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。

# 语义分割超参数
<a name="segmentation-hyperparameters"></a>

下表列出了 Amazon A SageMaker I 语义分割算法支持的网络架构、数据输入和训练的超参数。您可以在 [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) 请求的 `AlgorithmName` 中为训练指定语义分割。

**网络架构超参数**


| 参数名称 | 说明 | 
| --- | --- | 
| backbone | 要用于算法的编码器组件的主干。<br />**可选**<br />有效值：`resnet-50`、`resnet-101`<br />默认值：`resnet-50` | 
| use\_pretrained\_model | 是否将预训练模型用于主干。<br />**可选**<br />有效值：`True`、`False`<br />默认值：`True` | 
| algorithm | 要用于语义分割的算法。<br />**可选**<br />有效值：[See the AWS documentation website for more details](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/segmentation-hyperparameters.html)<br />默认值：`fcn` | 

**数据超参数**


| 参数名称 | 说明 | 
| --- | --- | 
| num\_classes | 要分割的类的数量。<br />**必填**<br />有效值：2 ≤ 正整数 ≤ 254 | 
| num\_training\_samples | 训练数据中的示例数。该算法使用此值来设置学习率计划程序。<br />**必填**<br />有效值：正整数 | 
| base\_size | 定义裁剪前如何重新缩放图像。图像被重新缩放，以便将长尺寸长度设置为 `base_size` 乘以 0.5 到 2.0 之间的随机数，并计算短尺寸以保持长宽比。<br />**可选**<br />有效值：正整数 > 16<br />默认值：520 | 
| crop\_size | 训练期间输入的图像大小。我们将根据 `base_size` 随机重新缩放输入图像，然后按照边长等于 `crop_size` 进行随机的方形裁剪。`crop_size` 将自动舍入到 8 的倍数。<br />**可选**<br />有效值：正整数 > 16<br />默认值：240 | 

**训练超参数**


| 参数名称 | 说明 | 
| --- | --- | 
| early\_stopping | 是否在训练期间使用提前停止逻辑。<br />**可选**<br />有效值：`True`、`False`<br />默认值：`False` | 
| early\_stopping\_min\_epochs | 必须运行的纪元的最小数量。<br />**可选**<br />有效值：整数<br />默认值：5 | 
| early\_stopping\_patience | 在算法强制提前停止之前满足较低性能容差的纪元数。<br />**可选**<br />有效值：整数<br />默认值：4 | 
| early\_stopping\_tolerance | 如果训练作业分数 mIOU 的相对改善小于此值，则提前停止将纪元视为未改善。仅当 `early_stopping` = `True` 时使用。<br />**可选**<br />有效值：0 ≤ 浮点值 ≤ 1<br />默认值：0.0 | 
| epochs | 用于训练的纪元的数量。<br />**可选**<br />有效值：正整数<br />默认值：10 | 
| gamma1 | `rmsprop` 的平方梯度的移动平均值的衰减系数。仅用于 `rmsprop`。<br />**可选**<br />有效值：0 ≤ 浮点值 ≤ 1<br />默认值：0.9 | 
| gamma2 | `rmsprop` 的动量因子。<br />**可选**<br />有效值：0 ≤ 浮点值 ≤ 1<br />默认值：0.9 | 
| learning\_rate | 初始学习率。<br />**可选**<br />有效值：0 ≤ 浮点值 ≤ 1<br />默认值：0.001 | 
| lr\_scheduler | 学习率计划的形状，可控制其随时间的推移而减少。<br />**可选**<br />有效值：[See the AWS documentation website for more details](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/segmentation-hyperparameters.html)<br />默认值：`poly` | 
| lr\_scheduler\_factor | 如果 `lr_scheduler` 设置为 `step`，则为比率；在经过 `lr_scheduler_step` 指定的训练纪元数之后，`learning_rate` 降低（乘以）该比率。否则将忽略。<br />**可选**<br />有效值：0 ≤ 浮点值 ≤ 1<br />默认值：0.1 | 
| lr\_scheduler\_step | 一个逗号分隔的纪元数列表，在经过该纪元数后，`learning_rate` 减少（乘以）`lr_scheduler_factor`。例如，如果将值设置为 `"10, 20"`，则在第 10 个纪元之后，`learning-rate` 会降低 `lr_scheduler_factor`，在第 20 个纪元之后，再次降低该系数。<br />**有条件需要**：如果 `lr_scheduler` 设置为 `step`。否则将忽略。<br />有效值：字符串<br />默认值：（没有默认值，因为使用时需要该值。） | 
| mini\_batch\_size | 训练的批次大小。使用大型 `mini_batch_size` 通常会加快训练速度，但可能会导致内存不足。内存使用率受 `mini_batch_size` 和 `image_shape` 参数的值以及主干架构的影响。<br />**可选**<br />有效值：正整数 <br />默认值：16 | 
| momentum | `sgd` 优化程序的动量。当您使用其他优化程序时，语义分割算法将忽略此参数。<br />**可选**<br />有效值：0 ≤ 浮点值 ≤ 1<br />默认值：0.9 | 
| optimizer | 优化程序的类型。有关优化程序的更多信息，请选择相应的链接：[See the AWS documentation website for more details](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/segmentation-hyperparameters.html)<br />**可选**<br />有效值：`adam`，`adagrad`，`nag`，`rmsprop`，`sgd`<br />默认值：`sgd` | 
| syncbn | 如果设置为`True`，则将对整个过程中处理的所有样本计算批量归一化均值和方差 GPUs。<br />**可选** <br />有效值：`True`、`False`<br />默认值：`False` | 
| validation\_mini\_batch\_size | 验证的批次大小。大型 `mini_batch_size` 通常会加快训练速度，但可能会导致内存不足。内存使用率受 `mini_batch_size` 和 `image_shape` 参数的值以及主干架构的影响。[See the AWS documentation website for more details](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/segmentation-hyperparameters.html)<br />**可选**<br />有效值：正整数<br />默认值：16 | 
| weight\_decay | `sgd` 优化程序的权重衰减系数。当您使用其他优化程序时，算法将忽略此参数。<br />**可选**<br />有效值：0 < 浮点型 < 1<br />默认值：0.0001 |