Wat is TensorFlow Playground?

Speeltuin Tensorflow is een speelplaats voor neurale netwerken. Dat is een interactieve web-app die is gebouwd op ds3.js. Het is een educatief visualisatieplatform voor een leek. Dus ze kunnen gemakkelijk de concepten van diep leren zoals begrijpen

  • Neurale netwerken creëren
  • Neurale netwerken uitvoeren
  • Begrijp de werking van neurale netwerken.
  • Spelen met neurale netwerkhyperparameters zoals leersnelheid, activeringsfunctie, tijdvakken.
  • Krijg resultaten

De Tensorflow-speeltuin biedt een geweldig platform waarmee gebruikers die niet bekend zijn met wiskunde en codering op hoog niveau, kunnen experimenteren met een neuraal netwerk voor diep leren. Het is gemaakt om het kernidee achter het neurale netwerk te begrijpen.

Kenmerken van TensorFlow Playground

Er is voornamelijk 10 term die een belangrijke rol speelt in Tensorflow speeltuin.

1) Gegevens

The Playground biedt voornamelijk 6 verschillende soorten datasets

Classificatie: Circle, Exclusief of, Gaussiaans, spiraalvormig.

Regressie: Vliegtuig, Multi-Gaussiaans.

Kleine cirkelpunten worden weergegeven als gegevenspunten die overeenkomen met Positief (+) en Negatief (-). Positief weergegeven door blauw, negatief weergegeven door oranje. Dezelfde kleuren worden gebruikt voor het weergeven van waarden voor gegevens, neuronen en gewicht.

2) De verhouding tussen trein- en testgegevens, geluid, batchgrootte

Rantsoeneren van gegevens in trein- en testgegevens. Voeg ruis toe aan uw gegevens voor een betere training van het model. Batch betekent een set voorbeelden die in één iteratie worden gebruikt.

3) Kenmerken

Het biedt 7 functies of ingangen - X1, X2, vierkanten van X1X2, Product van X1X2 en sin van X1X2. Selecteer en deselecteer de functies om te begrijpen welke functie belangrijker is, deze speelt een belangrijke rol in de engineering van functies.

4) Verborgen lagen

Verhoog en verlaag de verborgen laag op basis van uw invoer of gegevens. U kunt ook de neuronen voor elke verborgen laag selecteren en experimenteren met verschillende verborgen lagen en neuronen, controleren hoe de resultaten veranderen.

5) Tijdvak

Epoch is een volledige iteratie door de gegevensset. Wanneer u de afspeelknop selecteert om het netwerk te starten. Wanneer het netwerk is gestart, nee. tijdvakken zullen blijven toenemen.

De Reset-knop reset het hele netwerk.

6) Leerpercentage

De leersnelheid is een hyperparameter die wordt gebruikt om de procedure te versnellen om lokale optima te krijgen.

7) Activeringsfunctie

Een activeringsfunctie wordt toegepast op tussen twee lagen van elk neuraal netwerk. Het is verantwoordelijk voor het activeren van de neuronen in het netwerk.

4 soorten activeringsfuncties - ReLU, Tanh, Sigmoid, Linear

8) Regularisatie

Er zijn twee soorten regularisatie L1 en L2. Welke wordt gebruikt om de overfitting van het model te verminderen? Model is overfitted wanneer het alleen goed kan werken met de enkele dataset wanneer de dataset wordt gewijzigd, presteert het zeer slecht op die gegevens.

9) Probleemtype

Tensorflow-speeltuin behandelt twee soorten problemen: Classificaties, Regressie

10) Uitgang

Controleer de modelprestaties na de training van het neurale netwerk. Bekijk het testverlies en trainingsverlies van het model.

Voorbeeld:

Laten we een classificatieprobleem doen op de Tensorflow-speeltuin.

Stappen hoe te spelen in deze neurale netwerkspeelplaats:

  • Selecteer het probleem met de exclusieve OF gegevenssetclassificatie.
  • Stel de verhouding trainings- en testgegevens in op 60% - wat betekent dat we 60% treingegevens en 40% testgegevens hebben.
  • Ruis wordt toegevoegd aan 5 en verhoogt het en experimenteert ermee, controleer hoe de outputverliezen veranderen en selecteer de batchgrootte tot 10.
  • Selecteer eerst eenvoudige functies zoals X1 en X2 en noteer vervolgens de outputverliezen

(Trainingsverlies: -0.004, Testverlies: - 0.002, stappen: -255)

Voeg nu het derde functieproduct van (X1X2) toe en bekijk vervolgens de verliezen.

(Trainingsverlies: -0.001, Testverlies: - 0.001, stappen: -102)

Zo kunt u de waarde van functies begrijpen, hoe u in minimale stappen goede resultaten kunt behalen.

  • Stel de leersnelheid in op 0, 03 en controleert ook hoe de leersnelheid een belangrijke rol speelt bij het trainen van een neuraal netwerk.
  • Activeringsfunctie als Tanh, voor basale neurale netwerken zijn er geen vereisten voor regularisatie en regularisatiesnelheid. U hoeft het probleemtype niet te wijzigen.

Maar vergeet niet om met regressie te spelen, dus je hebt een duidelijk idee over regressie.

  • Selecteer 2 verborgen lagen. Stel 4 neuronen in voor de eerste verborgen laag en 2 neuronen voor de tweede verborgen laag, gevolgd door de uitvoer.
  • Beginnend bij de eerste laag worden de gewichten doorgegeven aan de eerste verborgen laag die uitvoer van één neuron bevat, wordt de tweede verborgen laaguitvoer gemengd met verschillende gewichten. Gewichten worden weergegeven door de dikte van de lijnen.
  • Dan zal de uiteindelijke output het trein- en testverlies van het neurale netwerk bevatten.
  • De uitvoer heeft het gegevenspunt correct geclassificeerd zoals weergegeven in de onderstaande afbeelding.

experimenten:

Breng enkele wijzigingen aan en controleer hoe dit andere factoren beïnvloedt. Bekijk het verlies van trein en test na elke wijziging.

Hoe spelen parameters een belangrijke rol om een ​​betere nauwkeurigheid van het model te krijgen?

  • Verhouding trein en test: het verkrijgen van een goede verhouding tussen de gegevensset van de treintest geeft goede prestaties van ons model.
  • Functieselectie: door verschillende soorten functies te verkennen en te selecteren, vindt u de juiste functies voor het model.
  • Selectie verborgen lagen: selecteer de verborgen laag op basis van uw invoerformaat, maar voor kleine gegevensset 2 werkt de verborgen laag perfect. Breng dus enkele wijzigingen aan in de verborgen laag en maak er ook enkele opmerkingen over. U krijgt een beter idee van hoe de verborgen laag daarin een rol speelt.
  • Leersnelheid: de belangrijkste hyperparameter voor het model. Grote leersnelheden kunnen resulteren in een instabiele training van het model en een kleine snelheid kan leiden tot een mislukte training. Selecteer dus het leerpercentage dat perfect bij uw model past en u de beste output geeft.

Bovengenoemde 4 termen spelen een belangrijke rol bij het trainen van een goed neuraal netwerk. Dus probeer ermee te spelen in Tensorflow Playground

Conclusie

De Tensorflow-speeltuin is echt een geweldig platform om meer te weten te komen over neurale netwerken. Het traint een neuraal netwerk door op de afspeelknop te klikken en het hele netwerk wordt getraind via uw browser en u kunt controleren hoe de netwerkuitvoer verandert.

Aanbevolen artikelen

Dit is een gids voor de Tensorflow-speeltuin. Hier bespreken we Wat is Tensorflow Playground? Kenmerken van Tensorflow Playground zijn onder meer Data, Verborgen lagen, Epoch, Leerfunctie, enz. U kunt ook de volgende artikelen bekijken voor meer informatie -

  1. Hoe TensorFlow te installeren
  2. Inleiding tot Tensorflow
  3. TensorFlow-alternatieven
  4. Theano tegen Tensorflow
  5. Top 5 Verschil tussen TensorFlow vs Spark
  6. Wat is TensorFlow?

Categorie:

Big Data