Translation not up to date
The translation of this page does not represent the latest version. For the latest updates, see the English version of the documentation.
Last updated: 19. 6. 2023
Definice hyperparametrů použitých při odborném vzdělávání. Lze použít jednu nebo více těchto voleb hyperparametrů, v závislosti na vašem rámci a způsobu fúze.
| Hyperparametry | Popis |
|---|---|
| Náboje | Vnitřní hodnota. Počet iterací školení, které mají být dokončeny mezi agregátorem a vzdálenými systémy. |
| Přesnost ukončení (volitelné) | Hodnota typu float. Vezme hodnotu model_accuracy a porovná ji s číselnou hodnotou. Je-li podmínka splněna, pak je experiment dokončen brzy. Například, termination_predicate: accuracy >= 0.8 dokončí pokus, když je průměr přesnosti modelu pro zúčastněné strany větší nebo roven 80%. V současné době Produkt Federated Learning přijímá pouze jeden typ podmínky předčasného ukončení (přesnost modelu) pouze pro modely klasifikace. |
| Kvorum (volitelné) | Hodnota typu float. Přechod s tréninkem modelu poté, co agregátor dosáhne určitého poměru mezi odpověďmi strany. Vezme desetinnou hodnotu mezi 0-1. Výchozí nastavení je 1. Trénovací výcvik začíná až poté, co strana odezvy dosáhne uvedené hodnoty poměru. Chcete-li například nastavit tuto hodnotu na 0.5 , spustí se školení po 50% registrovaných stran na volání agregátoru. |
| Maximální časový limit (volitelné) | Vnitřní hodnota. Ukončí test sdruženého učení, pokud čekací doba pro odpovědi strany překročí tuto hodnotu v sekundách. Vezme číselnou hodnotu až na 43200. Pokud je tato hodnota v sekundách úspěšná a poměr quorum není dosažen, je pokus ukončen. Například, max_timeout = 1000 ukončí experiment po 1000 sekundách, pokud účastníci v této době neodpoví. |
| Přesnost náčrtu vs soukromí (volitelné) | Hodnota typu float. Používá se s tréninkem XGBoost k řízení relativní přesnosti nakreslených dat odeslaných na agregátor. Vezme desetinnou hodnotu mezi 0 a 1. Vyšší hodnoty povedou k vyšším kvalitativním modelům, ale ke snížení soukromí dat a ke zvýšení spotřeby zdrojů. |
| Počet tříd | Vnitřní hodnota. Počet cílových tříd pro model klasifikace. Povinné, pokud je hyperparametr "Ztráta": - auto - binary_crossentropy- categorical_crossentropy |
| Míra učení | Desetinná hodnota. Rychlost výuky, známá také jako smrštění. To se používá jako multiplikativní faktor pro nejnižší hodnoty nejnižších prvků dimenze. |
| Ztráta | Řetězcová hodnota. Funkce ztráty pro použití v procesu zvyšování. - binary_crossentropy (také známý jako logistická ztráta) se používá pro binární klasifikaci.- categorical_crossentropy se používá pro klasifikaci více znaků. - auto volí buď ztrátovou funkci v závislosti na povaze problému. - least_squares se používá k regresi. |
| Max. počet IP | Vnitřní hodnota. Celkový počet průchodů nad místní výcvikovou datovou sadou pro vlak Scikit-učit se model. |
| Klastr N | Vnitřní hodnota. Počet klastrů, které mají být vytvořeny, a počet centroidů, které se mají generovat. |
| Epoch (volitelné) | Vnitřní hodnota. Počet lokálních iterací školení, které mají být předformovány každou vzdálenou stranou pro každé kolo. Například, pokud nastavíte Rounds na 2 a Epochs na 5, všechny vzdálené strany se vycvičí lokálně 5 krát, než se model odešle na agregátor. V kolu 2 je model agregátoru lokálně vyškolen všemi stranami 5 krát a znovu odeslán na agregátor. |
| sigma | Hodnota typu float. Určuje, jak daleko jsou lokální modelové neurony povoleny z globálního modelu. Větší hodnota umožňuje více porovnávání a vytváří menší globální model. Předvolba je 1. |
| sigma0 | Hodnota typu float. Definuje povolenou odchylku globálních síťových neuronů. Předvolba je 1. |
| Gama | Hodnota typu float. Indický parametr procesu Buffet, který kontroluje očekávaný počet funkcí v každém pozorování. Předvolba je 1. |
Nadřízené téma: Rámce, metody jaderné syntézy a verze Python