As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Hiperparâmetros de Segmentação semântica
<a name="segmentation-hyperparameters"></a>

As tabelas a seguir listam os hiperparâmetros suportados pelo algoritmo de segmentação semântica Amazon SageMaker AI para arquitetura de rede, entradas de dados e treinamento. Você especifica a Segmentação semântica para treinamento no`AlgorithmName` da solicitação [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html).

**Hiperparâmetros de arquitetura de rede**


| Nome do parâmetro | Description | 
| --- | --- | 
| backbone | O backbone a ser usado para o componente codificador do algoritmo.<br />**Opcional**<br />Valores válidos: `resnet-50`, `resnet-101` <br />Valor padrão: `resnet-50` | 
| use\_pretrained\_model | Se um modelo pré-treinado deve ou não ser usado para o backbone.<br />**Opcional**<br />Valores válidos: `True`, `False`<br />Valor padrão: `True` | 
| algorithm | O algoritmo a ser usado para a segmentação semântica. <br />**Opcional**<br />Valores válidos:[See the AWS documentation website for more details](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/segmentation-hyperparameters.html)<br />Valor padrão: `fcn` | 

**Hiperparâmetros de dados**


| Nome do parâmetro | Description | 
| --- | --- | 
| num\_classes | O número de classes para segmentar.<br />**Obrigatório**<br />Valores válidos: 2 ≤ número inteiro positivo ≤ 254 | 
| num\_training\_samples | O número de amostras nos dados de treinamento. O algoritmo usa esse valor para configurar o planejador de taxa de aprendizagem.<br />**Obrigatório**<br />Valores válidos: inteiro positivo | 
| base\_size | Define como as imagens são redimensionadas antes do corte. As imagens são redimensionadas de modo que o comprimento de tamanho longo é definido como `base_size` multiplicado por um número aleatório de 0,5 a 2,0, e o tamanho curto é calculado para preservar a proporção.<br />**Opcional**<br />Valores válidos: número inteiro positivo > 16<br />Valor padrão: 520 | 
| crop\_size | O tamanho de imagem para entrada durante o treinamento. Redimensionamos aleatoriamente a imagem de entrada com base em `base_size` e, depois, fazemos um corte quadrado aleatório com comprimento lateral igual a `crop_size`. Os `crop_size` serão arredondados automaticamente para múltiplos de 8.<br />**Opcional**<br />Valores válidos: número inteiro positivo > 16<br />Valor padrão: 240 | 

**Hiperparâmetros de treinamento**


| Nome do parâmetro | Description | 
| --- | --- | 
| early\_stopping | Se a lógica de interrupção precoce deve ou não ser usada durante o treinamento.<br />**Opcional**<br />Valores válidos: `True`, `False`<br />Valor padrão: `False` | 
| early\_stopping\_min\_epochs | O número mínimo de epochs que devem ser executados.<br />**Opcional**<br />Valores válidos: inteiro<br />Valor padrão: 5 | 
| early\_stopping\_patience | O número de epochs que atendem à tolerância de desempenho inferior antes que o algoritmo imponha uma interrupção precoce.<br />**Opcional**<br />Valores válidos: inteiro<br />Valor padrão: 4 | 
| early\_stopping\_tolerance | Se a melhoria relativa da pontuação do trabalho de treinamento, mIOU, for menor que esse valor, a interrupção precoce considerará que o epoch não melhorou. Usado apenas quando `early_stopping` = `True`.<br />**Opcional**<br />Valores válidos: 0 ≤ flutuante ≤ 1<br />Valor padrão: 0.0 | 
| epochs | O número de epochs com os quais treinar.<br />**Opcional**<br />Valores válidos: inteiro positivo<br />Valor padrão: 10 | 
| gamma1 | O fator de degradação para a média móvel do gradiente quadrado para `rmsprop`. Usado apenas para `rmsprop`.<br />**Opcional**<br />Valores válidos: 0 ≤ flutuante ≤ 1<br />Valor padrão: 0.9 | 
| gamma2 | O fator de dinâmica para `rmsprop`.<br />**Opcional**<br />Valores válidos: 0 ≤ flutuante ≤ 1<br />Valor padrão: 0.9 | 
| learning\_rate | A taxa de aprendizado inicial. <br />**Opcional**<br />Valores válidos: 0 < flutuante ≤ 1<br />Valor padrão: 0.001 | 
| lr\_scheduler | A forma do cronograma de taxa de aprendizagem que controla sua diminuição ao longo do tempo.<br />**Opcional**<br />Valores válidos: [See the AWS documentation website for more details](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/segmentation-hyperparameters.html)<br />Valor padrão: `poly` | 
| lr\_scheduler\_factor | Se `lr_scheduler` estiver definido como `step`, a proporção pela qual reduzir (multiplicar) o `learning_rate` após cada uma dos epochs especificados pelo `lr_scheduler_step`. Caso contrário, ele será ignorado.<br />**Opcional**<br />Valores válidos: 0 ≤ flutuante ≤ 1<br />Valor padrão: 0.1 | 
| lr\_scheduler\_step | Uma lista delimitada por vírgula dos epochs após os quais a `learning_rate` é reduzida (multiplicada) por um `lr_scheduler_factor`. Por exemplo, se o valor for definido como `"10, 20"`, a `learning-rate` será reduzida pelo `lr_scheduler_factor` após o 10º epoch e novamente por esse fator após o 20º epoch.<br />**Obrigatório condicionalmente** se o `lr_scheduler` estiver definido como `step`. Caso contrário, ele será ignorado.<br />Valores válidos: string<br />Valor padrão: (Sem padrão, pois o valor é obrigatório quando usado.) | 
| mini\_batch\_size | O tamanho do lote para treinamento. Usar um `mini_batch_size` grande geralmente resulta em um treinamento mais rápido, mas pode causar falta de memória. O uso da memória é afetado pelos valores dos parâmetros `mini_batch_size` e `image_shape`, e da arquitetura de backbone.<br />**Opcional**<br />Valores válidos: inteiro positivo <br />Valor padrão: 16 | 
| momentum | A dinâmica do otimizador `sgd`. Quando você usa outros otimizadores, o algoritmo de segmentação semântica ignora esse parâmetro.<br />**Opcional**<br />Valores válidos: 0 < flutuante ≤ 1<br />Valor padrão: 0.9 | 
| optimizer | O tipo de otimizador. Para obter mais informações sobre um otimizador, escolha o link apropriado:[See the AWS documentation website for more details](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/segmentation-hyperparameters.html)<br />**Opcional**<br />Valores válidos: `adam`, `adagrad`, `nag`, `rmsprop`, `sgd` <br />Valor padrão: `sgd` | 
| syncbn | Se definido como`True`, a média e a variância da normalização do lote são calculadas em todas as amostras processadas no. GPUs<br />**Opcional** <br />Valores válidos: `True`, `False` <br />Valor padrão: `False` | 
| validation\_mini\_batch\_size | O tamanho do lote para validação. Um `mini_batch_size` grande geralmente resulta em um treinamento mais rápido, mas pode causar falta de memória. O uso da memória é afetado pelos valores dos parâmetros `mini_batch_size` e `image_shape`, e da arquitetura de backbone. [See the AWS documentation website for more details](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/segmentation-hyperparameters.html)<br />**Opcional**<br />Valores válidos: inteiro positivo<br />Valor padrão: 16 | 
| weight\_decay | O coeficiente de degradação do peso do otimizador `sgd`. Quando você usa outros otimizadores, o algoritmo ignora esse parâmetro. <br />**Opcional**<br />Valores válidos: 0 < flutuante < 1<br />Valor padrão: 0.0001 |