MLP迴歸的訓練過程 - Platform For AI

MLP（Multilayer Perceptron，多層感知器）迴歸是一種基於神經網路的迴歸演算法，主要用於解決非線性迴歸問題。它通過多個隱藏層將輸入特徵映射到輸出，能夠捕捉複雜的模式和關係。MLP迴歸的訓練過程涉及前向傳播、損失計算、反向傳播及參數更新的多個步驟，通過這些步驟模型可以逐漸學習並最佳化，從而準確預測輸出結果。

支援的計算資源

DLC

輸入/輸出

輸入樁

通過讀OSS資料組件，讀取OSS路徑下的訓練資料檔案。
配置此演算法參數訓練資料OSS路徑，選擇訓練資料檔案。

輸出樁

訓練產生的模型，儲存地址對應演算法參數儲存模型的OSS路徑。

關於參數詳細說明，請參見下文中的參數說明。

配置組件

在Designer工作流程頁面添加MLP迴歸演算法（訓練）組件，並在介面右側配置相關參數：

參數類型	參數		是否必選	預設值	描述
欄位設定	訓練資料OSS路徑		否	無	若無上遊OSS資料傳入，需手動選擇訓練資料檔案（格式要求：CSV格式的數值特徵檔案，無表頭，最後一列為目標值，其餘列為特徵）。
	儲存模型的OSS路徑		是	無	儲存模型的OSS路徑。
	預訓練的模型路徑		否	無	預訓練的模型路徑，若不填，則不載入預訓練模型。
參數設定	MLP網路層數		是	3	MLP的層數（除輸出層外）。
	隱藏層的大小		是	64,32,16	每個隱藏層的輸出通道數，用半形逗號（,）隔開。若輸入單一數字，則表示所有隱藏層的輸出通道數。
	每個Dropout層的丟棄比例		是	0.5	每個Dropout層的丟棄比例，用半形逗號（,）隔開。若輸入單一數字，則表示所有Dropout層的丟棄比例。
	訓練輪數		是	100	訓練的總輪數。
	學習率		是	0.01	學習率。
	訓練批大小		是	32	每次迭代中使用的訓練樣本的數量。
	模型儲存輪數		是	10	每隔多少個訓練輪次（epoch）儲存一次模型（checkpoint ）。
	驗證輪數		是	5	每隔多少個訓練輪次對驗證集進行一次評估
	最佳化器類型		是	Adam	最佳化器，用於更新模型參數（如權重和偏置）的演算法，支援類型包含Adam、SGD。
	損失函數類型		是	MSE	損失函數，用于衡量模型預測值與真實值之間差異的一種函數，支援類型包含MSE、L1。
執行調優	選擇資源群組	公用資源群組	否	無	選擇節點規格（CPU或GPU執行個體規格）、專用網路。
	選擇資源群組	專有資源群組	否	無	選擇CPU核心數、記憶體、共用記憶體、GPU卡數。
	最大運行時間長度		否	無	組件最大運行時間長度，超過這個時間，作業會被終止。