Co je hřiště TensorFlow?
Tensorflow hřiště je hřiště neuronové sítě. Což je interaktivní webová aplikace postavená na ds3.js. Je to vzdělávací vizualizační platforma pro laika. Takže mohou snadno pochopit pojmy hlubokého učení jako
- Vytváření neuronových sítí
- Spuštění neuronových sítí
- Porozumět fungování neuronových sítí.
- Hraní s hyperparametry neurální sítě, jako je rychlost učení, aktivační funkce, epochy.
- Získejte výsledky
Hřiště Tensorflow poskytuje skvělou platformu, která umožňuje uživatelům, kteří nejsou obeznámeni s vysokou úrovní matematiky a kódování, experimentovat s neuronovou sítí pro hluboké učení. Je vytvořen pro pochopení základní myšlenky neuronové sítě.
Vlastnosti TensorFlow Playground
Na hřišti Tensorflow hraje důležitou roli hlavně 10 semestrů.
1) Data
Hřiště poskytuje hlavně 6 různých typů datových sad
Klasifikace: Circle, Exclusive nebo, Gaussian, spiral.
Regrese: letadlo, více gaussovské.
Malé kruhové body jsou reprezentovány jako datové body, které odpovídají kladnému (+) a zápornému (-). Pozitivní reprezentován modrou, Negativní reprezentovaný oranžovou. Stejné barvy se používají při reprezentaci hodnot Data, Neuron, Weight.
2) Poměr údajů o vlacích a zkouškách, hluk, velikost šarže
Rozdělení poměru dat na údaje o vlacích a zkouškách. Přidejte ke svým datům šum pro lepší trénink modelu. Dávka znamená soubor příkladů použitých v jedné iteraci.
3) Vlastnosti
Poskytuje 7 funkcí nebo vstupů - X1, X2, Čtverce X1X2, Produkt X1X2 a sin X1X2. Vyberte a zrušte výběr funkcí, abyste pochopili, která funkce je důležitější. Hraje hlavní roli v konstrukci prvků.
4) Skryté vrstvy
Zvyšte a snižte skrytou vrstvu podle vašich vstupů nebo dat. Můžete také vybrat neurony pro každou skrytou vrstvu a experimentovat s různými skrytými vrstvami a neurony, zkontrolovat, jak se výsledky mění.
5) Epocha
Epocha je jedna úplná iterace datovou sadou. Když vyberete tlačítko přehrávání, spustí se síť. Při spuštění sítě ne. epochy se budou stále zvyšovat.
Tlačítko Reset resetuje celou síť.
6) Míra učení
Míra učení je hyperparametr, který se používá k urychlení postupu k získání místních optima.
7) Aktivační funkce
Aktivační funkce je aplikována na dvě vrstvy jakékoli neuronové sítě. Je zodpovědný za aktivaci neuronů v síti.
4 typy aktivační funkce - ReLU, Tanh, Sigmoid, Lineární
8) regularizace
Existují dva typy regularizace L1 a L2. Které se používá ke snížení přeplnění modelu? Model je nadměrně vybaven, pokud s datovým souborem může dobře fungovat pouze tehdy, když je datový soubor změněn, na těchto datech je velmi špatný.
9) Typ problému
Hřiště Tensorflow řeší dva typy problémů: Klasifikace, Regrese
10) Výstup
Po tréninku neuronové sítě zkontrolujte výkon modelu. Sledujte ztrátu testu a ztrátu tréninku modelu.
Příklad:
Udělejme klasifikační problém na hřišti Tensorflow.
Kroky, jak hrát v tomto neuronovém síťovém hřišti:
- Vyberte problém klasifikace exkluzivních NEBO datových sad.
- Nastavte poměr dat školení a testů na 60% - to znamená, že máme 60% údajů o vlacích a 40% údajů o testování.
- Hluk je přidán do 5 a zvyšte jej a proveďte s ním experiment, zkontrolujte, jak se mění výstupní ztráty, a vyberte velikost dávky na 10.
- Nejprve vyberte jednoduché funkce jako X1 a X2 a poté si poznamenejte výstupní ztráty
(Ztráta školení: -0, 004, Ztráta testu: - 0, 002, kroky: -255)
Nyní přidejte produkt třetí funkce (X1X2) a sledujte ztráty.
(Ztráta školení: -0.001, Ztráta testu: - 0, 001, kroky: -102)
Takto můžete porozumět hodnotě funkcí, jak dosáhnout dobrých výsledků v minimálních krocích.
- Nastavte rychlost učení na 0, 03 a také kontroluje, jak rychlost učení hraje důležitou roli při trénování neuronové sítě.
- Aktivační funkce jako Tanh, pro základní neuronové sítě neexistují žádné požadavky na míru regularizace a regularizace. Není třeba měnit typ problému.
Ale nezapomeňte hrát s regresí, takže máte jasnou představu o regresi.
- Vyberte 2 skryté vrstvy. Nastavte 4 neurony pro první skrytou vrstvu a 2 neurony pro druhou skrytou vrstvu a poté výstup.
- Počínaje první vrstvou se hmotnosti přenášejí na první skrytou vrstvu, která obsahuje výstup z jednoho neuronu, druhý výstup skryté vrstvy se mísí s různými váhami. Hmotnosti jsou reprezentovány tloušťkou čar.
- Poté bude konečný výstup obsahovat ztrátu neuronové sítě Train a Test.
- Výstup klasifikoval datový bod správně, jak je znázorněno na obrázku níže.
Experimentování:
Proveďte některé změny a zkontrolujte, jak to ovlivňuje další faktory. Pozorujte ztrátu vlaku a testu po každé změně.
Jak parametry hrají důležitou roli, aby se dosáhlo lepší přesnosti modelu?
- Poměr Vlak a Test: Získání dobrého poměru datové sady vlaku poskytne dobrý výkon našeho modelu.
- Výběr funkcí: Prozkoumáním a výběrem různých druhů funkcí najděte ty správné funkce pro daný model.
- Výběr skryté vrstvy: Vyberte základnu skryté vrstvy na vaší vstupní velikosti, ale pro malou sadu dat 2 funguje skrytá vrstva dokonale. Takže ve skryté vrstvě proveďte některé změny a také na ní udělejte nějaké pozorování. Získáte lepší představu o tom, jak skrytá vrstva v ní hraje roli.
- Míra učení: Nejdůležitější hyperparametr pro model. Velká míra učení může vést k nestabilnímu tréninku modelu a malá míra vede k selhání tréninku. Takže vyberte rychlost učení, která dokonale odpovídá vašemu modelu a poskytne vám nejlepší výstup.
Výše uvedené 4 termíny hrají důležitou roli při trénování dobré neuronové sítě. Zkuste s tím hrát na hřišti Tensorflow
Závěr
Hřiště Tensorflow je opravdu skvělá platforma pro učení o neuronových sítích. Trénuje neuronovou síť pouhým kliknutím na tlačítko přehrát a celá síť bude vyškolena v prohlížeči a umožní vám zkontrolovat, jak se mění výkon sítě.
Doporučené články
Toto je průvodce po hřišti Tensorflow. Zde diskutujeme o tom, co je hřiště Tensorflow? Mezi vlastnosti hřiště Tensorflow patří data, skryté vrstvy, epocha, funkce učení atd. Další informace naleznete také v následujících článcích -
- Jak nainstalovat TensorFlow
- Úvod do Tensorflow
- Alternativy TensorFlow
- Theano vs Tensorflow
- Top 5 Rozdíl mezi TensorFlow vs Spark
- Co je TensorFlow?