Google發布機器學習平臺Tensorflow遊樂場～帶你玩神經網絡（轉載）
阿新 • • 發佈：2017-09-01
ima pdo androi 真的 技術 font 螺旋數據 本科 玩耍
來自為知筆記(Wiz)
Google發布機器學習平臺Tensorflow遊樂場～帶你玩神經網絡
摘要: 昨天，Google發布了Tensorflow遊樂場。Tensorflow是Google今年推出的機器學習開源平臺。而有了Tensorflow遊樂場，我們在瀏覽器中就可以訓練自己的神經網絡，還有酷酷的圖像讓我們更直觀地了解神經網絡的工作原理。今 ...| 昨天，Google深度學習部門Google Brain的掌門人，也是Google裏受萬眾景仰的神級別工程師Jeff Dean，在Google Plus上發布了Tensorflow遊樂場的消息：
一打開網站，就看見上面的標語：
這簡直太令人振奮了！面對這麽多可以隨便點的按鈕，咱們從哪兒開始呢？
如果橙色是橙子，藍色是藍莓。假設我們有2000個散落在各處的橙子和藍莓。前1000個，我們知道坐標（1，1）的是藍莓，（2，2）的是橙子，（0.5，0.5）的是藍莓等等。我們要用這些信息來訓練我們的神經網絡，讓它能夠準確地預測出後1000個哪些是橙子、哪些是藍莓。 看上面的4組數據，我們會發現，前3中都能相對簡單地區分開，而最後一組螺旋數據會是最難的。 Tensorflow遊樂場中的數據十分靈活。我們可以調整noise（幹擾）的大小，還可以改變訓練數據和測試數據的比例多少。下圖是不同noise的數據分布。
上面這些圖其實非常的直觀。第一張圖中，如果x1作為我們的唯一特征，我們其實就是在畫一條和x1軸垂直的線。當我們改變參數時，其實就是在將這條線左右移動。其他的特征也是如此。 很容易可以看出，我們需要智能地結合這其中一種或多種的特征，才能夠成功地將藍色點和橙色點分類。這樣的feature extraction，其實往往是機器學習應用中最難的部分。好在我們有神經網絡，它能夠幫我們完成大部分的任務。 如果我們選定x1和x2作為特征，我們神經網絡的每一層的每個神經元，都會將它們進行組合，來算出結果：
在神經網絡出現前，我們往往會竭盡所能地想出盡可能好的特征，把它們全都餵給系統。而系統會是個十分淺的系統，往往只有一層。用這樣的方法來完成分類。 讓我們先來實驗傳統的方法。在這裏，我們將所有能夠想到的7個特征都輸入系統，並選擇只有1層的神經網絡：
在這次試驗中，我們只輸入x1, x2，而選擇1個6層的，每層有8個神經元的神經網絡：
最後的結果是這樣的。我們發現，通過增加神經元和神經網絡的層數，即使沒有輸入許多特征，我們也能夠成功地分類：
而當我們有了神經網絡，我們的系統自己就能學習到哪些特征是有效的、哪些是無效的，這就大大提高了我們解決復雜機器學習問題的能力，簡直是太酷啦！ 看了以上的文章，你是不是對神經網絡有了更直觀的認識呢？好奇的小夥伴們，歡迎去http://playground.tensorflow.org/自己試試看，真的非常好玩！ 作者簡介矽谷周邊，本科畢業於Carnegie Mellon University（卡耐基梅隆大學），主修電子與計算機工程和機器人。先後在蘋果(Macintosh Systems, iPod)和Google(Android, Google Glass)工作。現在是Google的一名軟件工程師。 |
來自為知筆記(Wiz)
Google發布機器學習平臺Tensorflow遊樂場～帶你玩神經網絡（轉載）