Neural Structured Learning (NSL) on Google'i välja töötatud masinõpperaamistik, mis võimaldab koolitada närvivõrke, kasutades lisaks standardsetele funktsioonisisenditele ka struktureeritud signaale. See raamistik on eriti kasulik stsenaariumide puhul, kus andmetel on omane struktuur, mida saab mudeli jõudluse parandamiseks kasutada. Kuna kassidest ja koertest on palju pilte, saab NSL-i kasutada õppeprotsessi tõhustamiseks, lisades piltidevahelised seosed koolitusprotsessi.
Üks viis, kuidas NSL-i selles stsenaariumis saab rakendada, on graafiku reguleerimise kasutamine. Graafiku reguleerimine hõlmab graafiku koostamist, kus sõlmed tähistavad andmepunkte (antud juhul kasside ja koerte kujutisi) ja servad andmepunktide vahelisi seoseid. Neid seoseid saab määratleda piltide sarnasuse alusel, näiteks visuaalselt sarnased kujutised on graafikus servaga ühendatud. Lisades selle graafiku struktuuri koolitusprotsessi, julgustab NSL mudelit õppima esitusi, mis austavad kujutiste vahelisi seoseid, mis toob kaasa parema üldistuse ja robustsuse.
Graafi regulaarsusega NSL-i kasutava närvivõrgu treenimisel õpib mudel mitte ainult piltide toorpiksliväärtustest, vaid ka graafikus kodeeritud seostest. See võib aidata mudelil paremini üldistada nähtamatuteks andmeteks, kuna see õpib jäädvustama andmete aluseks olevat struktuuri lisaks üksikutele näidetele. Kasside ja koerte kujutiste kontekstis võib see tähendada, et mudel õpib igale klassile iseloomulikke tunnuseid, kuid fikseerib graafikul olevate suhete põhjal ka sarnasused ja erinevused kahe klassi vahel.
Et vastata küsimusele, kas NSL suudab olemasolevate piltide põhjal uusi pilte toota, on oluline selgitada, et NSL ise uusi pilte ei genereeri. Selle asemel kasutatakse NSL-i närvivõrgu koolitusprotsessi tõhustamiseks, kaasates õppeprotsessi struktureeritud signaale, näiteks graafikuid. NSL-i eesmärk on parandada mudeli võimet õppida esitatud andmetest, mitte luua uusi andmepunkte.
NSL-i saab rakendada närvivõrkude treenimiseks struktureeritud suhetega andmekogumitel (nt kasside ja koerte kujutised), lisades andmete aluseks oleva struktuuri jäädvustamiseks graafiku regulaarsuse. See võib kaasa tuua mudeli parema jõudluse ja üldistamise, võimendades lisaks andmete töötlemata funktsioonidele andmepunktide vahelisi suhteid.
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