Megosztás a következőn keresztül:

Többosztályos neurális hálózati összetevő

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 címkével ellátott adathalmazt igényel.

A modellt úgy taníthatja be, hogy bemenetként megadja a modellt és a címkézett adatkészletet a Modell betanítása szolgáltatáshoz. 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 köti össze a kimeneti réteggel.

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 adatokra való betanításából tanuljuk meg. A gráf iránya a bemenetektől a rejtett rétegen át 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 rétegek minden csomópontján és a kimeneti rétegben kiszámít egy értéket. Az érték úgy van beállítva, hogy kiszámítja az előző réteg csomópontjainak értékeinek súlyozott összegét. 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 tanulás, Inicializálás csoportban találja a Besorolás kategóriában.

  2. Oktató mód létrehozása: Ezzel a beállítással megadhatja, hogyan szeretné betaníteni 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 szeretne paraméter-takarítást futtatni. Válasszon ki egy iterátumhoz szükséges értéktartományt, és a modell hiperparamétereinek finomhangolása a megadott beállítások összes lehetséges kombinációját átszűri az optimális eredményt eredményező hiperparaméterek meghatározásához.

  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 esetében 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 adatokban szereplő funkciók száma határozza meg.
      • A rejtett réteg csomópontjainak 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 sebesség: Határozza meg az egyes iterációkban végrehajtott lépések méretét a javítás előtt. A tanulási sebesség nagyobb értéke gyorsabb konvergens konvergensebbé teheti a modellt, de túllépheti a helyi minimális értéket.

  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: Adja meg a korábbi iterációk csomópontjaira való tanulás során alkalmazandó súlyt.

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

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

  10. Véletlenszerű számvetés: Írjon be egy értéket, amelyet magként szeretne használni, ha biztosítani szeretné az ismétlődéseket ugyanazon folyamat futtatásai között.

  11. A modell betanítása:

    Feljegyzés

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

    Ha egyetlen paraméterértéket ad át a Modell hiperparaméterek hangolása összetevőnek, amikor az egyes paraméterekhez egy beállítástartományt vár, figyelmen kívül hagyja az értékeket, és az alapértelmezett értékeket használja a tanuló számára.

    Ha a Paramétertartomány lehetőséget választja, és egyetlen értéket ad meg bármely paraméterhez, akkor a rendszer a takarítás során az ön által megadott egyetlen értéket használja, 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. A modell újrafelhasználható összetevőként való mentéséhez válassza az Adatkészlet regisztrálása ikont.

Következő lépések

Tekintse meg az Azure Machine Learning számára elérhető összetevőket.