デジタルトランスフォーメーションを
サポートする
日本コンピューターテクノス

多要素データ対応のML学習・推論ツール
多様な時系列データのアプローチをより手軽に

Solid Ai sampleSolid Ai sample

教師データ準備作業とNN演算チューニング負荷軽減機能

イメージ図※クリックで拡大できます。

現場エンジニアのAi分析ニーズに応える

イメージ図

試行プロジェクト支援機能

イメージ図

試行作業を支援するグラフ群

イメージ図※クリックで拡大できます。

概要

「Solid Ai TM 学習ツール」はNN( Neural Network)の計算要素を設定して、予め準備した教師データで学習を行い、目的の予測計算結果データを得るためのAIツールです

PCの条件

OS 及び、ハードウェア

  • OS:Windows 8.1 以上
  • メモリー: 4GB以上
  • HDD:64GB以上

データベースソフトウェア

  • SQL Server 2008以上

NN計算仕様

重み係数の最適値取得と予測値取得

1)学習データでNN計算を実行し「重み係数」の最適値を取得
2)得られた最適「重み係数」を用いて予測計算を行い、「予測値」を取得

NN計算仕様

各最大値:
 1)入力ノード数(n) 1000個
 2)隠れ層数(m) 10個
 3)隠れ層のノード数(n) 1000個
 4)出力ノード数(n) 1000個

隠れ層1、ノード1の計算

 Xn  : 入力ノードnの値(実入力値を0~1の範囲に正規化した値)
 Wn11: 隠れ層1ノード1,入力ノードnの重み係数
 C11 : 隠れ層1ノード1の定数係数
 f( ) : 隠れ層活性化関数 (Sigmoid又はReLUより選択)

出力層のノードnの計算

 Ynm : 出力層直前の隠れ層のノードmの値
 Vnm : 出力層直前の隠れ層のノードmの値の重み係数
 Dn : 出力層ノードnの定数係数
 f( ) : 出力層活性化関数 (Sigmoid,ReLU,Linearより選択)

NN計算結果の判定

予測計算値と学習データ値の誤差計算結果に於いて最小値となる様に、
各種設定値を任意に設定し実用的な範囲であれば成功と判定

学習計算パラメータ設定

入力層,出力層,隠れ層の各ノード数(n)、入力層と出力層の正規化係数、重み係数、活性化関数*1
学習率*2、学習係数初期値、誤算計算法RMS*3、バッチサイズ*4、ループ回数*5

  *1 活性化関数 : 隠れ層や出力層を多層にすると演算結果が収束しなくなる問題を解決するための関数
  *2 学習率   : 1回の学習(バッチサイズ)でどれだけ重み係数を調整するかの係数
  *3 RMS    : RMS(Root Mean Square))二乗平均平方根
  *4 バッチサイズ: NN演算で誤差を累積するデータの数で、この累積誤差に学習率を掛けてNN係数を更新
  *5 ループ回数 : バッチサイズ×ループ回数が誤差計算回数となります

学習計算

・1グループ学習ボタンを押すと、NN学習計算を実行して教師データと誤差グラフを表示
・全グループ学習ボタンを押すと、グループIDを増加させながら1グループ学習を繰り返し全グループ分の学習を実行

予測計算

・予測ボタンを押すと、指定データIDの予測値を学習結果のグループID毎の重み係数を利用して計算します
・予測結果はX軸にグループIDを配し、Y軸に実測値と予測値を同一スケールでグラフ表示します

イメージ図

関連商品

EMNEXT Ecokit

EMREPORT NEO