Componente Rede Neural Multiclasse
Este artigo descreve um componente no designer do Azure Machine Learning.
Use este componente para criar um modelo de rede neural que pode ser usado para prever um destino que tem vários valores.
Por exemplo, redes neurais desse tipo podem ser usadas em tarefas complexas de visão computacional, como reconhecimento de dígitos ou letras, classificação de documentos e reconhecimento de padrões.
A classificação usando redes neurais é um método de aprendizagem supervisionada e, portanto, requer um conjunto de dados marcado que inclua uma coluna de rótulo.
Você pode treinar o modelo fornecendo o modelo e o conjunto de dados marcados como uma entrada para Train Model. O modelo treinado pode então ser usado para prever valores para os novos exemplos de entrada.
Sobre redes neurais
Uma rede neural é um conjunto de camadas interconectadas. As entradas são a primeira camada, e são conectadas a uma camada de saída por um gráfico acíclico composto de arestas ponderadas e nós.
Entre as camadas de entrada e saída, você pode inserir várias camadas ocultas. A maioria das tarefas preditivas pode ser realizada facilmente com apenas uma ou algumas camadas ocultas. No entanto, pesquisas recentes mostraram que redes neurais profundas (DNN) com muitas camadas podem ser eficazes em tarefas complexas, como reconhecimento de imagem ou fala. As camadas sucessivas são usadas para modelar níveis crescentes de profundidade semântica.
A relação entre entradas e saídas é aprendida treinando a rede neural nos dados de entrada. A direção do gráfico procede das entradas através da camada oculta e para a camada de saída. Todos os nós em uma camada são conectados pelas bordas ponderadas aos nós na próxima camada.
Para calcular a saída da rede para uma entrada específica, um valor é calculado em cada nó nas camadas ocultas e na camada de saída. O valor é definido calculando a soma ponderada dos valores dos nós da camada anterior. Uma função de ativação é então aplicada a essa soma ponderada.
Configurar Rede Neural Multiclasse
Adicione o componente MultiClass Neural Network ao seu pipeline no designer. Você pode encontrar esse componente em Machine Learning, Initialize, na categoria Classificação .
Criar modo de treinamento: use esta opção para especificar como deseja que o modelo seja treinado:
Parâmetro único: escolha esta opção se já souber como deseja configurar o modelo.
Intervalo de parâmetros: selecione esta opção se não tiver certeza dos melhores parâmetros e quiser executar uma varredura de parâmetros. Selecione um intervalo de valores para iterar e o Tune Model Hyperparameters itera sobre todas as combinações possíveis das configurações fornecidas para determinar os hiperparâmetros que produzem os resultados ideais.
Especificação de camada oculta: Selecione o tipo de arquitetura de rede a ser criada.
Caso totalmente conectado: selecione esta opção para criar um modelo usando a arquitetura de rede neural padrão. Para modelos de redes neurais multiclasse, os padrões são os seguintes:
- Uma camada oculta
- A camada de saída está totalmente conectada à camada oculta.
- A camada oculta está totalmente conectada à camada de entrada.
- O número de nós na camada de entrada é determinado pelo número de recursos nos dados de treinamento.
- O número de nós na camada oculta pode ser definido pelo usuário. A predefinição é 100.
- O número de nós na camada de saída depende do número de classes.
Número de nós ocultos: esta opção permite personalizar o número de nós ocultos na arquitetura padrão. Digite o número de nós ocultos. O padrão é uma camada oculta com 100 nós.
A taxa de aprendizagem: Defina o tamanho da etapa tomada em cada iteração, antes da correção. Um valor maior para a taxa de aprendizagem pode fazer com que o modelo convirja mais rapidamente, mas pode ultrapassar os mínimos locais.
Número de iterações de aprendizagem: especifique o número máximo de vezes que o algoritmo deve processar os casos de treinamento.
O diâmetro dos pesos de aprendizagem inicial: especifique os pesos dos nós no início do processo de aprendizagem.
O momento: especifique um peso a ser aplicado durante o aprendizado aos nós de iterações anteriores.
Exemplos aleatórios: selecione esta opção para embaralhar casos entre iterações.
Se você desmarcar essa opção, os casos serão processados exatamente na mesma ordem cada vez que você executar o pipeline.
Semente de número aleatório: digite um valor para usar como semente, se quiser garantir a repetibilidade em execuções do mesmo pipeline.
Treine o modelo:
Se você definir Create trainer mode como Single Parameter, conecte um conjunto de dados marcado e o componente Train Model .
Se você definir Criar modo de treinamento como Intervalo de parâmetros, conecte um conjunto de dados marcado e treine o modelo usando Ajustar hiperparâmetros do modelo.
Nota
Se você passar um intervalo de parâmetros para Train Model, ele usará apenas o valor padrão na lista de parâmetros únicos.
Se você passar um único conjunto de valores de parâmetro para o componente Ajustar Hiperparâmetros do Modelo, quando ele espera um intervalo de configurações para cada parâmetro, ele ignora os valores e usa os valores padrão para o aluno.
Se você selecionar a opção Intervalo de parâmetros e inserir um único valor para qualquer parâmetro, esse único valor especificado será usado durante toda a varredura, mesmo que outros parâmetros sejam alterados em um intervalo de valores.
Resultados
Após a conclusão da formação:
- Para salvar um instantâneo do modelo treinado, selecione a guia Saídas no painel direito do componente Modelo de trem . Selecione o ícone Registrar conjunto de dados para salvar o modelo como um componente reutilizável.
Próximos passos
Consulte o conjunto de componentes disponíveis para o Azure Machine Learning.