Як створити свою нейромережу? Та й не тільки створити, а й навчити та тестувати! Насправді, тут немає нічого складного, достатньо базових навичок, які ви легко можете набути в процесі навчання. Знайомтеся – Neural Network Playground. І так, нейромережа абсолютно безкоштовна.
Що таке нейронна мережа?
Це метод побудови комп’ютерної програми, яка навчається на основі даних. Вона дуже схожа на те, як, на нашу думку, працює людський мозок. Спочатку створюється набір програмних “нейронів”, які з’єднуються між собою, що дозволяє їм надсилати повідомлення один одному.
Потім мережу просять розв’язувати проблему, і вона намагається зробити це знову і знову, щоразу посилюючи зв’язки, які ведуть до успіху, і послаблюючи ті, що призводять до невдачі. Для більш детального ознайомлення з нейронними мережами варто почати з книги Майкла Нільсена “Нейронні мережі та глибинне навчання” (Michael Nielsen’s Neural Networks and Deep Learning). Для більш технічного огляду спробуйте “Глибоке навчання” Яна Гудфеллоу, Йошуа Бенгіо та Аарона Курвіля.
Це круто, чи можу я його перепрофілювати?
Так, будь ласка, використовуйте! Ми виклали його з відкритим кодом на GitHub з надією, що він зробить нейронні мережі трохи доступнішими і простішими у вивченні. Ви можете використовувати його у будь-який спосіб, що відповідає нашій ліцензії Apache. І якщо у вас є якісь пропозиції щодо доповнень або змін, будь ласка, дайте нам знати.
Нижче ми також надали деякі елементи керування, щоб ви могли пристосувати ігровий майданчик до конкретної теми або уроку. Просто виберіть, які функції ви хочете бачити нижче, а потім збережіть це посилання або оновіть сторінку.
- Показати дані тесту
- Дискретизувати вихідні дані
- Кнопка відтворення
- Кнопка кроку
- Кнопка скидання
- Швидкість навчання
- Активація
- Регуляризація
- Швидкість регуляризації
- Тип задачі
- Який набір даних
- Дані поїзда співвідношень
- Рівень шуму
- Розмір партії
- Кількість прихованих шарів
Що означають усі кольори?
Помаранчевий і синій кольори використовуються у візуалізації дещо по-різному, але загалом помаранчевий показує від’ємні значення, а синій – додатні.
Точки даних (представлені маленькими кружечками) спочатку забарвлені в помаранчевий або синій кольори, які відповідають позитивним і негативним значенням.
У прихованих шарах лінії зафарбовані відповідно до ваг зв’язків між нейронами. Синій колір показує позитивну вагу, що означає, що мережа використовує вихід нейрона як заданий. Помаранчева лінія показує, що мережа використовує від’ємну вагу.
У вихідному шарі точки забарвлені в помаранчевий або синій колір залежно від їх початкових значень. Колір фону показує, що прогнозує мережа для певної області. Інтенсивність кольору показує, наскільки впевненим є цей прогноз.
Яку бібліотеку ви використовуєте?
Ми написали мініатюрну бібліотеку нейронних мереж, яка відповідає вимогам цієї навчальної візуалізації. Для реальних застосувань розгляньте бібліотеку TensorFlow.