深度学习常见训练参数

召回率(recall) == 92.1%,意味着ok图中7.9%被预测为ng
精确率(precision) =79.8%,意味着被认为是ok的图中有20.2%的ng图,即ng容易被检测成ok

batch_size
    每次迭代的训练样本数
    批处理中传输到设备内存的输入图像的数量
    当数据量足够大的时候可以适当的减小batch_size,由于数据量太大,内存不够。但盲目减少会导致无法收敛
    'pretrained_dl_classifier_alexnet.hdl'            230
    'pretrained_dl_classifier_compact.hdl'            160
    'pretrained_dl_classifier_enhanced.hdl'            96
    'pretrained_dl_classifier_mobilenet_v2.hdl'        40
    'pretrained_dl_classifier_resnet50.hdl'            23
    
*batch_size_multiplier
    batch_size的乘法器。(由于训练是利用完整的数据一次性完成的,而不是按批处理的,本参数值不影响)
    num =batch_size * batch_size_multiplier
    默认值:1
    
class_ids
    检测对象类
    
*class_weights
    类的权重
    一个类的权重越大,他在训练过程中的影响也就越大。
    
device
    深度学习运算符的设备的句柄
    
gpu
    执行训练和推理的GPU的标识符。
    默认情况下,将使用第一个可用的GPU。带有“cuda_devices”的get_system可用于检索可用GPU的列表。
    参数'gpu'仅在'runtime'='gpu'时考虑。
    默认值:0

*image_dimensions
    包含[image_height]、[image_width]
    
image_height
image_width
    训练图像的尺寸
    
image_num_channels
    训练图像的通道数
    RGB
    默认值:3

*image_range_max
*image_range_min
    输入图像的最大和最小灰度值
    
*input_dimensions
    返回一个字典,其中包含网络的所有输入维度
    
learning_rate
    当学习率设置的过小时,收敛过程将变得十分缓慢。而当学习率设置的过大时,梯度可能会在最小值附近来回震荡,甚至可能无法收敛。
    
*meta_data

momentum
    损失函数的动量参数。
    如果批量较小,动量应较高
    取值在[0,1)

num_classes
    类的数量
    默认值:3

*num_trainable_params

*optimize_for_inference

*precision
    定义内部用于计算深度学习模型的前向传递的数据类型。
    默认值:float32
    
*precision_is_converted

runtime
    定义将在其上执行深度学习运算符的设备。
    cpu、gpu
    默认值:gpu
    
*summary

*type
    模型类型
    anomaly_detection异常检测、classification分类、detection检测、segmentation分段
    
weight_prior
    用于损失函数 正则化的正则化参数
    在分类器训练过程中存在过度拟合的情况下,正则化很有帮助

complexity
    模型处理更复杂应用程序的能力
    更高的值允许模型表示显示更复杂的图像
    复杂度越大准确率越高
    默认值:15
    
*standard_deviation_factor
    默认值:3.0
    
*backbone_docking_layers
    
class_names
    类的名字
    
*extract_feature_maps
    
anchor_angles
    锚点的方向角
    角度的数量越大,锚的数量就越多
    默认值:0.0
        
anchor_aspect_ratios
    锚的长宽比
    默认值:1.0,2.0,0.5
        
anchor_num_subscales
    子尺度锚数量
    使用的不同级别生成锚的不同大小的数量
    num = |anchor_aspect_ratios| * anchor_num_subscales
    默认值:3
        
    backbone
    
bbox_heads_weight
class_heads_weight
    计算总损失的加权因子
    默认值:1.0
        
capacity
    滤波器权重
    high、medium、low        
    默认值:high
    
*class_ids_no_orientation
    类的方向
    
*freeze_backbone_level
    训练期间保持权重的骨干级别。
    默认值:2
    
*instance_type
    对象模型使用的实例类型
    默认值:rectangle1
    
max_level
min_level
    附加网络附着在特征棱锥体上的级别
    默认值:6,2
    
max_num_detections
    从网络提出的每个图像的最大检测次数
    默认值:100
    
max_overlap
    同一类的两个预测边界框的并集上允许的最大交集
    默认值:0.5
    
*max_overlap_class_agnostic
    两个预测边界框的最大允许并集交集
    默认值:1.0
    
min_confidence
    当对边界框内的图像部分进行分类以保持所提出的边界框时,该参数确定最小置信度
    默认值:0.5
    
ignore_direction
    此参数确定对于定向边界框是否也考虑对象在边界框内的方向
    true,false
    默认值:false
    
*ignore_class_ids

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值