Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Hiperparameter NTM
Tabel berikut mencantumkan hiperparameter yang dapat Anda atur untuk algoritme Amazon SageMaker AI Neural Topic Model (NTM).
| Nama Parameter | Deskripsi |
| --- | --- |
| `feature_dim` | Ukuran kosakata dari dataset.
**Diperlukan**
Nilai yang valid: Bilangan bulat positif (min: 1, maks: 1.000.000) |
| num\_topics | Jumlah topik yang diperlukan.
**Diperlukan**
Nilai yang valid: Bilangan bulat positif (min: 2, maks: 1000) |
| batch\_norm | Apakah akan menggunakan normalisasi batch selama pelatihan.
**Opsional**
Nilai yang valid: *benar* atau *salah*
Nilai default: *false* |
| clip\_gradient | Besarnya maksimum untuk setiap komponen gradien.
**Opsional**
Nilai yang valid: Float (min: 1e-3)
Nilai default: Infinity |
| encoder\_layers | Jumlah lapisan dalam encoder dan ukuran output dari setiap lapisan. Ketika diatur ke *auto*, algoritma menggunakan dua lapisan ukuran 3 x `num_topics` dan 2 x `num_topics` masing-masing.
**Opsional**
*Nilai yang valid: Comma-separated daftar bilangan bulat positif atau auto*
Nilai default: *auto* |
| encoder\_layers\_activation | Fungsi aktivasi untuk digunakan dalam lapisan encoder.
**Opsional**
Nilai valid: + `sigmoid`: Fungsi [sigmoid](https://en.wikipedia.org/wiki/Sigmoid_function)
+ `tanh`: [Tangen hiperbolik](https://en.wikipedia.org/wiki/Hyperbolic_function#Hyperbolic_tangent)
+ `relu`: Unit [linier yang diperbaiki](https://en.wikipedia.org/wiki/Rectifier_(neural_networks))
Nilai default: `sigmoid` |
| epochs | Jumlah maksimum lintasan atas data pelatihan.
**Opsional**
Nilai yang valid: Bilangan bulat positif (min: 1)
Nilai default: 50 |
| learning\_rate | Tingkat pembelajaran untuk pengoptimal.
**Opsional**
Nilai yang valid: Float (min: 1e-6, maks: 1.0)
Nilai default: 0,001 |
| mini\_batch\_size | Jumlah contoh di setiap batch mini.
**Opsional**
Nilai yang valid: Bilangan bulat positif (min: 1, maks: 10000)
Nilai default: 256 |
| num\_patience\_epochs | Jumlah zaman berturut-turut di mana kriteria penghentian awal dievaluasi. Penghentian awal dipicu ketika perubahan fungsi kerugian turun di bawah yang ditentukan `tolerance` dalam `num_patience_epochs` jumlah epoch terakhir. Untuk menonaktifkan penghentian awal, atur `num_patience_epochs` ke nilai yang lebih besar dari`epochs`.
**Opsional**
Nilai yang valid: Bilangan bulat positif (min: 1)
Nilai default: 3 |
| optimizer | Pengoptimal untuk digunakan untuk pelatihan.
**Opsional**
Nilai valid:+ `sgd`: [Penurunan gradien stokastik](https://en.wikipedia.org/wiki/Stochastic_gradient_descent)
+ `adam`: Estimasi [momentum adaptif](https://en.wikipedia.org/wiki/Stochastic_gradient_descent#Adam)
+ `adagrad`: [Algoritma gradien adaptif](https://en.wikipedia.org/wiki/Stochastic_gradient_descent#AdaGrad)
+ `adadelta`: [Algoritma tingkat pembelajaran adaptif](https://arxiv.org/pdf/1212.5701.pdf)
+ `rmsprop`: [Perbanyakan kuadrat rata-rata akar](https://en.wikipedia.org/wiki/Stochastic_gradient_descent#RMSProp)
Nilai default: `adadelta` |
| rescale\_gradient | Faktor penskalaan ulang untuk gradien.
**Opsional**
Nilai yang valid: float (min: 1e-3, maks: 1.0)
Nilai default: 1.0 |
| sub\_sample | Fraksi data pelatihan untuk sampel untuk pelatihan per zaman.
**Opsional**
Nilai yang valid: Float (min: 0.0, max: 1.0)
Nilai default: 1.0 |
| tolerance | Perubahan relatif maksimum dalam fungsi kerugian. Penghentian awal dipicu ketika perubahan fungsi kerugian turun di bawah nilai ini dalam `num_patience_epochs` jumlah zaman terakhir.
**Opsional**
Nilai yang valid: Float (min: 1e-6, maks: 0.1)
Nilai default: 0,001 |
| weight\_decay | Koefisien peluruhan berat. Menambahkan regularisasi L2.
**Opsional**
Nilai yang valid: Float (min: 0.0, max: 1.0)
Nilai default: 0.0 |