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.

# Ajustar um Sequence-to-Sequence modelo
<a name="seq-2-seq-tuning"></a>

O *ajuste automático de modelos*, também conhecido como ajuste de hiperparâmetros, localiza a melhor versão de um modelo executando vários trabalhos que testam uma série de hiperparâmetros no seu conjunto de dados. Você escolhe os hiperparâmetros ajustáveis, um intervalo de valores para cada um e uma métrica objetiva. Você escolhe a métrica objetiva entre as métricas que o algoritmo calcula. O ajuste de modelo automático pesquisa os hiperparâmetros escolhidos para encontrar a combinação de valores que resultam no modelo que otimiza a métrica objetiva.

Para mais informações sobre o ajuste de modelos, consulte [Ajuste automático do modelo com SageMaker IA](automatic-model-tuning.md).

## Métricas calculadas pelo algoritmo Sequence-to-Sequence
<a name="seq-2-seq-metrics"></a>

O algoritmo sequence to sequence relata três métricas que são calculadas durante o treinamento. Escolha um deles como um objetivo para otimizar ao ajustar os valores dos hiperparâmetros.


| Nome da métrica | Description | Direção de otimização | 
| --- | --- | --- | 
| validation:accuracy | Precisão calculada no conjunto de dados de validação. | Maximizar | 
| validation:bleu | Pontuação [Bleu](https://en.wikipedia.org/wiki/BLEU) calculada no conjunto de dados de validação. Como o cálculo de BLEU é caro, você pode optar por calcular o BLEU em uma subamostra aleatória do conjunto de dados de validação para acelerar o processo geral de treinamento. Use o parâmetro `bleu_sample_size` para especificar a subamostra. | Maximizar | 
| validation:perplexity | [Perplexidade](https://en.wikipedia.org/wiki/Perplexity), é uma função de perda calculada no conjunto de dados de validação. A perplexidade mede a entropia cruzada entre uma amostra empírica e a distribuição prevista por um modelo e, assim, fornece uma medida de quão bem um modelo prediz os valores da amostra. Modelos que são bons em predizer uma amostra têm baixa perplexidade. | Minimizar | 

## Hiperparâmetros ajustáveis Sequence-to-Sequence
<a name="seq-2-seq-tunable-hyperparameters"></a>

Você pode ajustar os seguintes hiperparâmetros para o algoritmo SageMaker AI Sequence to Sequence. Os hiperparâmetros que têm o maior impacto nas métricas objetivas de sequence to sequence são: `batch_size`, `optimizer_type`, `learning_rate`, `num_layers_encoder` e `num_layers_decoder`.


| Nome do parâmetro | Tipo de parâmetro | Intervalos recomendados | 
| --- | --- | --- | 
| 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 | Para o tipo xavier: MinValue: 2.0, MaxValue: 3.0 Para o tipo 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 | Aplicável somente a redes neurais recorrentes (RNNs). [128,256,512,1024,2048]  | 
| cnn\_num\_hidden | CategoricalParameterRange | Aplicável somente a redes neurais convolucionais (). CNNs [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] |