Co to jest plac zabaw TensorFlow?
Plac zabaw Tensorflow to plac zabaw sieci neuronowej. Która jest interaktywną aplikacją internetową zbudowaną na ds3.js. To edukacyjna platforma wizualizacji dla laika. Dzięki temu mogą łatwo zrozumieć pojęcia głębokiego uczenia się
- Tworzenie sieci neuronowych
- Uruchamianie sieci neuronowych
- Zrozumieć działanie sieci neuronowych.
- Zabawa z hiperparametrami sieci neuronowej, takimi jak szybkość uczenia się, funkcja aktywacji, epoki.
- Uzyskać rezultaty
Plac zabaw Tensorflow stanowi doskonałą platformę, która pozwala użytkownikom, którzy nie znają matematyki wysokiego poziomu i kodowania, eksperymentować z siecią neuronową w celu głębokiego uczenia się. Został stworzony w celu zrozumienia podstawowej idei sieci neuronowej.
Funkcje placu zabaw TensorFlow
Istnieje głównie 10 termin, który odgrywa ważną rolę na placu zabaw Tensorflow.
1) Dane
Plac zabaw zawiera głównie 6 różnych rodzajów zestawów danych
Klasyfikacja: Koło, Wyłącznie lub Gaussa, spirala.
Regresja: samolot, Multi Gaussa.
Punkty małego koła są reprezentowane jako punkty danych, które odpowiadają dodatnie (+) i ujemne (-). Pozytywne reprezentowane przez niebieski, Negatywne reprezentowane przez pomarańczowy. Te same kolory są używane do reprezentowania danych, neuronu, wartości masy.
2) Stosunek danych pociągu i danych testowych, hałas, wielkość partii
Podział racji danych na dane dotyczące pociągu i testu. Dodaj szum do swoich danych, aby lepiej trenować model. Partia oznacza zestaw przykładów używanych w jednej iteracji.
3) Funkcje
Zapewnia 7 funkcji lub wejść - X1, X2, kwadraty X1X2, iloczyn X1X2 i sin X1X2. Zaznacz i odznacz funkcje, aby zrozumieć, która funkcja jest ważniejsza. Odgrywa ona istotną rolę w inżynierii funkcji.
4) Ukryte warstwy
Zwiększ i zmniejsz ukrytą warstwę zgodnie z wprowadzonymi danymi lub danymi. Może również wybrać neurony dla każdej ukrytej warstwy i eksperymentować z różnymi ukrytymi warstwami i neuronami, sprawdzić, jak zmieniają się wyniki.
5) Epoka
Epoka to jedna kompletna iteracja zestawu danych. Po wybraniu przycisku odtwarzania, aby uruchomić sieć. Po uruchomieniu sieci nie. epoki będą rosły.
Przycisk Reset zresetuje całą sieć.
6) Wskaźnik uczenia się
Szybkość uczenia się to hiperparametr, który służy do przyspieszenia procedury uzyskania lokalnych optymów.
7) Funkcja aktywacji
Funkcja aktywacji jest stosowana między dwiema warstwami dowolnej sieci neuronowej. Odpowiada za aktywację neuronów w sieci.
4 rodzaje funkcji aktywacji - ReLU, Tanh, Sigmoid, Linear
8) Regularyzacja
Istnieją dwa rodzaje regularyzacji L1 i L2. Który służy do zmniejszenia nadmiernego dopasowania modelu? Model jest przepełniony, gdy może dobrze działać tylko z jednym zestawem danych, gdy zestaw danych jest zmieniany, działa bardzo słabo na tych danych.
9) Rodzaj problemu
Plac zabaw Tensorflow radzi sobie z dwoma rodzajami problemów: klasyfikacjami, regresją
10) Wyjście
Sprawdź wydajność modelu po szkoleniu sieci neuronowej. Obserwuj utratę testu i utratę treningu modelu.
Przykład:
Zróbmy problem z klasyfikacją na placu zabaw Tensorflow.
Kroki, jak grać na tym placu zabaw w sieci neuronowej:
- Wybierz problem dotyczący wyłącznej klasyfikacji zestawów danych OR.
- Ustaw Współczynnik danych treningu i danych testowych na 60% - co oznacza, że mamy 60% danych pociągu i 40% danych testowych.
- Szum jest dodawany do 5 i zwiększaj go, a następnie zrób z nim eksperyment, sprawdź, jak zmieniają się straty wyjściowe, i wybierz wielkość partii na 10.
- Najpierw wybierz proste funkcje, takie jak X1 i X2, a następnie zanotuj straty wyjściowe
(Strata treningowa: -0, 004, Strata testowa: - 0, 002, kroki: -255)
Teraz dodaj trzeci produkt funkcji (X1X2), a następnie obserwuj straty.
(Strata treningowa: -0, 001, utrata testowa: - 0, 001, kroki: -102)
W ten sposób możesz zrozumieć wartość funkcji, jak uzyskać dobre wyniki w minimalnej liczbie kroków.
- Ustaw szybkość uczenia się na 0, 03, sprawdza również, jak szybkość uczenia się odgrywa ważną rolę w szkoleniu sieci neuronowej.
- Funkcja aktywacji jak Tanh, dla podstawowych sieci neuronowych nie ma wymagań dotyczących regularności i szybkości regularyzacji. Nie ma potrzeby zmiany typu problemu.
Ale nie zapomnij grać z regresją, więc masz jasne pojęcie o regresji.
- Wybierz 2 ukryte warstwy. Ustaw 4 neurony dla pierwszej ukrytej warstwy i 2 neurony dla drugiej ukrytej warstwy, a następnie wyjdź.
- Zaczynając od pierwszej warstwy, ciężary są przekazywane do pierwszej ukrytej warstwy, która zawiera dane wyjściowe z jednego neuronu, a druga warstwa ukryta jest mieszana z różnymi wagami. Wagi są reprezentowane przez grubość linii.
- Wtedy końcowy wynik będzie zawierać utratę pociągu i testu sieci neuronowej.
- Dane wyjściowe poprawnie sklasyfikowały punkt danych, jak pokazano na poniższym obrazie.
Eksperymentowanie:
Wprowadź zmiany i sprawdź, jak wpływa to na inne czynniki. Obserwuj straty pociągu i testu po każdej zmianie.
W jaki sposób parametry odgrywają ważną rolę, aby uzyskać lepszą dokładność modelu?
- Współczynnik pociągu i testu: Uzyskanie dobrego stosunku zestawu danych z testu pociągu zapewni dobrą wydajność naszego modelu.
- Wybór funkcji: eksplorując i wybierając różne rodzaje funkcji, znajdź odpowiednie funkcje dla modelu.
- Wybór ukrytej warstwy : Wybierz ukrytą warstwę na podstawie rozmiaru wejściowego, ale dla małego zestawu danych 2 ukryta warstwa działa idealnie. Dokonaj więc zmian w ukrytej warstwie, a także dokonaj na niej obserwacji. Dowiesz się lepiej, w jaki sposób ukryta warstwa odgrywa w niej rolę.
- Szybkość uczenia się: Najważniejszy hiperparametr dla modelu. Duże wskaźniki uczenia się mogą powodować niestabilne szkolenie modelu, a małe tempo może zakończyć się niepowodzeniem. Wybierz szybkość uczenia, która idealnie pasuje do twojego modelu i daje najlepszą wydajność.
Wyżej wymienione 4 terminy odgrywają ważną rolę w szkoleniu dobrej sieci neuronowej. Spróbuj się z tym pograć na placu zabaw Tensorflow
Wniosek
Plac zabaw Tensorflow jest naprawdę świetną platformą do nauki o sieciach neuronowych. Trenuje sieć neuronową po prostu klikając przycisk odtwarzania, a cała sieć zostanie przeszkolona w przeglądarce i pozwoli ci sprawdzić, jak zmienia się wyjście sieciowe.
Polecane artykuły
To jest przewodnik po placu zabaw Tensorflow. Tutaj omawiamy Czym jest Tensorflow Playground? Funkcje Tensorflow Playground obejmują dane, ukryte warstwy, epokę, funkcję uczenia się itp. Możesz także przeczytać poniższe artykuły, aby dowiedzieć się więcej -
- Jak zainstalować TensorFlow
- Wprowadzenie do Tensorflow
- Alternatywy TensorFlow
- Theano vs Tensorflow
- Top 5 różnic między TensorFlow a Spark
- Co to jest TensorFlow?