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。
# Object2Vec 超参数
在 `CreateTrainingJob` 请求中，您可以指定训练算法。您也可以将特定于算法的超参数指定为地图。 string-to-string下表列出了 Object2Vec 训练算法的超参数。
| 参数名称 | 说明 |
| --- | --- |
| enc0\_max\_seq\_len | enc0 编码器的最大序列长度。
**必填**
有效值：1 ≤ 整数 ≤ 5000 |
| enc0\_vocab\_size | enc0 标记的词汇表大小。
**必填**
有效值：2 ≤ 整数 ≤ 3000000 |
| bucket\_width | 启用分桶时数据序列长度之间允许的差异。要启用分桶，请为该参数指定非零值。
**可选**
有效值：0 ≤ 整数 ≤ 100
默认值：0（不分桶） |
| comparator\_list | 用于自定义比较两个嵌入的方式的列表。Object2Vec 比较器运算符层将来自两个编码器的编码作为输入，并输出单个向量。该向量是将子向量串联在一起的结果。传递到 `comparator_list` 的字符串值及其传递顺序决定了如何合并这些子向量。例如，如果 `comparator_list="hadamard, concat"`，则比较器运算符串联两个编码的 Hadamard 乘积和两个编码的串联以构造向量。另一方面，如果 `comparator_list="hadamard"`，则比较器运算符将向量构造为仅两个编码的 Hadamard 乘积。
**可选**
有效值：包含三个二元运算符名称的任意组合的字符串：`hadamard`、`concat` 或 `abs_diff`。Object2Vec 算法目前要求两个向量编码具有相同的维度。这些运算符生成子向量，如下所示：[See the AWS documentation website for more details](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/object2vec-hyperparameters.html)
默认值：`"hadamard, concat, abs_diff"` |
| dropout | 网络层的丢弃概率。*丢弃法* 是神经网络中使用的一种正规化形式，通过修剪相关的神经元来减少过拟合。
**可选**
有效值：0.0 ≤ 浮点值 ≤ 1.0
默认值：0.0 |
| early\_stopping\_patience | 在应用提前停止之前，允许的无改进的连续纪元数。改进是使用 `early_stopping_tolerance` 超参数定义的。
**可选**
有效值：1 ≤ 整数 ≤ 5
默认值：3 |
| early\_stopping\_tolerance | 算法必须在连续纪元之间实现损失函数减少，以避免在 `early_stopping_patience` 超参数中指定的连续纪元数量结束之后提前停止。
**可选**
有效值：0.000001 ≤ 浮点值 ≤ 0.1
默认值：0.01 |
| enc\_dim | 嵌入层的输出的维。
**可选**
有效值：4 ≤ 整数 ≤ 10000
默认值：4096 |
| enc0\_network | enc0 编码器的网络模型。
**可选**
有效值：`hcnn`、`bilstm` 或 `pooled_embedding`[See the AWS documentation website for more details](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/object2vec-hyperparameters.html)
默认值：`hcnn` |
| enc0\_cnn\_filter\_width | 卷积神经网络 (CNN) enc0 编码器的滤波器宽度。
**条件**
有效值：1 ≤ 整数 ≤ 9
默认值：3 |
| enc0\_freeze\_pretrained\_embedding | 是否冻结 enc0 预训练嵌入权重。
**条件**
有效值：`True` 或 `False`
默认值：`True` |
| enc0\_layers | enc0 编码器中的层数。
**条件**
有效值：`auto` 或 1 ≤ 整数 ≤ 4[See the AWS documentation website for more details](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/object2vec-hyperparameters.html)
默认值：`auto` |
| enc0\_pretrained\_embedding\_file | 辅助数据通道中的预训练 enc0 标记嵌入文件的文件名。
**条件**
有效值：包含字母数字字符、下划线或句点的字符串。[A-Za-z0-9\\.\\\_]
默认值：""（空字符串） |
| enc0\_token\_embedding\_dim | enc0 令牌嵌入层的输出维度。
**条件**
有效值：2 ≤ 整数 ≤ 1000
默认值：300 |
| enc0\_vocab\_file | 用于将预训练的 enc0 标记嵌入向量映射到数值词汇的词汇文件。 IDs
**条件**
有效值：包含字母数字字符、下划线或句点的字符串。[A-Za-z0-9\\.\\\_]
默认值：""（空字符串） |
| enc1\_network | enc1 编码器的网络模型。如果您希望 enc1 编码器使用与 enc0 相同的网络模型（包括超参数值），请将该值设置为 `enc0`。 即使 enc0 和 enc1 编码器网络具有对称的架构，您也无法在这些网络中共享参数值。
**可选**
有效值：`enc0`、`hcnn`、`bilstm` 或 `pooled_embedding`[See the AWS documentation website for more details](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/object2vec-hyperparameters.html)
默认值：`enc0` |
| enc1\_cnn\_filter\_width | CNN enc1 编码器的滤波器宽度。
**条件**
有效值：1 ≤ 整数 ≤ 9
默认值：3 |
| enc1\_freeze\_pretrained\_embedding | 是否冻结 enc1 预训练嵌入权重。
**条件**
有效值：`True` 或 `False`
默认值：`True` |
| enc1\_layers | enc1 编码器中的层数。
**条件**
有效值：`auto` 或 1 ≤ 整数 ≤ 4[See the AWS documentation website for more details](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/object2vec-hyperparameters.html)
默认值：`auto` |
| enc1\_max\_seq\_len | enc1 编码器的最大序列长度。
**条件**
有效值：1 ≤ 整数 ≤ 5000 |
| enc1\_pretrained\_embedding\_file | 辅助数据通道中的 enc1 预训练标记嵌入文件的名称。
**条件**
有效值：包含字母数字字符、下划线或句点的字符串。[A-Za-z0-9\\.\\\_]
默认值：""（空字符串） |
| enc1\_token\_embedding\_dim | enc1 标记嵌入层的输出维度。
**条件**
有效值：2 ≤ 整数 ≤ 1000
默认值：300 |
| enc1\_vocab\_file | 用于将预训练的 enc1 标记嵌入映射到词汇表的词汇文件。 IDs
**条件**
有效值：包含字母数字字符、下划线或句点的字符串。[A-Za-z0-9\\.\\\_]
默认值：""（空字符串） |
| enc1\_vocab\_size | enc0 标记的词汇表大小。
**条件**
有效值：2 ≤ 整数 ≤ 3000000 |
| epochs | 要运行用于训练的纪元数。
**可选**
有效值：1 ≤ 整数 ≤ 100
默认值：30 |
| learning\_rate | 训练的学习率。
**可选**
有效值：1.0E-6 ≤ 浮点值 ≤ 1.0
默认值：0.0004 |
| mini\_batch\_size | 在训练期间将 `optimizer` 的数据集拆分成的批次大小。
**可选**
有效值：1 ≤ 整数 ≤ 10000
默认值：32 |
| mlp\_activation | 多层感知机 (MLP) 层的激活函数的类型。
**可选**
有效值：`tanh`、`relu` 或 `linear`[See the AWS documentation website for more details](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/object2vec-hyperparameters.html)
默认值：`linear` |
| mlp\_dim | MLP 层的输出维度。
**可选**
有效值：2 ≤ 整数 ≤ 10000
默认值：512 |
| mlp\_layers | 网络中的 MLP 层数。
**可选**
有效值：0 ≤ 整数 ≤ 10
默认值：2 |
| negative\_sampling\_rate | 为帮助训练算法而生成的负样本与用户提供的正样本的比率。负样本表示实际不太可能出现的数据，并在训练时标记为不正确的样本。它们有助于训练模型，以区分观察到的正样本和未观察到的负样本。要指定用于训练的负样本与正样本的比率，请将该值设置为正整数。例如，如果在所有样本都是正样本的输入数据上训练算法，并将 `negative_sampling_rate` 设置为 2，则 Object2Vec 算法在内部为每个正样本生成两个负样本。如果您不希望在训练期间生成或使用负样本，请将该值设置为 0。
**可选**
有效值：0 ≤ 整数
默认值：0 (关闭) |
| num\_classes | 用于分类训练的分类数。对于回归问题， SageMaker Amazon AI 会忽略这个超参数。
**可选**
有效值：2 ≤ 整数 ≤ 30
默认值：2 |
| optimizer | 优化程序类型。
**可选**
有效值：`adadelta`、`adagrad`、`adam`、`sgd` 或 `rmsprop`。[See the AWS documentation website for more details](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/object2vec-hyperparameters.html)
默认值：`adam` |
| output\_layer | 输出层的类型，您可以在其中指定任务是回归还是分类。
**可选**
有效值：`softmax` 或 `mean_squared_error`[See the AWS documentation website for more details](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/object2vec-hyperparameters.html)
默认值：`softmax` |
| tied\_token\_embedding\_weight | 是否将共享嵌入层用于两个编码器。如果两个编码器的输入使用相同的标记级单元，请使用共享标记嵌入层。例如，对于文档集合，如果一个编码器对句子进行编码，另一个编码器对整个文档进行编码，则可以使用共享标记嵌入层。这是因为，句子和文档都是由同一词汇表中的单词标记组成的。
**可选**
有效值：`True` 或 `False`
默认值：`False` |
| token\_embedding\_storage\_type | 在训练期间使用的梯度更新模式：在使用 `dense` 模式时，优化程序计算标记嵌入层的完整梯度矩阵，即使梯度的大多数行的值为零。在使用 `sparse` 模式时，优化程序仅存储实际在小批次中使用的梯度行。如果您希望算法执行延迟梯度更新（仅计算非零行中的梯度并加速训练），请指定 `row_sparse`。如果将该值设置为 `row_sparse`，则会限制其他超参数的可用值，如下所示：[See the AWS documentation website for more details](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/object2vec-hyperparameters.html)
**可选**
有效值：`dense` 或 `row_sparse`
默认值：`dense` |
| weight\_decay | 用于优化的权重衰减参数。
**可选**
有效值：0 ≤ 浮点值 ≤ 10000
默认值：0（无衰减） |