Epok
Eğitim kaybı
Test kaybı
Doğruluk
  • Eğitim noktaları
  • Test noktaları
  • Karar sınırı
  • Eğitim kaybı
  • Test kaybı

Tıklama ekler
Girdiler

Sinir ağları hakkında daha fazla

Sinir ağı deney alanı

Bir sinir ağı, ağırlıklı girdileri toplayıp toplamı bir bükümden geçiren basit birimlerin üst üste dizilmesinden oluşur. Tek başına her birim yalnızca düz bir çizgi çizebilir, ama birlikte bir çember, bir sarmal ya da başka herhangi bir şekil çizebilirler. Bir veri kümesi seçin, en fazla dört gizli katmanlı bir ağ kurun, Eğit'e basın ve mavi ile turuncu arasındaki sınırın epok epok biçimlendiğini izleyin; bu sırada her nöron, desenin algılamayı öğrendiği kısmını gösterir. Bir veri kümesi ve bir ağ seçin, ardından Eğit'e basın ve ağın mavi noktaları turuncu olanlardan ayırmayı öğrenmesini izleyin. Dolu noktalar ağı eğitir; halkalar ise ağın eğitimde hiç kullanmadığı test noktalarıdır. Arka plan, ağın düzlemin her noktası için verdiği yanıtı gösterir; çizgi de ağın kararını değiştirdiği yerdir. Diyagramda her nöron neye tepki verdiğini gösterir; her bağlantı pozitif ağırlık için mavi, negatif ağırlık için turuncudur ve ağırlık büyüdükçe kalınlaşır. Tıklama ekler altında seçilen renkte nokta eklemek için düzleme tıklayın.

Nasıl çalışır

  1. Düz bir çizginin ayırabildiği iki kümeden birkaç katman gerektiren bir sarmala kadar bir veri kümesi seçin ya da kendi noktalarınızı yerleştirmek için düzleme tıklayın.
  2. Gizli katmanları, katman başına nöron sayısını, aktivasyonu, öğrenme oranını ve ağın aldığı girdileri ayarlayın.
  3. Eğit'e basın ve sınırı, nöronları ve kaybı izleyin; aşırı öğrenmeyi fark etmek için eğitim kaybını test kaybıyla karşılaştırın.

Ağ ne yapar

Her nöron girdilerini ağırlıklarla çarpar, bir sapma ekler ve toplamı tanh ya da ReLU gibi bir aktivasyon fonksiyonundan geçirir. İlk gizli katmanın nöronlarının her biri düzlemi, bir renk geçişiyle yumuşatılmış tek bir düz çizgi boyunca ikiye ayırır. Sonraki katman bu yarı düzlemleri kamalar, şeritler ve öbekler hâlinde birleştirir; çıktı nöronu da sonucu mavi için bir olasılığa dönüştürür. Düzlemin arka planı bu olasılığı her yerde gösterir; koyu çizgi ise olasılığın tam olarak yarım olduğu yerdir: karar sınırı.

Nasıl öğrenir

Eğitim rastgele ağırlıklarla başlar. Küçük bir eğitim noktası grubu için ağ, yanıtlarını gerçek renklerle karşılaştırır; geri yayılım da çıktıdan girdilere doğru geriye giderek her ağırlığın hataya ne kadar katkıda bulunduğunu hesaplar. Ardından her ağırlık, kaybı azaltan yönde öğrenme oranı kadar küçük bir adım atar. Tüm eğitim noktaları üzerinden bir geçiş bir epoktur. Çok küçük bir öğrenme oranı ilerlemeyi yavaşlatır; çok büyük bir oran ise kaybın zıplamasına ya da patlamasına yol açar. Test noktaları eğitimde hiç kullanılmaz, bu yüzden test kaybı ağın ne kadar iyi genelleştirdiğini gösterir.

Sık sorulan sorular

Gizli katmanı olmayan bir ağ neden çemberi ya da XOR'u öğrenemez?

Gizli katman olmadan çıktı, girdilerin tek bir ağırlıklı toplamının fonksiyonudur; bu yüzden sınır düz bir çizgidir. Hiçbir düz çizgi çemberin içini bir yana, halkayı öbür yana koyamaz ya da XOR'un iki köşegenini ayıramaz. Marvin Minsky ve Seymour Papert 1969'da tek katmanlı algılayıcılar (perceptron) için bu noktaya dikkat çekti. Bir gizli katman bunu çözer, ek bir girdi de çözer: x² ve y² ile çember düz bir kesime dönüşür, x·y ile XOR da öyle.

Aşırı öğrenme nedir ve burada nasıl görebilirim?

Bir ağ, eğitim noktalarının ardındaki deseni öğrenmek yerine bu noktaları gürültüleriyle birlikte ezberlediğinde aşırı öğrenme olur. Az noktalı, gürültülü bir veri kümesi ve büyük bir ağ seçin ve uzun süre eğitin: eğitim kaybı düşmeye devam ederken test kaybı yatay seyre girer ve yükselmeye başlar, sınır da tek tek noktaların çevresinde küçük adacıklar oluşturur. Daha az nöron, daha çok nokta ya da daha erken durmak işe yarar.

Hangi aktivasyon fonksiyonunu kullanmalıyım?

Tanh yumuşak, yuvarlak sınırlar verir ve bu küçük problemlerde iyi eğitilir. Negatif toplamlar için sıfır, aksi hâlde toplamın kendisi olan ReLU, modern derin öğrenmede varsayılan seçimdir ve düz parçalardan oluşan sınırlar verir. Sigmoid, eğimi küçük olduğu için gizli katmanlarda daha yavaş öğrenir. Doğrusal aktivasyon her gizli katmanı anlamsız kılar: üst üste dizilmiş doğrusal katmanlar yine tek bir doğrusal fonksiyondur, bu yüzden sınır düz kalır.

Ağ diyagramındaki küçük resimler ne anlama geliyor?

Her biri bir nöronun düzlemin her noktası için verdiği çıktıyı gösterir: yüksek değerler mavi, düşük değerler turuncudur. Girdi nöronları x, y ve diğer girdileri, ilk gizli katman yumuşak yarı düzlemleri, daha derindeki nöronlar ise bunlardan kurulan daha karmaşık şekilleri gösterir. Bağlantılar pozitif ağırlıklar için mavi, negatif ağırlıklar için turuncudur ve ağırlık büyüdükçe kalınlaşır.

Bir sunucuya herhangi bir şey gönderiliyor mu?

Hayır. Veriler, ağ ve eğitimin tamamı, hiçbir makine öğrenmesi kütüphanesi kullanılmadan, düz JavaScript ile tarayıcınızda çalışır. Ayarlarınız ve tıklayarak eklediğiniz noktalar bu tarayıcının yerel depolamasında kalır.

Denemeye hazır mısınız?

PictorX'i tarayıcınızda açın — kurulum gerekmez, başlamak için kredi kartı gerekmez.

Editöre Git