tensorflow playground簡(jiǎn)介

TensorFlow游樂(lè)場(chǎng)是一個(gè)通過(guò)網(wǎng)頁(yè)瀏覽器就可以訓(xùn)練簡(jiǎn)單神經(jīng)網(wǎng)絡(luò) 并實(shí)現(xiàn)了可視化訓(xùn)練過(guò)程的工具。

TensorFlow playground使用；TensorFlow playground界面

TensorFlow playground界面示意圖

功能詳解

（1）控制運(yùn)行

從左到右三個(gè)功能分別是：（a）重啟；（b）運(yùn)行；（c）一次運(yùn)行一個(gè)周期

（2）運(yùn)行周期數(shù)

用于查看訓(xùn)練的周期數(shù)

（3）參數(shù)調(diào)整區(qū)域

名稱 ——> 功能說(shuō)明

Learning rate ——>學(xué)習(xí)率（是一個(gè)超參數(shù)，在梯度下降算法中會(huì)用到；學(xué)習(xí)率是人為根據(jù)實(shí)際情況來(lái)設(shè)定）。

Activation——> 激活函數(shù)（默認(rèn)為非線性函數(shù)Tanh；如果對(duì)于線性分類問(wèn)題，這里可以不使用激活函數(shù)）。

Regularization——> 正則化（正則化是利用范數(shù)解決過(guò)擬合的問(wèn)題）。 Problem type 問(wèn)題類型（在這里我們要解決的是一個(gè)二分類問(wèn)題，簡(jiǎn)單解釋一下分類問(wèn)題是指，給定一個(gè)新的模式，根據(jù)訓(xùn)練集推斷它所對(duì)應(yīng)的類別（如：+1，-1），是一種定性輸出，也叫離散變量預(yù)測(cè)；回歸問(wèn)題是指，給定一個(gè)新的模式，根據(jù)訓(xùn)練集推斷它所對(duì)應(yīng)的輸出值（實(shí)數(shù)）是多少，是一種定量輸出，也叫連續(xù)變量預(yù)測(cè)；在這里我們屬于分類問(wèn)題。）。

（4）數(shù)據(jù)區(qū)域

名稱——> 說(shuō)明

DATA ——>數(shù)據(jù)集類型（這里提供了四種數(shù)據(jù)集，我們默認(rèn)選中第一種；被選中的數(shù)據(jù)也會(huì)顯示在最右側(cè)的OUTPUT中；在這個(gè)數(shù)據(jù)中，我們可以看到二維平面上有藍(lán)色和黃色的小點(diǎn)；每一個(gè)小點(diǎn)代表一個(gè)樣例例子；點(diǎn)的顏色代表樣例的標(biāo)簽；因?yàn)橹挥袃煞N顏色，所以這里是一個(gè)二分類問(wèn)題；在這里我們以判斷某工廠零件是否合格為例子來(lái)說(shuō)明，那么黃色就代表不合格零件，藍(lán)色就代表合格零件）。

Ratio of training to test——> 數(shù)據(jù)用于測(cè)試的比例（直接對(duì)進(jìn)度條進(jìn)行操作即可調(diào)整）。 Noise對(duì)數(shù)據(jù)中引入噪聲。

Batch size ——>調(diào)整batch size的大小。

（5）網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整區(qū)域

名稱——> 說(shuō)明

FEATURES——> 特征向量（為了將一個(gè)實(shí)際問(wèn)題對(duì)應(yīng)到空間中的點(diǎn)，我們需要提取特征。在這里我們可以用零件的長(zhǎng)度和質(zhì)量來(lái)大致描述；所以這里x1就代表零件長(zhǎng)度，x2代表零件質(zhì)量;特征向量是神經(jīng)網(wǎng)絡(luò)的輸入）。

HIDDEN LAYERS——> 隱藏層（在輸入和輸出之間的神經(jīng)網(wǎng)絡(luò)稱為隱藏層；一般神經(jīng)網(wǎng)絡(luò)的隱藏層越多這個(gè)神經(jīng)網(wǎng)絡(luò)越深；這里我們默認(rèn)有一個(gè)隱藏層，這個(gè)隱藏層上有4個(gè)節(jié)點(diǎn)）。

直接通過(guò)點(diǎn)擊各個(gè)圖標(biāo)即可選擇Features的類型，對(duì)于隱藏層的操作，可以直接選擇加減號(hào)即可獲得想要的隱藏層層數(shù)以及每層的神經(jīng)元個(gè)數(shù)。

（6）輸出結(jié)果區(qū)域

設(shè)置完上面的參數(shù)，點(diǎn)擊運(yùn)行即可觀測(cè)到輸出結(jié)果的變化。

如果你選擇的是分類問(wèn)題，即可看到明顯的邊界變化以及l(fā)oss在不斷減小的情況，點(diǎn)擊show test data可以顯示未參與訓(xùn)練的test數(shù)據(jù)集的情況，點(diǎn)擊Discretize output可以看到離散化后的結(jié)果。

演示

參數(shù)設(shè)置：學(xué)習(xí)率0.03，激活函數(shù)Tanh，正則項(xiàng)L1 比例0.001，問(wèn)題類型Classification

數(shù)據(jù)：選擇左上第一個(gè)

網(wǎng)絡(luò)結(jié)構(gòu)：選擇含兩個(gè)隱藏層，第一個(gè)隱藏層4個(gè)神經(jīng)元，第二個(gè)隱藏層2個(gè)神經(jīng)元