OnlineGradientDescentTrainer Třída
Definice
Důležité
Některé informace platí pro předběžně vydaný produkt, který se může zásadně změnit, než ho výrobce nebo autor vydá. Microsoft neposkytuje žádné záruky, výslovné ani předpokládané, týkající se zde uváděných informací.
Pro IEstimator<TTransformer> trénování modelu lineární regrese pomocí online gradientního sestupu (OGD) pro odhad parametrů lineárního regresního modelu.
public sealed class OnlineGradientDescentTrainer : Microsoft.ML.Trainers.AveragedLinearTrainer<Microsoft.ML.Data.RegressionPredictionTransformer<Microsoft.ML.Trainers.LinearRegressionModelParameters>,Microsoft.ML.Trainers.LinearRegressionModelParameters>type OnlineGradientDescentTrainer = class
inherit AveragedLinearTrainer<RegressionPredictionTransformer<LinearRegressionModelParameters>, LinearRegressionModelParameters>Public NotInheritable Class OnlineGradientDescentTrainer
Inherits AveragedLinearTrainer(Of RegressionPredictionTransformer(Of LinearRegressionModelParameters), LinearRegressionModelParameters)- Dědičnost
Poznámky
K vytvoření tohoto trenéra použijte OnlineGradientDescent nebo OnlineGradientDescent(Options).
Vstupní a výstupní sloupce
Vstupní data sloupce štítku musí být Single. Vstupními funkcemi musí být data sloupců známým vektorem Singlevelikosti .
Tento trenér vypíše následující sloupce:
| Název výstupního sloupce | Typ sloupce | Description |
|---|---|---|
Score |
Single | Nevázané skóre, které model predikoval. |
Charakteristiky trenéra
| Úloha strojového učení | Regression |
| Vyžaduje se normalizace? | Ano |
| Vyžaduje se ukládání do mezipaměti? | No |
| Požadovaný NuGet kromě Microsoft.ML | None |
| Exportovatelné do ONNX | Ano |
Podrobnosti trénovacího algoritmu
Stochastický gradientní sestup používá jednoduchou, ale efektivní iterativní techniku pro přizpůsobení koeficientů modelu pomocí chybových přechodů pro konvexní funkce ztráty. On-line gradientní sestup (OGD) implementuje standardní (non-batch) stochastický gradientní sestup s výběrem funkcí ztráty a možnost aktualizovat vektor hmotnosti pomocí průměru vektorů zaznamenaných v průběhu času (průměrovaný argument je ve výchozím nastavení nastaven na True).
Odkazy na příklady použití najdete v části Viz také.
Pole
| Name | Description |
|---|---|
| FeatureColumn |
Sloupec funkcí, který trenér očekává. (Zděděno od TrainerEstimatorBase<TTransformer,TModel>) |
| LabelColumn |
Sloupec popisku, který trenér očekává. Může to být |
| WeightColumn |
Váhový sloupec, který trenér očekává. Může být |
Vlastnosti
| Name | Description |
|---|---|
| Info |
Pro IEstimator<TTransformer> trénování modelu lineární regrese pomocí online gradientního sestupu (OGD) pro odhad parametrů lineárního regresního modelu. (Zděděno od OnlineLinearTrainer<TTransformer,TModel>) |
Metody
| Name | Description |
|---|---|
| Fit(IDataView, LinearModelParameters) |
Pokračuje v trénování OnlineLinearTrainer<TTransformer,TModel> pomocí již natrénovaného |
| Fit(IDataView) |
Vlaky a vrací .ITransformer (Zděděno od TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Pro IEstimator<TTransformer> trénování modelu lineární regrese pomocí online gradientního sestupu (OGD) pro odhad parametrů lineárního regresního modelu. (Zděděno od TrainerEstimatorBase<TTransformer,TModel>) |
Metody rozšíření
| Name | Description |
|---|---|
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Připojte kontrolní bod ukládání do mezipaměti do řetězu odhadce. Tím zajistíte, aby podřízené estimátory byly natrénovány proti datům uloženým v mezipaměti. Před průchodem více dat je užitečné mít kontrolní bod ukládání do mezipaměti. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Vzhledem k estimátoru vraťte objekt obtékání, který jednou zavolá delegáta Fit(IDataView) . Často je důležité, aby estimátor vrátil informace o tom, co bylo vhodné, což je důvod, proč Fit(IDataView) metoda vrací konkrétní typ objekt, spíše než jen obecný ITransformer. Ve stejnou dobu se však často vytvářejí do kanálů s mnoha objekty, takže možná budeme muset vytvořit řetěz odhadců prostřednictvím IEstimator<TTransformer> místa, kde odhadovač, EstimatorChain<TLastTransformer> pro který chceme získat transformátor, je někde v tomto řetězu. Pro tento scénář můžeme prostřednictvím této metody připojit delegáta, který bude volána po zavolání fit. |