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。

# 文字分類 - TensorFlow 超參數
<a name="text-classification-tensorflow-Hyperparameter"></a>

超參數是在機器學習模型開始學習之前設定的參數。Amazon SageMaker AI 內建物件偵測 - TensorFlow 演算法支援下列超參數。如需有關超參數調校的資訊，請參閱[調校文字分類 - TensorFlow 模型](text-classification-tensorflow-tuning.md)。


| 參數名稱 | Description | 
| --- | --- | 
| batch\_size | 訓練的批次大小。以多個 GPU 在執行個體進行訓練時，會在整個 GPU 中使用此批次大小。<br />有效值：正整數。<br />預設值：`32`。 | 
| beta\_1 | `"adam"` 和 `"adamw"` 最佳化工具的 beta1。代表第一時間預估的指數衰減率。若是其他最佳化工具則忽略。<br />有效值：浮動、範圍：[`0.0`,`1.0`]。<br />預設值：`0.9`。 | 
| beta\_2 | `"adam"` 和 `"adamw"` 最佳化工具的 beta2。代表第二時間預估的指數衰減率。若是其他最佳化工具則忽略。<br />有效值：浮動、範圍：[`0.0`,`1.0`]。<br />預設值：`0.999`。 | 
| dropout\_rate | 頂部分類層中退出層的退出率。僅在將 `reinitialize_top_layer` 設定為 `"True"` 時使用。<br />有效值：浮動、範圍：[`0.0`, `1.0`]。<br />預設值：`0.2` | 
| early\_stopping | 設定為 `"True"` 以在訓練期間使用提前停止邏輯。如果 `"False"`，則未使用提前停止。<br />有效值：字串，可以是任一：(`"True"` 或 `"False"`)。<br />預設值：`"False"`。 | 
| early\_stopping\_min\_delta | 符合改善資格所需的變更下限。小於 early\_stopping\_min\_delta 值的絕對變更不符合改善資格。僅在 early\_stopping 設為 "True" 時才使用。有效值：浮動、範圍：[`0.0`, `1.0`]。<br />預設值：`0.0`。 | 
| early\_stopping\_patience | 在沒有任何改善的情況下，繼續訓練的週期數量。僅在 `early_stopping` 設為 `"True"` 時才使用。<br />有效值：正整數。<br />預設值：`5`。 | 
| epochs | 訓練 epoch 的數量。<br />有效值：正整數。<br />預設值：`10`。 | 
| epsilon | 用於 `"adam"`、`"rmsprop"`、`"adadelta"` 和 `"adagrad"` 最佳化工具的 epsilon。通常會設定為較小值，避免要將該值除以 0。若是其他最佳化工具則忽略。<br />有效值：浮動、範圍：[`0.0`,`1.0`]。<br />預設值：`1e-7`。 | 
| initial\_accumulator\_value | 累加器的起始值或 `"adagrad"` 最佳化工具的每個參數動量值。若是其他最佳化工具則忽略。<br />有效值：浮動、範圍：[`0.0`,`1.0`]。<br />預設值：`0.0001`。 | 
| learning\_rate | 最佳化工具的學習速率。有效值：浮動、範圍：[`0.0`,`1.0`]。<br />預設值：`0.001`。 | 
| momentum | `"sgd"` 和 `"nesterov"` 最佳化工具的動量。若是其他最佳化工具則忽略。<br />有效值：浮動、範圍：[`0.0`,`1.0`]。<br />預設值：`0.9`。 | 
| optimizer | 最佳化工具類型。如需更多資訊，請參閱 TensorFlow 文件中的[最佳化工具](https://www.tensorflow.org/api_docs/python/tf/keras/optimizers)。<br />有效值：字串，下列任何一項：(`"adamw"`、`"adam"`、`"sgd"`、`"nesterov"`、`"rmsprop"`、` "adagrad"`、`"adadelta"`)。<br />預設值：`"adam"`。 | 
| regularizers\_l2 | 分類層中密集層的 L2 正規化因素。僅在 `reinitialize_top_layer` 設為 `"True"` 時才使用。<br />有效值：浮動、範圍：[`0.0`, `1.0`]。<br />預設值：`0.0001`。 | 
| reinitialize\_top\_layer | 如果設定為 `"Auto"`，則在微調期間重新初始化頂部分類層參數。對於增量訓練，除非設定為 `"True"`，否則不會重新初始化頂部分類層參數。<br />有效值：字串，下列任一項：(`"Auto"`、`"True"` 或 `"False"`)。<br />預設值：`"Auto"`。 | 
| rho | `"adadelta"` 和 `"rmsprop"`最佳化工具的漸層折扣因素。若是其他最佳化工具則忽略。<br />有效值：浮動、範圍：[`0.0`,`1.0`]。<br />預設值：`0.95`。 | 
| train\_only\_on\_top\_layer | 如果 `"True"`，則僅對頂部分類層參數進行微調。如果 `"False"`，則微調所有模型參數。<br />有效值：字串，可以是：(`"True"` 或 `"False"`)。<br />預設值：`"False"`。 | 
| validation\_split\_ratio | 要隨機分割以建立驗證資料的訓練資料分數。只有在未透過 `validation` 頻道提供驗證資料時才使用。<br />有效值：浮動、範圍：[`0.0`,`1.0`]。<br />預設值：`0.2`。 | 
| warmup\_steps\_fraction | 漸層更新步驟總數的分數，其中學習速率從 0 增加到初始學習速率作為暖機。僅與 `adamw` 最佳化工具搭配使用。<br />有效值：浮點數，範圍：[`0.0`,`1.0`]。<br />預設值：`0.1`。 |