Punktwolken-Klassifizierungsmodell trainieren (3D Analyst)

Zusammenfassung

Trainiert ein Deep-Learning-Modell für die Punktwolkenklassifizierung.

Weitere Informationen zum Trainieren eines Punktwolken-Klassifizierungsmodells

Verwendung

• Für dieses Werkzeug muss Deep Learning Essentials installiert sein. Darin werden mehrere Lösungen für neuronale Netzwerke bereitgestellt, zu denen neurale Architekturen zum Klassifizieren von Punktwolken gehören.

  Informationen zum Einrichten des Computers für Deep-Learning-Frameworks in ArcGIS AllSource finden Sie unter Installieren von Deep-Learning-Frameworks for ArcGIS.

• Das Punktwolken-Klassifizierungsmodell kann mit einer CUDA-fähigen NVIDIA-Grafikkarte oder der CPU trainiert werden. Bei Verwendung der GPU ergeben sich in der Regel kürzere Rechenzeiten als bei Verwendung der CPU. Verwenden Sie die CPU nur, wenn keine GPU verfügbar ist. Wenn Sie zum Training die CPU verwenden, verwenden Sie zunächst die RandLA-Net-Architektur, da diese weniger Speicher verwendet als PointCNN. Sie können auch mit dem kleinstmöglichen Trainingsgebiet experimentieren, um vor dem Training mit dem vollständigen Dataset den Zeitbedarf für die Verarbeitung der Daten zu schätzen.

• Wenn Sie auf einem Computer mit mehreren Grafikkarten die GPU zum Trainieren eines Modells verwenden, wählt das Werkzeug die schnellste dieser Grafikkarten aus. Sie können die GPU auch mit der Umgebungseinstellung "GPU-ID" angeben. Wenn der Computer über mehrere Grafikkarten verfügt, können Sie die Trainings-Performance maximieren, indem Sie die Grafikkarte mit den meisten Datenverarbeitungsressourcen für das Training und die mit weniger Ressourcen für die Bildschirmanzeige auswählen. Wenn die ausgewählte GPU auch für die Bildschirmanzeige verwendet wird und während des Trainings das Betriebssystem oder Anwendungen den Bildschirm verwenden, verringert sich der verfügbare Speicher.

• Der Einsatz eines vortrainierten Modells hat Vorteile. Dies gilt insbesondere, wenn Ihre Daten, Ihre Zeit oder Ihre Rechenressourcen beschränkt sind. Vortrainierte Modelle verringern die Notwendigkeit eines intensiven Trainings und bieten einen zuverlässigen Ausgangspunkt, mit dem die Erstellung eines nützlichen Modells beschleunigt werden kann. Zum Verwenden eines vortrainierten Modells müssen die neuen Trainingsdaten mit dem vortrainierten Modell kompatibel sein. Stellen Sie sicher, dass die neuen Trainingsdaten dieselben Attribute und Klassencodes wie die Trainingsdaten aufweisen, aus denen das vortrainierte Modell erstellt wurde. Wenn Klassencodes in den Trainingsdaten nicht mit den Klassen im vortrainierten Modell übereinstimmen, müssen die Klassen der Trainingsdaten entsprechend neu zugeordnet werden.

• Bei Ausführung des Werkzeugs wird in der Fortschrittsmeldung die folgende Statistik der Trainingsergebnisse zurückgegeben, die in den einzelnen Epochen erreicht wurden:

  • Epoche: Die Nummer der Epoche, mit der das Ergebnis verknüpft ist
  • Trainingsverlust: Das Ergebnis der Entropieverlustfunktion, deren Durchschnitt für die Trainingsdaten ermittelt wurde
  • Validierungsverlust: Das Ergebnis der Entropieverlustfunktion, die bei der Anwendung des in der Epoche mit den Validierungsdaten trainierten Modells bestimmt wurde
  • Accuracy: Der Anteil der Punkte in den Validierungsdaten, die von dem in der Epoche trainierten Modell richtig klassifiziert wurden (True Positives), im Verhältnis zu allen Punkten in den Validierungsdaten
  • Precision: Der Makrodurchschnitt der Precision für alle Klassencodes
  • Recall: Der Makrodurchschnitt des Recalls für alle Klassencodes
  • F-Maß: Das harmonische Mittel des Makrodurchschnitts der Precision- und Recall-Werte für alle Klassencodes

  Ein Modell mit geringem Trainingsverlust, jedoch hohem Validierungsverlust hat eine Überanpassung der Trainingsdaten zum Ergebnis. Dabei erkennt das Modell Muster aus Artefakten in den Trainingsdaten, sodass mit dem Modell keine guten Ergebnisse für die Validierungsdaten erzielt werden. Ein Modell mit hohem Trainingsverlust und hohem Validierungsverlust resultiert in einer Unteranpassung der Trainingsdaten. Dadurch werden im Grunde keine Muster erlernt, mit denen ein brauchbares Modell erzielt wird.

  Weitere Informationen zur Ergebnisauswertung beim Trainieren von Punktwolken

• Es wird ein Ordner erstellt, in dem die Kontrollpunktmodelle gespeichert werden. Dabei handelt es sich um Modelle, die am Ende jeder Epoche erstellt werden. Der Name dieses Ordners entspricht dem des Modells mit dem Suffix .checkpoints. Er wird im Parameterwert Speicherort des Ausgabemodells gespeichert. Nach Abschluss des Trainings wird im Kontrollpunktordner eine CSV-Tabelle mit einem Namen erstellt, der mit dem Wert Name des Ausgabemodells beginnt und mit _stats.csv endet. Diese Tabelle enthält die folgenden Felder, die sich auf die Ergebnisse beziehen, die für die einzelnen Klassencodes erhalten wurden:

  • Epoch: Die Nummer der Epoche, die mit den Ergebnissen in der Zeile verknüpft ist. Dieser Wert entspricht dem Modell, das im Verzeichnis für die Kontrollpunktmodelle erstellt wird. Die Ergebnisse werden erzielt, indem das in der Epoche trainierte Modell auf die Validierungsdaten angewendet wird.
  • Class_Code: Der Klassencode, für den die Ergebnisse aufgezeichnet werden.
  • Precision: Das Verhältnis von korrekt klassifizierten Punkten (True Positives) zu allen klassifizierten Punkten (True Positives und False Positives).
  • Recall: Das Verhältnis von korrekt klassifizierten Punkten (True Positives) zu allen Punkten, die mit diesem Wert hätten klassifiziert werden sollen (True Positives und False Negatives).
  • F1_Score: Das harmonische Mittel des Precision- und des Recall-Wertes.

• Der für das Training verwendete dedizierte Speicher ergibt sich aus dem Speicher, der vom Deep-Learning-Framework zugewiesen wurde, plus dem Umfang der Daten, die in jedem Batch einer Iteration für eine Epoche verarbeitet werden. Die Größe der Daten in jedem Batch hängt von mehreren Faktoren ab: der Anzahl an zusätzlichen Punktattributen, die im Parameter Attributauswahl angegeben sind, der Gesamtanzahl von Punkten in einem Block sowie die im Parameter Batch-Größe angegebene Anzahl an Blocks, die in jedem Batch verarbeitet werden. Die maximale Anzahl an Punkten pro Block wird beim Export der Trainingsdaten bestimmt. Beim Einschätzen des Speicherbedarfs für den Trainingsvorgang sollte für diesen Wert ein Schätzwert verwendet werden.

• Die Option Relative Höhe des Parameters Attributauswahl ist ein Attribut, das die Höhe eines Punktes von einer Bezugsfläche identifiziert, z. B. ein Höhenmodell der unbebauten Erdoberfläche. Die Verwendung dieses Attributs kann möglicherweise die Fähigkeit des Modells verbessern, Richtungsbeziehungen während des Trainingsprozesses zu erlernen.

Parameter

Dialogfeld

Beschriftung	Erläuterung	Datentyp
Eingabe-Trainingsdaten	Die Punktwolken-Trainingsdaten (*.pctd-Datei), mit denen das Klassifizierungsmodell trainiert wird.	File
Speicherort des Ausgabemodells	Ein vorhandener Ordner, in dem das neue Verzeichnis mit dem Deep-Learning-Modell gespeichert wird.	Folder
Name des Ausgabemodells	Der Name der ausgegebenen Esri Modelldefinitionsdatei (*.emd), des Deep-Learning-Pakets (*.dlpk) und des Verzeichnisses, das zur Speicherung der Dateien erstellt wird.	String
Vortrainiertes Modell (optional)	Das vortrainierte Modell, das optimiert wird. Wird ein vortrainiertes Modell angegeben, müssen die Eingabe-Trainingsdaten dieselben Angaben für Attribute, Klassencodes und maximale Anzahl an Punkten aufweisen wie die Trainingsdaten, aus denen das vortrainierte Modell erstellt wurde.	File
Attributauswahl (optional)	Gibt die Punktattribute an, die zum Trainieren des Modells verwendet werden. Nur die Attribute, die in den Punktwolken-Trainingsdaten vorhanden sind, stehen zur Verfügung. Standardmäßig werden keine zusätzlichen Attribute einbezogen. Intensität—Verwendet wird der Messwert der Magnitude aus der Rückgabe des LIDAR-Impulses. Rückgabenummer—Verwendet wird die Ordinalposition des Punktes, der aus einem bestimmten LIDAR-Impuls abgerufen wird. Anzahl an Rückgaben—Verwendet wird die Gesamtzahl der LIDAR-Rückgaben, die in dem Impuls, der mit einem bestimmten Punkt verknüpft ist, als Punkte identifiziert wurden. Rotes Band—Der Wert des roten Bandes aus einer Punktwolke mit Farbinformationen wird verwendet. Grünes Band—Der Wert des grünen Bandes aus einer Punktwolke mit Farbinformationen wird verwendet. Blaues Band—Der Wert des blauen Bandes aus einer Punktwolke mit Farbinformationen wird verwendet. Nahinfrarot-Band—Der Wert des nahinfraroten Bandes aus einer Punktwolke mit Farbinformationen wird verwendet. Relative Höhe—Die relative Höhe jedes Punktes in Bezug auf eine Bezugsfläche, in der Regel ein DEM der unbebauten Erdoberfläche, wird verwendet.	String
Minimale Anzahl an Punkten pro Block (optional)	Die minimale Anzahl an Punkten, die in einem bestimmten Block vorhanden sein müssen, damit er beim Modelltraining verwendet wird. Die Standardeinstellung ist 0.	Long
Klassenneuzuordnung (optional)	Definiert, wie Klassencodewerte vor dem Training des Deep-Learning-Modells neuen Werten zugeordnet werden.	Value Table
Relevante Klassencodes (optional)	Die Klassencodes, die zum Filtern der Blöcke in den Trainingsdaten verwendet werden. Wenn relevante Klassencodes angegeben werden, werden alle anderen Klassencodes dem Hintergrund-Klassencode neu zugeordnet.	Long
Hintergrund-Klassencode (optional)	Der Klassencodewert, der für alle anderen Klassencodes verwendet wird, wenn relevante Klassencodes angegeben wurden.	Long
Klassenbeschreibung (optional)	Hier wird beschrieben, was die einzelnen Klassencodes in den Trainingsdaten darstellen.	Value Table
Kriterien für die Modellauswahl (optional)	Gibt die statistische Grundlage für die Bestimmung des finalen Modells an. Validierungsverlust—Das Modell, das bei Anwendung der Entropieverlustfunktion auf die Validierungsdaten das niedrigste Ergebnis aufweist, wird verwendet. Recall—Das Modell, das für alle Klassencodes den besten Makrodurchschnitt des Recalls aufweist, wird verwendet. Der Recall-Wert der einzelnen Klassencodes bestimmt sich aus dem Verhältnis der korrekt klassifizierten Punkte (True Positives) zur Gesamtzahl der Punkte, die mit diesem Wert klassifiziert werden sollten (erwartete Positives). Dies ist die Standardeinstellung. F-Maß—Das Modell, das das beste harmonische Mittel zwischen dem Makrodurchschnitt der Precision- und Recall-Werte für alle Klassencodes aufweist, wird verwendet. Dadurch wird ein Gleichgewicht zwischen Precision und Recall erzielt, was wiederum eine bessere Gesamtperformance ergibt. Precision—Das Modell, das für alle Klassencodes den besten Makrodurchschnitt der Precision aufweist, wird verwendet. Der Precision-Wert der einzelnen Klassencodes bestimmt sich aus dem Verhältnis der korrekt klassifizierten Punkte (True Positives) zur Gesamtzahl der klassifizierten Punkte (True Positives und False Positives). Accuracy—Das Modell mit dem höchsten Anteil an korrekt klassifizierten Punkten im Verhältnis zu allen Punkten in den Validierungsdaten wird verwendet.	String
Maximale Anzahl an Epochen (optional)	Gibt an, wie oft der Datenblock vorwärts und rückwärts durch das neuronale Netzwerk geleitet wird. Die Standardeinstellung ist 25.	Long
Iterationen pro Epoche (%) (optional)	Der Prozentsatz an Daten, der in jeder Trainingsepoche verarbeitet wird. Die Standardeinstellung ist 100.	Double
Lernrate (optional)	Die Rate, mit der vorhandene Informationen durch neu erworbene Informationen überschrieben werden. Ist kein Wert angegeben, wird die optimale Lernrate während des Trainingsprozesses aus der Lernkurve extrahiert. Dies ist die Standardeinstellung.	Double
Batch-Größe (optional)	Die Anzahl an Trainingsdatenblöcken, die jeweils zu einem bestimmten Zeitpunkt verarbeitet werden. Die Standardeinstellung ist 2.	Long
Training beenden, wenn sich das Modell nicht mehr verbessert (optional)	Gibt an, ob das Modelltraining beendet wird, wenn der im Parameter Kriterien für die Modellauswahl angegebene Kennwert nach fünf aufeinanderfolgenden Epochen keine weitere Verbesserung registriert. Aktiviert: Das Modelltraining wird beendet, wenn sich das Modell nicht mehr verbessert. Dies ist die Standardeinstellung. Deaktiviert: Das Modelltraining wird fortgesetzt, bis die maximale Anzahl an Epochen erreicht wird.	Boolean
Lernratenstrategie (optional)	Gibt an, wie sich die Lernrate während des Trainings verändert. Lernrate mit einem Zyklus—Die Lernrate durchläuft die einzelnen Epochen mithilfe der Fast.AI-Implementierung der 1cycle-Technik für das Training neuronaler Netzwerke zur Verbesserung des Trainings von Convolutional Neural Networks. Dies ist die Standardeinstellung. Feste Lernrate—Diese Lernrate wird während des gesamten Trainingsprozesses verwendet.	String
Modellarchitektur (optional)	Gibt die Architektur des neuronalen Netzwerks an, die zum Trainieren des Modells verwendet wird. Bei Angabe eines vortrainierten Modells wird die zum Erstellen des vortrainierten Modells verwendete Architektur automatisch festgelegt. PointCNN—Die PointCNN-Architektur wird verwendet. RandLA-Net—Die RandLA-Net-Architektur wird verwendet. RandLA-Net basiert auf den Prinzipien der zufälligen Stichprobe und der lokalen Feature-Aggregation. Dies ist die Standardeinstellung. Semantic Query Network—Die SQN-Architektur (Semantic Query Network) wird verwendet. Anders als bei anderen Architekturen neuraler Netzwerke ist für SQN keine umfassende Klassifizierung der Trainingsdaten erforderlich.	String

Abgeleitete Ausgabe

Beschriftung	Erläuterung	Datentyp
Ausgabemodell	Das resultierende Modell, das von diesem Werkzeug erstellt wird	File
Ausgabe-Modellstatistiken	Die .csv-Datei mit Precision, Recall und F-Maß für die einzelnen Klassencodes und Epochen.	Text File
Ausgabe-Epochenstatistiken	Die .csv-Datei, die den Trainingsverlust, den Validierungsverlust, die Accuracy, Precision, Recall und F-Maße, die in den einzelnen Epochen erzielt wurden, enthält.	Text File

Python

arcpy.ddd.TrainPointCloudClassificationModel(in_training_data, out_model_location, out_model_name, {pretrained_model}, {attributes}, {min_points}, {class_remap}, {target_classes}, {background_class}, {class_descriptions}, {model_selection_criteria}, {max_epochs}, {epoch_iterations}, {learning_rate}, {batch_size}, {early_stop}, {learning_rate_strategy}, {architecture})

Name	Erläuterung	Datentyp
in_training_data	Die Punktwolken-Trainingsdaten (*.pctd-Datei), mit denen das Klassifizierungsmodell trainiert wird.	File
out_model_location	Ein vorhandener Ordner, in dem das neue Verzeichnis mit dem Deep-Learning-Modell gespeichert wird.	Folder
out_model_name	Der Name der ausgegebenen Esri Modelldefinitionsdatei (*.emd), des Deep-Learning-Pakets (*.dlpk) und des Verzeichnisses, das zur Speicherung der Dateien erstellt wird.	String
pretrained_model (optional)	Das vortrainierte Modell, das optimiert wird. Wird ein vortrainiertes Modell angegeben, müssen die Eingabe-Trainingsdaten dieselben Angaben für Attribute, Klassencodes und maximale Anzahl an Punkten aufweisen wie die Trainingsdaten, aus denen das vortrainierte Modell erstellt wurde.	File
attributes [attributes,...] (optional)	Gibt die Punktattribute an, die zum Trainieren des Modells verwendet werden. Nur die Attribute, die in den Punktwolken-Trainingsdaten vorhanden sind, stehen zur Verfügung. Standardmäßig werden keine zusätzlichen Attribute einbezogen. INTENSITY—Verwendet wird der Messwert der Magnitude aus der Rückgabe des LIDAR-Impulses. RETURN_NUMBER—Verwendet wird die Ordinalposition des Punktes, der aus einem bestimmten LIDAR-Impuls abgerufen wird. NUMBER_OF_RETURNS—Verwendet wird die Gesamtzahl der LIDAR-Rückgaben, die in dem Impuls, der mit einem bestimmten Punkt verknüpft ist, als Punkte identifiziert wurden. RED—Der Wert des roten Bandes aus einer Punktwolke mit Farbinformationen wird verwendet. GREEN—Der Wert des grünen Bandes aus einer Punktwolke mit Farbinformationen wird verwendet. BLUE—Der Wert des blauen Bandes aus einer Punktwolke mit Farbinformationen wird verwendet. NEAR_INFRARED—Der Wert des nahinfraroten Bandes aus einer Punktwolke mit Farbinformationen wird verwendet. RELATIVE_HEIGHT—Die relative Höhe jedes Punktes in Bezug auf eine Bezugsfläche, in der Regel ein DEM der unbebauten Erdoberfläche, wird verwendet.	String
min_points (optional)	Die minimale Anzahl an Punkten, die in einem bestimmten Block vorhanden sein müssen, damit er beim Modelltraining verwendet wird. Die Standardeinstellung ist 0.	Long
class_remap [class_remap,...] (optional)	Definiert, wie Klassencodewerte vor dem Training des Deep-Learning-Modells neuen Werten zugeordnet werden.	Value Table
target_classes [target_classes,...] (optional)	Die Klassencodes, die zum Filtern der Blöcke in den Trainingsdaten verwendet werden. Wenn relevante Klassencodes angegeben werden, werden alle anderen Klassencodes dem Hintergrund-Klassencode neu zugeordnet.	Long
background_class (optional)	Der Klassencodewert, der für alle anderen Klassencodes verwendet wird, wenn relevante Klassencodes angegeben wurden.	Long
class_descriptions [class_descriptions,...] (optional)	Hier wird beschrieben, was die einzelnen Klassencodes in den Trainingsdaten darstellen.	Value Table
model_selection_criteria (optional)	Gibt die statistische Grundlage für die Bestimmung des finalen Modells an. VALIDATION_LOSS—Das Modell, das bei Anwendung der Entropieverlustfunktion auf die Validierungsdaten das niedrigste Ergebnis aufweist, wird verwendet. RECALL—Das Modell, das für alle Klassencodes den besten Makrodurchschnitt des Recalls aufweist, wird verwendet. Der Recall-Wert der einzelnen Klassencodes bestimmt sich aus dem Verhältnis der korrekt klassifizierten Punkte (True Positives) zur Gesamtzahl der Punkte, die mit diesem Wert klassifiziert werden sollten (erwartete Positives). Dies ist die Standardeinstellung. F1_SCORE—Das Modell, das das beste harmonische Mittel zwischen dem Makrodurchschnitt der Precision- und Recall-Werte für alle Klassencodes aufweist, wird verwendet. Dadurch wird ein Gleichgewicht zwischen Precision und Recall erzielt, was wiederum eine bessere Gesamtperformance ergibt. PRECISION—Das Modell, das für alle Klassencodes den besten Makrodurchschnitt der Precision aufweist, wird verwendet. Der Precision-Wert der einzelnen Klassencodes bestimmt sich aus dem Verhältnis der korrekt klassifizierten Punkte (True Positives) zur Gesamtzahl der klassifizierten Punkte (True Positives und False Positives). ACCURACY—Das Modell mit dem höchsten Anteil an korrekt klassifizierten Punkten im Verhältnis zu allen Punkten in den Validierungsdaten wird verwendet.	String
max_epochs (optional)	Gibt an, wie oft der Datenblock vorwärts und rückwärts durch das neuronale Netzwerk geleitet wird. Die Standardeinstellung ist 25.	Long
epoch_iterations (optional)	Der Prozentsatz an Daten, der in jeder Trainingsepoche verarbeitet wird. Die Standardeinstellung ist 100.	Double
learning_rate (optional)	Die Rate, mit der vorhandene Informationen durch neu erworbene Informationen überschrieben werden. Ist kein Wert angegeben, wird die optimale Lernrate während des Trainingsprozesses aus der Lernkurve extrahiert. Dies ist die Standardeinstellung.	Double
batch_size (optional)	Die Anzahl an Trainingsdatenblöcken, die jeweils zu einem bestimmten Zeitpunkt verarbeitet werden. Die Standardeinstellung ist 2.	Long
early_stop (optional)	Gibt an, ob das Modelltraining beendet wird, wenn der im Parameter model_selection_criteria angegebene Kennwert nach fünf aufeinanderfolgenden Epochen keine weitere Verbesserung registriert. EARLY_STOP—Das Modelltraining wird beendet, wenn sich das Modell nicht mehr verbessert. Dies ist die Standardeinstellung. NO_EARLY_STOP—Das Modelltraining wird fortgesetzt, bis die maximale Anzahl an Epochen erreicht wird.	Boolean
learning_rate_strategy (optional)	Gibt an, wie sich die Lernrate während des Trainings verändert. ONE_CYCLE—Die Lernrate durchläuft die einzelnen Epochen mithilfe der Fast.AI-Implementierung der 1cycle-Technik für das Training neuronaler Netzwerke zur Verbesserung des Trainings von Convolutional Neural Networks. Dies ist die Standardeinstellung. FIXED—Diese Lernrate wird während des gesamten Trainingsprozesses verwendet.	String
architecture (optional)	Gibt die Architektur des neuronalen Netzwerks an, die zum Trainieren des Modells verwendet wird. Bei Angabe eines vortrainierten Modells wird die zum Erstellen des vortrainierten Modells verwendete Architektur automatisch festgelegt. POINTCNN—Die PointCNN-Architektur wird verwendet. RANDLANET—Die RandLA-Net-Architektur wird verwendet. RandLA-Net basiert auf den Prinzipien der zufälligen Stichprobe und der lokalen Feature-Aggregation. Dies ist die Standardeinstellung. SQN—Die SQN-Architektur (Semantic Query Network) wird verwendet. Anders als bei anderen Architekturen neuraler Netzwerke ist für SQN keine umfassende Klassifizierung der Trainingsdaten erforderlich.	String

Abgeleitete Ausgabe

Name	Erläuterung	Datentyp
out_model	Das resultierende Modell, das von diesem Werkzeug erstellt wird	File
out_model_stats	Die .csv-Datei mit Precision, Recall und F-Maß für die einzelnen Klassencodes und Epochen.	Text File
out_epoch_stats	Die .csv-Datei, die den Trainingsverlust, den Validierungsverlust, die Accuracy, Precision, Recall und F-Maße, die in den einzelnen Epochen erzielt wurden, enthält.	Text File

Codebeispiel

TrainPointCloudClassificationModel: Beispiel (eigenständiges Skript)

Im folgenden Beispiel wird die Verwendung dieses Werkzeugs im Python-Fenster veranschaulicht.

import arcpy

arcpy.env.workspace = "D:/Deep_Learning_Workspace"
arcpy.ddd.TrainPointCloudClassificationModel(
    "Powerline_Training.pctd", "D:/DL_Models", "Powerline", 
    attributes=['INTENSITY', 'RETURN_NUMBER', 'NUMBER_OF_RETURNS'],
    target_classes=[14, 15], background_class=1,
    class_descriptions=[[1, "Background"], [14, "Wire Conductor"], [15, "Transmission Tower"]],
    model_selection_criteria="F1_SCORE", max_epochs=10)

Umgebungen

Prozessortyp, GPU-ID