Interaktivní příklad

Tato ukázka ilustruje, jak vzniká trénovací množina, a ukazuje výsledek predikce funkce x=f(t) pomocí neuronové sítě typu backpropagation.

Ukázka umožňuje experimentovat s předpovídáním časových řad pomocí neuronové sítě typu backpropagation. Jako základ časové řady lze použít i funkci se šumem. Můžete měnit parametry vytváření trénovací množiny i parametry neuronové sítě. Výsledek, tedy predikovaná hodnota, se pak porovnává s očekávanou budoucí hodnotou.

Jak s ukázkou pracovat

• Tip pro mobilní telefony: pro nejlepší zážitek si stránku otevřete naležato - otočte telefon o 90°.
• Zadejte funkci a interval, se kterým chcete v ukázce pracovat. Po zadání stiskněte Enter a funkce se zobrazí. Funkci lze sestavit z parametru x, čísel, operátorů /, *, +, -, !, ^, závorek ( ) a funkcí abs, acos, acosh, asin, asinh, atan, atanh, cos, cosh, ln, log, sin, sinh, sqr, sqrt, tan a tanh.
  Jako generátor šumu můžete použít funkci noise(x), kde x vyjadřuje velikost šumu (parametrem může být i funkce).
• Zadejte parametry pro generování trénovací množiny, tedy velikost okna, počet vzorků v jednom okně, počet příkladů v trénovací množině a vzdálenost predikované hodnoty (počet vzorků od konce okna). Vzorkování je dáno velikostí okna a počtem vzorků v okně. Po zadání parametrů stiskněte Enter a výsledek se zobrazí na funkci.
• Tlačítko Trénovací množina zobrazí vygenerovanou trénovací množinu, kterou lze použít například v jiných systémech pro trénování neuronových sítí.
• Položka Parametry sítě otevře dialog, ve kterém lze nastavit další parametry sítě typu backpropagation, například skryté vrstvy, učicí koeficienty a moment.
• Tlačítko Reset sítě nastaví váhy sítě na náhodné hodnoty.
• Trénování se spustí stiskem tlačítka Trénuj. Průběh naučené aproximace se zobrazuje červeně. Pro rychlejší trénování lze vypnout zobrazování výsledku. Během trénování se zobrazuje počet epoch i chyba aktuální aproximace. Chyba ukazuje průměrnou odchylku výstupů NN od očekávaných výstupů přes celou trénovací množinu.
• Tlačítko Krok natrénuje síť po dobu jedné epochy.
• Sekce Vývoj chyby ukazuje vývoj chyby predikce sítě. Lze zvolit, co se bude zobrazovat. Červeně se ukazuje chyba na trénovací množině, modře chyba na celém zobrazeném grafu a šedě chyba mimo trénovací množinu, tedy za ní. Chyby se zobrazují od okamžiku otevření tohoto okna. Když okno není otevřené, chyby se nepočítají, což umožňuje rychlejší trénování.
• Práce se šumem: Chcete-li přidat šum do trénovací množiny, použijte funkci noise. Zadejte například sin(x)+noise(0.5) jako funkci, která se má naučit - tím do sinusové funkce přidáte šum o velikosti 0.5. Zvolte síť a natrénujte ji na zašuměné funkci. Naučené hodnoty (červeně) odpovídají funkci se šumem. Po zadání funkce bez šumu, například sin(x), můžete sledovat, jak síť reaguje na data bez šumu. Neuronová síť často dokáže funkci predikovat i tehdy, když byl v trénovací množině přítomen šum. Aby byl výsledek vidět, je samozřejmě potřeba nechat zapnuté zobrazování výsledku.
• Upozornění: Pokud se nezmění některý parametr sítě, síť samotná se nemění, včetně své topologie a vah. To umožňuje porovnat, jak se síť naučila něco jiného, než co je následně predikováno, nebo ilustrovat, jak rychle síť zapomíná staré vstupy. Může to však být matoucí, pokud si neuvědomíte, že po změně některých vstupů nedošlo k resetu sítě. Pokud tedy chcete učit od začátku, nejprve síť resetujte tlačítkem Reset sítě.