Was ist der TensorFlow-Spielplatz?
Der Tensorflow-Spielplatz ist ein Spielplatz für neuronale Netze. Welches ist eine interaktive Web-App, die auf ds3.js. Es ist eine pädagogische Visualisierungsplattform für einen Laien. So können sie leicht die Konzepte des tiefen Lernens verstehen
- Erstellen neuronaler Netze
- Ausführen neuronaler Netze
- Verstehen Sie die Funktionsweise neuronaler Netze.
- Spielen mit neuronalen Netzwerk-Hyperparametern wie Lernrate, Aktivierungsfunktion, Epochen.
- Ergebnisse bekommen
Der Tensorflow-Spielplatz bietet eine großartige Plattform, auf der Benutzer, die nicht mit High-Level-Mathematik und -Codierung vertraut sind, mit neuronalen Netzwerken experimentieren können, um tiefes Lernen zu erlernen. Es wurde entwickelt, um die Kernidee des neuronalen Netzwerks zu verstehen.
Funktionen des TensorFlow-Spielplatzes
Es gibt hauptsächlich 10 Begriffe, die beim Tensorflow-Spielplatz eine wichtige Rolle spielen.
1) Daten
Der Spielplatz bietet hauptsächlich 6 verschiedene Arten von Datensätzen
Klassifizierung: Kreis, Exklusiv oder Gauß-Spirale.
Regression: Flugzeug, Multi-Gauß.
Punkte mit kleinen Kreisen werden als Datenpunkte dargestellt, die Positiv (+) und Negativ (-) entsprechen. Positiv dargestellt durch Blau, Negativ dargestellt durch Orange. Dieselben Farben werden für die Darstellung von Daten-, Neuron- und Gewichtswerten verwendet.
2) Das Verhältnis von Zug- und Testdaten, Lärm, Losgröße
Aufteilung der Datenration in Zug- und Testdaten. Fügen Sie Rauschen zu Ihren Daten hinzu, um das Modell besser trainieren zu können. Stapel bedeutet eine Reihe von Beispielen, die in einer Iteration verwendet werden.
3) Eigenschaften
Es bietet 7 Funktionen oder Eingänge - X1, X2, Quadrate von X1X2, Produkt von X1X2 und Sinus von X1X2. Auswählen und Abwählen der Features, um zu verstehen, welches Feature wichtiger ist. Es spielt eine wichtige Rolle beim Feature-Engineering.
4) Versteckte Ebenen
Erhöhen und verringern Sie die ausgeblendete Ebene entsprechend Ihren Eingaben oder Daten. Außerdem können Sie die Neuronen für jede verborgene Schicht auswählen und mit verschiedenen verborgenen Schichten und Neuronen experimentieren, um zu überprüfen, wie sich die Ergebnisse ändern.
5) Epoche
Die Epoche ist eine vollständige Iteration durch den Datensatz. Wenn Sie die Wiedergabetaste wählen, um das Netzwerk zu starten. Wenn das Netzwerk gestartet wird, nein. Die Epochen werden weiter zunehmen.
Die Schaltfläche Zurücksetzen setzt das gesamte Netzwerk zurück.
6) Lernrate
Die Lernrate ist ein Hyperparameter, der verwendet wird, um den Vorgang zum Abrufen lokaler Optima zu beschleunigen.
7) Aktivierungsfunktion
Eine Aktivierungsfunktion wird auf zwei Ebenen eines beliebigen neuronalen Netzwerks angewendet. Es ist für die Aktivierung der Neuronen im Netzwerk verantwortlich.
4 Arten von Aktivierungsfunktionen - ReLU, Tanh, Sigmoid, Linear
8) Regularisierung
Es gibt zwei Arten der Regularisierung L1 und L2. Womit wird die Überanpassung des Modells reduziert? Das Modell ist überpasst, wenn es nur dann gut mit dem einzelnen Dataset zusammenarbeiten kann, wenn das Dataset geändert wird, und wenn es für diese Daten eine sehr schlechte Leistung erbringt.
9) Problemtyp
Tensorflow-Spielplätze behandeln zwei Arten von Problemen: Klassifizierungen, Regression
10) Ausgabe
Überprüfen Sie die Modellleistung nach dem Training des neuronalen Netzes. Beobachten Sie den Testverlust und den Trainingsverlust des Modells.
Beispiel:
Machen wir ein Klassifizierungsproblem auf dem Tensorflow-Spielplatz.
Schritte, wie man auf diesem neuronalen Netzwerkspielplatz spielt:
- Wählen Sie das Problem der exklusiven oder Datensatzklassifizierung.
- Stellen Sie das Verhältnis von Trainings- und Testdaten auf 60% ein. Dies bedeutet, dass wir 60% Zugdaten und 40% Testdaten haben.
- Das Rauschen wird zu 5 addiert und erhöht und es wird ein wenig experimentiert. Überprüfen Sie, wie sich die Ausgangsverluste ändern, und wählen Sie die Stapelgröße auf 10.
- Wählen Sie zunächst einfache Funktionen wie X1 und X2 aus und notieren Sie dann die Ausgangsverluste
(Trainingsverlust: -0, 004, Testverlust: - 0, 002, Schritte: -255)
Fügen Sie nun das dritte Feature-Produkt von (X1X2) hinzu und beobachten Sie die Verluste.
(Trainingsverlust: -0, 001, Testverlust: - 0, 001, Schritte: -102)
So können Sie den Wert von Funktionen verstehen und in wenigen Schritten gute Ergebnisse erzielen.
- Legen Sie die Lernrate auf 0, 03 fest, und überprüfen Sie, wie die Lernrate beim Trainieren eines neuronalen Netzwerks eine wichtige Rolle spielt.
- Aktivierungsfunktion als Tanh, für grundlegende neuronale Netze gibt es keine Anforderungen an Regularisierung und Regularisierungsrate. Es ist nicht erforderlich, den Problemtyp zu ändern.
Vergessen Sie jedoch nicht, mit der Regression zu spielen, damit Sie eine klare Vorstellung von der Regression haben.
- Wähle 2 versteckte Ebenen. Setze 4 Neuronen für die erste versteckte Ebene und 2 Neuronen für die zweite versteckte Ebene, gefolgt von der Ausgabe.
- Ausgehend von der ersten Schicht werden die Gewichte an die erste verborgene Schicht weitergeleitet, die die Ausgabe eines Neurons enthält, und die Ausgabe der zweiten verborgenen Schicht wird mit verschiedenen Gewichten gemischt. Gewichte werden durch die Dicke der Linien dargestellt.
- Die endgültige Ausgabe enthält dann den Train and Test-Verlust des neuronalen Netzwerks.
- Die Ausgabe hat den Datenpunkt korrekt klassifiziert, wie in der folgenden Abbildung gezeigt.
Experimentieren:
Nehmen Sie einige Änderungen vor und überprüfen Sie, wie sich dies auf andere Faktoren auswirkt. Beobachten Sie den Zug- und Testverlust nach jeder Änderung.
Wie spielen Parameter eine wichtige Rolle für eine bessere Genauigkeit des Modells?
- Verhältnis Zug und Test: Wenn Sie ein gutes Verhältnis des Zugtestdatensatzes erhalten, erhalten Sie eine gute Leistung unseres Modells.
- Funktionsauswahl: Durch Erkunden und Auswählen verschiedener Arten von Funktionen finden Sie die richtigen Funktionen für das Modell.
- Auswahl ausgeblendeter Ebenen: Wählen Sie die Basis für ausgeblendete Ebenen auf der Grundlage Ihrer Eingabegröße aus. Bei kleinen Datenmengen funktioniert die ausgeblendete Ebene 2 jedoch perfekt. Nehmen Sie also einige Änderungen an der verborgenen Ebene vor und beobachten Sie sie. Sie erhalten eine bessere Vorstellung davon, wie die verborgene Ebene darin eine Rolle spielt.
- Lernrate: Der wichtigste Hyperparameter für das Modell. Große Lernraten können zu einem instabilen Training des Modells führen, und eine kleine Rate kann zu Trainingsfehlern führen. Wählen Sie also die Lernrate, die perfekt zu Ihrem Modell passt, und erzielen Sie die beste Leistung.
Die oben genannten 4 Begriffe spielen eine wichtige Rolle beim Training eines guten neuronalen Netzwerks. Versuchen Sie also, im Tensorflow-Spielplatz damit zu spielen
Fazit
Der Tensorflow-Spielplatz ist eine großartige Plattform, um etwas über neuronale Netzwerke zu lernen. Er trainiert ein neuronales Netzwerk, indem Sie einfach auf die Wiedergabetaste klicken. Das gesamte Netzwerk wird über Ihren Browser trainiert und Sie können überprüfen, wie sich die Netzwerkausgabe ändert.
Empfohlene Artikel
Dies ist eine Anleitung zum Tensorflow-Spielplatz. Hier diskutieren wir Was ist Tensorflow Playground? Zu den Funktionen von Tensorflow Playground gehören Daten, ausgeblendete Ebenen, Epoche, Lernfunktion usw. Weitere Informationen finden Sie auch in den folgenden Artikeln.
- So installieren Sie TensorFlow
- Einführung in Tensorflow
- TensorFlow-Alternativen
- Theano gegen Tensorflow
- Die 5 wichtigsten Unterschiede zwischen TensorFlow und Spark
- Was ist TensorFlow?