Nevronsko strukturirano učenje (NSL) je ogrodje v TensorFlow, ki omogoča usposabljanje nevronskih mrež z uporabo strukturiranih signalov poleg standardnih vnosov funkcij. Strukturirane signale je mogoče predstaviti kot grafe, kjer vozlišča ustrezajo primerkom, robovi pa zajemajo razmerja med njimi. Te grafe je mogoče uporabiti za kodiranje različnih vrst informacij, kot so podobnost, hierarhija ali bližina, in jih je mogoče uporabiti za ureditev procesa usposabljanja nevronskih mrež.
Strukturni vnos v nevronsko strukturirano učenje se dejansko lahko uporabi za ureditev usposabljanja nevronske mreže. Z vključitvijo informacij, ki temeljijo na grafih, med usposabljanjem NSL omogoča modelu, da se ne uči samo iz neobdelanih vhodnih podatkov, ampak tudi iz razmerij, kodiranih v grafu. Ta dodatni vir informacij lahko pomaga izboljšati zmožnosti posploševanja modela, zlasti v scenarijih, kjer so označeni podatki omejeni ali povzročajo hrup.
Eden pogostih načinov za izkoriščanje vnosa strukture za regulacijo je uporaba tehnik regulacije grafov. Regulacija grafa spodbuja model k ustvarjanju vdelav, ki spoštujejo strukturo grafa, s čimer spodbuja gladkost in doslednost v naučenih predstavitvah. Ta regulacijski izraz se običajno doda funkciji izgube med usposabljanjem in kaznuje odstopanja od pričakovanih razmerij, ki temeljijo na grafih.
Na primer, razmislite o scenariju, kjer usposabljate nevronsko mrežo za klasifikacijo dokumentov. Poleg besedilne vsebine dokumentov imate na voljo tudi informacije o podobnosti med dokumenti glede na njihovo vsebino. Z izgradnjo grafa, kjer vozlišča predstavljajo dokumente in robovi predstavljajo razmerja podobnosti, lahko ta strukturni vnos vključite v NSL za vodenje učnega procesa. Model se lahko nato nauči ne le razvrščati dokumentov na podlagi njihove vsebine, ampak tudi upoštevati podobnosti dokumentov, kodirane v grafu.
Poleg tega je vnos strukture lahko še posebej koristen v scenarijih, kjer podatki kažejo naravno strukturo grafov, kot so socialna omrežja, omrežja citiranja ali biološka omrežja. Z zajemanjem inherentnih razmerij v podatkih prek grafa lahko NSL pomaga urediti proces usposabljanja in izboljša učinkovitost modela pri nalogah, ki vključujejo izkoriščanje teh razmerij.
Strukturni vnos v Neural Structured Learning se lahko učinkovito uporabi za ureditev usposabljanja nevronske mreže z vključitvijo informacij na podlagi grafov, ki dopolnjujejo neobdelane vhodne podatke. Ta tehnika regulacije lahko izboljša zmožnosti posploševanja in učinkovitost modela, zlasti v scenarijih, kjer so na voljo strukturirani signali, in lahko zagotovi dragocene vpoglede za učenje.
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