Çok Sınıflı Sinir Ağı bileşeni
Bu makalede Azure Machine Learning tasarımcısındaki bir bileşen açıklanmaktadır.
Birden çok değere sahip bir hedefi tahmin etmek için kullanılabilecek bir sinir ağı modeli oluşturmak için bu bileşeni kullanın.
Örneğin, bu tür sinir ağları, rakam veya harf tanıma, belge sınıflandırması ve desen tanıma gibi karmaşık görüntü işleme görevlerinde kullanılabilir.
Sinir ağları kullanılarak sınıflandırma denetimli bir öğrenme yöntemidir ve bu nedenle etiket sütunu içeren etiketli bir veri kümesi gerektirir.
Modeli eğitmek için modeli ve etiketli veri kümesini giriş olarak sağlayabilirsiniz. Eğitilen model daha sonra yeni giriş örneklerinin değerlerini tahmin etmek için kullanılabilir.
Sinir ağları hakkında
Sinir ağı, birbirine bağlı katmanlar kümesidir. Girişler ilk katmandır ve ağırlıklı kenarlardan ve düğümlerden oluşan bir ansiklopik grafik tarafından bir çıkış katmanına bağlanır.
Giriş ve çıkış katmanları arasına birden çok gizli katman ekleyebilirsiniz. Tahmine dayalı görevlerin çoğu yalnızca bir veya birkaç gizli katmanla kolayca gerçekleştirilebilir. Ancak yakın zamanda yapılan araştırmalar, birçok katmana sahip derin sinir ağlarının (DNN) görüntü veya konuşma tanıma gibi karmaşık görevlerde etkili olabileceğini göstermiştir. Art arda gelen katmanlar artan anlam derinliği düzeylerini modellemek için kullanılır.
Girişler ve çıkışlar arasındaki ilişki, sinir ağını giriş verileri üzerinde eğiterek öğrenilir. Grafın yönü, girişlerden gizli katmana ve çıkış katmanına doğru ilerler. Katmandaki tüm düğümler, ağırlıklı kenarlar tarafından bir sonraki katmandaki düğümlere bağlanır.
Belirli bir giriş için ağın çıkışını hesaplamak için gizli katmanlardaki ve çıkış katmanındaki her düğümde bir değer hesaplanır. Değer, önceki katmandaki düğümlerin değerlerinin ağırlıklı toplamı hesaplanarak ayarlanır. Ardından bu ağırlıklı toplama bir etkinleştirme işlevi uygulanır.
Çok Sınıflı Nöral Ağı Yapılandırma
MultiClass Nöral Ağ bileşenini tasarımcıdaki işlem hattınıza ekleyin. Bu bileşeni Sınıflandırma kategorisindeki Machine Learning, Initialize altında bulabilirsiniz.
Eğitmen modu oluşturma: Modelin nasıl eğitileceğini belirtmek için bu seçeneği kullanın:
Tek Parametre: Modeli nasıl yapılandırmak istediğinizi zaten biliyorsanız bu seçeneği belirleyin.
Parametre Aralığı: En iyi parametrelerden emin değilseniz ve bir parametre süpürmesi çalıştırmak istiyorsanız bu seçeneği belirleyin. Yinelemek için bir değer aralığı seçin ve Ayar Modeli Hiper Parametreleri , en iyi sonuçları üreten hiper parametreleri belirlemek için sağladığınız ayarların tüm olası birleşimleri üzerinde yinelenir.
Gizli katman belirtimi: Oluşturulacak ağ mimarisinin türünü seçin.
Tam bağlı durum: Varsayılan sinir ağı mimarisini kullanarak model oluşturmak için bu seçeneği belirleyin. Çok sınıflı sinir ağı modelleri için varsayılanlar aşağıdaki gibidir:
- Bir gizli katman
- Çıkış katmanı gizli katmana tamamen bağlıdır.
- Gizli katman, giriş katmanına tamamen bağlıdır.
- Giriş katmanındaki düğüm sayısı, eğitim verilerindeki özelliklerin sayısına göre belirlenir.
- Gizli katmandaki düğüm sayısı kullanıcı tarafından ayarlanabilir. Varsayılan değer 100'dür.
- Çıkış katmanındaki düğüm sayısı sınıfların sayısına bağlıdır.
Gizli düğüm sayısı: Bu seçenek, varsayılan mimarideki gizli düğüm sayısını özelleştirmenizi sağlar. Gizli düğüm sayısını yazın. Varsayılan değer, 100 düğüm içeren bir gizli katmandır.
Öğrenme oranı: Düzeltmeden önce her yinelemede atılan adımın boyutunu tanımlayın. Öğrenme oranı için daha büyük bir değer modelin daha hızlı yakınsamasına neden olabilir, ancak yerel minima fazla etki yapabilir.
Öğrenme yinelemesi sayısı: Algoritmanın eğitim olaylarını en fazla kaç kez işlemesi gerektiğini belirtin.
İlk öğrenme ağırlıklarının çapı: Öğrenme sürecinin başlangıcında düğüm ağırlıklarını belirtin.
Momentum: Önceki yinelemelerden düğümlere öğrenme sırasında uygulanacak ağırlığı belirtin.
Karıştırma örnekleri: Yinelemeler arasındaki durumları karıştırmak için bu seçeneği belirleyin.
Bu seçeneğin seçimini kaldırırsanız, işlem hattını her çalıştırdığınızda servis talepleri tam olarak aynı sırayla işlenir.
Rastgele sayı tohumu: Aynı işlem hattının çalıştırmaları arasında yinelenebilirlik sağlamak istiyorsanız, tohum olarak kullanılacak bir değer yazın.
Modeli eğitin:
Eğitmen modu oluştur'uTek Parametre olarak ayarlarsanız etiketli bir veri kümesini ve Modeli Eğitme bileşenini bağlayın.
Eğitmen modu oluştur'uParametre Aralığı olarak ayarlarsanız etiketli bir veri kümesini bağlayın ve Modeli Ayarlama Hiper Parametreleri'ni kullanarak modeli eğitin.
Not
Modeli Eğitme'ye bir parametre aralığı geçirirseniz, yalnızca tek parametre listesindeki varsayılan değeri kullanır.
Model Hiper Parametreleri Ayarlama bileşenine tek bir parametre değeri kümesi geçirirseniz, her parametre için bir ayar aralığı beklediğinde değerleri yoksayar ve öğrenci için varsayılan değerleri kullanır.
Parametre Aralığı seçeneğini belirleyip herhangi bir parametre için tek bir değer girerseniz, diğer parametreler bir değer aralığında değişse bile, belirttiğiniz tek değer süpürme boyunca kullanılır.
Sonuçlar
Eğitim tamamlandıktan sonra:
- Eğitilen modelin anlık görüntüsünü kaydetmek için Modeli eğit bileşeninin sağ panelinde Çıkışlar sekmesini seçin. Modeli yeniden kullanılabilir bir bileşen olarak kaydetmek için Veri kümesini kaydet simgesini seçin.
Sonraki adımlar
Bkz. Azure Machine Learning'de kullanılabilen bileşenler kümesi .