Parameter Range Automated Machine Learning (ASCMO-DYNAMIC)

Model メニュー > Automated Machine Learning > Parameter Range ボタン

Automated Machine Learning ウィンドウで、自動機械学習やハイパーパラメータについて詳細に設定することができます。"Parameter Range Automated Machine Learning" ウィンドウには、RNN、CNN、NARX オプションのタブがあります。

Parameter Range Automated Machine Learning ウィンドウには以下のエレメントが含まれます。

General

Modeling Method

モデルタイプ

自動機械学習に使用したいモデルのチェックボックスをオンにします。

Automatic Input Selection

オンにすると、アルゴリズムは、最も関連性の高い入力フィーチャーのみを自動的に選択します。これは、モデルの精度と複雑さのバランスをとるのに役立ちます。選択は、グローバルにアクティブ化された入力に基づいて行われ、各モデルはそのサブセットを使用します。

1つのグローバル入力のみ選択されている場合、このオプションは無視されます。

Random Seed

乱数生成器を初期化する値を入力します。

固定的なシードを設定することで、再現性のあるトレーニングと検証結果が保証されます。

Embedded AI Coder

Embedded AI Coderオプションを使用すると、"hardware-aware" な（ハードウェアを考慮した）AutoMLプロセスが実現でき、実際のデバイスの制約（処理能力、メモリ、推論時間など）に対応した最適化が行えます。

"hardware-aware"なモデルトレーニングでは、効率的なデプロイメントの目的で、ターゲットデバイスの能力と制約に適合するモデルが設計されます。

これには、有効なEmbedded AI Coderがインストールされている必要があります。

Restrict to Embedded AI Coder

チェックボックスをオンにすると、自動機械学習の設定がEmbedded AI Coderで現在サポートされている内容に制限されます。互換性のないモデルや設定は、除外されます。を参照してください。

Use Hardware Estimates

オンになっていると、システムは選択されたターゲットデバイスから提供されるハードウェア仕様に基づいて、モデルのリソース要件（例：RAM、ROM、推定時間）を推定します。

Embedded AI Coder Version：ハードウェアの推定に使用するEmbedded AI Coderのバージョンを指定します。
Target Device：サポートされているハードウェアデバイスを選択します。使用可能はデバイスのリストは、選択されたEmbedded AI Coderのバージョンに応じて異なります。
RAM (bytes)：利用可能なランダムアクセスメモリ（RAM）の最大容量をバイト単位で定義します。選択されたハードウェアの仕様に基き、このRAM制限を超えることがEmbedded AI Coderによって推定されたモデルは、自動的にスキップされます。
ROM (bytes)：利用可能な読み取り専用メモリ（ROM）の最大容量をバイト単位で定義します。選択されたハードウェアの仕様に基き、このROM制限を超えることがEmbedded AI Coderによって推定されたモデルは、自動的にスキップされます。
Inference Time (µs)：評価ステップごとに推定されるモデル推論時間をマイクロ秒単位で指定します。この値はおおまかに見積もられるものです。定義された制限を超えるモデルは除外されますが、推定にはばらつきが生じる可能性があるため、ある程度の許容範囲を設けることをお勧めします。

Data

Model Setting：Recurrent Neural Network

最良の結果を見つけるために機械学習プロセスに含めたいエレメントについて、General タブの Recurrent Neural Network チェックボックスをオンにします。含めるチェックボックスが多いほど処理時間が長くなります。

注記
各パラメータについての詳細は、Model Configurations：Recurrent Neural Network (RNN)を参照してください。

機械学習プロセスで使用するエレメントのチェックボックスをオンにします：

Layer Type
Activation Function (tanh)
Activation Function (sigmoid)
Use Skip Connection
Learn Initial States：最初の時間ステップの入出力値に基づいて、RNNの初期状態を学習します。
Training Loss
Data Scaling

自動機械学習で使用する連続パラメータの最小値／最大値の範囲を入力します：

Dropout
Recurrent Dropout
Cell Memory Size
Number of Layers
Number of Iterations
Snippet Length

Training Snippet Factor：トレーニングスニペットの係数として使用される値の範囲を入力します。この値は、モデルのトレーニング用に選択されているスニペットの開始位置の間のステップサイズを計算するための係数として使用されます。つまり、トレーニングスニペットのすべての開始位置ではなく、(factor * Lookback-Length)番目ごとの開始位置が考慮されます。値が大きいほどモデルトレーニングが速くなり、小さいほど良いモデルが得られます。

Learning Rate Start: オプティマイザがトレーニング中に使用する学習率の範囲を入力します。値が大きいほどトレーニングが速くなります。

Learning Rate Factor : トレーニング終了時の最終学習率が開始時の学習率とどれだけ異なっているようにするかを指定する係数の範囲を入力します。Final Learning Rate = Start Learning Rate * Learning Rate Factor となります。

Optimizer Substep Start: トレーニングデータを、オプティマイザが個別に呼び出される小さな部分に分割する範囲を入力します。値が大きいほどトレーニングが速くなります。値を1にして、反復回数を適切に増やすと、最良のモデルが得られます。

Optimizer Substep Factor: トレーニング終了時のオプティマイザサブステップ数が開始時とどれだけ異なっているようにするかを指定する係数の範囲を入力します。Final Optimizer Substeps = Start Optimizer Substeps * Optimizer Substeps Factor となります。

Model Setting：Convolutional Neural Network

最良の結果を見つけるために機械学習プロセスに含めたいエレメントについて、General タブの Convolutional Neural Network チェックボックスをオンにします。含めるチェックボックスが多いほど処理時間が長くなります。

注記
各パラメータについての詳細は、Model Configurations：Convolutional Neural Network (CNN)を参照してください。

Layer Type

自動機械学習で使用する連続パラメータの最小値／最大値の範囲を入力します：

Number of Layers
Number of Filters
Kernel Size
Delation Base
Leaky ReLU Slope
Dropout
Use Skip Connection

機械学習プロセスで使用するエレメントのチェックボックスをオンにします：

Training Loss
Data Scaling

自動機械学習で使用する連続パラメータの最小値／最大値の範囲を入力します：

Number of Iterations
Snippet Length
Training Snippet Factor：トレーニングスニペットの係数として使用される値の範囲を入力します。この値は、モデルのトレーニング用に選択されているスニペットの開始位置の間のステップサイズを計算するための係数として使用されます。つまり、トレーニングスニペットのすべての開始位置ではなく、(factor * Lookback-Length)番目ごとの開始位置が考慮されます。値が大きいほどモデルトレーニングが速くなり、小さいほど良いモデルが得られます。
Learning Rate Start: オプティマイザがトレーニング中に使用する学習率の範囲を入力します。値が大きいほどトレーニングが速くなります。
Learning Rate Factor : トレーニング終了時の最終学習率が開始時の学習率とどれだけ異なっているようにするかを指定する係数の範囲を入力します。Final Learning Rate = Start Learning Rate * Learning Rate Factor となります。
Optimizer Substep Start: トレーニングデータを、オプティマイザが個別に呼び出される小さな部分に分割する範囲を入力します。値が大きいほどトレーニングが速くなります。値を1にして、反復回数を適切に増やすと、最良のモデルが得られます。
Optimizer Substep Factor: トレーニング終了時のオプティマイザサブステップ数が開始時とどれだけ異なっているようにするかを指定する係数の範囲を入力します。Final Optimizer Substeps = Start Optimizer Substeps * Optimizer Substeps Factor となります。