本文說明 Azure 機器學習 設計工具中的元件。
使用此元件來建立神經網路模型，可用來預測具有多個值的目標。
例如，這類神經網路可用於複雜的計算機視覺工作，例如數位或字母辨識、檔分類和模式辨識。
使用類神經網路的分類是受監督的學習方法，因此需要 包含標籤數據行的標記數據集 。
您可以藉由提供模型和標記的數據集作為定型模型的輸入， 來定型模型。 然後，定型的模型可用來預測新輸入範例的值。
關於類神經網路
神經網路是一組互連層。 輸入是第一層，由加權邊緣和節點組成的無循環圖形連接到輸出層。
在輸入和輸出層之間，您可以插入多個隱藏層。 大部分的預測性工作只要使用一或幾個隱藏層即可輕鬆完成。 不過，最近的研究表明，具有許多層的深度神經網路（DNN）在影像或語音識別等複雜工作中可能有效。 後續層可用來建立增加語意深度層級的模型。
輸入與輸出之間的關聯性是從訓練輸入數據的類神經網路中學到的。 圖形的方向會透過隱藏層和輸出層從輸入繼續。 層次中的所有節點都會由加權邊緣連接到下一層中的節點。
若要計算特定輸入的網路輸出，則會在隱藏層和輸出層的每個節點計算值。 此值是藉由計算上一層節點值的加權總和來設定。 然後，啟用函式會套用至該加權總和。
設定多類別類神經網路
將 MultiClass 類神經網路 元件新增至設計工具中的管線。 您可以在 [分類] 類別的 [機器學習 初始化] 下找到此元件。
建立定型器模式：使用此選項可指定要如何定型模型：
單一參數：如果您已經知道如何設定模型，請選擇此選項。
參數範圍：如果您不確定最佳參數，而且想要執行參數掃掠，請選取此選項。 選取要逐一查看的值範圍，而 微調模型超參數 會逐一查看您提供之設定的所有可能組合，以判斷產生最佳結果的超參數。
隱藏層規格：選取要建立的網路架構類型。
完全連線案例：選取此選項以使用預設類神經網路架構來建立模型。 針對多類別類神經網路模型，預設值如下：
- 一個隱藏層
- 輸出層已完全連線到隱藏層。
- 隱藏層已完全連線到輸入層。
- 輸入層中的節點數目取決於定型數據中的特徵數目。
- 用戶可以設定隱藏層中的節點數目。 預設值為 100。
- 輸出層中的節點數目取決於類別數目。
隱藏節點數目：此選項可讓您自定義預設架構中的隱藏節點數目。 輸入隱藏節點的數目。 預設值為一個具有100個節點的隱藏層。
學習速率：定義在每個反覆專案上所採取的步驟大小，再進行更正。較大型的學習速率值可能會導致模型更快速聚合，但可能會過度調整本機最小值。
學習反覆項目的數目：指定演算法處理定型案例的次數上限。
初始學習權數直徑：指定學習程序開始時的節點權數。
勢頭：指定要在學習期間套用至先前反覆項目節點的權數。
隨機範例：選取此選項可在反覆項目之間隨機顯示案例。
如果您取消選取此選項，則每次執行管線時，案例會以完全相同的順序處理。
隨機數字種子：如果您想要確保相同管線執行之間的可重複性，請輸入要當做種子使用的值。
定型模型：
如果您將 [建立定型器模式] 設定為 [單一參數]，請連接已標記的數據集和定型模型元件。
如果您將 [建立定型器模式] 設定為 [參數範圍]，請使用 [微調模型超參數] 連接已標記的數據集並定型模型。
結果
完成定型之後：
- 若要儲存已定型模型的快照集，請選取 [定型模型] 元件右面板中的 [輸出] 索引標籤。 選取 [ 註冊數據集] 圖示，將模型儲存為可重複使用的元件。