Какво е детска площадка TensorFlow?

Tensorflow playground е детска площадка с невронна мрежа. Което е интерактивно уеб приложение, изградено на ds3.js. Това е образователна платформа за визуализация на миряни. Така че, те лесно могат да разберат понятията за задълбочено обучение като

  • Създаване на Невронни мрежи
  • Работещи Невронни мрежи
  • Разберете работата на невронните мрежи.
  • Игра с хиперпараметри на невронната мрежа като темп на обучение, функция на активиране, епохи.
  • Получете резултати

Tensorflow playground предлага страхотна платформа, която позволява на потребители, които не са запознати с математиката и кодирането на високо ниво, да експериментират с невронна мрежа за задълбочено обучение. Той е създаден за разбиране на основната идея зад невронната мрежа.

Характеристики на TensorFlow Playground

Има основно 10 термина, който играе важна роля в детската площадка на Tensorflow.

1) Данни

Игралната площадка предоставя основно 6 различни типа набори от данни

Класификация: Кръг, Изключителен или Гаус, спирала.

Регресия: равнина, мулти-гаус.

Точките от малък кръг са представени като точки от данни, които съответстват на положителни (+) и отрицателни (-). Положително представено със синьо, Негативно представено с оранжево. Същите тези цветове се използват за представяне на стойности Data, Neuron, Weight.

2) Съотношението на данните за влак и тест, шум, размер на партидата

Разделяне на съотношението на данните в данни за обучения и тестове. Добавете шум към вашите данни за по-добро обучение на модела. Batch означава набор от примери, използвани в една итерация.

3) Характеристики

Той предлага 7 функции или входове - X1, X2, квадрати на X1X2, продукт на X1X2 и грех на X1X2. Изберете и премахнете избора на функциите, за да разберете коя функция е по-важна, тя играе основна роля в конструирането на функции.

4) Скрити слоеве

Увеличете и намалете скрития слой според вашите данни или данни. Също така можете да изберете невроните за всеки скрит слой и да експериментирате с различни скрити слоеве и неврони, проверете как се променят резултатите.

5) Епоха

Епохата е една пълна итерация чрез набора от данни. Когато изберете бутона за възпроизвеждане, за да стартирате мрежата. При стартиране на мрежата не. епохите ще продължават да се увеличават.

Бутонът за нулиране ще нулира цялата мрежа.

6) Коефициент на обучение

Степента на обучение е хиперпараметър, който се използва за ускоряване на процедурата за получаване на локални оптими.

7) Функция за активиране

Функция за активиране се прилага между два слоя на всяка невронна мрежа. Той е отговорен за активирането на невроните в мрежата.

4 вида функция за активиране - ReLU, Tanh, Sigmoid, Linear

8) Регулиране

Има два вида регуларизация L1 и L2. Кое се използва за намаляване на прекомерното обзавеждане на модела? Моделът е преизпълнен, когато може да работи добре само с единствения набор от данни, когато наборът от данни е променен, той се представя много слабо на тези данни.

9) Тип на проблема

Детската площадка Tensorflow се справя с два вида проблеми: Класификации, Регресия

10) Резултат

Проверете ефективността на модела след обучението на невронната мрежа. Наблюдавайте загубата на тест и загуба на обучение на модела.

Пример:

Нека да направим проблем с класификацията на детската площадка на Tensorflow.

Стъпки как да играете в тази детска площадка на невронната мрежа:

  • Изберете проблема с класификацията на изключителните ИЛИ на данни.
  • Задайте съотношението на данните за обучение и тестове на 60% - което означава, че имаме 60% данни за влак и 40% данни за тестване.
  • Шумът се добавя към 5 и го увеличавайте и направете експеримент с него, проверете как се променят изходните загуби и изберете размера на партидата до 10.
  • Първо Изберете прости функции като X1 и X2, след това отбележете загубите на изхода

(Загуба на обучение: -0.004, загуба на тест: - 0.002, стъпки: -255)

Сега добавете третия продуктов продукт на (X1X2), след което наблюдавайте загубите.

(Загуба на обучение: -0.001, загуба на тест: - 0.001, стъпки: -102)

Това как можете да разберете стойността на функциите, как да постигнете добри резултати в минимални стъпки.

  • Задайте процента на обучение на 0, 03, също така проверява как процентът на обучение играе важна роля в обучението на невронна мрежа.
  • Функция за активиране като Tanh, за основни невронни мрежи няма изисквания за регуларизация и скорост на регулиране. Няма нужда да промените типа на проблема.

Но не забравяйте да играете с регресия, така че имате ясна представа за регресията.

  • Изберете 2 скрити слоя. Задайте 4 неврона за първия скрит слой и 2 неврона за втория скрит слой, последван от изхода.
  • Като се започне от първия слой, теглата се предава на първия скрит слой, който съдържа изход от един неврон, вторият скрит слой се смесва с различни тегла. Тежестите са представени от дебелината на линиите.
  • Тогава крайният изход ще съдържа загубата на влак и тест на невронната мрежа.
  • Резултатът правилно е класифицирал точката от данни, както е показано на изображението по-долу.

Експериментирането:

Направете някои промени и проверете как влияе на други фактори. Наблюдавайте загубата на влак и тест след всяка промяна.

Как параметрите играят важна роля за постигане на по-добра точност на модела?

  • Съотношение влак и тест: Получаването на добро съотношение на набора от данни за изпитване на влак ще даде добри резултати на нашия модел.
  • Избор на функции: Изследвайки и избирайки различни видове функции, намерете правилните си характеристики за модела.
  • Избор на скрит слой : Изберете базата на скрития слой на вашия входен размер, но за малък набор от данни 2 скрит слой работи перфектно. Затова направете някои промени в скрития слой и също така направете някои наблюдения върху него. Ще получите по-добра представа как скритият слой играе роля в него.
  • Скорост на обучение: Най-важният хиперпараметър за модела. Големите проценти на обучение могат да доведат до нестабилно обучение на модел, а малка степен - до неуспех в обучението. Затова изберете степента на обучение, която идеално отговаря на вашия модел и ще ви даде най-добри резултати.

По-горе споменатите 4 термина играят важна роля в обучението на добра невронна мрежа. Затова се опитайте да играете с него в Tensorflow Playground

заключение

Tensorflow playground е наистина страхотна платформа за запознаване с невронните мрежи. Тя тренира невронна мрежа, като просто кликнете върху бутона за възпроизвеждане и цялата мрежа ще бъде обучена над браузъра ви и ще ви позволи да проверите как се променя мрежовият изход.

Препоръчителни статии

Това е водач за детската площадка на Tensorflow. Тук обсъждаме Какво е детска площадка на Tensorflow? Характеристиките на Tensorflow Playground включват Данни, Скрити слоеве, Епоха, Функция за обучение и др. Можете също да разгледате следните статии, за да научите повече -

  1. Как да инсталирате TensorFlow
  2. Въведение в Tensorflow
  3. TensorFlow Алтернативи
  4. Теано срещу Тенсорфлоу
  5. Топ 5 разлика между TensorFlow срещу Spark
  6. Какво е TensorFlow?

Категория:

Голяма информация