tensorflow playground簡介

TensorFlow游樂場是一個通過網(wǎng)頁瀏覽器就可以訓練簡單神經(jīng)網(wǎng)絡 并實現(xiàn)了可視化訓練過程的工具。

TensorFlow playground使用；TensorFlow playground界面

TensorFlow playground界面示意圖

功能詳解

（1）控制運行

從左到右三個功能分別是：（a）重啟；（b）運行；（c）一次運行一個周期

（2）運行周期數(shù)

用于查看訓練的周期數(shù)

（3）參數(shù)調(diào)整區(qū)域

名稱 ——> 功能說明

Learning rate ——>學習率（是一個超參數(shù)，在梯度下降算法中會用到；學習率是人為根據(jù)實際情況來設定）。

Activation——> 激活函數(shù)（默認為非線性函數(shù)Tanh；如果對于線性分類問題，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)解決過擬合的問題）。 Problem type 問題類型（在這里我們要解決的是一個二分類問題，簡單解釋一下分類問題是指，給定一個新的模式，根據(jù)訓練集推斷它所對應的類別（如：+1，-1），是一種定性輸出，也叫離散變量預測；回歸問題是指，給定一個新的模式，根據(jù)訓練集推斷它所對應的輸出值（實數(shù)）是多少，是一種定量輸出，也叫連續(xù)變量預測；在這里我們屬于分類問題。）。

（4）數(shù)據(jù)區(qū)域

名稱——> 說明

DATA ——>數(shù)據(jù)集類型（這里提供了四種數(shù)據(jù)集，我們默認選中第一種；被選中的數(shù)據(jù)也會顯示在最右側的OUTPUT中；在這個數(shù)據(jù)中，我們可以看到二維平面上有藍色和黃色的小點；每一個小點代表一個樣例例子；點的顏色代表樣例的標簽；因為只有兩種顏色，所以這里是一個二分類問題；在這里我們以判斷某工廠零件是否合格為例子來說明，那么黃色就代表不合格零件，藍色就代表合格零件）。

Ratio of training to test——> 數(shù)據(jù)用于測試的比例（直接對進度條進行操作即可調(diào)整）。 Noise對數(shù)據(jù)中引入噪聲。

Batch size ——>調(diào)整batch size的大小。

（5）網(wǎng)絡結構調(diào)整區(qū)域

名稱——> 說明

FEATURES——> 特征向量（為了將一個實際問題對應到空間中的點，我們需要提取特征。在這里我們可以用零件的長度和質(zhì)量來大致描述；所以這里x1就代表零件長度，x2代表零件質(zhì)量;特征向量是神經(jīng)網(wǎng)絡的輸入）。

HIDDEN LAYERS——> 隱藏層（在輸入和輸出之間的神經(jīng)網(wǎng)絡稱為隱藏層；一般神經(jīng)網(wǎng)絡的隱藏層越多這個神經(jīng)網(wǎng)絡越深；這里我們默認有一個隱藏層，這個隱藏層上有4個節(jié)點）。

直接通過點擊各個圖標即可選擇Features的類型，對于隱藏層的操作，可以直接選擇加減號即可獲得想要的隱藏層層數(shù)以及每層的神經(jīng)元個數(shù)。

（6）輸出結果區(qū)域

設置完上面的參數(shù)，點擊運行即可觀測到輸出結果的變化。

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

演示

參數(shù)設置：學習率0.03，激活函數(shù)Tanh，正則項L1 比例0.001，問題類型Classification

數(shù)據(jù)：選擇左上第一個

網(wǎng)絡結構：選擇含兩個隱藏層，第一個隱藏層4個神經(jīng)元，第二個隱藏層2個神經(jīng)元