Vad är TensorFlow Playground?

Tensorflow lekplats är en neural nätverk lekplats. Vilken är en interaktiv webbapp som bygger på ds3.js. Det är en pedagogisk visualiseringsplattform för en lekmann. Så de kan lätt förstå begreppen djup inlärning som

  • Skapa neurala nätverk
  • Kör Neurala nätverk
  • Förstå hur nätverksnätverk fungerar.
  • Lekar med hyperparametrar i neurala nätverk som inlärningshastighet, aktiveringsfunktion, epoker.
  • Få resultat

Tensorflow-lekplatsen erbjuder en utmärkt plattform som gör det möjligt för användare som inte känner till matematik och kodning på hög nivå att experimentera med neurala nätverk för djup inlärning. Den är skapad för att förstå kärnidén bakom det neurala nätverket.

Funktioner på TensorFlow Playground

Det finns huvudsakligen 10 terminer som spelar en viktig roll i Tensorflow lekplats.

1) Data

Lekplatsen erbjuder huvudsakligen 6 olika typer av datasätt

Klassificering: Cirkel, exklusiv eller, gaussisk, spiral.

Regression: Plane, Multi Gaussian.

Små cirkelpunkter representeras som datapunkter som motsvarar Positiv (+) och Negativ (-). Positivt representerat av blått, Negativt representerat av orange. Samma färger används för att representera data, neuron, viktvärden.

2) Förhållandet mellan tåg- och testdata, buller, batchstorlek

Dela upp data i tåg- och testdata. Lägg till brus i dina data för bättre träning av modellen. Batch betyder en uppsättning exempel som används i en iteration.

3) Funktioner

Det ger sju funktioner eller ingångar - X1, X2, kvadrater av X1X2, produkt av X1X2 och sin av X1X2. Välj och avmarkera funktionerna för att förstå vilken funktion som är viktigare. Det spelar en viktig roll i funktionshantering.

4) Dolda lager

Öka och minska det dolda lagret enligt dina ingångar eller data. Kan också välja neuroner för varje doldt lager och experimentera med olika dolda lager och neuroner, kontrollera hur resultaten förändras.

5) Epok

Epok är en komplett iteration genom datauppsättningen. När du väljer uppspelningsknappen för att starta nätverket. När nätverket startas nej. epoker kommer att fortsätta öka.

Återställningsknappen återställer hela nätverket.

6) Lärningshastighet

Inlärningshastigheten är en hyperparameter som används för att påskynda proceduren för att få lokal optima.

7) Aktiveringsfunktion

En aktiveringsfunktion tillämpas mellan två lager i vilket neuralt nätverk som helst. Det ansvarar för att aktivera nervcellerna i nätverket.

4 typer av aktiveringsfunktion - ReLU, Tanh, Sigmoid, Linear

8) Regularisering

Det finns två typer av reglering L1 och L2. Vilket används för att minska övermonteringen av modellen? Modellen är övermonterad när den bara kan fungera bra med det enda datasättet när datasättet ändras, det fungerar mycket dåligt på den datan.

9) Problemtyp

Tensorflow lekplats hanterar två typer av problem: Klassificeringar, regression

10) Utgång

Kontrollera modellprestanda efter träningen av det neurala nätverket. Observera testförlust och träningsförlust för modellen.

Exempel:

Låt oss göra ett klassificeringsproblem på lekplatsen Tensorflow.

Gör så här för att spela på denna neurala nätverkslekplats:

  • Välj det exklusiva problemet ELLER datauppsättning.
  • Ställ in förhållandet mellan tränings- och testdata till 60% - vilket innebär att vi har 60% tågdata och 40% testdata.
  • Buller läggs till 5 och ökar det och gör några experiment med det, kontrollera hur utgångsförlusterna förändras och välj batchstorlek till 10.
  • Välj först enkla funktioner som X1 och X2 och notera sedan produktionsförlusterna

(Träningsförlust: -0.004, Testförlust: - 0.002, steg: -255)

Lägg nu till den tredje funktionen av (X1X2) och observera sedan förlusterna.

(Träningsförlust: -0.001, Testförlust: - 0.001, steg: -102)

Så här kan du förstå värdet på funktioner, hur du får bra resultat i minsta steg.

  • Ställ in lärandegraden till 0, 03, kontrollerar också hur inlärningsfrekvensen spelar en viktig roll för att träna ett neuralt nätverk.
  • Aktiveringsfunktion som Tanh, för grundläggande neurala nätverk finns det inga krav för regularisering och normaliseringsfrekvens. Det finns inget behov av att ändra problemtypen.

Men glöm inte att spela med regression, så du har en klar uppfattning om regression.

  • Välj 2 dolda lager. Ställ in 4 nervceller för det första dolda lagret och 2 nervceller för det andra dolda lagret följt av utgången.
  • Med början från det första lagret överförs vikterna till det första dolda lagret som innehåller utmatning från en neuron, den andra dolda skiktutgången blandas med olika vikter. Vikterna representeras av linjernas tjocklek.
  • Då kommer den slutliga utgången att innehålla tåg- och testförlusten för det neurala nätverket.
  • Utgången har klassificerat datapunkten korrekt som visas i bilden nedan.

Experimenterande:

Gör några förändringar och kolla hur det påverkar andra faktorer. Observera tåget och testförlusten efter varje förändring.

Hur spelar parametrar en viktig roll för att få bättre noggrannhet för modellen?

  • Ratio Train and Test: Att få ett bra förhållande mellan datatestet för tågtest ger goda resultat för vår modell.
  • Funktionsval: Genom att utforska och välja olika typer av funktioner, hitta rätt funktioner för modellen.
  • Doldt lagerval: Välj doldt lagerbas i din inmatningsstorlek, men för små datasätt fungerar doldt lager perfekt. Så gör några förändringar i det dolda lagret och gör också några observationer på det. Du får en bättre uppfattning om hur det dolda lagret spelar en roll i det.
  • Inlärningshastighet: Den viktigaste hyperparametern för modellen. Stora inlärningshastigheter kan resultera i instabil träning av modell och en liten takt resultera i misslyckande i utbildning. Så välj den inlärningshastighet som passar perfekt för din modell och ger dig den bästa effekten.

Ovan nämnda fyra termer spelar en viktig roll för att träna ett bra neuralt nätverk. Så försök att leka med det på Tensorflow Playground

Slutsats

Tensorflow lekplats är en riktigt bra plattform för att lära sig om neurala nätverk, det tränar ett neuralt nätverk genom att bara klicka på play-knappen så kommer hela nätverket att tränas över din webbläsare, och låter dig kontrollera hur nätverksutgången förändras.

Rekommenderade artiklar

Detta är en guide till Tensorflow lekplats. Här diskuterar vi Vad är Tensorflow Playground? Funktioner i Tensorflow Playground inkluderar data, dolda lager, epok, inlärningsfunktion etc. Du kan också titta på följande artiklar för att lära dig mer -

  1. Hur man installerar TensorFlow
  2. Introduktion till Tensorflow
  3. TensorFlow-alternativ
  4. Theano vs Tensorflow
  5. Topp 5 skillnaden mellan TensorFlow vs Spark
  6. Vad är TensorFlow?

Kategori:

Big Data