多類別神經網路元件

本文描述 Azure Machine Learning 設計工具中的一個元件。

使用此元件建立可用來預測有多個值目標的神經網路模型。

例如，這類的神經網路可能會用於複雜的電腦視覺工作，例如，數字或字母的辨識、文件分類及圖樣辨識。

使用神經網路的分類是受監督的學習方法，因此需要包含標籤資料行的已標記的資料集。

您可以透過提供模型和加上標記的資料集做為定型模型的輸入來定型該模型。 然後便可以使用定型的模型來預測新輸入範例的值。

關於神經網路

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。 然後會對該加權總和套用啟用函式。

設定多類別神經網路

1. 在設計工具中，將多類別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。

2. 建立定型模式：使用此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：如果您不確定最佳參數，且想要執行參數掃掠，請選取此選項。 選取要反覆運算的值範圍，而調整模型超參數會反覆運算您提供的所有可能設定的組合，以判斷可產生最佳結果的超參數。

3. 隱藏層規格：選取要建立的網路架構類型。

   • 完全連接的案例：選取此選項，以使用預設的神經網路架構來建立模型。 針對多類別神經網路模型，預設值如下：

     • 一個隱藏層
     • 輸出層完全連接至隱藏層。
     • 隱藏層完全連接至輸入層。
     • 輸入層的節點數目取決於定型資料中的特徵數目。
     • 隱藏層中的節點數目可以由使用者設定。 預設值為 100。
     • 輸出層的節點數目取決於級別的數目。

4. 隱藏節點的數目：此選項可讓您自訂預設架構中的隱藏節點數目。 輸入隱藏節點的數目。 預設值是具有 100 個節點的一個隱藏層。

5. 學習速率：定義在每個反覆運算 (更正之前) 所採取步驟的大小。學習速率較大的值可能會導致模型更快速收斂，但它可能超過本機下限。

6. 學習反覆運算次數：指定演算法應該處理定型案例的最大次數。

7. 初始學習加權直徑：指定在學習過程開始時的節點加權。

8. 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。

9. 隨機顯示範例：選取此選項，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。

10. 亂數種子：如果您想要確保跨相同管線執行的可重複性，請輸入要做為種子的值。

11. 定型模型：

    • 如果您將 [建立定型模式] 設定為 [單一參數]，請連接已標記的資料集和定型模型元件。

    • 如果您將 [建立定型模式] 設定為 [參數範圍]，請連接已標記的資料集，並使用調整模型超參數來定型模型。

    注意

    如果您將參數範圍傳遞給定型模型，則系統只會使用單一參數清單中的預設值。

    如果您將單一組參數值傳遞至調整模型超參數元件，當其預期每個參數有一組設定時，則會忽略這些值，並對學習模組使用預設值。

    如果您選取 [參數範圍] 選項，並對任何參數輸入單一值，則在整個掃掠期間都會使用您所指定的該單一值，即使其他參數在某個範圍的值之間變更亦然。

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。

後續步驟

請參閱 Azure Machine Learning 可用的元件集。