本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。 # 图像分类- TensorFlow 超参数 超参数是在机器学习模型开始学习之前设置的参数。Amazon A SageMaker I 内置的图像分类 TensorFlow 算法支持以下超参数。有关超参数调整的信息，请参阅[调整图像分类- TensorFlow 模型](IC-TF-tuning.md)。 | 参数名称 | 说明 | | --- | --- | | augmentation | 设置为 `"True"` 可对训练数据应用 `augmentation_random_flip`、`augmentation_random_rotation` 和 `augmentation_random_zoom`。
有效值：字符串，以下任意值：（`"True"` 或 `"False"`）。
默认值：`"False"`。 | | augmentation\_random\_flip | 指示当 `augmentation` 设置为 `"True"` 时，使用哪种翻转模式进行数据增强。有关更多信息，请参阅 TensorFlow 文档[RandomFlip](https://www.tensorflow.org/api_docs/python/tf/keras/layers/RandomFlip)中的。
有效值：字符串，以下任意值：（`"horizontal_and_vertical"`、`"vertical"` 或 `"None"`）。
默认值：`"horizontal_and_vertical"`。 | | augmentation\_random\_rotation | 指示当 `augmentation` 设置为 `"True"` 时用于数据增强的旋转量。值表示 2π 的一部分。正值表示逆时针旋转，负值表示顺时针旋转。`0` 表示不进行旋转。有关更多信息，请参阅 TensorFlow 文档[RandomRotation](https://www.tensorflow.org/api_docs/python/tf/keras/layers/RandomRotation)中的。
有效值：浮点型，范围：[`-1.0`，`1.0`]。
默认值：`0.2`。 | | augmentation\_random\_zoom | 指示当 `augmentation` 设置为 `"True"` 时用于数据增强的垂直缩放量。正值表示缩小，负值表示放大。`0` 表示不进行缩放。有关更多信息，请参阅 TensorFlow 文档[RandomZoom](https://www.tensorflow.org/api_docs/python/tf/keras/layers/RandomZoom)中的。
有效值：浮点型，范围：[`-1.0`，`1.0`]。
默认值：`0.1`。 | | batch\_size | 训练的批次大小。对于在具有多个 GPU 的实例上进行训练，对所有 GPU 使用此批量大小。
有效值：正整数。
默认值：`32`。 | | beta\_1 | `"adam"` 优化器的 beta1。表示一阶矩估计的指数衰减率。对其他优化程序则忽略。
有效值：浮点型，范围：[`0.0`，`1.0`]。
默认值：`0.9`。 | | beta\_2 | `"adam"` 优化器的 beta2。表示二阶矩估计的指数衰减率。对其他优化程序则忽略。
有效值：浮点型，范围：[`0.0`，`1.0`]。
默认值：`0.999`。 | | binary\_mode | `binary_mode` 设置为 `"True"` 时，模型返回正向类的单个概率数，并且可以使用其他 `eval_metric` 选项。仅用于二元分类问题。
有效值：字符串，以下任意值：（`"True"` 或 `"False"`）。
默认值：`"False"`。 | | dropout\_rate | 顶层分类层中丢弃层的丢弃比率。
有效值：浮点型，范围：[`0.0`，`1.0`]。
默认值：`0.2` | | early\_stopping | 设置为 `"True"` 可在训练期间使用提前停止逻辑。设置为 `"False"` 则不使用提前停止。
有效值：字符串，以下任意值：（`"True"` 或 `"False"`）。
默认值：`"False"`。 | | early\_stopping\_min\_delta | 认定为有所改进的所需的最小变化。小于值 early\_stopping\_min\_delta 的绝对变化不会认定为改进。仅在 early\_stopping 设置为 "True" 时使用。有效值：浮点型，范围：[`0.0`，`1.0`]。
默认值：`0.0`。 | | early\_stopping\_patience | 继续训练而没有改善的纪元数。仅在 `early_stopping` 设置为 `"True"` 时使用。
有效值：正整数。
默认值：`5`。 | | epochs | 训练纪元数。
有效值：正整数。
默认值：`3`。 | | epsilon | `"adam"`、`"rmsprop"`、`"adadelta"`、`"adagrad"` 优化器的 ε。通常设置为较小的值，以避免被 0 除。对其他优化程序则忽略。
有效值：浮点型，范围：[`0.0`，`1.0`]。
默认值：`1e-7`。 | | eval\_metric | 如果 `binary_mode` 设置为 `"False"`，则 `eval_metric` 只能为 `"accuracy"`。如果 `binary_mode` 为 `"True"`，请选择任意有效值。有关更多信息，请参阅 TensorFlow 文档中的[指标](https://www.tensorflow.org/api_docs/python/tf/keras/metrics)。
有效值：字符串，以下任意值：（`"accuracy"`、`"precision"`、`"recall"`、`"auc"` 或 `"prc"`）。
默认值：`"accuracy"`。 | | image\_resize\_interpolation | 表示调整图像大小时使用的插值方法。有关更多信息，请参阅文档中的 [image.resize。](https://www.tensorflow.org/api_docs/python/tf/image/resize) TensorFlow
有效值：字符串，以下任意值：（`"bilinear"`、`"nearest"`、`"bicubic"`、`"area"`、` "lanczos3"`、`"lanczos5"`、`"gaussian"` 或 `"mitchellcubic"`）。
默认值：`"bilinear"`。 | | initial\_accumulator\_value | 累加器的起始值，对于 `"adagrad"` 优化器，为每个参数的动量值。对其他优化程序则忽略。
有效值：浮点型，范围：[`0.0`，`1.0`]。
默认值：`0.0001`。 | | label\_smoothing | 表示对标签值的置信度放宽的程度。例如，如果 `label_smoothing` 是 `0.1`，则非目标标签是 `0.1/num_classes `，目标标签是 `0.9+0.1/num_classes`。
有效值：浮点型，范围：[`0.0`，`1.0`]。
默认值：`0.1`。 | | learning\_rate | 优化器的学习率。有效值：浮点型，范围：[`0.0`，`1.0`]。
默认值：`0.001`。 | | momentum | `"sgd"`、`"nesterov"` 和 `"rmsprop"` 优化器的动量。对其他优化程序则忽略。
有效值：浮点型，范围：[`0.0`，`1.0`]。
默认值：`0.9`。 | | optimizer | 优化程序类型。有关更多信息，请参阅 TensorFlow 文档中的[优化器](https://www.tensorflow.org/api_docs/python/tf/keras/optimizers)。
有效值：字符串，以下任意值：（`"adam"`、`"sgd"`、`"nesterov"`、`"rmsprop"`、` "adagrad"`、`"adadelta"`）。
默认值：`"adam"`。 | | regularizers\_l2 | 分类层中密集层的 L2 正则化因子。
有效值：浮点型，范围：[`0.0`，`1.0`]。
默认值：`.0001`。 | | reinitialize\_top\_layer | 如果设置为 `"Auto"`，则在微调期间将重新初始化顶层分类层参数。对于增量训练，除非设置为 `"True"`，否则不会重新初始化顶层分类层参数。
有效值：字符串，以下任意值：（`"Auto"`、`"True"` 或 `"False"`）。
默认值：`"Auto"`。 | | rho | `"adadelta"` 和 `"rmsprop"` 优化器的梯度的折扣系数。对其他优化程序则忽略。
有效值：浮点型，范围：[`0.0`，`1.0`]。
默认值：`0.95`。 | | train\_only\_top\_layer | 如果为 `"True"`，则仅对顶层分类层参数进行微调。如果为 `"False"`，则对所有模型参数进行微调。
有效值：字符串，以下任意值：（`"True"` 或 `"False"`）。
默认值：`"False"`。 |