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.
Trénování IEstimator<TTransformer> lineárního regresního modelu 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 popisku musí být Single. Vstupní funkce sloupcová data musí být vektorem známé velikosti Single.
Tento trenér vypíše následující sloupce:
| Název výstupního sloupce | Typ sloupce | Description |
|---|---|---|
Score |
Single | Nevázané skóre, které model predikoval. |
Charakteristiky trenéra
| Úloha strojového učení | Regrese |
| Vyžaduje se normalizace? | Yes |
| Vyžaduje se ukládání do mezipaměti? | No |
| Požadovaný NuGet kromě Microsoft.ML | Žádné |
| Exportovatelné do ONNX | Yes |
Podrobnosti trénovacího algoritmu
Stochastický gradientní sestup používá jednoduchou, ale efektivní iterativní techniku pro přizpůsobení koeficientů modelu pomocí chybových přechodů pro konvexní ztrátové funkce. On-line gradientní sestup (OGD) implementuje standardní (non-batch) stochastický gradientní sestup s výběrem funkcí ztráty a možnost aktualizovat vektor hmotnosti pomocí průměru vektorů v průběhu času (průměrný argument je ve výchozím nastavení nastaven na Hodnotu True).
Odkazy na příklady použití najdete v části Viz také.
Pole
| FeatureColumn |
Sloupec funkcí, který trenér očekává. (Zděděno od TrainerEstimatorBase<TTransformer,TModel>) |
| LabelColumn |
Sloupec popisku, který trenér očekává. Může to být |
| WeightColumn |
Sloupec hmotnosti, který trenér očekává. Může to být |
Vlastnosti
| Info |
Trénování IEstimator<TTransformer> lineárního regresního modelu pomocí online gradientního sestupu (OGD) pro odhad parametrů lineárního regresního modelu. (Zděděno od OnlineLinearTrainer<TTransformer,TModel>) |
Metody
| Fit(IDataView, LinearModelParameters) |
Pokračuje v trénování OnlineLinearTrainer<TTransformer,TModel> pomocí již natrénovaného |
| Fit(IDataView) |
Vlaky a vrací hodnotu ITransformer. (Zděděno od TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Trénování IEstimator<TTransformer> lineárního regresního modelu pomocí online gradientního sestupu (OGD) pro odhad parametrů lineárního regresního modelu. (Zděděno od TrainerEstimatorBase<TTransformer,TModel>) |
Metody rozšíření
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Připojte k řetězci estimátoru kontrolní bod ukládání do mezipaměti. Tím zajistíte, aby podřízené estimátory byly vytrénovány 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 zalamovací objekt, který zavolá delegáta jednou Fit(IDataView) . Často je důležité, aby odhadovač vrátil informace o tom, co bylo vhodné, což je důvod, proč Fit(IDataView) metoda vrací konkrétně typ objekt, nikoli jen obecné ITransformer. Ve stejnou dobu se však často vytvářejí do kanálů s mnoha objekty, takže možná budeme muset vytvořit řetězec estimátorů, kde EstimatorChain<TLastTransformer> je odhadovač, IEstimator<TTransformer> pro který chceme získat transformátor, zakopán někde v tomto řetězci. Pro tento scénář můžeme prostřednictvím této metody připojit delegáta, který bude volána po zavolání fit. |