OnlineGradientDescentTrainer Класс

Определение

Пространство имен:

Microsoft.ML.Trainers

Сборка:

Microsoft.ML.StandardTrainers.dll

Пакет:

Microsoft.ML v3.0.1

Для IEstimator<TTransformer> обучения модели линейной регрессии с помощью интерактивного градиентного спуска (OGD) для оценки параметров модели линейной регрессии.

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)

Наследование

Object

TrainerEstimatorBase<TTransformer,TModel>

OnlineLinearTrainer<TTransformer,TModel>

AveragedLinearTrainer<RegressionPredictionTransformer<LinearRegressionModelParameters>,LinearRegressionModelParameters>

OnlineGradientDescentTrainer

Комментарии

Чтобы создать этот обучающее средство, используйте OnlineGradientDescent или OnlineGradientDescent(Options).

Входные и выходные столбцы

Входные данные столбца меток должны иметь тип Single. Входные признаки данных столбцов должны быть вектором известного Singleразмера .

Этот алгоритм обучения выводит следующие столбцы:

Имя выходного столбца	Тип столбца	Описание
Score	Single	Несвязанная оценка, прогнозируемая моделью.

Характеристики тренера

Задача машинного обучения	Регрессия
Требуется ли нормализация?	Да
Требуется ли кэширование?	Нет
Требуется NuGet в дополнение к Microsoft.ML	Нет
Экспортируемый в ONNX	Да

Сведения об алгоритме обучения

Стохастический градиентный спуск использует простой итеративный метод для соответствия коэффициентам модели с использованием градиентов ошибок для функций выпуклой потери. Сетевой градиентный спуск (OGD) реализует стандартный (не пакетный) стохастический градиентный спуск, с выбором функций потери и возможность обновить вектор веса, используя среднее значение векторов, наблюдаемых с течением времени (средний аргумент имеет значение True по умолчанию).

Ссылки на примеры использования см. в разделе "См. также".

Поля

FeatureColumn	Столбец признаков, который ожидает тренер. (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>)
LabelColumn	Столбец метки, который ожидает тренер. Может иметь значение null, указывающее, что метка не используется для обучения. (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	Столбец веса, который ожидает тренер. Может быть null, что указывает, что вес не используется для обучения. (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>)

Свойства

Info	Для IEstimator<TTransformer> обучения модели линейной регрессии с помощью интерактивного градиентного спуска (OGD) для оценки параметров модели линейной регрессии. (Унаследовано от OnlineLinearTrainer<TTransformer,TModel>)

Методы

Fit(IDataView)	Тренирует и возвращает .ITransformer (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>)
Fit(IDataView, LinearModelParameters)	Продолжает обучение OnlineLinearTrainer<TTransformer,TModel> использования уже обученного modelParameters и возвращает ITransformerзначение . (Унаследовано от OnlineLinearTrainer<TTransformer,TModel>)
GetOutputSchema(SchemaShape)	Для IEstimator<TTransformer> обучения модели линейной регрессии с помощью интерактивного градиентного спуска (OGD) для оценки параметров модели линейной регрессии. (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>)

Методы расширения

AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)

Добавьте "контрольную точку кэширования" в цепочку оценщика. Это гарантирует, что подчиненные оценщики будут обучены на основе кэшированных данных. Рекомендуется использовать контрольную точку кэширования перед обучением, которые принимают несколько данных.

WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)

Учитывая оценщик, верните объект-оболочку, который будет вызывать делегат один раз Fit(IDataView) . Часто важно, чтобы оценщик возвращал сведения о том, что было положено, поэтому Fit(IDataView) метод возвращает специально типизированный объект, а не просто общий ITransformer. Однако в то же время часто IEstimator<TTransformer> формируются в конвейеры со многими объектами, поэтому нам может потребоваться создать цепочку оценщиков, где EstimatorChain<TLastTransformer> оценщик, для которого мы хотим получить преобразователь, похоронен где-то в этой цепочке. В этом сценарии мы можем подключить делегат, который будет вызываться после вызова соответствия.

См. также раздел

• OnlineGradientDescent(RegressionCatalog+RegressionTrainers, String, String, IRegressionLoss, Single, Boolean, Single, Int32)
• OnlineGradientDescent(RegressionCatalog+RegressionTrainers, OnlineGradientDescentTrainer+Options)
• OnlineGradientDescentTrainer.Options