二元神經網路元件
此文章描述 Azure Machine Learning 設計工具中的一個元件。
使用此元件建立神經網路模型，該模型可用來預測只有兩個值的目標。
使用神經網路的分類是受監督的學習方法，因此需要加上標籤的資料集，其中包含標籤資料行。 例如，您可以使用此神經網路模型來預測二進位結果，例如患者是否有特定疾病，或電腦是否可能在指定的時間範圍內故障。
定義模型之後，請提供加上標籤的資料集和模型作為定型模型的輸入，以便將其定型。 然後便可以使用已定型的模型預測新輸入的值。
關於神經網路的其他資訊
神經網路是一組互連的層。 輸入是第一層，並以由加權邊緣和節點組成的非循環圖表連接至輸出層。
您可以在輸入和輸出層之間插入多個隱藏層。 大部分的預測工作可以與一個或幾個隱藏層輕鬆完成。 不過，最近的研究顯示，具有許多層的深度神經網路 (DNN)，可能會在影像或語音辨識等複雜工作中發揮效用。 後續層會用來建立更多層級語意深度的模型。
輸入和輸出之間的關聯性是從對輸入資料的神經網路定型來學習。 圖形的方向會從透過隱藏層的輸入並對輸出層繼續進行。 圖層中的所有節點會由加權邊緣連接至下一層中的節點。
為了根據特定輸入來計算網路的輸出，需要計算隱藏層和輸出層中每個節點的值。 值的設定方式是計算來自上一層節點值的加權總和。 然後對該加權總和套用啟用函式。
如何設定
將二元神經網路元件新增至您的管線。 您可以在 [分類] 類別中的 [機器學習]、[初始化] 下找到此元件。
設定 [建立定型模式] 選項來指定要如何定型模型。
單一參數：如果您已知道要如何設定該模型，請選擇此選項。
參數範圍：如果不確定最佳參數，您可以使用調整模型超參數元件來尋找最佳參數。 您要提供特定範圍的值，定型模組會反覆測試多個設定組合，以決定可產生最佳結果的值組合。
針對 [隱藏層規格]，選取要建立的網路架構類型。
完全連接案例：使用預設的神經網路架構，針對二元神經網路定義，如下所示：
有一個隱藏層。
輸出層完全連接到隱藏層，而隱藏層完全連接到輸入層。
輸入層中的節點數目等於定型資料中的特徵數目。
隱藏層中的節點數目由使用者設定。 預設值是 100。
節點數目等於類別數目。 對於二元神經網路，這表示所有輸入都必須對應至輸出層中的兩個節點之一。
針對 [學習速率]，定義每一次反覆所採取的步驟大小 (在更正之前)。 較大的學習速率值可能會導致模型更快收斂，但可能衝過局部最小值。
針對 [學習反覆運算次數]，指定演算法應該處理定型案例的次數上限。
針對 [初始學習加權直徑]，指定在學習過程開始時的節點加權。
針對 [動量]，指定要在學習期間對來自先前反覆運算節點套用的加權
選取 [隨機顯示範例] 選項可在反覆運算之間隨機顯示案例。 如果您取消選取此選項，就會在每次執行管線時，以完全相同的順序處理案例。
針對 [亂數散播]，輸入要當作種子使用的值。
如果您想要確保相同管線每次執行時的重複性，指定種子值很有用。 否則，系統時鐘值會當作種子使用，這可能會在您每次執行管線時產生稍微不同的結果。
將標記資料集新增至管線，並定型模型：
提交管線。
結果
定型完成後：
若要儲存已定型模型的快照集，請在定型模型元件的右側面板中選取 [輸出] 索引標籤。 選取 [註冊資料集] 圖示，將模型儲存為可重複使用的元件。
若要使用模型來評分，請將評分模型元件新增至管線。
後續步驟
請參閱 Azure Machine Learning 可用的元件集。