgd', 'rmsprop'] | 
| weight\_init\_type | CategoricalParameterRange | ['xavier', 'uniform'] | 
| weight\_init\_scale | ContinuousParameterRange | Pour le type xavier : MinValue : 2.0, MaxValue : 3.0 Pour le type uniforme : MinValue : -1.0, MaxValue : 1.0 | 
| learning\_rate | ContinuousParameterRange | MinValue: 0,00005, MaxValue 0,2 | 
| weight\_decay | ContinuousParameterRange | MinValue: 0,0, MaxValue 0,1 | 
| momentum | ContinuousParameterRange | MinValue: 0,5, MaxValue 0,9 | 
| clip\_gradient | ContinuousParameterRange | MinValue: 1,0, MaxValue 5,0 | 
| rnn\_num\_hidden | CategoricalParameterRange | Applicable uniquement aux réseaux neuronaux récurrents (RNN). [128,256,512,1024,2048]  | 
| cnn\_num\_hidden | CategoricalParameterRange | Applicable uniquement aux réseaux neuronaux convolutifs (CNN). [128,256,512,1024,2048]  | 
| num\_embed\_source | IntegerParameterRange | [256-512] | 
| num\_embed\_target | IntegerParameterRange | [256-512] | 
| embed\_dropout\_source | ContinuousParameterRange | MinValue: 0,0, MaxValue 0,5 | 
| embed\_dropout\_target | ContinuousParameterRange | MinValue: 0,0, MaxValue 0,5 | 
| rnn\_decoder\_hidden\_dropout | ContinuousParameterRange | MinValue: 0,0, MaxValue 0,5 | 
| cnn\_hidden\_dropout | ContinuousParameterRange | MinValue: 0,0, MaxValue 0,5 | 
| lr\_scheduler\_type | CategoricalParameterRange | ['plateau\_reduce', 'fixed\_rate\_inv\_t', 'fixed\_rate\_inv\_sqrt\_t'] | 
| plateau\_reduce\_lr\_factor | ContinuousParameterRange | MinValue: 0,1, MaxValue 0,5 | 
| plateau\_reduce\_lr\_threshold | IntegerParameterRange | [1-5] | 
| fixed\_rate\_lr\_half\_life | IntegerParameterRange | [10-30] |