Neural Structured Learning (NSL) on TensorFlow raamistik, mis võimaldab koolitada närvivõrke, kasutades lisaks standardsetele funktsioonisisenditele ka struktureeritud signaale. Struktureeritud signaale saab esitada graafikutena, kus sõlmed vastavad eksemplaridele ja servad hõivavad nendevahelisi seoseid. Neid graafikuid saab kasutada erinevat tüüpi teabe kodeerimiseks, nagu sarnasus, hierarhia või lähedus, ning neid saab kasutada närvivõrkude koolitusprotsessi reguleerimiseks.
Neural Structured Learningi struktuurisisendit saab tõepoolest kasutada närvivõrgu koolituse reguleerimiseks. Graafikupõhise teabe kaasamisega koolituse ajal võimaldab NSL mudelil õppida mitte ainult toores sisendandmetest, vaid ka graafikus kodeeritud seostest. See täiendav teabeallikas võib aidata parandada mudeli üldistusvõimet, eriti stsenaariumide puhul, kus märgistatud andmed on piiratud või mürarikkad.
Üks levinud viis struktuurisisendi reguleerimiseks võimendamiseks on graafide reguleerimise tehnikate kasutamine. Graafiku reguleerimine julgustab mudelit tootma manuseid, mis austavad graafi struktuuri, edendades seeläbi õpitud esituste sujuvust ja järjepidevust. See reguleerimistermin lisatakse tavaliselt treeningu ajal kahjufunktsioonile, karistades kõrvalekaldeid eeldatavatest graafikupõhistest seostest.
Mõelge näiteks stsenaariumile, kus õpetate närvivõrku dokumentide klassifitseerimiseks. Lisaks dokumentide tekstilisele sisule on teil ka teave dokumentide sarnasuse kohta nende sisu põhjal. Kui koostate graafiku, kus sõlmed esindavad dokumente ja servad sarnasussuhteid, saate selle struktuurisisendi õppeprotsessi suunamiseks lisada NSL-i. Seejärel saab mudel õppida mitte ainult klassifitseerima dokumente nende sisu alusel, vaid võtma arvesse ka graafikus kodeeritud dokumentide sarnasusi.
Lisaks võib struktuurisisend olla eriti kasulik stsenaariumide korral, kus andmetel on loomulik graafiku struktuur, näiteks sotsiaalsed võrgustikud, tsiteerimisvõrgustikud või bioloogilised võrgud. Jäädvustades graafiku kaudu andmetele omased seosed, saab NSL aidata koolitusprotsessi reguleerida ja parandada mudeli jõudlust ülesannete puhul, mis hõlmavad nende seoste kasutamist.
Neural Structured Learningi struktuurisisendit saab tõhusalt kasutada närvivõrgu koolituse reguleerimiseks, lisades graafipõhist teavet, mis täiendab toores sisendandmeid. See reguleerimistehnika võib parandada mudeli üldistusvõimet ja jõudlust, eriti stsenaariumide puhul, kus on saadaval struktureeritud signaalid, ja see võib anda õppimiseks väärtuslikku teavet.
Muud hiljutised küsimused ja vastused selle kohta EITC/AI/TFF TensorFlow põhialused:
- Kuidas saab manustamiskihti kasutada, et määrata automaatselt õiged teljed sõnade vektoriteks esitamise graafikule?
- Mis on CNN-i maksimaalse ühendamise eesmärk?
- Kuidas rakendatakse konvolutsioonilise närvivõrgu (CNN) funktsioonide eraldamise protsessi kujutise tuvastamisel?
- Kas TensorFlow.js-s töötavate masinõppemudelite jaoks on vaja kasutada asünkroonset õppefunktsiooni?
- Mis on TensorFlow Keras Tokenizer API maksimaalse sõnade arvu parameeter?
- Kas TensorFlow Keras Tokenizer API-t saab kasutada kõige sagedamini esinevate sõnade leidmiseks?
- Mis on TOCO?
- Milline on seos masinõppemudeli mitme ajastu ja mudeli käitamise ennustuse täpsuse vahel?
- Kas TensorFlow neural Structured Learningis pakutav paketinaabrite API loob looduslike graafikute andmetel põhineva täiustatud treeningu andmestiku?
- Mis on TensorFlow neural Structured Learningis paketinaabrite API?
Vaadake rohkem küsimusi ja vastuseid EITC/AI/TFF TensorFlow Fundamentalsis