Graafiku reguleerimine on masinõppe põhitehnika, mis hõlmab graafiku koostamist, kus sõlmed tähistavad andmepunkte ja servad esindavad andmepunktide vahelisi suhteid. Neural Structured Learning (NSL) kontekstis TensorFlow'ga koostatakse graafik, määratledes, kuidas andmepunktid on ühendatud nende sarnasuste või suhete alusel. Selle graafiku loomise eest vastutab andmeteadlane või masinõppeinsener, kes mudelit kujundab.
Graafiku koostamiseks graafiku reguleerimiseks NSL-is järgitakse tavaliselt järgmisi samme.
1. Andmete esitamine: Esimene samm on andmepunktide esitamine sobivas vormingus. See võib hõlmata andmepunktide kodeerimist funktsioonivektoriteks või manusteks, mis koguvad andmete kohta asjakohast teavet.
2. Sarnasuse mõõt: Järgmisena määratletakse andmepunktide vaheliste seoste kvantifitseerimiseks sarnasuse mõõt. See võib põhineda erinevatel mõõdikutel, nagu eukleidiline kaugus, koosinussarnasus või graafikupõhised meetmed, nagu lühimad teed.
3. Lävendamine: olenevalt kasutatavast sarnasusmõõdust võib graafikus ühendatud andmepunktide määramiseks rakendada läve. Andmepunktid, mille sarnasused on üle läve, on graafikus ühendatud servadega.
4. Graafiku ehitus: Kasutades arvutatud sarnasusi ja läviväärtusi, koostatakse graafiku struktuur, kus sõlmed tähistavad andmepunkte ja servad nendevahelisi seoseid. See graafik on aluseks graafiku reguleerimise tehnikate rakendamisele NSL-i raamistikus.
5. Kaasamine mudelisse: kui graafik on koostatud, integreeritakse see masinõppemudelisse regulaarsusterminina. Treeningu ajal graafiku struktuuri võimendades saab mudel õppida nii andmetest kui ka graafikus kodeeritud seostest, mis toob kaasa parema üldistustulemuse.
Näiteks pooljärelevalvega õppeülesandes, kus on saadaval märgistatud ja märgistamata andmepunktid, võib graafiku reguleerimine aidata sildiinfot graafiku kaudu levitada, et parandada mudeli ennustusi märgistamata andmepunktide puhul. Andmepunktide vahelisi seoseid võimendades saab mudel õppida tugevama esituse, mis kajastab andmete jaotuse alusstruktuuri.
Graafiku reguleerimine NSL-i kontekstis TensorFlow'ga hõlmab graafiku koostamist, kus sõlmed esindavad andmepunkte ja servad esindavad andmepunktide vahelisi suhteid. Selle graafiku loomise eest vastutab andmeteadlane või masinõppeinsener, kes määratleb andmete esituse, sarnasuse mõõtmise, läve ja graafiku koostamise etapid, et lisada graafik masinõppemudelisse jõudluse parandamiseks.
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