OnlineGradientDescentTrainer Kelas
Definisi
Penting
Beberapa informasi terkait produk prarilis yang dapat diubah secara signifikan sebelum dirilis. Microsoft tidak memberikan jaminan, tersirat maupun tersurat, sehubungan dengan informasi yang diberikan di sini.
IEstimator<TTransformer> untuk melatih model regresi linier menggunakan Online Gradient Descent (OGD) untuk memperkirakan parameter model regresi linier.
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)- Warisan
Keterangan
Untuk membuat pelatih ini, gunakan OnlineGradientDescent atau OnlineGradientDescent(Options).
Kolom Input dan Output
Data kolom label input harus Single. Data kolom fitur input harus merupakan vektor berukuran besar yang diketahui dari Single.
Pelatih ini menghasilkan kolom berikut:
| Nama Kolom Output | Jenis Kolom | Deskripsi |
|---|---|---|
Score |
Single | Skor tidak terikat yang diprediksi oleh model. |
Karakteristik Pelatih
| Tugas pembelajaran mesin | Regresi |
| Apakah normalisasi diperlukan? | Ya |
| Apakah penembolokan diperlukan? | Tidak |
| NuGet yang diperlukan selain Microsoft.ML | Tidak ada |
| Dapat diekspor ke ONNX | Ya |
Detail Algoritma Pelatihan
Penurunan gradien stochastic menggunakan teknik iteratif sederhana namun efisien untuk menyesuaikan koefisien model menggunakan gradien kesalahan untuk fungsi kehilangan cembung. Online Gradient Descent (OGD) mengimplementasikan penurunan gradien stochastic standar (non-batch), dengan pilihan fungsi kerugian, dan opsi untuk memperbarui vektor berat menggunakan rata-rata vektor yang terlihat dari waktu ke waktu (argumen rata-rata diatur ke True secara default).
Periksa bagian Lihat Juga untuk tautan ke contoh penggunaan.
Bidang
| FeatureColumn |
Kolom fitur yang diharapkan pelatih. (Diperoleh dari TrainerEstimatorBase<TTransformer,TModel>) |
| LabelColumn |
Kolom label yang diharapkan pelatih. Dapat berupa |
| WeightColumn |
Kolom berat yang diharapkan pelatih. Dapat berupa |
Properti
| Info |
IEstimator<TTransformer> untuk melatih model regresi linier menggunakan Online Gradient Descent (OGD) untuk memperkirakan parameter model regresi linier. (Diperoleh dari OnlineLinearTrainer<TTransformer,TModel>) |
Metode
| Fit(IDataView, LinearModelParameters) |
Melanjutkan pelatihan menggunakan OnlineLinearTrainer<TTransformer,TModel> yang sudah dilatih |
| Fit(IDataView) |
Melatih dan mengembalikan ITransformer. (Diperoleh dari TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
IEstimator<TTransformer> untuk melatih model regresi linier menggunakan Online Gradient Descent (OGD) untuk memperkirakan parameter model regresi linier. (Diperoleh dari TrainerEstimatorBase<TTransformer,TModel>) |
Metode Ekstensi
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Tambahkan 'titik pemeriksaan penembolokan' ke rantai estimator. Ini akan memastikan bahwa estimator hilir akan dilatih terhadap data cache. Sangat membantu untuk memiliki titik pemeriksaan penembolokan sebelum pelatih yang mengambil beberapa data berlalu. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Mengingat estimator, kembalikan objek pembungkus yang akan memanggil delegasi setelah Fit(IDataView) dipanggil. Seringkali penting bagi estimator untuk mengembalikan informasi tentang apa yang cocok, itulah sebabnya Fit(IDataView) metode mengembalikan objek yang di ketik secara khusus, bukan hanya umum ITransformer. Namun, pada saat yang sama, IEstimator<TTransformer> sering dibentuk menjadi alur dengan banyak objek, jadi kita mungkin perlu membangun rantai estimator melalui EstimatorChain<TLastTransformer> di mana estimator yang ingin kita dapatkan transformator dimakamkan di suatu tempat dalam rantai ini. Untuk skenario itu, kita dapat melalui metode ini melampirkan delegasi yang akan dipanggil setelah fit dipanggil. |