Componente Rede Neural Multiclasse
Este artigo descreve o componente no Azure Machine Learning Designer.
Use este componente para criar um modelo de rede neural que possa ser usado para prever um destino que tenha vários valores.
Por exemplo, redes neurais desse tipo podem ser usadas em tarefas de pesquisa visual computacional complexas, como reconhecimento de letras ou dígitos, classificação de documentos e reconhecimento de padrões.
A classificação usando redes neurais é um método de aprendizado supervisionado e, portanto, requer um conjunto de dados marcado que inclua uma coluna de rótulo.
Treine o modelo fornecendo o modelo e o conjunto de dados marcado como uma entrada para Treinar Modelo. O modelo treinado pode 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 grafo acíclico composto por bordas e nós ponderados.
Entre as camadas de entrada e saída, você pode inserir várias camadas ocultas. Mais tarefas de previsão podem ser feitas facilmente com apenas uma ou algumas camadas ocultas. No entanto, pesquisas recentes demonstraram que DNNs (redes neurais profundas) com muitas camadas podem ser eficazes em tarefas complexas, como reconhecimento de imagens ou de fala. As camadas sucessivas são usadas para modelar níveis crescentes de profundidade semântica.
A relação entre entradas e saídas é aprendida com o treinamento da rede neural com os dados de entrada. A direção do grafo vai das entradas por meio da camada oculta até 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. Em seguida, uma função de ativação é aplicada a essa soma ponderada.
Configurar a Rede Neural Multiclasse
Adicione o componente Rede Neural Multiclasse ao seu pipeline no designer. Você pode encontrar esse componente em Machine Learning, Inicializar, na categoria Classificação.
Criar modo de treinador: use esta opção para especificar como você deseja que o modelo seja treinado:
Parâmetro único: escolha esta opção se você já souber como deseja configurar o modelo.
Intervalo de Parâmetros: escolha esta opção se não tiver certeza dos melhores parâmetros e quiser executar uma varredura de parâmetro. Selecione um intervalo de valores para iteração, e Ajustar os Hiperparâmetros do Modelo 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 rede neural multiclasse, os padrões são os seguintes:
- Uma camada oculta
- A camada de saída é totalmente conectada à camada oculta.
- A camada oculta é 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. O padrão é 100.
- O número de nós na camada de saída depende do número de classes.
Número de nós ocultos: essa opção permite que você personalize 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 realizada em cada iteração antes da correção. Um valor maior para a taxa de aprendizagem pode fazer com que o modelo seja convergido mais rapidamente, mas pode ultrapassar mínimo locais.
Número de iterações de aprendizagem: especifique o número máximo de vezes que o algoritmo deve processar os casos de treinamento.
O diâmetro inicial dos pesos de aprendizagem: especifique os pesos do nó no início do processo de aprendizagem.
O impulso: especifique um peso a ser aplicado durante a aprendizagem aos nós das iterações anteriores.
Embaralhar exemplos: selecione esta opção para embaralhar casos entre iterações.
Se você desmarcar essa opção, os casos serão processados exatamente na mesma ordem toda vez que você executar o pipeline.
Semente de número aleatório: digite um valor a ser usado como semente se você quiser garantir a capacidade de repetição entre as execuções do mesmo pipeline.
Treinar o modelo:
Se você definir Criar modo treinador como Parâmetro Único, conecte um conjunto de dados marcado e o componente Treinar Modelo.
Se definir Criar modo de aprendizagem como Intervalo de parâmetros, conecte um conjunto de dados marcado e treine o modelo usando Ajustar hiperparâmetros do modelo.
Observação
Se você passar um intervalo de parâmetros para Treinar modelo, ele usará apenas o valor padrão na lista de parâmetros únicos.
Se você passar apenas um conjunto de valores de parâmetro para o componente Ajustar Hiperparâmetros do Modelo, quando ele espera receber um intervalo de configurações para cada parâmetro, ele ignorará os valores e usará os valores padrão para o aprendiz.
Se selecionar a opção Intervalo de Parâmetros e inserir um único valor para qualquer parâmetro, esse valor único especificado será usado em toda a varredura, mesmo que outros parâmetros sejam alterados em um intervalo de valores.
Resultados
Após a conclusão do treinamento:
- Para salvar um instantâneo do modelo treinado, escolha a guia Saídas no painel direito do componente Treinar modelo. Escolha o ícone Registrar conjunto de dados para salvá-lo como um componente reutilizável.
Próximas etapas
Confira o conjunto de componentes disponíveis no Azure Machine Learning.