Що таке дитячий майданчик TensorFlow?

Майданчик Tensorflow - це майданчик нейронної мережі. Який інтерактивний веб-додаток, створений на ds3.js. Це навчальна платформа візуалізації для мирян. Отже, вони можуть легко зрозуміти такі поняття, як глибоке навчання

  • Створення нейронних мереж
  • Запуск нейронних мереж
  • Розуміння роботи нейромереж.
  • Гра з гіперпараметрами нейронної мережі, такими як швидкість навчання, функція активації, епохи.
  • Отримати результати

Ігровий майданчик Tensorflow пропонує чудову платформу, яка дозволяє користувачам, які не знайомі з математикою та кодуванням високого рівня, експериментувати з нейронною мережею для глибокого навчання. Він створений для розуміння основної ідеї нейронної мережі.

Особливості дитячого майданчика TensorFlow

В основному 10 термінів відіграють важливу роль на ігровому майданчику Tensorflow.

1) Дані

Ігровий майданчик забезпечує в основному 6 різних типів наборів даних

Класифікація: коло, ексклюзивне або, гауссова, спіраль.

Регресія: площинна, мультигаусська.

Точки малого кола представлені у вигляді точок даних, які відповідають Позитивному (+) та Негативному (-). Позитивні представлені синім, негативні - помаранчевим. Ці ж кольори використовуються для відображення значень Дані, Нейрон, Вага.

2) Коефіцієнт даних поїздів і випробувань, шум, розмір партії

Розділення раціону даних на дані поїздів і тестів. Додайте шум до своїх даних для кращої підготовки моделі. Batch означає набір прикладів, використовуваних в одній ітерації.

3) Особливості

Він містить 7 функцій або входів - X1, X2, квадрати X1X2, продукт X1X2 і sin X1X2. Виберіть та скасуйте вибір функцій, щоб зрозуміти, яка функція є важливішою, вона відіграє головну роль у конструюванні функцій.

4) Приховані шари

Збільшення та зменшення прихованого шару залежно від ваших даних або даних. Також можна вибрати нейрони для кожного прихованого шару та експериментувати з різними прихованими шарами та нейронами, перевірити, як змінюються результати.

5) Епоха

Епоха - це одна повна ітерація через набір даних. Коли ви виберете кнопку відтворення, щоб запустити мережу. При запуску мережі немає. епохи будуть постійно збільшуватися.

Кнопка Скинути скидає всю мережу.

6) Норма навчання

Коефіцієнт навчання - це гіперпараметр, який використовується для прискорення процедури отримання локальної оптими.

7) Функція активації

Функція активації застосовується до двох шарів будь-якої нейронної мережі. Він відповідає за активацію нейронів у мережі.

4 типи функції активації - ReLU, Tanh, Sigmoid, Linear

8) Регуляризація

Існує два типи регуляризації L1 і L2. Що використовується для зменшення надмірного оснащення моделі? Модель переоснащена, коли вона може добре працювати лише з одним набором даних при зміні набору даних, вона працює дуже погано за цими даними.

9) Тип проблеми

Ігровий майданчик Tensorflow вирішує два типи проблем: класифікація, регресія

10) Вихід

Перевірте працездатність моделі після тренування нейронної мережі. Слідкуйте за тестовою втратою та втратою навчання моделі.

Приклад:

Давайте зробимо проблему класифікації на майданчику Tensorflow.

Кроки, як грати на цьому майданчику нейронної мережі:

  • Виберіть проблему класифікації Ексклюзивного АБО даних.
  • Встановіть коефіцієнт навчальних та тестових даних на 60% - це означає, що ми маємо 60% даних поїздів та 40% даних тестування.
  • Шум додають до 5, збільшують його і проводять експеримент з ним, перевіряють, як змінюються втрати на виході та вибирають розмір партії до 10.
  • Спочатку Виберіть прості функції, такі як X1 і X2, а потім запишіть втрати на виході

(Втрата тренувань: -0, 004, втрата тесту: - 0, 002, кроки: -255)

Тепер додайте третій функціональний продукт (X1X2), а потім спостерігайте за втратами.

(Втрата тренувань: -0, 001, втрата тесту: - 0, 001, кроки: -102)

Це те, як ви можете зрозуміти значення функцій, як отримати хороші результати за мінімальні кроки.

  • Встановіть ступінь навчання 0, 03, також перевіряє, як рівень навчання відіграє важливу роль у навчанні нейронної мережі.
  • Функція активації, як Тан, для основних нейронних мереж не потребує регуляризації та швидкості регуляризації. Не потрібно змінювати тип проблеми.

Але не забудьте пограти з регресією, щоб ви мали чітке уявлення про регресію.

  • Виберіть 2 прихованих шару. Встановіть 4 нейрони для першого прихованого шару та 2 нейрони для другого прихованого шару, після чого слід вихід.
  • Починаючи з першого шару, ваги передаються першому прихованому шару, який містить вихід одного нейрона, другий прихований шар змішується з різними вагами. Ваги представлені товщиною ліній.
  • Тоді підсумковий вихід буде містити втрати поїздів і тестів нейронної мережі.
  • Вихід правильно класифікував точку даних, як показано на зображенні нижче.

Експериментація:

Внесіть деякі зміни та перевірте, як це впливає на інші фактори. Поспостерігайте за втратою поїзда та тесту після кожної зміни.

Як параметри відіграють важливу роль для досягнення кращої точності моделі?

  • Коефіцієнт поїздів та випробувань: Отримання хорошого співвідношення набору даних тесту поїздів дасть хороші показники нашої моделі.
  • Вибір особливостей: Вивчаючи та вибираючи різні види функцій, знайдіть потрібні функції для моделі.
  • Вибір прихованого шару: Виберіть основу прихованого шару на вхідному розмірі, але для малого набору даних 2 прихований шар працює ідеально. Тому внесіть деякі зміни в прихований шар, а також зробіть на ньому деякі спостереження. Ви отримаєте краще уявлення про те, як прихований шар відіграє в ньому роль.
  • Швидкість навчання: Найважливіший гіперпараметр для моделі. Великі показники навчання можуть призвести до нестабільної підготовки моделі, а крихітна - до невдалої підготовки. Тому виберіть рівень навчання, який ідеально відповідає вашій моделі та дасть найкращий результат.

Вищезазначені 4 терміни відіграють важливу роль у навчанні хорошої нейронної мережі. Тож спробуйте пограти з нею на Tensorflow Playground

Висновок

Ігровий майданчик Tensorflow - це дійсно чудова платформа для ознайомлення з нейронними мережами. Він тренує нейронну мережу, просто натиснувши кнопку відтворення, і вся мережа буде тренуватися над вашим браузером, а також ви зможете перевірити, як змінюється вихід мережі.

Рекомендовані статті

Це путівник по майданчику Tensorflow. Тут ми обговорюємо, що таке дитячий майданчик Tensorflow? Особливості Tensorflow Playground включають дані, приховані шари, епоху, функцію навчання тощо. Ви також можете переглянути наступні статті, щоб дізнатися більше -

  1. Як встановити TensorFlow
  2. Вступ до Тенсорфлоу
  3. Альтернативи TensorFlow
  4. Теано проти Тенсдорфлоу
  5. Топ-5 різниць між TensorFlow і Spark
  6. Що таке TensorFlow?

Категорія:

Великі дані