本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 調整物件偵測 - TensorFlow 模型
<a name="object-detection-tensorflow-tuning"></a>

*自動模型調校*，又稱為超參數調校，會透過在您的資料集上，執行許多測試超參數範圍的任務，來尋找最佳版本的模型。您可以選擇可調校的超參數、每一個超參數的值範圍，及目標指標。您可以從演算法運算的指標中選擇目標指標。自動模型調校會搜尋所選擇的超參數，以找出產生之模型可最佳化目標指標的值組合。

如需模型調校的詳細資訊，請參閱[使用 SageMaker AI 執行自動模型調校](automatic-model-tuning.md)。

## 依物件偵測 - TensorFlow 演算法運算的指標
<a name="object-detection-tensorflow-metrics"></a>

請參閱下方圖表，找出由物件偵測 - TensorFlow 演算法所運算的指標。


| 指標名稱 | 說明 | 最佳化方向 | 正則表達式 | 
| --- | --- | --- | --- | 
| validation:localization\_loss | 方塊預測的本地化損失。 | 最小化 | `Val_localization=([0-9\\.]+)` | 

## 可調整物件偵測 - TensorFlow 超參數
<a name="object-detection-tensorflow-tunable-hyperparameters"></a>

使用下列超參數調整物件偵測模型。對物件偵測目標指標帶來最大影響的超參數為：`batch_size`、`learning_rate` 和 `optimizer`。根據選取的 `optimizer`，調校與最佳化工具相關的超參數，例如 `momentum`、`regularizers_l2`、`beta_1`、`beta_2` 和 `eps`。例如，只在 `adam` 為 `optimizer` 時，才使用 `beta_1` 和 `beta_2`。

如需每個 `optimizer` 中使用了哪些超參數的詳細資訊，請參閱[物件偵測 - TensorFlow 超參數](object-detection-tensorflow-Hyperparameter.md)。


| 參數名稱 | 參數類型 | 建議範圍 | 
| --- | --- | --- | 
| batch\_size | IntegerParameterRanges | MinValue：8、MaxValue：512 | 
| beta\_1 | ContinuousParameterRanges | MinValue：1e-6、MaxValue：0.999 | 
| beta\_2 | ContinuousParameterRanges | MinValue：1e-6、MaxValue：0.999 | 
| eps | ContinuousParameterRanges | MinValue：1e-8、MaxValue：1.0 | 
| learning\_rate | ContinuousParameterRanges | MinValue：1e-6、MaxValue：0.5 | 
| momentum | ContinuousParameterRanges | MinValue：0.0、MaxValue：0.999 | 
| optimizer | CategoricalParameterRanges | ['sgd', ‘adam’, ‘rmsprop’, 'nesterov', 'adagrad', 'adadelta'] | 
| regularizers\_l2 | ContinuousParameterRanges | MinValue：0.0、MaxValue：0.999 | 
| train\_only\_on\_top\_layer | CategoricalParameterRanges | ["True", "False"] | 
| initial\_accumulator\_value | CategoricalParameterRanges | MinValue：0.0、MaxValue：0.999 |