Megosztás a következőn keresztül:

Többosztályos neurális hálózati összetevő

  • Cikk

Ez a cikk az Azure Machine Learning designer egy összetevőjét ismerteti.

Ezzel az összetevővel hozzon létre egy neurális hálózati modellt, amely több értékkel rendelkező cél előrejelzésére használható.

Az ilyen típusú neurális hálózatok például összetett számítógépes látási feladatokhoz használhatók, például számjegy- vagy betűfelismeréshez, dokumentumbesoroláshoz és mintafelismeréshez.

A neurális hálózatok használatával történő besorolás felügyelt tanulási módszer, ezért címkézett adatkészletet igényel, amely tartalmaz egy címkeoszlopot.

A modellt úgy taníthatja be, hogy megadja a modellt és a címkézett adatkészletet a Modell betanítása bemenetként. A betanított modell ezután az új bemeneti példák értékeinek előrejelzésére használható.

Tudnivalók a neurális hálózatokról

A neurális hálózat összekapcsolt rétegek halmaza. A bemenetek az első réteg, és egy súlyozott élekből és csomópontokból álló aciklikus gráf csatlakozik a kimeneti réteghez.

A bemeneti és kimeneti rétegek között több rejtett réteget is beszúrhat. A legtöbb prediktív feladat egyszerűen elvégezhető csak egy vagy néhány rejtett réteggel. A legutóbbi kutatások azonban azt mutatták, hogy a sok réteggel rendelkező mély neurális hálózatok (DNN) hatékonyak lehetnek olyan összetett feladatokban, mint a kép- vagy beszédfelismerés. Az egymást követő rétegek a szemantikai mélység növekvő szintjeinek modellezésére szolgálnak.

A bemenetek és kimenetek közötti kapcsolatot a neurális hálózat bemeneti adatokon való betanításából tanuljuk meg. A gráf iránya a bemeneti adatoktól a rejtett rétegen keresztül a kimeneti rétegig halad. A réteg összes csomópontját a súlyozott élek kötik össze a következő réteg csomópontjaival.

A hálózat kimenetének egy adott bemenethez való kiszámításához a rendszer a rejtett rétegekben és a kimeneti rétegben lévő összes csomóponton kiszámít egy értéket. Az érték az előző réteg csomópontjainak súlyozott összegének kiszámításával állítható be. Ezután egy aktiválási függvény lesz alkalmazva erre a súlyozott összegre.

Többosztályos neurális hálózat konfigurálása

  1. Adja hozzá a többosztályos neurális hálózati összetevőt a folyamathoz a tervezőben. Ezt az összetevőt a Gépi tanulásInicializálás területén, a Besorolás kategóriában találja.

  2. Oktató mód létrehozása: Ezzel a beállítással megadhatja, hogyan szeretné betanításra használni a modellt:

    • Egyetlen paraméter: Válassza ezt a lehetőséget, ha már tudja, hogyan szeretné konfigurálni a modellt.

    • Paramétertartomány: Válassza ezt a lehetőséget, ha nem biztos a legjobb paraméterekben, és paraméter-takarítást szeretne futtatni. Válasszon ki egy értéktartományt, és a Modell hiperparamétereinek finomhangolása a megadott beállítások összes lehetséges kombinációját átterjedve határozza meg az optimális eredményt eredményező hiperparamétereket.

  3. Rejtett réteg specifikációja: Válassza ki a létrehozni kívánt hálózati architektúra típusát.

    • Teljesen csatlakoztatott eset: Ezt a lehetőséget választva létrehozhat egy modellt az alapértelmezett neurális hálózati architektúra használatával. Többosztályos neurális hálózati modellek esetén az alapértelmezett értékek a következők:

      • Egy rejtett réteg
      • A kimeneti réteg teljes mértékben csatlakozik a rejtett réteghez.
      • A rejtett réteg teljes mértékben csatlakozik a bemeneti réteghez.
      • A bemeneti réteg csomópontjainak számát a betanítási adatok funkcióinak száma határozza meg.
      • A rejtett rétegben lévő csomópontok számát a felhasználó állíthatja be. Az alapértelmezett érték 100.
      • A kimeneti réteg csomópontjainak száma az osztályok számától függ.

  4. Rejtett csomópontok száma: Ezzel a beállítással testre szabhatja a rejtett csomópontok számát az alapértelmezett architektúrában. Írja be a rejtett csomópontok számát. Az alapértelmezett egy rejtett réteg 100 csomóponttal.

  5. A tanulási arány: Határozza meg az egyes iterációkban végrehajtott lépések méretét a javítás előtt. A tanulási sebesség nagyobb értéke miatt a modell gyorsabban konvergálhat, de túllépheti a helyi minimumokat.

  6. Tanulási iterációk száma: Adja meg, hogy az algoritmus legfeljebb hány alkalommal dolgozza fel a betanítási eseteket.

  7. A kezdeti tanulási súlyok átmérője: Adja meg a csomópont súlyait a tanulási folyamat elején.

  8. A lendület: Adjon meg egy súlyt, amely az előző iterációkból származó csomópontokra való tanulás során alkalmazható.

  9. Példák sorrendbe illesztése: Válassza ezt a lehetőséget az esetek iterációk közötti elegyezéséhez.

    Ha törli ezt a jelölőnégyzetet, a folyamat minden futtatásakor a rendszer pontosan ugyanabban a sorrendben dolgozza fel az eseteket.

  10. Véletlenszerű számmag: Írjon be egy értéket, amelyet magként szeretne használni, ha meg szeretné győződni arról, hogy ugyanaz a folyamat fut.

  11. A modell betanítása:

    Megjegyzés

    Ha paramétertartományt ad át a Modell betanítása szolgáltatásnak, az csak az egyetlen paraméterlistában szereplő alapértelmezett értéket használja.

    Ha egyetlen paraméterérték-készletet ad át a Modell hiperparaméterek hangolása összetevőnek, amikor az az egyes paraméterekre vonatkozó beállítástartományt vár, figyelmen kívül hagyja az értékeket, és az alapértelmezett értékeket használja a tanulóhoz.

    Ha a Paramétertartomány lehetőséget választja, és egyetlen értéket ad meg bármely paraméterhez, akkor a rendszer az adott értéket használja a takarítás során, még akkor is, ha más paraméterek egy értéktartományon belül változnak.

Results (Eredmények)

A betanítás befejezése után:

  • A betanított modell pillanatképének mentéséhez válassza a Kimenetek lapot a Modell betanítása összetevő jobb oldali paneljén. Válassza az Adathalmaz regisztrálása ikont a modell újrafelhasználható összetevőként való mentéséhez.

Következő lépések

Tekintse meg az Azure Machine Learning számára elérhető összetevőket .