設定 Neural Network 及進行訓練

首先打開「new file」然後按創建「Neural Network」。

創建 Neural Network 後會進入這個頁面 :

(1) 的位置是 Neural Network 的示意圖 ; 藍色為 Input Neuron , 黃色為 Output Neuron

(2) 的位置是 Network 的設定 , 接下來會逐一說明

Training Controls :

Epochs 代表 neural netwok 使用相同 training data 運行的次數

例如 : 當 epochs 設為 200 時 , 每個相同的 training data 將會使用 200 次來改善 neural network 。

  • Epochs 過少 (Underfitting)：模型從 training data 中學習到的資訊不足以做出準確的預測，導致在訓練和取得新data時表現不好。
  • Epochs 過多 (Overfitting)：模型對 training data (包括 noise 等隨機變數)學習過度，難以generalize(泛化)到新的、未見過的data。

Learning rate 代表 network network 遇到錯誤時進行自我調整的幅度

> 如果 learning rate 太高 , neural network 在學習過程會變得過度不穩定從而導致無法達到學習目標。

> 如果太低則會導致 neural network 需要長時間才能完成學習

因此如何設定 learning rate 及 epochs 的數值是非常重要的。

不能過低或過低 , 需反覆測試以獲取最佳解

  • Classification - network 在明確的類別(categories)中作出判斷 , 例如 0 or 1 (LED開或關)
  • Regression – network 會包含 numerical value (例如溫度、距離 cm 等等...)
  • Multi-Label Classification –  network 會同時啟動多個 Output , 例如多盞 LED

這次的專題所用到的 Output 為 LED , 只有開關 i.e (1 or 0) 並不需要同時開啟,

Input 則為 Switch , 只有被按下跟沒被按下2種情況(1 or 0) 並沒有 numerical value > 因此 Problem 為 Classification

設定 Neural Network :

Inputs Neurons 的數量需簡單說就是 Model / Task 所需求的 Input 數量

這次的 task 用到 2 個 switch , 因此 Inputs neurons 的數目為 2。

Output 先設為 1 , 先以 1 盞 LED 燈作為最初的例子 。

Problem Type 會是 Classification , 因為這次的 Input 只有 Switch 這種 digital sensor

左面為 Training Data 的 Logic gates AND , 是這次 Training 的設定

意思是只有2個 Input 都是 1 i.e. Switch 都被按下時才會啟動 LED ( Output = 1 )

Input 只有 1 個為 1 時 Output 會繼續保持為 0

右面是 Training Data 的設定 , 先按「 Training Data」

然後按 4 次 「ADD ROW」 , 這次要處理 4組 Input 情況因此需加入4次

請依照圖上的設定輸入數值 , 「0 0 0」、「0 1 0」、「1 0 0」及「1 1 1」

進行訓練 :

先進入「Error Graph」,進行訓練前應為空白一片 ,

然後按「START」啟動 Training

圖表上的 x-axis 為 Epoch 會跟 Training Control 上設定的一樣

Error rate 是指錯誤的data 除以 所有 data 得出來的數值

Error Graph 的 y-axis 為 error rate 數值由 0.00 至 0.8 ,

在 fischertechnik 的 AI training 上 , Error Rate 最少需為 0.3 或以下才能斷定為較成功的訓練

數值約 0.3 > AI model 能做出基本判斷 , 但有機會出現錯誤

好的訓練 Error Rate 應貼近 0.1 什至更低

如何做出更好的訓練 ? (better error rate)

1. 嘗試提高 epochs

2. 嘗試降低 learning rates

3. 有需要的話可考慮加入 hidden layers

epochs , learning rates , hidden layers 的多少需自行測試從而做出一個滿意的 error rate ,

特別的是在相同 epochs , learning rates , hidden layers 也有可能會產生出不同的 error rate