O que é o TensorFlow Playground?
O playground Tensorflow é um playground de rede neural. Que é um aplicativo da web interativo desenvolvido com base no ds3.js. É uma plataforma de visualização educacional para um leigo. Assim, eles podem entender facilmente os conceitos de aprendizado profundo, como
- Criando redes neurais
- Executando redes neurais
- Entenda o funcionamento das redes neurais.
- Brincando com hiperparâmetros da rede neural, como taxa de aprendizado, função de ativação, épocas.
- Obter resultados
O Tensorflow playground oferece uma excelente plataforma que permite que usuários que não estão familiarizados com matemática e códigos de alto nível experimentem a rede neural para aprendizado profundo. Ele foi criado para entender a idéia principal por trás da rede neural.
Recursos do TensorFlow Playground
Há principalmente 10 termos que desempenham um papel importante no playground de Tensorflow.
1) Dados
O Playground fornece principalmente 6 tipos diferentes de conjuntos de dados
Classificação: Círculo, Exclusivo ou Gaussiano, espiral.
Regressão: Avião, Multi Gaussiano.
Pequenos pontos de círculo são representados como pontos de dados que correspondem a Positivo (+) e Negativo (-). Positivo representado por azul, Negativo representado por laranja. Essas mesmas cores são usadas na representação de dados, neurônio, valores de peso.
2) A proporção de dados de trem e teste, ruído e tamanho do lote
Divisão de ração de dados em dados de treinamento e teste. Adicione ruído aos seus dados para melhor treinamento do modelo. Lote significa um conjunto de exemplos usados em uma iteração.
3) Recursos
Ele fornece 7 recursos ou entradas - X1, X2, Quadrados de X1X2, Produto de X1X2 e pecado de X1X2. Marque e desmarque os recursos para entender qual recurso é mais importante. Ele desempenha um papel importante na engenharia de recursos.
4) Camadas ocultas
Aumente e diminua a camada oculta de acordo com suas entradas ou dados. Também é possível selecionar os neurônios para cada camada oculta e experimentar diferentes camadas e neurônios ocultos, verificar como os resultados estão mudando.
5) Época
Epoch é uma iteração completa através do conjunto de dados. Quando você seleciona o botão play para iniciar a rede. Quando a rede é iniciada não. épocas continuarão aumentando.
O botão Redefinir redefinirá toda a rede.
6) Taxa de Aprendizagem
A taxa de aprendizado é um hiperparâmetro usado para acelerar o procedimento para obter ótimos locais.
7) Função de Ativação
Uma função de ativação é aplicada entre duas camadas de qualquer rede neural. É responsável por ativar os neurônios na rede.
4 tipos de função de ativação - ReLU, Tanh, Sigmoid, Linear
8) Regularização
Existem dois tipos de Regularização L1 e L2. Qual é usado para reduzir o sobreajuste do modelo? O modelo é sobrescrito quando só pode funcionar bem com o único conjunto de dados quando o conjunto de dados é alterado, e o desempenho é muito baixo nesses dados.
9) Tipo de Problema
O playground Tensorflow lida com dois tipos de problemas: Classificações, Regressão
10) Saída
Verifique o desempenho do modelo após o treinamento da rede neural. Observe a perda de teste e a perda de treinamento do modelo.
Exemplo:
Vamos resolver um problema de classificação no playground Tensorflow.
Passos como jogar neste playground de rede neural:
- Selecione o problema Exclusivo ou Classificação do conjunto de dados.
- Defina a proporção de dados de treinamento e teste para 60% - o que significa que temos 60% de dados de treinamento e 40% de dados de teste.
- O ruído é adicionado a 5 e aumente-o e faça algumas experiências com ele, verifique como as perdas de saída estão mudando e selecione o tamanho do lote para 10.
- Primeiro, selecione recursos simples como X1 e X2 e anote as perdas de saída
(Perda de treinamento: -0.004, Perda de teste: - 0.002, etapas: -255)
Agora adicione o terceiro produto de recurso de (X1X2) e observe as Perdas.
(Perda de treinamento: -0.001, Perda de teste: - 0.001, etapas: -102)
É assim que você pode entender o valor dos recursos, como obter bons resultados em etapas mínimas.
- Defina a taxa de aprendizado como 0, 03, também verifica como a taxa de aprendizado desempenha um papel importante no treinamento de uma rede neural.
- A função de ativação como Tanh, para redes neurais básicas, não há requisitos para regularização e taxa de regularização. Não há necessidade de alterar o tipo de problema.
Mas não se esqueça de brincar com a regressão, para ter uma ideia clara sobre a regressão.
- Selecione 2 camadas ocultas. Defina 4 neurônios para a primeira camada oculta e 2 neurônios para a segunda camada oculta, seguidos pela saída.
- A partir da primeira camada, os pesos são passados para a primeira camada oculta, que contém a saída de um neurônio, a saída da segunda camada oculta é misturada com pesos diferentes. Os pesos são representados pela espessura das linhas.
- A saída final conterá a perda de trem e teste da rede neural.
- A saída classificou o ponto de dados corretamente, como mostrado na imagem abaixo.
Experimentação:
Faça algumas alterações e verifique como isso afeta outros fatores. Observe a perda de trem e teste após cada alteração.
Como os parâmetros desempenham um papel importante para obter melhor precisão do modelo?
- Proporção de trem e teste: obter uma boa proporção do conjunto de dados de teste de trem fornecerá um bom desempenho do nosso modelo.
- Seleção de recursos: Ao explorar e selecionar diferentes tipos de recursos, encontre os recursos certos para o modelo.
- Seleção de camada oculta : selecione a base da camada oculta no tamanho da entrada, mas para o conjunto de dados pequeno 2 a camada oculta funciona perfeitamente. Portanto, faça algumas alterações na camada oculta e também faça algumas observações sobre ela. Você terá uma idéia melhor de como a camada oculta desempenha um papel nela.
- Taxa de Aprendizagem: O hiperparâmetro mais importante para o modelo. Taxas de aprendizado grandes podem resultar em treinamento instável do modelo e uma taxa minúscula em falha no treinamento. Portanto, selecione a taxa de aprendizado que se encaixa perfeitamente no seu modelo e oferece a melhor saída.
Os quatro termos acima mencionados desempenham um papel importante no treinamento de uma boa rede neural. Então tente brincar com ele no Tensorflow Playground
Conclusão
O Tensorflow playground é uma plataforma realmente ótima para aprender sobre redes neurais. Ele treina uma rede neural apenas clicando no botão play e toda a rede será treinada em seu navegador e permitirá que você verifique como a saída da rede está mudando.
Artigos recomendados
Este é um guia para o playground Tensorflow. Aqui discutimos O que é o Tensorflow Playground? Os recursos do Tensorflow Playground incluem dados, camadas ocultas, época, função de aprendizado etc. Você também pode consultar os seguintes artigos para saber mais -
- Como instalar o TensorFlow
- Introdução ao Tensorflow
- Alternativas ao TensorFlow
- Theano vs Tensorflow
- Diferença entre as 5 principais diferenças entre TensorFlow e Spark
- O que é o TensorFlow?