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
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 | 描述 | 默认值 | |
字段设置 | 训练数据OSS路径 | 否 | 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）。 | 无 | |
保存模型的OSS路径 | 是 | 保存模型的OSS路径。 | 无 | ||
预训练的模型路径 | 否 | 预训练的模型路径，若不填，则不加载预训练模型。 | 无 | ||
参数设置 | MLP网络层数 | 是 | MLP的层数（除输出层外）。 | 3 | |
隐藏层的大小 | 是 | 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。 | 64,32,16 | ||
每个Dropout层的丢弃比例 | 是 | 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。 | 0.5 | ||
训练轮数 | 是 | 训练的总轮数。 | 100 | ||
学习率 | 是 | 学习率。 | 0.01 | ||
训练批大小 | 是 | 每次迭代中使用的训练样本的数量。 | 32 | ||
模型保存轮数 | 是 | 每隔多少个训练轮次（epoch）保存一次模型（checkpoint ）。 | 10 | ||
验证轮数 | 是 | 每隔多少个训练轮次对验证集进行一次评估 | 5 | ||
优化器类型 | 是 | 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。 | Adam | ||
损失函数类型 | 是 | 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。 | MSE | ||
执行调优 | 选择资源组 | 公共资源组 | 否 | 选择节点规格（CPU或GPU实例规格）、专有网络。 | 无 |
专有资源组 | 否 | 选择CPU核数、内存、共享内存、GPU卡数。 | 无 | ||
最大运行时长 | 否 | 组件最大运行时长，超过这个时间，作业会被终止。 | 无 | ||