Komponen Jaringan Neural Multi-Kelas
Artikel ini menjelaskan komponen dalam perancang Azure Machine Learning.
Gunakan komponen ini untuk membuat model jaringan neural yang dapat digunakan untuk memprediksi target yang hanya memiliki dua nilai.
Misalnya, jaringan neural semacam ini dapat digunakan dalam tugas visi komputer yang kompleks, seperti pengenalan digit atau huruf, klasifikasi dokumen, dan pengenalan pola.
Klasifikasi yang menggunakan jaringan neural adalah metode pembelajaran yang diawasi, dan karenanya memerlukan himpunan data yang diberi tag yang menyertakan kolom label.
Anda dapat melatih model dengan menyediakan model dan himpunan data yang diberi tag sebagai sebuah input ke Model Latihan. Model terlatih kemudian dapat digunakan untuk memprediksi nilai untuk contoh input baru.
Tentang jaringan neural
Jaringan neural adalah satu set lapisan yang saling terhubung. Input adalah lapisan pertama, dan terhubung ke lapisan output oleh grafik acyclic yang terdiri dari tepi dan node tertimbang.
Di antara lapisan input dan output, Anda dapat memasukkan beberapa lapisan tersembunyi. Sebagian besar tugas prediktif dapat diselesaikan dengan mudah hanya dengan satu atau beberapa lapisan tersembunyi. Namun, penelitian terbaru telah menunjukkan bahwa jaringan neural dalam (DNN) dengan banyak lapisan dapat efektif dalam tugas-tugas kompleks seperti pengenalan gambar atau ucapan. Lapisan berturut-turut digunakan untuk memodelkan peningkatan tingkat kedalaman semantik.
Hubungan antara input dan output dipelajari dari pelatihan jaringan neural pada data input. Arah grafik berlanjut dari input melalui lapisan tersembunyi dan ke lapisan output. Semua node dalam lapisan dihubungkan oleh tepi tertimbang ke node di lapisan berikutnya.
Untuk menghitung output jaringan untuk input tertentu, nilai dihitung pada setiap node di lapisan tersembunyi dan di lapisan output. Nilai diatur dengan menghitung jumlah tertimbang dari nilai node dari lapisan sebelumnya. Fungsi aktivasi kemudian diterapkan ke jumlah tertimbang tersebut.
Mengonfigurasi Jaringan Neural Multi-kelas
Tambahkan komponen Jaringan Neural Multi-Kelas ke alur Anda di perancang. Anda dapat menemukan komponen ini di bagian Pembelajaran Mesin,Inisialisasi, dalam kategori Klasifikasi.
Buat mode pelatih: Gunakan opsi ini untuk menentukan bagaimana Anda ingin model dilatih:
Parameter Tunggal: Pilih opsi ini jika Anda sudah tahu bagaimana Anda akan mengonfigurasi model.
Rentang Parameter: Pilih opsi ini jika Anda tidak yakin dengan parameter terbaik, dan ingin menjalankan sapuan parameter. Pilih rentang nilai yang akan diulang, dan Tune Model Hyperparameters mengulangi semua kemungkinan kombinasi pengaturan yang Anda berikan untuk menentukan hyperparameter yang menghasilkan hasil optimal.
Spesifikasi lapisan tersembunyi: Pilih jenis arsitektur jaringan untuk dibuat.
Kasus yang sepenuhnya terhubung: Pilih opsi ini untuk membuat model menggunakan arsitektur jaringan neural default. Untuk model jaringan neural multi-kelas, defaultnya adalah sebagai berikut:
- Satu lapisan tersembunyi
- Lapisan output sepenuhnya terhubung ke lapisan tersembunyi.
- Lapisan tersembunyi sepenuhnya terhubung ke lapisan input.
- Jumlah node dalam lapisan input ditentukan oleh jumlah fitur dalam data pelatihan.
- Jumlah node di lapisan tersembunyi dapat diatur oleh pengguna. Nilai defaultnya adalah 100.
- Jumlah node dalam lapisan output tergantung pada jumlah kelas.
Jumlah node tersembunyi: Opsi ini memungkinkan Anda menyesuaikan jumlah node tersembunyi dalam arsitektur default. Ketik jumlah node tersembunyi. Opsi default satu lapisan tersembunyi memiliki 100 node.
Tingkat pembelajaran: Tentukan ukuran langkah yang diambil pada setiap iterasi, sebelum koreksi. Nilai yang lebih besar untuk tingkat pembelajaran dapat menyebabkan model bertemu lebih cepat, tetapi dapat melampaui minima lokal.
Jumlah iterasi pembelajaran: Tentukan berapa kali algoritma harus memproses kasus pelatihan maksimum.
Diameter bobot pembelajaran awal: Tentukan bobot node pada awal proses pembelajaran.
Momentum: Tentukan bobot yang akan diterapkan selama pembelajaran ke node dari iterasi sebelumnya.
Contoh acak: Pilih opsi ini untuk mengacak kasus di antara iterasi.
Jika Anda membatalkan opsi ini, kasus diproses dalam urutan yang sama persis setiap kali Anda menjalankan alur.
Nilai awal angka acak: Ketik nilai untuk digunakan sebagai nilai awal, jika Anda ingin memastikan pengulangan di seluruh berjalan dari alur yang sama.
Latih model:
Jika Anda mengatur Buat mode pelatih ke Parameter Tunggal, hubungkan himpunan data yang ditandai dan komponen Model Pelatihan.
Jika Anda mengatur Buat mode pelatih ke Rentang Parameter, sambungkan himpunan data yang ditandai dan latih model menggunakan Setel Model Hyperparameter.
Catatan
Jika Anda meneruskan rentang parameter ke Latih Model, rentang tersebut hanya akan menggunakan nilai default dalam satu daftar parameter.
Jika Anda meneruskan satu set nilai parameter ke komponen Tune Model Hyperparameters, saat mengharapkan rentang pengaturan untuk setiap parameter, komponen akan mengabaikan nilai, dan menggunakan nilai default untuk pelajar.
Jika Anda memilih opsi Rentang Parameter dan memasukkan nilai tunggal untuk parameter apa pun, nilai tunggal yang Anda tentukan akan digunakan di seluruh sapuan, bahkan jika parameter lain berubah di berbagai nilai.
Hasil
Setelah pelatihan selesai:
- Untuk menyimpan cuplikan dari model terlatih, pilih tab Output di panel kanan komponen Model pelatihan. Pilih ikon Daftarkan himpunan data untuk menyimpan model sebagai komponen yang dapat digunakan kembali.
Langkah berikutnya
Lihat set komponen yang tersedia untuk Azure Machine Learning.