Componente Rete neurale multiclasse
Questo articolo descrive un componente nella finestra di progettazione di Azure Machine Learning.
Usare questo componente per creare un modello di rete neurale che può essere usato per stimare una destinazione con più valori.
Ad esempio, le reti neurali di questo tipo possono essere usate in attività complesse di visione artificiale, ad esempio il riconoscimento di cifre o lettere, la classificazione dei documenti e il riconoscimento dei modelli.
La classificazione tramite reti neurali è un metodo di apprendimento supervisionato e pertanto richiede un set di dati con tag che include una colonna etichetta.
È possibile eseguire il training del modello specificando il modello e il set di dati con tag come input per Eseguire il training del modello. Il modello sottoposto a training può quindi essere usato per stimare i valori per i nuovi esempi di input.
Informazioni sulle reti neurali
Una rete neurale è un set di livelli interconnessi. Gli input sono il primo livello e sono collegati a un livello di output da un grafico aciclico costituito da bordi e nodi ponderati.
Tra i livelli di input e output è possibile inserire più livelli nascosti. La maggior parte delle attività predittive può essere eseguita facilmente con uno o pochi livelli nascosti. Tuttavia, recenti ricerche hanno dimostrato che le reti neurali profonde (DNN) con molti livelli possono essere efficaci in attività complesse, ad esempio il riconoscimento di immagini o di riconoscimento vocale. I livelli successivi vengono usati per modellare livelli crescenti di profondità semantica.
La relazione tra input e output viene appresa dal training della rete neurale sui dati di input. La direzione del grafico procede dagli input attraverso il livello nascosto e al livello di output. Tutti i nodi di un livello sono collegati dai bordi ponderati ai nodi nel livello successivo.
Per calcolare l'output della rete per un determinato input, viene calcolato un valore in ogni nodo nei livelli nascosti e nel livello di output. Il valore viene impostato calcolando la somma ponderata dei valori dei nodi del livello precedente. A tale somma ponderata viene quindi applicata una funzione di attivazione.
Configurare la rete neurale multiclasse
Aggiungere il componente MultiClass Neural Network alla pipeline nella finestra di progettazione. È possibile trovare questo componente in Machine Learning, Inizializza nella categoria Classificazione .
Creare la modalità di training: usare questa opzione per specificare la modalità di training del modello:
Singolo parametro: scegliere questa opzione se si conosce già come si vuole configurare il modello.
Intervallo di parametri: selezionare questa opzione se non si è certi dei parametri migliori e si vuole eseguire uno sweep di parametri. Selezionare un intervallo di valori per scorrere e ottimizzare gli iperparametri del modello esegue l'iterazione su tutte le possibili combinazioni delle impostazioni fornite per determinare gli iperparametri che producono i risultati ottimali.
Specifica del livello nascosto: selezionare il tipo di architettura di rete da creare.
Caso completamente connesso: selezionare questa opzione per creare un modello usando l'architettura di rete neurale predefinita. Per i modelli di rete neurale multiclasse, le impostazioni predefinite sono le seguenti:
- Un livello nascosto
- Il livello di output è completamente connesso al livello nascosto.
- Il livello nascosto è completamente connesso al livello di input.
- Il numero di nodi nel livello di input è determinato dal numero di funzionalità nei dati di training.
- Il numero di nodi nel livello nascosto può essere impostato dall'utente. L'impostazione predefinita è 100.
- Il numero di nodi nel livello di output dipende dal numero di classi.
Numero di nodi nascosti: questa opzione consente di personalizzare il numero di nodi nascosti nell'architettura predefinita. Digitare il numero di nodi nascosti. Il valore predefinito è un livello nascosto con 100 nodi.
Frequenza di apprendimento: definire le dimensioni del passaggio eseguito in ogni iterazione, prima della correzione. Un valore maggiore per la frequenza di apprendimento può causare una convergenza più rapida del modello, ma può superare i minimi locali.
Numero di iterazioni di apprendimento: specificare il numero massimo di volte in cui l'algoritmo deve elaborare i casi di training.
Diametro dei pesi di apprendimento iniziale: specificare i pesi del nodo all'inizio del processo di apprendimento.
Il momento: specificare un peso da applicare durante l'apprendimento ai nodi delle iterazioni precedenti.
Esempi casuali: selezionare questa opzione per eseguire la casualità dei casi tra iterazioni.
Se si deseleziona questa opzione, i case vengono elaborati esattamente nello stesso ordine ogni volta che si esegue la pipeline.
Valore di inizializzazione numero casuale: digitare un valore da usare come valore di inizializzazione, se si vuole garantire la ripetibilità tra le esecuzioni della stessa pipeline.
Eseguire il training del modello:
Se si imposta Create trainer mode (Crea modalità trainer) su Single Parameter (Parametro singolo), connettere un set di dati con tag e il componente Train Model (Train Model ).
Se si imposta La modalità di training su Intervallo di parametri, connettere un set di dati con tag ed eseguire il training del modello usando Ottimizzazione degli iperparametri del modello.
Nota
Se si passa un intervallo di parametri a Train Model, viene usato solo il valore predefinito nell'elenco dei singoli parametri.
Se si passa un singolo set di valori di parametro al componente Tune Model Hyperparameters , quando prevede un intervallo di impostazioni per ogni parametro, ignora i valori e usa i valori predefiniti per lo strumento di apprendimento.
Se si seleziona l'opzione Intervallo di parametri e si immette un singolo valore per qualsiasi parametro, tale singolo valore specificato viene usato durante lo sweep, anche se altri parametri cambiano in un intervallo di valori.
Risultati
Al termine del training:
- Per salvare uno snapshot del modello sottoposto a training, selezionare la scheda Output nel pannello destro del componente Train model (Esegui training modello). Selezionare l'icona Registra set di dati per salvare il modello come componente riutilizzabile.
Passaggi successivi
Vedere il set di componenti disponibili per Azure Machine Learning.