分類

展開全部 | 收合全部

分類

展開全部 | 收合全部

【Google ML】24 – Lab 4 – TensorFlow Playground – 讓我們在視覺化的網頁中體驗一下訓練ML模型吧!learning rate 改變對訓練過程的影響

前言

這幾天的文章會是一系列的,會需要一起看才比較能看懂整個ML模型的輪廓,
然而因為一天能寫的內容量有限,所以我會在前言部分稍微說明我寫到哪。

複習一下ML的整個訓練過程

因為ML模型的訓練階段章節內容會分很多部分,我們要先確認好自己在哪個階段,
以免吸收新內容卻不知道用在內容的什麼地方。

★ML的整個「訓練過程」:這裡以監督式學習(Supervised Learning)為例

階段要做的事情簡介
(訓練前)決定資料集與分析資料你想要預測的是什麼資料? 這邊需要先知道 examplelabelfeatures的概念。介紹可參考:【Day 15】,而我們這次作為範例的訓練資料集介紹在【Day 19】
(訓練前)決定問題種類依據資料,會知道是什麼類型的問題。regression problem(回歸問題)? classification problem(分類問題)? 此處可參考:【Day 16】、與進階內容:【Day 17】
(訓練前)決定ML模型(ML models)依據問題的種類,會知道需要使用什麼對應的ML模型。回歸模型(Regression model)? 分類模型(Classification model)? 此處可參考:【Day 18】神經網路(neural network)? 簡介於:【Day 25】
(模型裡面的參數)ML模型裡面的參數(parameters)超參數(hyper-parameters) 此處可參考:【Day 18】
(訓練中) 調整模型評估當前模型好壞損失函數(Loss Functions):使用損失函數評估目前模型的好與壞。以MSE(Mean Squared Error), RMSE(Root Mean Squared Error), 交叉熵(Cross Entropy)為例。此處可參考:【Day 20】
(訓練中) 調整模型修正模型參數梯度下降法 (Gradient Descent)為例:決定模型中參數的修正「方向」與「步長(step size)」此處可參考:【Day 21】
(訓練中) 調整腳步調整學習腳步透過學習速率(learning rate)來調整ML模型訓練的步長(step size),調整學習腳步。(此參數在訓練前設定,為hyper-parameter)。此處可參考:【Day 22】
(訓練中) 加快訓練取樣與分堆設定batch size,透過batch從訓練目標中取樣,來加快ML模型訓練的速度。(此參數在訓練前設定,為hyper-parameter)。與迭代(iteration),epoch介紹。此處可參考:【Day 23】
(訓練中) 加快訓練檢查loss的頻率調整「檢查loss的頻率」,依據時間(Time-based)步驟(Step-based)。此處可參考:【Day 23】
(訓練中) 完成訓練(loop) -> 完成重覆過程(評估當前模型好壞 -> 修正模型參數),直到能通過「驗證資料集(Validation)」的驗證即可結束訓練。此處可參考:【Day 27】
(訓練後)訓練結果可能問題「不適當的最小loss?」 此處可參考:【Day 28】
(訓練後)訓練結果可能問題欠擬合(underfitting)?過度擬合(overfitting)? 此處可參考:【Day 26】
(訓練後)評估 – 性能指標性能指標(performance metrics):以混淆矩陣(confusion matrix)分析,包含「Accuracy」、「Precision」、「Recall」三種評估指標。簡介於:【Day 28】、詳細介紹於:【Day 29】
(訓練後)評估 – 新資料適用性泛化(Generalization):對於新資料、沒看過的資料的模型適用性。此處可參考:【Day 26】
(訓練後)評估 – 模型測試使用「獨立測試資料集(Test)」測試? 使用交叉驗證(cross-validation)(又稱bootstrapping)測試? 此處可參考:【Day 27】
(資料分堆的方式)(訓練前) 依據上方「模型測試」的方法,決定資料分堆的方式:訓練用(Training)、驗證用(Validation)、測試用(Test)。此處可參考:【Day 27】

★小實驗系列:

文章實驗內容
【Day 24】TensorFlow Playground 的簡介與介面介紹
【Day 24】learning rate 的改變對訓練過程的影響

而今天的文章我們先不討論新東西,我們來做點小實驗。

Course – Launching into Machine Learning

第三章節的課程地圖:(紅字標記為本篇文章中會介紹到的章節)
* Optimization
* Introduction to Optimization
* Introduction
* Defining ML Models
* Defining ML Models
* Introducing the Natality Dataset
* Introducing Loss Functions
* Gradient Descent
* Gradient Descent
* Troubleshooting a Loss Curve
* ML Model Pitfalls
* TensorFlow Playground
* Lab: Introducing the TensorFlow Playground
* Lab: TensorFlow Playground – Advanced
* Lab: Practicing with Neural Networks
* Loss Curve Troubleshooting
* Performance Metrics
* Performance Metrics
* Confusion Matrix
* Module Quiz

1. Lab: Introducing the TensorFlow Playground

課程地圖
* Optimization
* TensorFlow Playground
* Lab: Introducing the TensorFlow Playground

所以,我們現在知道gradient descent是如何運作的,
我們現在先使用一些工具來看看這方法實際上運作會是怎麼樣。
你應該會看到很多我們之前有提到的現象。

https://ithelp.ithome.com.tw/upload/images/20190925/201204247mp61cewk1.png

TensorFlow Playground是一個非常強大的工具,
他能幫助我們視覺化neural networks是如何運作的。
(neural networks稍後章節我們就會介紹了)
事實上,我們現在所介紹的linear models就是一種簡化的neural networks
所以這個工具也很適合做linear models的視覺化呈現。

我們會用這個工具來證明我們前面所說的理論知識,可以使我們對ML更有直覺,
我們也會直接了解「設定learning rate」與ML模型是如何降低梯度的。

我也會指出這些內容與之後主題的關係,這些都會在之後的課程有更深入的探討。
首先,我們先看一下介面,
我們先刪除了某些工具的功能,因為他與我稍後將介紹的內容才有關係,
但依然有許多有趣的功能是我們可以使用的。

### 1.1. 介面介紹

https://ithelp.ithome.com.tw/upload/images/20190925/20120424Ys74e4qyqt.png

  • 首先,我們畫面框起來的指的是features,這些要給model看的inputs
    > 在每一個box裡面的顏色代表的是feature的值,其中橘色代表負值、藍色代表正值,

https://ithelp.ithome.com.tw/upload/images/20190925/20120424bylMafNynC.png

  • 然後這裡有個hidden layers的欄位,我們可以先當作這部分是代表權重(weights)
    我們可以透過「滑鼠靠近」來看這個些值是多少

隨著模型的訓練,這條線的寬度與不透明度會逐漸改變,
這樣的視覺化表示也方便我們能夠快速的理解他們的值。

https://ithelp.ithome.com.tw/upload/images/20190925/201204241DmtrEsI98.png

  • 在output column我們可以同時看見training data與我們的model現在預測的值,
    以及所有的點在features space裡面的位置

  • 我們也看到目前的training loss

這邊都會以「顏色」來表示值(features)

https://ithelp.ithome.com.tw/upload/images/20190925/20120424tajc9FIh47.png

  • 最上方的控制列包含著「重新設定訓練, 開始訓練, 執行單個步驟」的按鈕

  • 還有一個可以下拉的列表,可以調整我們的learning rate

https://ithelp.ithome.com.tw/upload/images/20190925/201204242elAOz9WZJ.png

  • data欄位允許我們選擇不同的資料集,並且也能控制batch size的大小

### 1.2. 開始訓練

我們就先以訓練一個「linear model」來替我們分類資料開始吧!

  • 這邊我們可以參考範例連結:https://goo.gl/EEuEGp

https://ithelp.ithome.com.tw/upload/images/20190925/201204244ZVwt1dOF1.png
(這圖我另外截的XD,上面寫”Don’t Worry, You Can’t Break It. We Promise.“滿有喜感的XD)
可惡,越是這樣講越讓我想嘗試玩壞看看

當我們點進連結後,我們就會看到TensorFlow Playground的介面,,
我們先介紹一下目前畫面上的配置(不用擔心沒有hidden layers的問題),
在目前我們所看到的介面設定中,這個模型接受一個feature vector
並與weight factor計算內積,再加上bias
然後使用計算結果去建立決策邊界(decision boundary)

因此我們可以將目前的配置視為linear model
我們現在會開始訓練這個model,讓他去嘗試分類一些屬於兩大不同族群的資料。

https://ithelp.ithome.com.tw/upload/images/20190925/20120424OPJM6RaUoc.png

  • 我們點擊畫面上的step鍵(紅框處),我們會注意到畫面開始有ㄧ些變化。
  1. epochs的數值增加1
  2. 我們說代表weights的線換了顏色、也改變了大小
  3. 現在loss function的值也改變了

  4. loss的圖形顯示了往下的斜率

  5. output的決策邊界(decision boundary)也產生了改變

https://ithelp.ithome.com.tw/upload/images/20190925/20120424KJV10ezgUZ.png

我們移動一下滑鼠靠近目前代表1的weights,觀察一下weights目前的大小,

我們現在點擊play的按鈕讓他繼續訓練,但當loss小於0.002時我們就先暫停一下。
(應該會在200 epochs以內)

這時,我們已經完成訓練我們的第一個模型了!


1.3. 小實驗 – 「learning rate 的改變對訓練過程的影響」

現在讓我們稍微改變一點東西,

首先我們先看不同的learning rates是怎麼影響模型訓練的。

簡單複習一下:

learning ratehyperparameter,也就是在訓練模型前設定的。
這個值會乘上偏微分的結果,並決定我們weights要改變(之前我們說的「移動」)的量,

  • 這邊我們先試第一種,我們看看當learning rate非常小(0.00001)的訓練結果
    這邊我們只要先等到約100 epochs即可(大約需要兩秒),然後先暫停訓練。

  • 參考範例連結:https://goo.gl/3pmeKj

  • 現在的loss是多少?
  • loss的變化是怎麼樣的?
  • 然後我們的模型變成了怎麼樣的weights?

https://ithelp.ithome.com.tw/upload/images/20190925/20120424TEoQuVcXdK.png
(調整learning rate的位置)

  • 然後我們將learning rate調整為0.001,並再重新訓練一次
    一樣也是約100 epochs即可先暫停訓練。

    • 現在的loss是多少? (應該會少了很多)
    • loss的變化是怎麼樣的?
    • 然後我們的模型變成了怎麼樣的weights?
  • 再來我們將learning rate調整為0.1,並再重新訓練一次
    一樣也是約100 epochs即可先暫停訓練。

    • 現在的loss是多少? (應該會少更多)
    • loss的變化是怎麼樣的? (減少的有多快?)
    • 然後我們的模型變成了怎麼樣的weights?
  • 最後我們將learning rate調整為10,並再重新訓練一次
    • 我們先試著只做一步看看,注意weight的變化。
  • 再來我們繼續訓練直到100 epochs暫停訓練。
    > * 現在的loss是多少? (應該會少更多)
    > * loss的變化是怎麼樣的? (減少的有多快?)
    > * 然後我們的模型變成了怎麼樣的weights?

我們觀察loss的曲線下降的速度,應該是非常急遽的下降的。

當我們把這些訓練結果放在一起,我們比較這四種的變化,
並試著用我們學到的最佳化知識解釋看看原因,

https://ithelp.ithome.com.tw/upload/images/20190925/20120424EoNUdkWTBV.png

(上面這張表是影片實驗結果的整理,正常來說我們的結果應該會有點不一樣,而重跑實驗也會有點不一樣也是同理。)

TensorFlow Playground幫我們隨機初始化了權重(weights)
這也表示我們每次的搜尋都從一個隨機位置開始。

  • 我們先討論「Weight1」那一直行:
    注意weights的變化與我們learning rate的關係,
    我們發現隨著learning rate增加,weight也會增加。

為什麼呢?

因為我們的模型在訓練的時候走比較大步。
而事實上,當learning rate為10時,「第一步」改變的weight最為顯著。

  • 而我們再看「loss over time」那一直行:

我們發現當learning rate增加,「loss曲線」也逐漸變陡。
這正與我們之前所分析的結果相同。


本文同步發佈在: 第 11 屆 iT 邦幫忙鐵人賽
【Day 24】 Google ML – Lab 4 – TensorFlow Playground – 讓我們在視覺化的網頁中體驗一下訓練ML模型吧!learning rate 改變對訓練過程的影響


參考資料

⭐Google Machine Learning 相關文章整理⭐:
1.訂閱課程【Google ML】1 – Google ML – 參賽原因 與 就先從認識 coursera 與訂閱課程開始第一天吧
⭐ML 基礎知識篇⭐:
1.基礎ML知識什麼是ML? 為什麼ML最近才紅起來? 可參考:【Day 3】
2.設計ML問題如何設計一個ML問題?可參考:【Day 4】
3.ML與一般算法比較比較一般算法與ML算法,看出ML的優勢。可參考:【Day 11】
⭐ML 應用策略篇⭐:
1.ML的成功策略使用ML要成功,常需要的關鍵策略。可參考:【Day 5】
2.ML各階段與比重分配企業運行ML時,在ML的各階段應該放的比重與心力。可參考:【Day 6】
3.ML失敗的常見原因大部分企業使用ML卻失敗的前十大主因。可參考:【Day 6】
4.企業如何引入MLML在企業運行的五大階段與注意事項。 可參考:【Day 7】
⭐GCP 認識篇⭐:
1.在GCP上運行ML的階段在GCP上運行ML大概有哪五大階段? 可參考:【Day 2】
2.GCP上ML的介紹GCP上ML的介紹。可參考:【Day 8】【Day 11】
3.已訓練好的ML模型已訓練好的ML模型。建議可直接使用,不需要再自己訓練。如:Vision API(圖片辨識), Video intelligence API(影片辨識), Speech API(語音辨識), Translation API(語言翻譯), Natural Language API(自然語言處理)。介紹:【Day 4】詳細整理與比較:【Day 12】lab實作:【Day 14】
⭐GCP 上的 lab 實作篇⭐:
1.Lab 事前準備Lab 0 – 在GCP上開始lab前的事前準備與注意事項。可參考:【Day 9】
2.GCP上使用 VMLab 1 – 在GCP上分析地震資料與製圖,並儲存在雲端。可參考: 【Day 10】
3.BigQuery 與 DatalabLab 2 – 使用 BigQuery 與 Datalab 視覺化分析資料。可參考:【Day 13】
4.google ML APIsLab 3 – 使用google已訓練好的ML模型進行實作。如:Vision API(圖片辨識), Video intelligence API(影片辨識), Speech API(語音辨識), Translation API(語言翻譯), Natural Language API(自然語言處理)。可參考:【Day 14】
⭐ML中的不同學習種類⭐:
1.【Day 15】 監督式學習(Supervised Learning) 與 非監督式學習(Unsupervised Learning) 的介紹和比較
⭐訓練「一個」ML模型⭐:
(這裡以 監督式學習(Supervised Learning) 為例)
1. (訓練前)決定資料集與分析資料你想要預測的是什麼資料? 這邊需要先知道 example、label、features的概念。介紹可參考:【Day 15】而我們這次作為範例的訓練資料集介紹在:【Day 19】
2. (訓練前)決定問題種類依據資料,會知道是什麼類型的問題。regression problem(回歸問題)? classification problem(分類問題)? 此處可參考:【Day 16】與進階內容:【Day 17】
3. (訓練前)決定ML模型(ML models)依據問題的種類,會知道需要使用什麼對應的ML模型。回歸模型(Regression model)? 分類模型(Classification model)? 此處可參考:【Day 18】神經網路(neural network)? 簡介於:【Day 25】
4.(模型裡面的參數)ML模型裡面的參數(parameters)與超參數(hyper-parameters) 此處可參考:【Day 18】
5. (訓練中) 調整模型評估當前模型好壞損失函數(Loss Functions):使用損失函數評估目前模型的好與壞。以MSE(Mean Squared Error), RMSE(Root Mean Squared Error), 交叉熵(Cross Entropy)為例。此處可參考:【Day 20】
6. (訓練中) 調整模型修正模型參數以梯度下降法 (Gradient Descent)為例:決定模型中參數的修正「方向」與「步長(step size)」此處可參考:【Day 21】
7. (訓練中) 調整腳步調整學習腳步透過學習速率(learning rate)來調整ML模型訓練的步長(step size),調整學習腳步。(此參數在訓練前設定,為hyper-parameter)。此處可參考:【Day 22】
8. (訓練中) 加快訓練取樣與分堆設定batch size,透過batch從訓練目標中取樣,來加快ML模型訓練的速度。(此參數在訓練前設定,為hyper-parameter)。與迭代(iteration),epoch介紹。此處可參考:【Day 23】
9. (訓練中) 加快訓練檢查loss的頻率調整「檢查loss的頻率」,依據時間(Time-based)與步驟(Step-based)。此處可參考:【Day 23】
10. (訓練中) 完成訓練(loop) -> 完成重覆過程(評估當前模型好壞 -> 修正模型參數),直到能通過「驗證資料集(Validation)」的驗證即可結束訓練。此處可參考:【Day 27】
11. (訓練後)訓練結果可能問題「不適當的最小loss?」 此處可參考:【Day 28】
12. (訓練後)訓練結果可能問題欠擬合(underfitting)?過度擬合(overfitting)? 此處可參考:【Day 26】
13. (訓練後)評估 – 性能指標性能指標(performance metrics):以混淆矩陣(confusion matrix)分析,包含「Accuracy」、「Precision」、「Recall」三種評估指標。簡介於:【Day 28】詳細介紹於:【Day 29】
14. (訓練後)評估 – 新資料適用性泛化(Generalization):對於新資料、沒看過的資料的模型適用性。此處可參考:【Day 26】
15. (訓練後)評估 – 模型測試使用「獨立測試資料集(Test)」測試? 使用交叉驗證(cross-validation)(又稱bootstrapping)測試? 此處可參考:【Day 27】
16.(資料分堆的方式)(訓練前) 依據上方「模型測試」的方法,決定資料分堆的方式:訓練用(Training)、驗證用(Validation)、測試用(Test)。此處可參考:【Day 27】
⭐從所有ML模型的訓練結果中,找到「最好的」ML模型⭐:
( 原因:「訓練好一個模型」不等於「找到最好的模型」 )
1.(訓練模型)【Day 27】 使用「訓練資料集(Training)」訓練模型(調整參數),也就是「上方表格」在做的內容
2.(結束訓練)【Day 27】 訓練到通過「驗證資料集(Validation)」結束訓練(未達到overfitting的狀態前)
3.(模型再調整)【Day 27】 超參數(hyperparameters)調整或神經網路的「layer數」或「使用的node數」(一些訓練前就會先決定的東西)
4.(loop)【Day 27】 (模型再調整)後,重複上述(訓練模型)、(結束訓練),完成訓練新的模型
5.(找到最佳模型)【Day 27】 從「所有訓練的模型」中,找到能使「驗證用資料集(Validation)」最小的loss,完成(找到最佳模型)
6.(決定是否生產)【Day 27】 可以開始決定要不要將此ML模型投入生產。此時我們可以使用「獨立測試資料集(Test)」測試? 使用交叉驗證(cross-validation)(又稱bootstrapping)測試?
⭐訓練 ML 模型的小實驗⭐:
1.【Day 24】 TensorFlow Playground 的簡介與介面介紹
2.【Day 24】 learning rate 的改變對訓練過程的影響
3.【Day 25】 使用神經網路(neural network)分類資料
4.【Day 25】 觀察batch size如何影響gradient descent
⭐30天內容回顧與課程索引, 參賽心得, 未來計畫與感謝⭐:
1.【Google ML】30 – 30天內容回顧與課程索引, 參賽心得, 未來計畫與感謝
⭐【喜歡我的文章嗎? 歡迎幫我按讚~ 讓基金會請創作者喝一杯咖啡!
如果喜歡我的文章,請幫我在下方【按五下Like】 (Google, Facebook 免註冊),會由 「LikeCoin」 贊助作者鼓勵繼續創作,讀者們「只需幫忙按讚,完全不用出錢」哦!

likecoin-steps
Howard Weng
Howard Weng

我是 Howard Weng,很多人叫我嗡嗡。這個網站放了我的各種筆記。希望這些筆記也能順便幫助到有需要的人們!如果文章有幫助到你的話,歡迎幫我點讚哦!
另外,因為定位是「個人的隨手筆記」,有些文章內容「⚠️可能我理解有誤⚠️」或「?只寫到一半?」,如果有發現這樣的情況,歡迎在該文章的最下面留言提醒我!我會儘快修正或補上!感謝大家的建議與幫忙,讓網站能變得更好?

文章: 850

★留個言吧!內容有誤或想要補充也歡迎與我討論!