Komponenta neurální sítě s více třídami
Tento článek popisuje komponentu v návrháři služby Azure Machine Learning.
Tato komponenta slouží k vytvoření modelu neurální sítě, který lze použít k predikci cíle, který má více hodnot.
Například neurální sítě tohoto druhu se můžou používat ve složitých úlohách počítačového zpracování obrazu, jako je rozpoznávání číslic nebo písmen, klasifikace dokumentů a rozpoznávání vzorů.
Klasifikace pomocí neurálních sítí je metoda učení pod dohledem, a proto vyžaduje označenou datovou sadu , která obsahuje sloupec popisku.
Model můžete trénovat tak, že jako vstup pro trénování modelu zadáte model a označenou datovou sadu. Trénovaný model se pak dá použít k predikci hodnot pro nové vstupní příklady.
Informace o neurálních sítích
Neurální síť je sada vzájemně propojených vrstev. Vstupy jsou první vrstvou a jsou připojeny k výstupní vrstvě pomocí acyklického grafu, který se skládá z vážených hran a uzlů.
Mezi vstupní a výstupní vrstvu můžete vložit několik skrytých vrstev. Většinu prediktivních úloh lze snadno provádět pouze s jednou nebo několika skrytými vrstvami. Nedávné výzkumy však ukázaly, že hluboké neurální sítě (DNN) s mnoha vrstvami mohou být efektivní ve složitých úlohách, jako je rozpoznávání obrázků nebo řeči. Následující vrstvy se používají k modelování rostoucích úrovní sémantické hloubky.
Vztah mezi vstupy a výstupy se učí z trénování neurální sítě na vstupních datech. Směr grafu pokračuje od vstupů přes skrytou vrstvu až po výstupní vrstvu. Všechny uzly ve vrstvě jsou připojeny váženými hranami k uzlům v další vrstvě.
Pro výpočet výstupu sítě pro konkrétní vstup se na každém uzlu ve skrytých vrstvách a ve výstupní vrstvě vypočítá hodnota. Hodnota se nastavuje výpočtem váženého součtu hodnot uzlů z předchozí vrstvy. Na tento vážený součet se pak použije aktivační funkce.
Konfigurace neurální sítě s více třídami
Přidejte komponentu MultiClass Neural Network do kanálu v návrháři. Tuto komponentu najdete v části Machine Learning, Initialize (Inicializace) v kategorii Klasifikace .
Vytvořit režim školitele: Pomocí této možnosti můžete určit, jak se má model trénovat:
Jeden parametr: Tuto možnost zvolte, pokud už víte, jak chcete model nakonfigurovat.
Rozsah parametrů: Tuto možnost vyberte, pokud si nejste jistí nejlepšími parametry a chcete spustit úklid parametrů. Vyberte rozsah hodnot, které chcete iterovat, a hyperparametry tune modelu iteruje všechny možné kombinace nastavení, které jste zadali, a určí hyperparametry, které generují optimální výsledky.
Specifikace skryté vrstvy: Vyberte typ síťové architektury, kterou chcete vytvořit.
Plně propojený případ: Tuto možnost vyberte, pokud chcete vytvořit model s využitím výchozí architektury neurální sítě. Pro modely neurální sítě s více třídami jsou výchozí hodnoty následující:
- Jedna skrytá vrstva
- Výstupní vrstva je plně připojená ke skryté vrstvě.
- Skrytá vrstva je plně připojená ke vstupní vrstvě.
- Počet uzlů ve vstupní vrstvě je určen počtem funkcí v trénovacích datech.
- Počet uzlů ve skryté vrstvě může nastavit uživatel. Výchozí hodnota je 100.
- Počet uzlů ve výstupní vrstvě závisí na počtu tříd.
Počet skrytých uzlů: Tato možnost umožňuje přizpůsobit počet skrytých uzlů ve výchozí architektuře. Zadejte počet skrytých uzlů. Výchozí je jedna skrytá vrstva se 100 uzly.
Rychlost učení: Definujte velikost kroku provedeného při každé iteraci před opravou. Vyšší hodnota rychlosti učení může způsobit, že se model sbližuje rychleji, ale může překřestit místní minima.
Počet iterací učení: Zadejte maximální počet, kolikrát má algoritmus zpracovávat případy trénování.
Průměr počátečních hmotností učení: Zadejte hmotnost uzlů na začátku procesu učení.
Dynamika: Zadejte váhu, která se má použít při učení na uzly z předchozích iterací.
Příklady náhodného prohazování: Tuto možnost vyberte, pokud chcete prohazovat případy mezi iteracemi.
Pokud tuto možnost zrušíte, případy se při každém spuštění kanálu zpracují přesně ve stejném pořadí.
Náhodné počáteční číslo: Pokud chcete zajistit opakovatelnost napříč spuštěními stejného kanálu, zadejte hodnotu, která se má použít jako počáteční hodnota.
Trénování modelu:
Pokud nastavíte Vytvořit režim školitele na jeden parametr, propojte označenou datovou sadu a komponentu Trénování modelu .
Pokud nastavíte Vytvořit režim školitele na Rozsah parametrů, připojte označenou datovou sadu a vytrénujte model pomocí ladění hyperparametrů modelu.
Poznámka
Pokud do trénování modelu předáte rozsah parametrů, použije se pouze výchozí hodnota v seznamu s jedním parametrem.
Pokud předáte jednu sadu hodnot parametrů do komponenty Tune Model Hyperparameters , pokud očekává rozsah nastavení pro každý parametr, ignoruje hodnoty a použije výchozí hodnoty pro learner.
Pokud vyberete možnost Rozsah parametrů a zadáte jednu hodnotu pro libovolný parametr, použije se tato jedna hodnota, kterou jste zadali, v průběhu úklidu, i když se jiné parametry v rozsahu hodnot mění.
Výsledky
Po dokončení trénování:
- Pokud chcete uložit snímek natrénovaného modelu, vyberte kartu Výstupy v pravém panelu komponenty Trénování modelu . Výběrem ikony Zaregistrovat datovou sadu uložte model jako opakovaně použitelnou komponentu.
Další kroky
Projděte si sadu komponent dostupných pro Azure Machine Learning.