MLP回归的训练过程_人工智能平台 PAI(PAI)-阿里云帮助中心

MLP（Multilayer Perceptron，多层感知器）回归是一种基于神经网络的回归算法，主要用于解决非线性回归问题。它通过多个隐藏层将输入特征映射到输出，能够捕捉复杂的模式和关系。MLP回归的训练过程涉及前向传播、损失计算、反向传播及参数更新的多个步骤，通过这些步骤模型可以逐渐学习并优化，从而准确预测输出结果。

支持的计算资源

DLC

输入/输出

输入桩

通过读OSS数据组件，读取OSS路径下的训练数据文件。
配置此算法参数训练数据OSS路径，选择训练数据文件。

输出桩

训练生成的模型，保存地址对应算法参数保存模型的OSS路径。

关于参数详细说明，请参见下文中的参数说明。

配置组件

在Designer工作流页面添加MLP回归算法（训练）组件，并在界面右侧配置相关参数：

参数类型	参数		是否必选	默认值	描述
字段设置	训练数据OSS路径		否	无	若无上游OSS数据传入，需手动选择训练数据文件，示例：train_data.csv（格式要求：CSV格式的数值特征文件，无表头，最后一列为目标值，其余列为特征）。
	保存模型的OSS路径		是	无	保存模型的OSS路径。
	预训练的模型路径		否	无	预训练的模型路径，若不填，则不加载预训练模型。
参数设置	MLP网络层数		是	3	MLP的层数（除输出层外）。
	隐藏层的大小		是	64,32,16	每个隐藏层的输出通道数，用半角逗号（,）隔开。若输入单一数字，则表示所有隐藏层的输出通道数。
	每个Dropout层的丢弃比例		是	0.5	每个Dropout层的丢弃比例，用半角逗号（,）隔开。若输入单一数字，则表示所有Dropout层的丢弃比例。
	训练轮数		是	100	训练的总轮数。
	学习率		是	0.01	学习率。
	训练批大小		是	32	每次迭代中使用的训练样本的数量。
	模型保存轮数		是	10	每隔多少个训练轮次（epoch）保存一次模型（checkpoint ）。
	验证轮数		是	5	每隔多少个训练轮次对验证集进行一次评估
	优化器类型		是	Adam	优化器，用于更新模型参数（如权重和偏置）的算法，支持类型包含Adam、SGD。
	损失函数类型		是	MSE	损失函数，用于衡量模型预测值与真实值之间差异的一种函数，支持类型包含MSE、L1。
执行调优	选择资源组	公共资源组	否	无	选择节点规格（CPU或GPU实例规格）、专有网络。
	选择资源组	专有资源组	否	无	选择CPU核数、内存、共享内存、GPU卡数。
	最大运行时长		否	无	组件最大运行时长，超过这个时间，作业会被终止。