MLP（Multilayer Perceptron，多層感知器）回歸是一種基于神經網絡的回歸算法，主要用于解決非線性回歸問題。它通過多個隱藏層將輸入特征映射到輸出，能夠捕捉復雜的模式和關系。MLP回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并優化，從而準確預測輸出結果。
支持的計算資源
輸入/輸出
輸入樁
通過讀OSS數據組件，讀取OSS路徑下的訓練數據文件。
配置此算法參數訓練數據OSS路徑，選擇訓練數據文件。
輸出樁
訓練生成的模型，保存地址對應算法參數保存模型的OSS路徑。
關于參數詳細說明，請參見下文中的參數說明。
配置組件
在Designer工作流頁面添加MLP回歸算法（訓練）組件，并在界面右側配置相關參數：
參數類型 | 參數 | 是否必選 | 描述 | 默認值 | |
字段設置 | 訓練數據OSS路徑 | 否 | 若無上游OSS數據傳入，需手動選擇訓練數據文件，示例：train_data.csv（格式要求：CSV格式的數值特征文件，無表頭，最后一列為目標值，其余列為特征）。 | 無 | |
保存模型的OSS路徑 | 是 | 保存模型的OSS路徑。 | 無 | ||
預訓練的模型路徑 | 否 | 預訓練的模型路徑，若不填，則不加載預訓練模型。 | 無 | ||
參數設置 | MLP網絡層數 | 是 | MLP的層數（除輸出層外）。 | 3 | |
隱藏層的大小 | 是 | 每個隱藏層的輸出通道數，用半角逗號（,）隔開。若輸入單一數字，則表示所有隱藏層的輸出通道數。 | 64,32,16 | ||
每個Dropout層的丟棄比例 | 是 | 每個Dropout層的丟棄比例，用半角逗號（,）隔開。若輸入單一數字，則表示所有Dropout層的丟棄比例。 | 0.5 | ||
訓練輪數 | 是 | 訓練的總輪數。 | 100 | ||
學習率 | 是 | 學習率。 | 0.01 | ||
訓練批大小 | 是 | 每次迭代中使用的訓練樣本的數量。 | 32 | ||
模型保存輪數 | 是 | 每隔多少個訓練輪次（epoch）保存一次模型（checkpoint ）。 | 10 | ||
驗證輪數 | 是 | 每隔多少個訓練輪次對驗證集進行一次評估 | 5 | ||
優化器類型 | 是 | 優化器，用于更新模型參數（如權重和偏置）的算法，支持類型包含Adam、SGD。 | Adam | ||
損失函數類型 | 是 | 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，支持類型包含MSE、L1。 | MSE | ||
執行調優 | 選擇資源組 | 公共資源組 | 否 | 選擇節點規格（CPU或GPU實例規格）、專有網絡。 | 無 |
專有資源組 | 否 | 選擇CPU核數、內存、共享內存、GPU卡數。 | 無 | ||
最大運行時長 | 否 | 組件最大運行時長，超過這個時間，作業會被終止。 | 無 | ||