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.

# Classificação de texto - TensorFlow Hiperparâmetros
<a name="text-classification-tensorflow-Hyperparameter"></a>

Hiperparâmetros são parâmetros definidos antes de um modelo de machine learning começar a aprender. Os hiperparâmetros a seguir são compatíveis com o TensorFlow algoritmo de detecção de objetos incorporado ao Amazon SageMaker AI. Para obter informações sobre ajuste de hiperparâmetros, consulte [Ajustar uma classificação de texto - TensorFlow modelo](text-classification-tensorflow-tuning.md). 


| Nome do parâmetro | Description | 
| --- | --- | 
| batch\_size | O tamanho do lote para treinamento. Para treinamento em instâncias com várias GPUs, esse tamanho de lote é usado em todo GPUs o. <br />Valores válidos: inteiro positivo.<br />Valor padrão: `32`. | 
| beta\_1 | O beta1 para os otimizadores `"adam"` e `"adamw"`. Representa a taxa de degradação exponencial para as estimativas de primeiro momento. Ignorado por outros otimizadores.<br />Valores válidos: flutuante, intervalo: [`0.0`, `1.0`].<br />Valor padrão: `0.9`. | 
| beta\_2 | O beta2 para os otimizadores `"adam"` e `"adamw"`. Representa a taxa de degradação exponencial para as estimativas de segundo momento. Ignorado por outros otimizadores.<br />Valores válidos: flutuante, intervalo: [`0.0`, `1.0`].<br />Valor padrão: `0.999`. | 
| dropout\_rate | A taxa de eliminação da camada de eliminação na camada de classificação superior. Usado somente quando `reinitialize_top_layer` for definido como `"True"`.<br />Valores válidos: flutuante, intervalo: [`0.0`, `1.0`].<br />Valor padrão: `0.2` | 
| early\_stopping | Defina para `"True"` para usar a lógica de interrupção antecipada durante o treinamento. Se `"False"`, a interrupção antecipada não é usada.<br />Valores válidos: string, ou: (`"True"` ou `"False"`).<br />Valor padrão: `"False"`. | 
| early\_stopping\_min\_delta | A alteração mínima necessária para se qualificar como uma melhoria. Uma mudança absoluta menor que o valor de early\_stopping\_min\_delta não se qualifica como melhoria. Usado somente quando early\_stopping for definido como "True".Valores válidos: flutuante, intervalo: [`0.0`, `1.0`].<br />Valor padrão: `0.0`. | 
| early\_stopping\_patience | O número de épocas para continuar treinando sem melhorias. Usado somente quando `early_stopping` for definido como `"True"`.<br />Valores válidos: inteiro positivo.<br />Valor padrão: `5`. | 
| epochs | O número de epochs de treinamento.<br />Valores válidos: inteiro positivo.<br />Valor padrão: `10`. | 
| epsilon | O épsilon para os otimizadores `"adam"`, `"rmsprop"`, `"adadelta"` e `"adagrad"`. Geralmente é definido como um valor baixo, para evitar a divisão por 0. Ignorado por outros otimizadores.<br />Valores válidos: flutuante, intervalo: [`0.0`, `1.0`].<br />Valor padrão: `1e-7`. | 
| initial\_accumulator\_value | O valor inicial para os acumuladores, ou os valores de momentum por parâmetro, para o otimizador `"adagrad"`. Ignorado por outros otimizadores.<br />Valores válidos: flutuante, intervalo: [`0.0`, `1.0`].<br />Valor padrão: `0.0001`. | 
| learning\_rate | A taxa de aprendizado do otimizador. Valores válidos: flutuante, intervalo: [`0.0`, `1.0`].<br />Valor padrão: `0.001`. | 
| momentum | A dinâmica dos otimizadores `"sgd"` e `"nesterov"`. Ignorado por outros otimizadores.<br />Valores válidos: flutuante, intervalo: [`0.0`, `1.0`].<br />Valor padrão: `0.9`. | 
| optimizer | O tipo de otimizador. Para obter mais informações, consulte [Otimizadores](https://www.tensorflow.org/api_docs/python/tf/keras/optimizers) na TensorFlow documentação.<br />Valores válidos: string, qualquer um dos seguintes: (`"adamw"`, `"adam"`, `"sgd"`, `"nesterov"`, `"rmsprop"`, ` "adagrad"` ou `"adadelta"`).<br />Valor padrão: `"adam"`. | 
| regularizers\_l2 | O fator de regularização L2 para a camada densa na camada de classificação. Usado somente quando `reinitialize_top_layer` for definido como `"True"`.<br />Valores válidos: flutuante, intervalo: [`0.0`, `1.0`].<br />Valor padrão: `0.0001`. | 
| reinitialize\_top\_layer | Se definido como `"Auto"`, os parâmetros da camada de classificação superior são reinicializados durante o ajuste fino. Para treinamento incremental, os parâmetros da camada de classificação superior não são reinicializados, a menos que sejam definidos como `"True"`.<br />Valores válidos: string, qualquer um dos seguintes: (`"Auto"`, `"True"` ou `"False"`).<br />Valor padrão: `"Auto"`. | 
| rho | O fator de desconto para o gradiente dos otimizadores `"adadelta"` e `"rmsprop"`. Ignorado por outros otimizadores. <br />Valores válidos: flutuante, intervalo: [`0.0`, `1.0`].<br />Valor padrão: `0.95`. | 
| train\_only\_on\_top\_layer | Se `"True"`, somente os parâmetros da camada de classificação superior forem ajustados. Se `"False"`, todos os parâmetros do modelo são ajustados.<br />Valores válidos: string, ou: (`"True"` ou `"False"`).<br />Valor padrão: `"False"`. | 
| validation\_split\_ratio | A fração de dados de treinamento a ser dividida aleatoriamente para criar dados de validação. Usado somente se os dados de validação não forem fornecidos pelo canal `validation`.<br />Valores válidos: flutuante, intervalo: [`0.0`, `1.0`].<br />Valor padrão: `0.2`. | 
| warmup\_steps\_fraction | A fração do número total de etapas de atualização do gradiente, em que a taxa de aprendizado aumenta de 0 para a taxa de aprendizado inicial como um aquecimento. Usado somente com o otimizador `adamw`.<br />Valores válidos: flutuante, intervalo: [`0.0`, `1.0`].<br />Valor padrão: `0.1`. |