Mi a TensorFlow játszótér?
A Tensorflow játszótér egy neurális hálózati játszótér. Melyik egy interaktív webalkalmazás, amely a ds3.js-ra épült. Ez egy laikus oktatási megjelenítési platform. Tehát könnyen megértik a mély tanulás fogalmait
- Neurális hálózatok létrehozása
- Neurális hálózatok futtatása
- Megérteni a neurális hálózatok működését.
- Játszik az ideghálózati hiperparaméterekkel, például a tanulási sebességgel, az aktivációs funkcióval, az korszakokkal.
- Eredmények elérése
A Tensorflow játszótér nagyszerű platformot kínál, amely lehetővé teszi a magas szintű matematikát és a kódolást nem ismerő felhasználók számára az ideghálózattal való kísérletezést a mély tanulás érdekében. A neurális hálózat mögöttes gondolatának megértésére készült.
A TensorFlow játszótér jellemzői
Elsősorban a 10 kifejezés fontos szerepet játszik a Tensorflow játszótéren.
1) Adatok
A Playground elsősorban 6 különféle típusú adatkészletet biztosít
Besorolás: Kör, exkluzív vagy, Gaussian, spirál.
Regresszió: sík, multi-gauss.
A kis körpontok adatpontokként vannak ábrázolva, amelyek megfelelnek a pozitív (+) és a negatív (-) értéknek. A pozitív kék, a negatív a narancssárga. Ugyanezeket a színeket használjuk a Data, Neuron, Weight értékek ábrázolásához.
2) A vonat- és vizsgálati adatok aránya, zaj, tételméret
Az adatok felosztása a vonat- és vizsgálati adatokba. Adjon hozzá zajt az adatokhoz a modell jobb képzése érdekében. Köteg: példák halmaza, amelyet egy iterációban használnak.
3) Jellemzők
7 funkciót vagy bemenetet tartalmaz: X1, X2, X1X2 négyzetek, X1X2 termék és X1X2 sin. Jelölje ki és törölje a funkciókat, hogy megértse, melyik szolgáltatás fontosabb. Ez nagy szerepet játszik a szolgáltatás tervezésében.
4) Rejtett rétegek
Növelje és csökkentse a rejtett réteget a bemenetek vagy az adatok függvényében. Kiválaszthatja az egyes rejtett rétegek neuronjait, és kipróbálhatja a különböző rejtett rétegeket és neuronokat, ellenőrizheti, hogy az eredmények hogyan változnak.
5) korszak
A korszak egy teljes iteráció az adatkészleten keresztül. Ha kiválasztja a lejátszás gombot a hálózat elindításához. A hálózat elindításakor nem. a korszakok növekedni fognak.
A Reset gomb alaphelyzetbe állítja a teljes hálózatot.
6) Tanulási ráta
A tanulási sebesség egy hiperparaméter, amelyet arra használnak, hogy felgyorsítsák az eljárást a helyi optima eléréséhez.
7) Aktiválási funkció
Aktiválási függvényt alkalmazunk bármely idegi hálózat két rétege között. Feladata a hálózatban lévő neuronok aktiválása.
4 típusú aktivációs funkció - ReLU, Tanh, Sigmoid, Linear
8) Szabályozás
Kétféle típusú szabályozás létezik: L1 és L2. Melyik a modell túlzott felszerelésének csökkentésére? A modell túl van felszerelve, ha csak az egyetlen adatkészlettel képes jól működni, ha az adatkészlet megváltozott, akkor nagyon gyenge teljesítést végez ezen adatokon.
9) Probléma típusa
A Tensorflow játszótér kétféle problémát kezel: a besorolások, a regresszió
10) output
Ellenőrizze a modell teljesítményét az idegi hálózat kiképzése után. Vegye figyelembe a modell tesztelési és edzési veszteségeit.
Példa:
Csináljunk egy osztályozási problémát a Tensorflow játszótéren.
Hogyan kell játszani ezen az ideghálózati játszótéren:
- Válassza a Kizárólagos vagy az adatkészlet osztályozási problémáját.
- Állítsa az edzési és teszt adatok arányát 60% -ra - ami azt jelenti, hogy 60% -os vonat- és 40% -os tesztelési adatunk van.
- A zajt hozzáadjuk az 5-öshez és növeljük, és végezzünk kísérletet azzal, ellenőrizzük, hogyan változnak a kimeneti veszteségek, és válasszuk a tétel méretét 10-re.
- Először válassza ki az egyszerű funkciókat, például az X1 és az X2, majd jegyezze fel a kimeneti veszteségeket
(Edzési veszteség: -0, 004, tesztvesztés: - 0, 002, lépések: -255)
Most adja hozzá az (X1X2) harmadik termékét, majd figyelje meg a veszteségeket.
(Edzési veszteség: -0.001, Vizsgálati veszteség: - 0, 001, lépések: -102)
Így lehet megérteni a szolgáltatások értékét, hogyan lehet jó eredményeket elérni a minimális lépésekben.
- Állítsa a tanulási arányt 0, 03-ra, emellett ellenőrzi, hogy a tanulási arány fontos szerepet játszik-e az ideghálózat kiképzésében.
- Az aktivációs funkció Tanh-ként, az alapvető idegi hálózatokhoz nincs szükség a normalizálásra és a normalizálási arányra. Nincs szükség a probléma típusának megváltoztatására.
De ne felejtsd el regresszióval játszani, így világos képet kap a regresszióról.
- Válasszon 2 rejtett réteget. Állítson be 4 neuront az első rejtett réteghez és 2 neuront a második rejtett réteghez, majd kövesse a kimenetet.
- Az első rétegtől kezdve a súlyokat továbbítják az első rejtett réteghez, amely egy neuron outputját tartalmazza, a második rejtett réteg kimenetét pedig különböző súlyokkal keverik. A súlyokat a vonalak vastagsága jelöli.
- Ezután a végső kimenet tartalmazza a neurális hálózat vonat- és tesztvesztését.
- A kimenet az adatpontot az alábbiak szerint ábrázolja.
kísérletezés:
Végezzen néhány változtatást, és ellenőrizze, hogy ez hogyan befolyásolja más tényezőket. Minden változtatás után figyelje meg a vonat- és tesztvesztést.
Hogyan játszanak fontos szerepet a paraméterek a modell jobb pontosságáért?
- Arány-vonat és teszt: A vonatteszt-adatkészlet jó arányának elérése jó eredményt nyújt a modellünk számára.
- Funkcióválasztás: Különféle funkciók feltárásával és kiválasztásával keresse meg a modellhez legmegfelelőbb funkciókat.
- Rejtett réteg kiválasztása: Válassza ki a rejtett réteg alapját a bemeneti méret alapján, de a 2. kis adatkészlet esetén a rejtett réteg tökéletesen működik. Tehát végezzen néhány változtatást a rejtett rétegben, és végezzen néhány megfigyelést is rajta. Jobb képet kap arról, hogy a rejtett réteg milyen szerepet játszik benne.
- Tanulási sebesség: A modell legfontosabb hiperparamétere. A nagy tanulási arányok a modell instabil képzését eredményezhetik, míg az alacsony szint a képzés kudarcát eredményezheti. Tehát válassza ki azt a tanulási arányt, amely tökéletesen illeszkedik a modelljéhez, és adja meg a legjobb eredményt.
A fent említett 4 kifejezés fontos szerepet játszik a jó ideghálózat kiképzésében. Tehát próbálj meg játszani vele a Tensorflow játszótéren
Következtetés
A Tensorflow játszótér egy igazán nagyszerű platform az ideghálózatok megismerésére. Az ideghálózatot csak a lejátszás gombra kattintva képezi ki, és az egész hálózatot képzik a böngészőn keresztül, és ellenőrizheti, hogy a hálózati kimenet hogyan változik.
Ajánlott cikkek
Ez egy útmutató a Tensorflow játszótérhez. Itt tárgyaljuk, mi az a Tensorflow játszótér? A Tensorflow játszótér szolgáltatásai között szerepel az adatok, a rejtett rétegek, a korszak, a tanulási funkció stb. További információkért a következő cikkeket is megnézheti -
- A TensorFlow telepítése
- Bevezetés a Tensorflow-ba
- TensorFlow alternatívák
- Theano vs Tensorflow
- A legnépszerűbb öt különbség a TensorFlow és a Spark között
- Mi a TensorFlow?