Składnik wieloklasowej sieci neuronowej
W tym artykule opisano składnik w projektancie usługi Azure Machine Learning.
Użyj tego składnika, aby utworzyć model sieci neuronowej, który może służyć do przewidywania celu, który ma wiele wartości.
Na przykład sieci neuronowe tego rodzaju mogą być używane w złożonych zadaniach przetwarzania obrazów, takich jak rozpoznawanie cyfr lub liter, klasyfikacja dokumentów i rozpoznawanie wzorców.
Klasyfikacja przy użyciu sieci neuronowych jest metodą uczenia nadzorowanego i dlatego wymaga oznakowanego zestawu danych zawierającego kolumnę etykiety.
Model można wytrenować, podając model i oznakowany zestaw danych jako dane wejściowe do trenowania modelu. Wytrenowany model może następnie służyć do przewidywania wartości dla nowych przykładów wejściowych.
Informacje o sieciach neuronowych
Sieć neuronowa to zestaw połączonych warstw. Dane wejściowe są pierwszą warstwą i są połączone z warstwą wyjściową przez graf acykliczny składający się z ważonych krawędzi i węzłów.
Między warstwami wejściowymi i wyjściowymi można wstawić wiele ukrytych warstw. Większość zadań predykcyjnych można łatwo wykonać tylko z jedną lub kilkoma ukrytymi warstwami. Jednak ostatnie badania wykazały, że głębokie sieci neuronowe (DNN) z wieloma warstwami mogą być skuteczne w złożonych zadaniach, takich jak rozpoznawanie obrazów lub mowy. Kolejne warstwy służą do modelowania rosnących poziomów głębokości semantycznej.
Relacja między danymi wejściowymi i wyjściowymi jest oparta na trenowaniu sieci neuronowej na danych wejściowych. Kierunek grafu przechodzi z danych wejściowych przez warstwę ukrytą i do warstwy wyjściowej. Wszystkie węzły w warstwie są połączone z ważonymi krawędziami do węzłów w następnej warstwie.
Aby obliczyć dane wyjściowe sieci dla określonego danych wejściowych, wartość jest obliczana w każdym węźle w ukrytych warstwach i w warstwie wyjściowej. Wartość jest ustawiana przez obliczenie ważonej sumy wartości węzłów z poprzedniej warstwy. Funkcja aktywacji jest następnie stosowana do tej ważonej sumy.
Konfigurowanie wieloklasowej sieci neuronowej
Dodaj składnik MultiClass Neuron Network do potoku w projektancie. Ten składnik można znaleźć w obszarze Uczenie maszynowe, Inicjowanie w kategorii Klasyfikacja .
Utwórz tryb trenera: użyj tej opcji, aby określić sposób trenowania modelu:
Pojedynczy parametr: wybierz tę opcję, jeśli już wiesz, jak skonfigurować model.
Zakres parametrów: wybierz tę opcję, jeśli nie masz pewności co do najlepszych parametrów i chcesz uruchomić zamiatanie parametrów. Wybierz zakres wartości do iterowania, a hiperparametry modelu dostrajania iterują we wszystkich możliwych kombinacjach podanych ustawień w celu określenia hiperparametrów, które generują optymalne wyniki.
Specyfikacja warstwy ukrytej: wybierz typ architektury sieci do utworzenia.
W pełni połączony przypadek: wybierz tę opcję, aby utworzyć model przy użyciu domyślnej architektury sieci neuronowej. W przypadku wieloklasowych modeli sieci neuronowych wartości domyślne są następujące:
- Jedna ukryta warstwa
- Warstwa wyjściowa jest w pełni połączona z warstwą ukrytą.
- Warstwa ukryta jest w pełni połączona z warstwą wejściową.
- Liczba węzłów w warstwie wejściowej jest określana przez liczbę funkcji w danych treningowych.
- Użytkownik może ustawić liczbę węzłów w warstwie ukrytej. Ustawieniem domyślnym jest 100.
- Liczba węzłów w warstwie wyjściowej zależy od liczby klas.
Liczba ukrytych węzłów: ta opcja umożliwia dostosowanie liczby ukrytych węzłów w domyślnej architekturze. Wpisz liczbę ukrytych węzłów. Wartość domyślna to jedna ukryta warstwa z 100 węzłami.
Szybkość nauki: zdefiniuj rozmiar kroku wykonywanego w każdej iteracji przed korektą. Większa wartość współczynnika uczenia może spowodować szybsze zbieżność modelu, ale może przesłonić lokalne minima.
Liczba iteracji uczenia: określ maksymalną liczbę przypadków przetwarzania przypadków trenowania przez algorytm.
Początkowa średnica wag uczenia: określ wagi węzłów na początku procesu uczenia.
Rozmach: określ wagę, która ma być stosowana podczas uczenia się do węzłów z poprzednich iteracji.
Przykłady mieszania: wybierz tę opcję, aby przetasować przypadki między iteracjami.
Jeśli usuniesz zaznaczenie tej opcji, przypadki są przetwarzane dokładnie w tej samej kolejności przy każdym uruchomieniu potoku.
Inicjator liczb losowych: wpisz wartość, która ma być używana jako inicjator, jeśli chcesz zapewnić powtarzalność między przebiegami tego samego potoku.
Trenowanie modelu:
Jeśli ustawisz opcję Utwórz tryb trenera na Pojedynczy parametr, połącz oznakowany zestaw danych i składnik Train Model (Trenowanie modelu).
Jeśli ustawisz opcję Utwórz tryb trenera na Wartość Zakres parametrów, połącz oznakowany zestaw danych i wytrenuj model przy użyciu hiperparametrów dostrajania modelu.
Uwaga
Jeśli przekażesz zakres parametrów do trenowania modelu, zostanie użyta tylko wartość domyślna na liście pojedynczych parametrów.
Jeśli przekażesz pojedynczy zestaw wartości parametrów do składnika hiperparametrów modelu dostrajania , gdy oczekuje ona zakresu ustawień dla każdego parametru, zignoruje wartości i używa wartości domyślnych dla ucznia.
Jeśli wybierzesz opcję Zakres parametrów i wprowadzisz pojedynczą wartość dla dowolnego parametru, określona pojedyncza wartość jest używana w trakcie zamiatania, nawet jeśli inne parametry zmienią się w zakresie wartości.
Wyniki
Po zakończeniu szkolenia:
- Aby zapisać migawkę wytrenowanego modelu, wybierz kartę Dane wyjściowe w prawym panelu składnika Trenowanie modelu . Wybierz ikonę Zarejestruj zestaw danych , aby zapisać model jako składnik wielokrotnego użytku.
Następne kroki
Zobacz zestaw składników dostępnych dla usługi Azure Machine Learning.