Qu'est-ce que TensorFlow Playground?
Le terrain de jeu Tensorflow est un terrain de jeu de réseau neuronal. Qui est une application web interactive basée sur ds3.js. Il s'agit d'une plate-forme de visualisation éducative pour un profane. Ainsi, ils peuvent facilement comprendre les concepts de l'apprentissage en profondeur comme
- Création de réseaux de neurones
- Exécution de réseaux de neurones
- Comprendre le fonctionnement des réseaux de neurones.
- Jouer avec les hyperparamètres du réseau neuronal comme le taux d'apprentissage, la fonction d'activation, les époques.
- Obtenir des résultats
Le terrain de jeu Tensorflow fournit une excellente plate-forme qui permet aux utilisateurs qui ne sont pas familiers avec les mathématiques et le codage de haut niveau d'expérimenter avec un réseau de neurones pour un apprentissage en profondeur. Il est créé pour comprendre l'idée centrale derrière le réseau neuronal.
Caractéristiques de TensorFlow Playground
Il y a principalement 10 termes qui jouent un rôle important dans l'aire de jeux Tensorflow.
1) Données
Le Playground fournit principalement 6 types différents de jeux de données
Classification: Cercle, exclusif ou, gaussien, spirale.
Régression: plan, multi gaussien.
Les petits points circulaires sont représentés comme des points de données qui correspondent à Positif (+) et Négatif (-). Positif représenté par le bleu, négatif représenté par l'orange. Ces mêmes couleurs sont utilisées pour représenter les valeurs de données, de neurones et de poids.
2) Le rapport des données de train et d'essai, le bruit, la taille des lots
Division de la ration de données en données de train et de test. Ajoutez du bruit à vos données pour une meilleure formation du modèle. Batch signifie un ensemble d'exemples utilisés dans une itération.
3) Caractéristiques
Il fournit 7 fonctions ou entrées - X1, X2, carrés de X1X2, produit de X1X2 et sin de X1X2. Sélectionnez et désélectionnez les fonctionnalités pour comprendre quelle fonctionnalité est la plus importante. Elle joue un rôle majeur dans l'ingénierie des fonctionnalités.
4) Couches cachées
Augmentez et diminuez la couche cachée en fonction de vos entrées ou données. Vous pouvez également sélectionner les neurones pour chaque couche cachée et expérimenter avec différentes couches et neurones cachés, vérifier comment les résultats changent.
5) Époque
Epoch est une itération complète à travers l'ensemble de données. Lorsque vous sélectionnez le bouton de lecture pour démarrer le réseau. Lorsque le réseau est démarré non. les époques continueront d'augmenter.
Le bouton Réinitialiser réinitialise l'ensemble du réseau.
6) Taux d'apprentissage
Le taux d'apprentissage est un hyperparamètre utilisé pour accélérer la procédure d'obtention des optima locaux.
7) Fonction d'activation
Une fonction d'activation est appliquée entre deux couches de n'importe quel réseau neuronal. Il est chargé d'activer les neurones du réseau.
4 types de fonctions d'activation - ReLU, Tanh, Sigmoid, Linear
8) Régularisation
Il existe deux types de régularisation L1 et L2. Qui est utilisé pour réduire le sur-ajustement du modèle? Le modèle est surchargé lorsqu'il ne peut fonctionner correctement qu'avec le jeu de données unique lorsque le jeu de données est modifié, il fonctionne très mal sur ces données.
9) Type de problème
L'aire de jeux Tensorflow gère deux types de problèmes: Classifications, Régression
10) Sortie
Vérifiez les performances du modèle après la formation du réseau neuronal. Observez la perte de test et la perte d'entraînement du modèle.
Exemple:
Faisons un problème de classification sur le terrain de jeu Tensorflow.
Étapes à suivre pour jouer dans ce terrain de jeu de réseau de neurones:
- Sélectionnez le problème de classification de l'ensemble de données exclusif OU.
- Définissez le ratio des données de formation et de test à 60%, ce qui signifie que nous avons 60% de données de train et 40% de données de test.
- Du bruit est ajouté à 5, augmentez-le et faites des expériences avec lui, vérifiez comment les pertes de sortie changent et sélectionnez la taille du lot à 10.
- Sélectionnez d'abord des fonctionnalités simples comme X1 et X2, puis notez les pertes de sortie
(Perte d'entraînement: -0, 004, perte de test: - 0, 002, pas: -255)
Ajoutez maintenant la troisième fonctionnalité de (X1X2) puis observez les pertes.
(Perte d'entraînement: -0, 001, perte de test: - 0, 001, pas: -102)
C'est ainsi que vous pouvez comprendre la valeur des fonctionnalités, comment obtenir de bons résultats en un minimum d'étapes.
- Réglez le taux d'apprentissage sur 0, 03, et vérifiez également comment le taux d'apprentissage joue un rôle important dans la formation d'un réseau neuronal.
- Fonction d'activation comme Tanh, pour les réseaux neuronaux de base, il n'y a aucune exigence de régularisation et de taux de régularisation. Il n'est pas nécessaire de modifier le type de problème.
Mais n'oubliez pas de jouer avec la régression, vous avez donc une idée claire de la régression.
- Sélectionnez 2 calques masqués. Définissez 4 neurones pour la première couche cachée et 2 neurones pour la deuxième couche cachée, puis la sortie.
- À partir de la première couche, les poids sont transmis à la première couche cachée qui contient la sortie d'un neurone, la deuxième sortie de la couche cachée est mélangée avec différents poids. Les poids sont représentés par l'épaisseur des lignes.
- Ensuite, la sortie finale contiendra la perte de train et de test du réseau neuronal.
- La sortie a correctement classé le point de données comme indiqué dans l'image ci-dessous.
Expérimentation:
Apportez quelques modifications et vérifiez comment cela affecte d'autres facteurs. Observez la perte du train et du test après chaque changement.
Comment les paramètres jouent-ils un rôle important pour obtenir une meilleure précision du modèle?
- Ratio train et test: obtenir un bon ratio de l'ensemble de données de test de train donnera de bonnes performances de notre modèle.
- Sélection des fonctionnalités: en explorant et en sélectionnant différents types de fonctionnalités, trouvez les bonnes fonctionnalités pour le modèle.
- Sélection de couche cachée: sélectionnez la base de couche cachée sur votre taille d'entrée, mais pour un petit ensemble de données, la couche cachée 2 fonctionne parfaitement. Faites donc quelques changements dans la couche cachée et faites aussi quelques observations dessus. Vous aurez une meilleure idée de la façon dont la couche cachée y joue un rôle.
- Taux d'apprentissage: l' hyperparamètre le plus important pour le modèle. Des taux d'apprentissage élevés peuvent entraîner une formation instable du modèle et un taux minime entraîner l'échec de la formation. Sélectionnez donc le taux d'apprentissage qui s'adapte parfaitement à votre modèle et vous donne la meilleure sortie.
Les quatre termes mentionnés ci-dessus jouent un rôle important dans la formation d'un bon réseau neuronal. Alors essayez de jouer avec lui dans Tensorflow Playground
Conclusion
Le terrain de jeu Tensorflow est une très bonne plate-forme pour en apprendre davantage sur les réseaux de neurones.Il forme un réseau de neurones en cliquant simplement sur le bouton de lecture et l'ensemble du réseau sera formé sur votre navigateur, et vous permettra de vérifier comment la sortie du réseau change.
Articles recommandés
Ceci est un guide du terrain de jeu Tensorflow. Ici, nous discutons Qu'est-ce que Tensorflow Playground? Les fonctionnalités de Tensorflow Playground incluent les données, les couches cachées, l'époque, la fonction d'apprentissage, etc. Vous pouvez également consulter les articles suivants pour en savoir plus -
- Comment installer TensorFlow
- Introduction à Tensorflow
- Alternatives à TensorFlow
- Theano vs Tensorflow
- 5 principales différences entre TensorFlow et Spark
- Qu'est-ce que TensorFlow?