Träna ett neuronnät i webbläsaren

Nu ska du träna ett neuronnät direkt i webbläsaren, utan installation. Öppna TensorFlow Playground.

Vad du ser på skärmen:

Del	Vad det är
Vänster: fyra mönster	datasetet — välj typ av data
Mitten: cirklar i kolumner	neuronerna, lager för lager
Linjerna mellan	vikterna; tjocklek = styrka, färg = tecken
Höger: stor ruta	nätets klassificering av ytan
Uppe till höger	felkurvan under träningen
▶-knappen	starta och stoppa träningen

Gör detta först: Välj det enklaste mönstret (två separata grupper), tryck ▶ och titta på den stora rutan. Färgerna delar sig och en gräns bildas. Felkurvan uppe till höger sjunker.

Det är grunden i maskininlärning, visualiserad i realtid.

Sex experiment, i ordning. Notera felet (test loss) efter 200 varv varje gång.

#	Inställning	Notera
1	Enkelt mönster, 1 lager, 4 neuroner, lr = 0,03	ditt referensvärde
2	Byt till cirkel-mönstret	klarar den det?
3	Byt till spiral	vad händer?
4	Spiral + 2 lager à 8 neuroner	bättre?
5	Spiral + sätt lärhastighet = 3	vad gör felkurvan?
6	Spiral + brus 50 och lite data	jämför träning mot test

Vad du ska lägga märke till:

Experiment 3–4: Spiralmönstret kräver djup. Med ett lager fastnar felet runt 0,4 oavsett hur länge du väntar. Med två lager och fler neuroner sjunker felet. Det är samma princip som i «Lager på lager», men nu ser du den i praktiken.

Experiment 5: Felkurvan hoppar i stället för att sjunka jämnt. Med för hög lärhastighet tar algoritmen för stora steg och missar minimumet.

Experiment 6: Träningsfelet sjunker medan testfelet ökar. Det är överanpassning — modellen lär sig slumpmässiga variationer i träningsdatan i stället för det underliggande mönstret. Det är ett centralt problem i maskininlärning, och här ser du det uppstå snabbt.

Titta också på vikterna. Håll muspekaren över en linje: tjock linje = stark koppling. Under träningen blir vissa linjer tjockare och andra tunnare. Nätet justerar själv vilka samband som är relevanta.

Skriv ner en mening om vad varje experiment visade. De sex meningarna sammanfattar de viktigaste mekanismerna i neuronnät.

Det du såg, med de tekniska termerna:

Det du gjorde	Term
Tryckte ▶ och såg felet sjunka	Träning med gradientnedstigning
Såg gränsen bildas i rutan	Beslutsgräns
Felkurvan	Förlustfunktion över tid
Lade till lager för spiralen	Ökad modellkapacitet
Felet hoppade vid hög lärhastighet	Divergens
Testfelet ökade	Överanpassning
Linjernas tjocklek	Vikternas storlek

Tre saker att ta med sig:

1. Mer kapacitet hjälper — tills det stjälper. Fler lager löste spiralmönstret, men på det enkla mönstret gör de bara träningen långsammare och mer instabil.
2. Lärhastigheten är den känsligaste parametern. För låg: inget händer. För hög: processen divergerar. Skillnaden kan vara en faktor tio.
3. Träningsfel och testfel är olika mått. Att träningsfelet sjunker betyder inte att modellen generaliserar bättre. Därför mäter man alltid på data som modellen inte har sett.

Nästa steg är att göra samma sak i Python med PyTorch. Alla komponenter finns där: dataset, lager, lärhastighet, felkurva. Skillnaden är att du skriver koden själv, vilket gör att du kan applicera det på egna datauppsättningar.