¿Qué es el patio de juegos TensorFlow?
El patio de juegos Tensorflow es un campo de juegos de redes neuronales. Que es una aplicación web interactiva que se basa en ds3.js. Es una plataforma de visualización educativa para un laico. Entonces, pueden entender fácilmente los conceptos de aprendizaje profundo como
- Creando redes neuronales
- Ejecutando redes neuronales
- Comprender el funcionamiento de las redes neuronales.
- Jugar con hiperparámetros de redes neuronales como velocidad de aprendizaje, función de activación, épocas.
- Tener resultados
El patio de juegos Tensorflow proporciona una gran plataforma que permite a los usuarios que no están familiarizados con las matemáticas y la codificación de alto nivel experimentar con redes neuronales para un aprendizaje profundo. Está creado para comprender la idea central detrás de la red neuronal.
Características del patio de juegos TensorFlow
Hay principalmente 10 términos que juegan un papel importante en el patio de juegos Tensorflow.
1) datos
Playground proporciona principalmente 6 tipos diferentes de conjuntos de datos.
Clasificación: Círculo, Exclusivo o, Gaussiano, espiral.
Regresión: plano, multi gaussiano.
Los puntos de círculo pequeños se representan como puntos de datos que corresponden a Positivo (+) y Negativo (-). Positivo representado por azul, Negativo representado por naranja. Estos mismos colores se utilizan para representar los valores de datos, neuronas y peso.
2) La relación de datos de tren y prueba, ruido, tamaño de lote
División de la ración de datos en datos de tren y prueba. Agregue ruido a sus datos para una mejor capacitación del modelo. Lote significa un conjunto de ejemplos utilizados en una iteración.
3) Características
Proporciona 7 funciones o entradas: X1, X2, Cuadrados de X1X2, Producto de X1X2 y sin de X1X2. Seleccione y anule la selección de las características para comprender qué característica es más importante. Desempeña un papel importante en la ingeniería de características.
4) capas ocultas
Aumente y disminuya la capa oculta de acuerdo con sus entradas o datos. También puede seleccionar las neuronas para cada capa oculta y experimentar con diferentes capas y neuronas ocultas, verificar cómo están cambiando los resultados.
5) Época
La época es una iteración completa a través del conjunto de datos. Cuando selecciona el botón de reproducción para iniciar la red. Cuando se inicia la red no. las épocas seguirán aumentando.
El botón Restablecer restablecerá toda la red.
6) Tasa de aprendizaje
La tasa de aprendizaje es un hiperparámetro que se utiliza para acelerar el procedimiento para obtener óptimos locales.
7) Función de activación
Se aplica una función de activación entre dos capas de cualquier red neuronal. Es responsable de activar las neuronas en la red.
4 tipos de función de activación: ReLU, Tanh, Sigmoid, Lineal
8) Regularización
Hay dos tipos de regularización L1 y L2. ¿Qué se usa para reducir el sobreajuste del modelo? El modelo está sobreajustado cuando solo puede funcionar bien con el conjunto de datos único cuando se cambia el conjunto de datos, funciona muy mal en esos datos.
9) Tipo de problema
El patio de juegos Tensorflow maneja dos tipos de problemas: clasificaciones, regresión
10) salida
Verifique el rendimiento del modelo después de entrenar la red neuronal. Observe la pérdida de prueba y la pérdida de entrenamiento del modelo.
Ejemplo:
Hagamos un problema de clasificación en el patio de juegos de Tensorflow.
Pasos para jugar en este campo de juegos de redes neuronales:
- Seleccione el problema de Clasificación de conjunto de datos O exclusivo.
- Establezca la relación de datos de entrenamiento y prueba a 60%, lo que significa que tenemos 60% de datos de entrenamiento y 40% de datos de prueba.
- Se agrega ruido a 5 y lo aumenta y experimenta un poco con él, comprueba cómo están cambiando las pérdidas de salida y selecciona el tamaño del lote a 10.
- Primero seleccione características simples como X1 y X2 y luego anote las pérdidas de salida
(Pérdida de entrenamiento: -0.004, Pérdida de prueba: - 0.002, pasos: -255)
Ahora agregue el tercer producto de características de (X1X2) y luego observe las Pérdidas.
(Pérdida de entrenamiento: -0.001, Pérdida de prueba: - 0.001, pasos: -102)
Así es como puede comprender el valor de las características, cómo obtener buenos resultados en pasos mínimos.
- Establezca la tasa de aprendizaje en 0.03, también verifica cómo la tasa de aprendizaje juega un papel importante en el entrenamiento de una red neuronal.
- Función de activación como Tanh, para redes neuronales básicas no hay requisitos de regularización y tasa de regularización. No es necesario cambiar el tipo de problema.
Pero no olvides jugar con la regresión, así que tienes una idea clara sobre la regresión.
- Seleccione 2 capas ocultas. Establezca 4 neuronas para la primera capa oculta y 2 neuronas para la segunda capa oculta, seguido de la salida.
- A partir de la primera capa, los pesos se pasan a la primera capa oculta que contiene la salida de una neurona, la salida de la segunda capa oculta se mezcla con diferentes pesos. Los pesos están representados por el grosor de las líneas.
- Luego, la salida final contendrá la pérdida de Tren y Prueba de la red neuronal.
- La salida ha clasificado el punto de datos correctamente como se muestra en la imagen a continuación.
Experimentación:
Realice algunos cambios y verifique cómo afecta a otros factores. Observe la pérdida de Tren y Prueba después de cada cambio.
¿Cómo juegan los parámetros un papel importante para obtener una mejor precisión del modelo?
- Proporción de tren y prueba: Obtener una buena proporción del conjunto de datos de prueba de tren dará un buen rendimiento de nuestro modelo.
- Selección de características: Al explorar y seleccionar diferentes tipos de características, encuentre las características correctas para el modelo.
- Selección de capa oculta: seleccione la base de capa oculta en el tamaño de entrada, pero para el conjunto de datos pequeño 2 la capa oculta funciona perfectamente. Realice algunos cambios en la capa oculta y también haga algunas observaciones sobre ella. Obtendrá una mejor idea de cómo la capa oculta juega un papel en ella.
- Tasa de aprendizaje: el hiperparámetro más importante para el modelo. Las grandes tasas de aprendizaje pueden dar como resultado una capacitación inestable del modelo y una tasa mínima puede resultar en el fracaso de la capacitación. Por lo tanto, seleccione la tasa de aprendizaje que se ajuste perfectamente a su modelo y le brinde la mejor salida.
Los 4 términos mencionados anteriormente juegan un papel importante en el entrenamiento de una buena red neuronal. Así que intenta jugar con él en Tensorflow Playground
Conclusión
El patio de juegos Tensorflow es una plataforma realmente excelente para aprender sobre redes neuronales. Entrena una red neuronal simplemente haciendo clic en el botón de reproducción y toda la red se entrenará a través de su navegador, y le permitirá comprobar cómo está cambiando la salida de la red.
Artículos recomendados
Esta es una guía para el patio de juegos Tensorflow. Aquí discutimos ¿Qué es Tensorflow Playground? Las características de Tensorflow Playground incluyen datos, capas ocultas, época, función de aprendizaje, etc. También puede consultar los siguientes artículos para obtener más información:
- Cómo instalar TensorFlow
- Introducción a Tensorflow
- Alternativas de TensorFlow
- Theano vs Tensorflow
- Las 5 principales diferencias entre TensorFlow y Spark
- ¿Qué es TensorFlow?