مكون بيرسبترون المتوسط من فئتين

توضح هذه المقالة مكونا في مصمم التعلم الآلي Azure.

استخدم هذا المكون لإنشاء نموذج تعلم آلي يعتمد على خوارزمية الإدراك المتوسط.

يعتبر التصنيف باستخدام الشبكات العصبية طريقة تعلم خاضعة للإشراف، وبالتالي يتطلبمجموعة البيانات المميزة بعلامات، والتي تشمل عمود تسمية. يمكنك تدريب النموذج من خلال توفير النموذج ومجموعة البيانات ذات العلامات كمدخل لتدريب النموذج. يمكن بعد ذلك استخدام النموذج المدرب من أجل التنبؤ بالقيم لأمثلة الإدخال الجديدة.

نبذة عن نماذج بيرسبترون المتوسطة

تعتبرمتوسط طريقة الإدراك الحسينسخة مبكرة وبسيطة من الشبكة العصبية. في هذا النهج، تُصنف المدخلات للعديد من المخرجات المحتملة استنادًا إلى الدالة الخطية، ثم يتم دمجها مع مجموعة من الأوزان المشتقة من متجه الميزة- ومن ثم اسم «بيرسبترون».

تعد نماذج الإدراك الحسي الأبسط مناسبة لتعلم الأنماط القابلة للفصل خطيًا، بينما يمكن للشبكات العصبية (خاصة الشبكات العصبية العميقة) أن تصمم حدودًا أكثر تعقيدًا للفئة. ومع ذلك، فإن بيرسبترون أسرع، ولأنهم يعالجون الحالات بشكل متسلسل، يمكن استخدام بيرسبترون مع التدريب المستمر.

طريقة تكوين بيرسبترون متوسط من فئتين

1. قم بإضافة مكون بيرسبترون المتوسط من فئتين إلى البنية الأساسية.

2. قم بتحديد الطريقة التي تريد تدريب النموذج بها عن طريق تعيين خيارإنشاء وضع المدرب.

   • معامل واحد: إذا كنت تعرف كيف تريد تكوين النموذج، قم بتقديم مجموعة محددة من القيم كوسيطات.

   • نطاق المعلمات: قم بتحديد هذا الخيار إذا لم تكن متأكداً من أفضل المعلمات، وتريد تشغيل مسح المعلمات. قم بتحديد نطاقاً من القيم للتكرار، وتتكرر مقاييس ضبط المعلمات الفائقة للنموذجعبر جميع المجموعات الممكنة من الإعدادات التي قدمتها لتحديد المعلمات الفائقة التي تنتج النتائج المثلى.

3. بالنسبة لمعدل التعلم، قم بتحديد قيمة لمعدل التعلم. تتحكم قيم المعدل المتعلق بالتعلم في حجم الخطوة المستخدمة في الانخفاض المتدرج العشوائي في كل مرة يتم فيها اختبار النموذج وتصحيحه.

   من خلال تعيين المعدل أصغر، يمكنك اختبار النموذج في كثير من الأحيان، مع خطر أن تتعثر في مستوى ثابت محلي. من خلال جعل الخطوة أكبر، يمكنك التقارب بشكل أسرع، مع المخاطرة بتجاوز الحد الأدنى الحقيقي.

4. بالنسبة للحد الأقصى لعدد التكرارات، اكتب عدد المرات التي تريد أن تفحص فيها الخوارزمية بيانات التدريب.

   غالبًا ما يوفر التوقف المبكر تعميماً أفضل. تؤدي زيادة عدد التكرارات إلى تحسين الملاءمة، مما قد يؤدي إلى حدوث فرط في التجهيز.

5. بالنسبة للقيمة الأولية العشوائية، قم بكتابة قيمة عدد صحيح اختيارياً لاستخدامها كقيمة أولية. يوصى باستخدام قيمة أولية إذا كنت ترغب في ضمان إمكانية تكرار إنتاج البنية الأساسية عبر عمليات التشغيل.

6. توصيل مجموعة بيانات التدريب وتدريب النموذج:

   • إذا قمت بتعيينوضع إنشاء المدربلـمعلمة فردية، فقم بتوصيل مجموعة بيانات ذات علامة ومكونتدريب النموذج.

   • إذا قمت بتعيينوضع إنشاء المدربلـنطاق المعلمات، فقم بتوصيل مجموعة البيانات ذات العلامة وتدريب النموذج باستخدامضبط المعلمات الفائقة للنموذج.

   ملاحظة

   إذا قمت بتمرير النطاق المتعلق بمعلمة إلىتدريب النموذج، فإنه يستخدم القيمة الافتراضية فقط في قائمة المعلمات الفردية.

   إذا قمت بتمرير مجموعة واحدة من قيم المعلمات إلى المكونلضبط المعلمات الفائقة، عندما يتوقع نطاقاً من الإعدادات لكل معلمة، فإنه يتجاهل القيم ويستخدم القيم الافتراضية للمتعلم.

   إذا قمت بتحديد الخيارنطاق المعلماتوأدخلت قيمة واحدة لأي معلمة، يتم استخدام هذه القيمة المفردة التي حددتها طوال عملية المسح، حتى إذا تغيرت المعلمات الأخرى عبر نطاق من القيم.

الخطوات التالية

راجع مجموعة المكونات المتوفرة للتعلم الآلي من Azure.