Nevronsko strukturirano učenje (NSL) je ogrodje strojnega učenja, ki ga je razvil Google in omogoča usposabljanje nevronskih mrež z uporabo strukturiranih signalov poleg standardnih vnosov funkcij. Ta okvir je še posebej uporaben v scenarijih, kjer imajo podatki lastno strukturo, ki jo je mogoče uporabiti za izboljšanje zmogljivosti modela. V kontekstu številnih slik mačk in psov se lahko NSL uporabi za izboljšanje učnega procesa z vključitvijo odnosov med slikami v proces usposabljanja.
Eden od načinov uporabe NSL v tem scenariju je z uporabo regulacije grafa. Regulacija grafa vključuje izdelavo grafa, kjer vozlišča predstavljajo podatkovne točke (v tem primeru slike mačk in psov), robovi pa razmerja med podatkovnimi točkami. Ta razmerja je mogoče definirati na podlagi podobnosti med slikami, na primer slike, ki so vizualno podobne, povezane z robom v grafu. Z vključitvijo te strukture grafa v proces usposabljanja NSL spodbuja model k učenju predstavitev, ki spoštujejo razmerja med slikami, kar vodi k izboljšani generalizaciji in robustnosti.
Pri usposabljanju nevronske mreže z uporabo NSL z regulacijo grafa se model ne uči samo iz neobdelanih vrednosti slikovnih pik slik, temveč tudi iz odnosov, kodiranih v grafu. To lahko pomaga, da se model bolje posploši na nevidne podatke, saj se nauči zajeti osnovno strukturo podatkov poleg posameznih primerov. V kontekstu slik mačk in psov bi to lahko pomenilo, da se model nauči lastnosti, ki so specifične za vsak razred, hkrati pa zajame podobnosti in razlike med obema razredoma na podlagi odnosov v grafu.
Za odgovor na vprašanje, ali lahko NSL ustvari nove slike na podlagi obstoječih slik, je pomembno pojasniti, da NSL sam ne ustvarja novih slik. Namesto tega se NSL uporablja za izboljšanje procesa usposabljanja nevronske mreže z vključitvijo strukturiranih signalov, kot so razmerja grafov, v proces učenja. Cilj NSL je izboljšati sposobnost modela, da se uči iz podatkov, ki jih zagotavlja, namesto da bi ustvaril nove podatkovne točke.
NSL je mogoče uporabiti za usposabljanje nevronskih mrež na naborih podatkov s strukturiranimi odnosi, kot so slike mačk in psov, z vključitvijo regularizacije grafov za zajem osnovne strukture podatkov. To lahko vodi do izboljšane zmogljivosti modela in posploševanja z izkoriščanjem odnosov med podatkovnimi točkami poleg neobdelanih značilnosti podatkov.
Druga nedavna vprašanja in odgovori v zvezi Osnove EITC/AI/TFF TensorFlow:
- Kako lahko uporabimo vdelano plast za samodejno dodelitev ustreznih osi za graf predstavitve besed kot vektorjev?
- Kakšen je namen največjega združevanja v CNN?
- Kako se postopek ekstrakcije značilnosti v konvolucijski nevronski mreži (CNN) uporablja za prepoznavanje slik?
- Ali je treba uporabiti funkcijo asinhronega učenja za modele strojnega učenja, ki se izvajajo v TensorFlow.js?
- Kaj je parameter največjega števila besed API-ja TensorFlow Keras Tokenizer?
- Ali je mogoče API TensorFlow Keras Tokenizer uporabiti za iskanje najpogostejših besed?
- Kaj je TOCO?
- Kakšno je razmerje med številom epoh v modelu strojnega učenja in natančnostjo napovedi pri izvajanju modela?
- Ali API za sosednje pakete v Neural Structured Learning of TensorFlow ustvari razširjen nabor podatkov za usposabljanje na podlagi podatkov naravnega grafa?
- Kaj je API za sosednje pakete v nevronsko strukturiranem učenju TensorFlow?
Oglejte si več vprašanj in odgovorov v EITC/AI/TFF TensorFlow Fundamentals