Ce este TensorFlow Playground?
Terenul de joacă Tensorflow este un loc de joacă al rețelei neuronale. Care este o aplicație web interactivă care a fost construită pe ds3.js. Este o platformă de vizualizare educațională pentru un profan. Deci, ei pot înțelege cu ușurință conceptele de învățare profundă precum
- Crearea rețelelor neuronale
- Rularea rețelelor neuronale
- Înțelegeți funcționarea rețelelor neuronale.
- Se joacă cu hiperparametri de rețea neuronală, precum rata de învățare, funcția de activare, epoci.
- Obțineți rezultate
Terenul de joacă Tensorflow oferă o platformă excelentă care permite utilizatorilor care nu sunt familiarizați cu matematica și codificarea la nivel înalt să experimenteze cu rețeaua neuronală pentru învățare profundă. Este creat pentru înțelegerea ideii de bază din spatele rețelei neuronale.
Caracteristici ale TensorFlow Playground
Există în principal 10 termeni care joacă un rol important în locul de joacă Tensorflow.
1) Date
Terenul de joacă oferă în principal 6 tipuri diferite de seturi de date
Clasificare: cerc, exclusiv sau, gaussian, spirală.
Regresie: Avion, Multi Gaussian.
Punctele de cerc mici sunt reprezentate ca puncte de date care corespund pozitive (+) și negative (-). Pozitiv reprezentat de albastru, Negativ reprezentat de portocaliu. Aceste aceleași culori sunt utilizate pentru reprezentarea valorilor Date, Neuron, Greutate.
2) Raportul dintre datele trenului și test, zgomot, dimensiunea lotului
Împărțirea rației de date în datele Tren și Test. Adăugați zgomot la datele dvs. pentru o mai bună pregătire a modelului. Lot înseamnă un set de exemple utilizate într-o iterație.
3) Caracteristici
Acesta oferă 7 caracteristici sau intrări - X1, X2, Pătrate de X1X2, Produs de X1X2 și păcat de X1X2. Selectați și deselectați funcțiile pentru a înțelege ce caracteristică este mai importantă, ea joacă un rol major în inginerie de caracteristici.
4) Straturi ascunse
Măriți și micșorați stratul ascuns în funcție de intrările sau datele dvs. De asemenea, puteți selecta neuronii pentru fiecare strat ascuns și experimenta cu diferite straturi și neuroni ascunși, verificați cum se schimbă rezultatele.
5) Epoch
Epoch-ul este o iterație completă prin setul de date. Când selectați butonul de redare pentru a porni rețeaua. Când rețeaua este pornită nr. epoci vor continua să crească.
Butonul Reset va reseta întreaga rețea.
6) Rata de învățare
Rata de învățare este un hiperparametru care este utilizat pentru a accelera procedura pentru a obține optima locală.
7) Funcția de activare
O funcție de activare este aplicată între două straturi ale oricărei rețele neuronale. Este responsabil pentru activarea neuronilor din rețea.
4 tipuri de funcții de activare - ReLU, Tanh, Sigmoid, Linear
8) Regularizare
Există două tipuri de regulare L1 și L2. Care este obișnuit să reducă supraîncadrarea modelului? Modelul nu este echipat atunci când poate funcționa bine numai cu setul de date unic, atunci când setul de date este schimbat, acesta are rezultate foarte slabe la datele respective.
9) Tipul problemei
Terenul de joacă Tensorflow se ocupă de două tipuri de probleme: Clasificări, Regresie
10) Rezultat
Verificați performanța modelului după antrenamentul rețelei neuronale. Respectați pierderea de test și pierderea de formare a modelului.
Exemplu:
Să facem o problemă de clasificare pe terenul de joacă Tensorflow.
Pași cum să joci în acest loc de joacă al rețelei neuronale:
- Selectați problema de clasificare exclusivă SAU set de date.
- Setați raportul de formare și datele de testare la 60% - ceea ce înseamnă că avem 60% date despre trenuri și 40% date de testare.
- Se adaugă zgomot la 5 și o creșteți și faceți niște experimente cu acesta, verificați cum se modifică pierderile de ieșire și selectați dimensiunea lotului la 10.
- Mai întâi Selectați funcții simple precum X1 și X2, apoi notați pierderile de ieșire
(Pierdere la antrenament: -0.004, Pierdere test: - 0.002, pași: -255)
Adăugați acum a treia caracteristică a produsului din (X1X2), apoi observați Pierderile.
(Pierdere la antrenament: -0.001, Pierdere test: - 0.001, pași: -102)
Astfel puteți înțelege valoarea caracteristicilor, cum puteți obține rezultate bune în pași minimi.
- Setați rata de învățare la 0, 03, verifică și modul în care rata de învățare joacă un rol important în formarea unei rețele neuronale.
- Funcția de activare ca Tanh, pentru rețelele neuronale de bază nu există cerințe de regularizare și rata de regularizare. Nu este necesară modificarea tipului problemei.
Dar nu uita să te joci cu regresie, așa că ai o idee clară despre regresie.
- Selectați 2 straturi ascunse. Setați 4 neuroni pentru primul strat ascuns și 2 neuroni pentru al doilea strat ascuns apoi urmați de ieșire.
- Începând cu primul strat, greutățile sunt transmise primului strat ascuns, care conține ieșirea dintr-un neuron, al doilea strat ascuns este amestecat cu greutăți diferite. Greutățile sunt reprezentate de grosimea liniilor.
- Apoi, ieșirea finală va conține pierderea Train and Test a rețelei neuronale.
- Rezultatul a clasificat corect punctul de date așa cum se arată în imaginea de mai jos.
Experimentare:
Faceți unele modificări și verificați cum afectează alți factori. Observă pierderea trenului și testează după fiecare schimbare.
Cum joacă parametrii un rol important pentru a obține o precizie mai bună a modelului?
- Raport tren și test: Obținerea unui raport bun dintre setul de date despre testul trenului va oferi performanțe bune ale modelului nostru.
- Selectarea caracteristicilor: explorând și selectând diferite tipuri de funcții, găsiți caracteristicile potrivite pentru model.
- Selecția stratului ascuns: Selectați baza stratului ascuns pe dimensiunea de intrare, dar pentru setul de date mici, 2 straturi ascunse funcționează perfect. Așa că faceți unele modificări în stratul ascuns și, de asemenea, faceți câteva observații asupra acestuia. Veți avea o idee mai bună despre modul în care stratul ascuns joacă un rol în el.
- Rata de învățare: Cel mai important hiperparametru pentru model. Ratele mari de învățare pot duce la o formare instabilă a modelului și o rată mică duce la eșecul instruirii. Așadar, selectați rata de învățare care se potrivește perfect modelului dvs. și vă oferă cele mai bune rezultate.
Mai sus menționate, 4 termeni joacă un rol important în formarea unei rețele neuronale bune. Așadar, încercați să vă jucați cu acesta în Tensorflow Playground
Concluzie
Terenul de joacă Tensorflow este o platformă cu adevărat excelentă pentru a afla despre rețelele neuronale, antrenează o rețea neuronală doar făcând clic pe butonul de redare și întreaga rețea va fi instruită pe browserul dvs. și vă permite să verificați cum se schimbă ieșirea rețelei.
Articole recomandate
Acesta este un ghid pentru locul de joacă Tensorflow. Aici discutăm despre ce este Tensorflow Playground? Caracteristicile Tensorflow Playground includ Date, straturi ascunse, Epoch, Funcție de învățare, etc. Puteți, de asemenea, să vă uitați la următoarele articole pentru a afla mai multe -
- Cum se instalează TensorFlow
- Introducere în Tensorflow
- Alternative TensorFlow
- Theano vs Tensorflow
- Top 5 Diferența dintre TensorFlow și Spark
- Ce este TensorFlow?