Что такое TensorFlow Playground?

Детская площадка Tensorflow - это нейросетевая игровая площадка. Это интерактивное веб-приложение, созданное на основе ds3.js. Это образовательная платформа визуализации для непрофессионала. Таким образом, они могут легко понять концепции глубокого обучения, как

  • Создание нейронных сетей
  • Запуск нейронных сетей
  • Поймите работу нейронных сетей.
  • Игра с гиперпараметрами нейронной сети, такими как скорость обучения, функция активации, эпохи.
  • Получить результаты

Игровая площадка Tensorflow предоставляет отличную платформу, которая позволяет пользователям, не знакомым с высокоуровневой математикой и кодированием, экспериментировать с нейронной сетью для глубокого обучения. Он создан для понимания основной идеи нейронной сети.

Особенности TensorFlow Playground

Существует в основном 10 терминов, которые играют важную роль на детской площадке Tensorflow.

1) Данные

Игровая площадка предоставляет в основном 6 различных типов наборов данных

Классификация: Круг, Эксклюзив или Гаусс, спираль.

Регрессия: плоскость, мультигауссиан.

Точки малого круга представлены точками данных, которые соответствуют положительным (+) и отрицательным (-). Положительный представлен синим, отрицательный представлен оранжевым. Эти же цвета используются при представлении значений Data, Neuron, Weight.

2) Соотношение данных о поездах и испытаниях, уровень шума, размер партии

Разделение данных на Поезд и Тест. Добавьте шум к вашим данным для лучшего обучения модели. Пакет означает набор примеров, используемых в одной итерации.

3) Особенности

Он обеспечивает 7 функций или входов - X1, X2, квадраты X1X2, продукт X1X2 и грех X1X2. Выберите и отмените выбор функций, чтобы понять, какая функция важнее. Она играет важную роль в разработке функций.

4) скрытые слои

Увеличивайте и уменьшайте скрытый слой в соответствии с вашими данными или данными. Также можно выбрать нейроны для каждого скрытого слоя и поэкспериментировать с различными скрытыми слоями и нейронами, проверить, как меняются результаты.

5) Эпоха

Эпоха - это одна полная итерация по набору данных. При выборе кнопки воспроизведения, чтобы начать сеть. При запуске сети нет. эпохи будут расти

Кнопка Reset сбросит всю сеть.

6) Скорость обучения

Скорость обучения - это гиперпараметр, который используется для ускорения процедуры получения локальных оптимумов.

7) Функция активации

Функция активации применяется между двумя слоями любой нейронной сети. Он отвечает за активацию нейронов в сети.

4 типа функции активации - ReLU, Tanh, Sigmoid, Linear

8) Регуляризация

Существует два типа регуляризации L1 и L2. Что используется для уменьшения переоснащения модели? Модель переоснащается, когда она может хорошо работать только с одним набором данных, когда набор данных изменяется, она работает очень плохо с этими данными.

9) Тип проблемы

Игровая площадка Tensorflow решает два типа задач: классификация, регрессия

10) Выход

Проверьте работоспособность модели после обучения нейронной сети. Соблюдайте тестовые потери и тренировочные потери модели.

Пример:

Давайте выполним задачу классификации на игровой площадке Tensorflow.

Шаги, как играть в эту нейросетевую игровую площадку:

  • Выберите задачу «Исключительная ИЛИ Классификация набора данных».
  • Установите соотношение данных обучения и испытаний на 60% - это означает, что у нас есть 60% данных о поездах и 40% данных испытаний.
  • Шум добавляется к 5 и увеличивается, и проведите некоторый эксперимент с ним, проверьте, как меняются выходные потери, и выберите размер партии до 10.
  • Сначала выберите простые функции, такие как X1 и X2, затем запишите потери на выходе

(Потеря тренировки: -0, 004, потеря теста: - 0, 002, шаги: -255)

Теперь добавьте третий функциональный продукт (X1X2) и наблюдайте за потерями.

(Потеря тренировки: -0, 001, потеря теста: - 0, 001, шаги: -102)

Это то, как вы можете понять ценность функций, как получить хорошие результаты за минимальные шаги.

  • Установите скорость обучения на 0, 03, также проверяет, как скорость обучения играет важную роль в обучении нейронной сети.
  • Функция активации как Tanh, для базовых нейронных сетей нет требований к регуляризации и норме регуляризации. Нет необходимости менять тип проблемы.

Но не забудьте поиграть с регрессией, чтобы у вас было четкое представление о регрессии.

  • Выберите 2 скрытых слоя. Установите 4 нейрона для первого скрытого слоя и 2 нейрона для второго скрытого слоя, а затем вывод.
  • Начиная с первого слоя весовые коэффициенты передаются первому скрытому слою, который содержит выходные данные одного нейрона, второй выход скрытого слоя смешивается с различными весовыми коэффициентами. Веса представлены толщиной линий.
  • Тогда окончательный результат будет содержать потери при обучении и тесте нейронной сети.
  • Выходные данные правильно классифицировали точку данных, как показано на рисунке ниже.

Экспериментирование:

Сделайте некоторые изменения и проверьте, как это влияет на другие факторы. Наблюдайте за потерей поезда и теста после каждого изменения.

Как параметры играют важную роль, чтобы улучшить точность модели?

  • Соотношение поезд и тестирование: получение хорошего соотношения из набора данных испытаний поезда даст хорошую производительность нашей модели.
  • Выбор функций: изучая и выбирая различные виды функций, найдите нужные функции для модели.
  • Выбор скрытого слоя : Выберите скрытую основу слоя в зависимости от размера ввода, но для небольшого набора данных 2 скрытый слой работает отлично. Поэтому внесите некоторые изменения в скрытый слой, а также сделайте некоторые наблюдения на нем. Вы получите лучшее представление о том, как скрытый слой играет в нем роль.
  • Скорость обучения: самый важный гиперпараметр для модели. Большие скорости обучения могут привести к нестабильной тренировке модели, а крошечная скорость - к неудаче обучения. Так что выберите скорость обучения, которая идеально соответствует вашей модели и даст вам лучший результат.

Вышеупомянутые 4 термина играют важную роль в обучении хорошей нейронной сети. Так что попробуйте поиграть с ним в Tensorflow Playground

Вывод

Tensorflow Playground - это действительно отличная платформа для изучения нейронных сетей. Она обучает нейронную сеть, просто нажав на кнопку воспроизведения, и вся сеть будет обучена через ваш браузер, и вы сможете проверить, как меняется сетевой вывод.

Рекомендуемые статьи

Это руководство к детской площадке Tensorflow. Здесь мы обсуждаем, что такое Tensorflow Playground? Особенности Tensorflow Playground включают в себя данные, скрытые слои, эпоху, функцию обучения и т. Д. Вы также можете посмотреть следующие статьи, чтобы узнать больше -

  1. Как установить TensorFlow
  2. Введение в Tensorflow
  3. TensorFlow Альтернативы
  4. Теано против Тензорфлоу
  5. Топ 5 отличий между TensorFlow и Spark
  6. Что такое TensorFlow?

Категория:

Большое количество данных