Cos'è TensorFlow Playground?

Il parco giochi Tensorflow è un parco giochi di rete neurale. Che è un'app Web interattiva basata su ds3.js. È una piattaforma di visualizzazione educativa per un laico. Quindi, possono facilmente comprendere i concetti di apprendimento profondo come

  • Creazione di reti neurali
  • Esecuzione di reti neurali
  • Comprendere il funzionamento delle reti neurali.
  • Giocare con iperparametri di rete neurale come velocità di apprendimento, funzione di attivazione, epoche.
  • Ottieni risultati

Il parco giochi Tensorflow offre una grande piattaforma che consente agli utenti che non hanno familiarità con la matematica e la codifica di alto livello di sperimentare una rete neurale per l'apprendimento profondo. È stato creato per comprendere l'idea di base dietro la rete neurale.

Caratteristiche del parco giochi TensorFlow

Ci sono principalmente 10 termini che svolgono un ruolo importante nel parco giochi di Tensorflow.

1) Dati

Il Playground fornisce principalmente 6 diversi tipi di set di dati

Classificazione: Cerchio, Esclusivo o, Gaussiano, spirale.

Regressione: aereo, multi gaussiano.

I piccoli punti circolari sono rappresentati come punti dati che corrispondono a Positivo (+) e Negativo (-). Positivo rappresentato dal blu, Negativo rappresentato dall'arancione. Questi stessi colori sono usati per rappresentare i dati, i neuroni, i valori di peso.

2) Rapporto tra treno e dati di prova, rumore, dimensioni del lotto

Suddivisione della razione di dati in dati Train e Test. Aggiungi rumore ai tuoi dati per una migliore formazione del modello. Batch indica una serie di esempi utilizzati in una iterazione.

3) Caratteristiche

Fornisce 7 funzioni o input: X1, X2, quadrati di X1X2, prodotto di X1X2 e sin di X1X2. Seleziona e deseleziona le funzionalità per capire quale funzionalità è più importante, svolge un ruolo importante nell'ingegnerizzazione delle funzionalità.

4) Strati nascosti

Aumenta e diminuisci il livello nascosto in base agli input o ai dati. Inoltre, è possibile selezionare i neuroni per ogni livello nascosto e sperimentare diversi livelli e neuroni nascosti, controllare come stanno cambiando i risultati.

5) Epoca

L'epoca è un'iterazione completa attraverso il set di dati. Quando si seleziona il pulsante di riproduzione per avviare la rete. All'avvio della rete no. le epoche continueranno ad aumentare.

Il pulsante Ripristina ripristina l'intera rete.

6) Tasso di apprendimento

La velocità di apprendimento è un iperparametro che viene utilizzato per accelerare la procedura per ottenere optima locale.

7) Funzione di attivazione

Una funzione di attivazione viene applicata tra due livelli di qualsiasi rete neurale. È responsabile per l'attivazione dei neuroni nella rete.

4 tipi di funzioni di attivazione: ReLU, Tanh, Sigmoid, Linear

8) Regolarizzazione

Esistono due tipi di regolarizzazione L1 e L2. Quale è usato per ridurre il sovradimensionamento del modello? Il modello è sovraccaricato quando può funzionare bene solo con il singolo set di dati quando il set di dati viene modificato, ha prestazioni molto scarse su tali dati.

9) Tipo di problema

Il parco giochi Tensorflow gestisce due tipi di problemi: classificazioni, regressione

10) Uscita

Controllare le prestazioni del modello dopo l'allenamento della rete neurale. Osservare la perdita di prova e la perdita di addestramento del modello.

Esempio:

Facciamo un problema di classificazione nel parco giochi di Tensorflow.

Passaggi su come giocare in questo parco giochi di reti neurali:

  • Selezionare il problema di classificazione del set di dati OR esclusivo.
  • Imposta il rapporto tra dati di allenamento e test al 60%, il che significa che abbiamo il 60% dei dati del treno e il 40% dei dati dei test.
  • Il rumore viene aggiunto a 5, aumentalo e fai qualche esperimento con esso, controlla come cambiano le perdite in uscita e seleziona la dimensione del lotto su 10.
  • Prima seleziona funzioni semplici come X1 e X2, quindi annota le perdite di output

(Perdita dell'allenamento: -0, 004, perdita del test: - 0, 002, passi: -255)

Ora aggiungi il terzo prodotto di funzionalità (X1X2) quindi osserva le perdite.

(Perdita dell'allenamento: -0, 001, Perdita del test: - 0, 001, passi: -102)

Ecco come puoi capire il valore delle funzionalità, come ottenere buoni risultati in pochi passaggi.

  • Imposta il tasso di apprendimento su 0, 03, controlla anche come il tasso di apprendimento gioca un ruolo importante nella formazione di una rete neurale.
  • Funzione di attivazione come Tanh, per le reti neurali di base non ci sono requisiti per la regolarizzazione e il tasso di regolarizzazione. Non è necessario modificare il tipo di problema.

Ma non dimenticare di giocare con la regressione, quindi hai un'idea chiara della regressione.

  • Seleziona 2 livelli nascosti. Impostare 4 neuroni per il primo strato nascosto e 2 neuroni per il secondo strato nascosto, quindi seguito dall'output.
  • A partire dal primo strato i pesi vengono passati al primo strato nascosto che contiene l'output di un neurone, l'output del secondo strato nascosto viene miscelato con pesi diversi. I pesi sono rappresentati dallo spessore delle linee.
  • Quindi l'output finale conterrà la perdita Train and Test della rete neurale.
  • L'output ha classificato correttamente il punto dati come mostrato nell'immagine seguente.

Sperimentazione:

Apporta alcune modifiche e controlla come influisce su altri fattori. Osservare la perdita del treno e del test dopo ogni modifica.

In che modo i parametri svolgono un ruolo importante per ottenere una migliore precisione del modello?

  • Rapporto treno e test: ottenere un buon rapporto del set di dati di test del treno darà buone prestazioni del nostro modello.
  • Selezione funzionalità: esplorando e selezionando diversi tipi di funzionalità, trova le funzionalità giuste per il modello.
  • Selezione del livello nascosto: selezionare la base del livello nascosto sulla dimensione di input, ma per un set di dati piccolo 2 livelli nascosti funzionano perfettamente. Quindi apporta alcune modifiche al livello nascosto e fai anche alcune osservazioni su di esso. Avrai un'idea migliore di come il livello nascosto abbia un ruolo in esso.
  • Tasso di apprendimento: l'iperparametro più importante per il modello. Percentuali di apprendimento elevate possono comportare una formazione instabile del modello e una modesta frequenza può comportare il fallimento della formazione. Quindi seleziona il tasso di apprendimento che si adatta perfettamente al tuo modello e ti offre il miglior risultato.

I 4 termini sopra menzionati svolgono un ruolo importante nella formazione di una buona rete neurale. Quindi prova a giocarci nel Tensorflow Playground

Conclusione

Il parco giochi Tensorflow è una piattaforma davvero eccezionale per conoscere le reti neurali, si allena una rete neurale semplicemente facendo clic sul pulsante di riproduzione e l'intera rete verrà addestrata sul tuo browser e ti permetterà di verificare come sta cambiando l'output di rete.

Articoli consigliati

Questa è una guida al parco giochi di Tensorflow. Qui discutiamo Cos'è Tensorflow Playground? Le caratteristiche di Tensorflow Playground includono Dati, Livelli nascosti, Epoca, Funzione di apprendimento, ecc. Puoi anche leggere i seguenti articoli per saperne di più:

  1. Come installare TensorFlow
  2. Introduzione a Tensorflow
  3. TensorFlow Alternative
  4. Theano vs Tensorflow
  5. Le 5 migliori differenze tra TensorFlow e Spark
  6. Che cos'è TensorFlow?

Categoria:

Big Data