Hvad er TensorFlow Legeplads?

Tensorflow legeplads er en neurale netværkslegeplads. Hvilken er en interaktiv webapp, der er bygget på ds3.js. Det er en pædagogisk visualiseringsplatform for en lægmand. Så de kan let forstå begreberne om dyb læring som

  • Oprettelse af neurale netværk
  • Kører neurale netværk
  • Forstå arbejdet med neurale netværk.
  • At lege med hyperparametre i neuralt netværk som indlæringshastighed, aktiveringsfunktion, epoker.
  • Få resultater

Tensorflow legeplads giver en fantastisk platform, der gør det muligt for brugere, der ikke er bekendt med matematik og kodning på højt niveau, at eksperimentere med neurale netværk til dyb læring. Det er skabt til at forstå kerneideen bag det neurale netværk.

Funktioner ved TensorFlow Legeplads

Der er hovedsageligt 10 termin, der spiller en vigtig rolle i Tensorflow legeplads.

1) Data

Legepladsen indeholder hovedsageligt 6 forskellige typer datasæt

Klassificering: Cirkel, eksklusiv eller, gaussisk, spiral.

Regression: Plane, Multi Gaussian.

Små cirkelpunkter er repræsenteret som datapunkter, der svarer til Positive (+) og Negative (-). Positiv repræsenteret med blå, negativ repræsenteret med orange. Disse samme farver bruges til at repræsentere data, neuron, vægtværdier.

2) Forholdet mellem tog- og testdata, støj, batchstørrelse

Opdeling af data i tog- og testdata. Føj støj til dine data for bedre træning af modellen. Batch betyder et sæt eksempler, der bruges i en iteration.

3) Funktioner

Det giver 7 funktioner eller input - X1, X2, kvadrater af X1X2, Produkt af X1X2 og sin af X1X2. Vælg og fravælg funktionerne for at forstå, hvilken funktion der er vigtigere. Den spiller en vigtig rolle i funktionsteknik.

4) Skjulte lag

Forøg og formindsk det skjulte lag i henhold til dine input eller data. Kan også vælge neuroner for hvert skjult lag og eksperimentere med forskellige skjulte lag og neuroner, kontrollere, hvordan resultaterne ændrer sig.

5) Epok

Epok er en komplet iteration gennem datasættet. Når du vælger afspilningsknappen for at starte netværket. Når netværket startes nr. epoker vil fortsætte med at stige.

Reset-knappen nulstiller hele netværket.

6) Læringsfrekvens

Læringshastigheden er et hyperparameter, der bruges til at fremskynde proceduren for at få lokal optima.

7) Aktiveringsfunktion

En aktiveringsfunktion anvendes til mellem to lag i ethvert neuralt netværk. Det er ansvarligt for at aktivere neuronerne i netværket.

4 typer aktiveringsfunktion - ReLU, Tanh, Sigmoid, Lineær

8) Regularisering

Der er to typer regulering L1 og L2. Hvilket bruges til at reducere overfitting af modellen? Model er overmonteret, når den kun kan fungere godt med det enkelte datasæt, når datasættet ændres, og det fungerer meget dårligt på disse data.

9) Problemtype

Tensorflow legeplads håndterer to typer problemer: Klassifikationer, regression

10) Output

Kontroller modelydelsen efter træningen af ​​det neurale netværk. Overhold testtab og træningstab for modellen.

Eksempel:

Lad os gøre et klassificeringsproblem på Tensorflow-legepladsen.

Trin, hvordan man spiller i denne neurale netværkslegeplads:

  • Vælg det eksklusive ELLER datasætklassificeringsproblem.
  • Sæt forholdet mellem trænings- og testdata til 60% - hvilket betyder, at vi har 60% togdata og 40% testdata.
  • Der tilføjes støj til 5 og øg det, og eksperimentér med det, kontroller, hvordan outputtabene ændres, og vælg batchstørrelse til 10.
  • Vælg først enkle funktioner som X1 og X2, og noter derefter outputtabene

(Træningstab: -0.004, Testtab: - 0.002, trin: -255)

Tilføj nu det tredje funktionsprodukt af (X1X2) og observer derefter tabene.

(Træningstab: -0.001, Testtab: - 0.001, trin: -102)

Sådan kan du forstå værdien af ​​funktioner, hvordan du får gode resultater i minimumstrin.

  • Sæt indlæringshastigheden til 0, 03, og kontroller også, hvordan indlæringshastigheden spiller en vigtig rolle i træning af et neuralt netværk.
  • Aktiveringsfunktion som Tanh, for basale neurale netværk er der ingen krav til regulering og reguleringshastighed. Det er ikke nødvendigt at ændre problemtypen.

Men glem ikke at lege med regression, så du har en klar idé om regression.

  • Vælg 2 skjulte lag. Sæt 4 neuroner til det første skjulte lag og 2 neuroner til det andet skjulte lag derefter efterfulgt af output.
  • Fra det første lag føres vægterne videre til det første skjulte lag, der indeholder output fra en neuron, det andet skjulte lag output blandes med forskellige vægte. Vægtene er repræsenteret ved linjernes tykkelse.
  • Derefter vil den endelige output indeholde toget og testtab for det neurale netværk.
  • Outputet har klassificeret datapunktet korrekt som vist på nedenstående billede.

eksperimenter:

Foretag nogle ændringer, og kontroller, hvordan det påvirker andre faktorer. Overhold toget og testtabet efter hver ændring.

Hvordan spiller parametre en vigtig rolle for at få modellen bedre?

  • Ratio Train and Test: At få et godt forhold mellem togtestdatasættet giver en god ydelse af vores model.
  • Funktionsvalg: Ved at udforske og vælge forskellige slags funktioner finder du de rigtige funktioner til modellen.
  • Valg af skjult lag : Vælg skjult lagbase på din inputstørrelse, men for lille datasæt fungerer skjult lag perfekt. Så foretag nogle ændringer i det skjulte lag, og tag også nogle observationer på det. Du får en bedre idé om, hvordan det skjulte lag spiller en rolle i det.
  • Læringshastighed: Det vigtigste hyperparameter til modellen. Store indlæringshastigheder kan resultere i ustabil træning af modellen og en lille rate resultere i fiasko i træningen. Så vælg den indlæringshastighed, der passer perfekt til din model og giver dig den bedste output.

Ovennævnte 4 udtryk spiller en vigtig rolle i træningen af ​​et godt neuralt netværk. Så prøv at lege med det i Tensorflow Playground

Konklusion

Tensorflow legeplads er en rigtig god platform til at lære om neurale netværk. Den træner et neuralt netværk ved blot at klikke på play-knappen, så hele netværket bliver trænet over din browser, og lader dig kontrollere, hvordan netværksudgangen ændrer sig.

Anbefalede artikler

Dette er en guide til Tensorflow legeplads. Her diskuterer vi Hvad er Tensorflow Playground? Funktioner ved Tensorflow Playground inkluderer data, skjulte lag, epoke, læringsfunktion osv. Du kan også se på følgende artikler for at lære mere -

  1. Sådan installeres TensorFlow
  2. Introduktion til Tensorflow
  3. TensorFlow-alternativer
  4. Theano vs Tensorflow
  5. Top 5 forskel mellem TensorFlow vs Spark
  6. Hvad er TensorFlow?

Kategori:

Big Data