A Neural Structured Learning (NSL) a Google által kifejlesztett gépi tanulási keretrendszer, amely lehetővé teszi a neurális hálózatok betanítását strukturált jelek használatával a szabványos jellemző bemenetek mellett. Ez a keretrendszer különösen hasznos azokban a forgatókönyvekben, ahol az adatoknak belső szerkezete van, amely felhasználható a modell teljesítményének javítására. Ha sok macskáról és kutyáról készült kép áll rendelkezésre, az NSL alkalmazható a tanulási folyamat javítására azáltal, hogy a képek közötti kapcsolatokat beépíti a képzési folyamatba.
Az NSL alkalmazásának egyik módja ebben a forgatókönyvben a gráfreguláció használata. A grafikonok szabályozása egy gráf felépítését jelenti, ahol a csomópontok az adatpontokat (ebben az esetben a macskák és a kutyák képei), az élek pedig az adatpontok közötti kapcsolatokat képviselik. Ezeket a kapcsolatokat a képek közötti hasonlóság alapján lehet meghatározni, például a vizuálisan hasonló képeket a gráf éle köti össze. Azáltal, hogy ezt a gráfstruktúrát beépíti a képzési folyamatba, az NSL arra ösztönzi a modellt, hogy olyan reprezentációkat tanuljon meg, amelyek tiszteletben tartják a képek közötti kapcsolatokat, ami jobb általánosítást és robusztusságot eredményez.
Amikor egy neurális hálózatot NSL-t használva gráfregulációval tanítunk, a modell nemcsak a képek nyers pixelértékeiből tanul, hanem a gráfban kódolt kapcsolatokból is. Ez segíthet a modellnek abban, hogy jobban általánosítson a nem látott adatokra, mivel megtanulja megragadni az adatok mögöttes szerkezetét az egyedi példákon túl. A macskákról és kutyákról készült képek kontextusában ez azt jelentheti, hogy a modell megtanulja az egyes osztályokra jellemző jellemzőket, de a grafikonon szereplő kapcsolatok alapján rögzíti a két osztály közötti hasonlóságokat és különbségeket is.
Annak a kérdésnek a megválaszolásához, hogy az NSL képes-e új képeket készíteni meglévő képek alapján, fontos tisztázni, hogy az NSL maga nem hoz létre új képeket. Ehelyett az NSL-t a neurális hálózatok betanítási folyamatának fokozására használják azáltal, hogy strukturált jeleket, például gráfkapcsolatokat építenek be a tanulási folyamatba. Az NSL célja, hogy javítsa a modell azon képességét, hogy tanuljon a szolgáltatott adatokból, ahelyett, hogy új adatpontokat generáljon.
Az NSL alkalmazható a neurális hálózatok képzésére strukturált kapcsolatokkal rendelkező adathalmazokon, például macskák és kutyák képeinél, az adatok mögöttes szerkezetének rögzítésére szolgáló gráfreguláció beépítésével. Ez jobb modellteljesítményhez és általánosításhoz vezethet azáltal, hogy az adatok nyers jellemzői mellett az adatpontok közötti kapcsolatokat is kihasználja.
További friss kérdések és válaszok ezzel kapcsolatban EITC/AI/TFF TensorFlow alapjai:
- Hogyan lehet egy beágyazási réteget használni, hogy automatikusan hozzárendelje a megfelelő tengelyeket a szavak vektorként történő ábrázolásához?
- Mi a célja a maximális összevonásnak a CNN-ben?
- Hogyan alkalmazzák a konvolúciós neurális hálózatban (CNN) a jellemzők kinyerési folyamatát a képfelismerésre?
- Szükséges-e aszinkron tanulási függvényt használni a TensorFlow.js-ban futó gépi tanulási modellekhez?
- Mi a TensorFlow Keras Tokenizer API maximális szavak száma paraméter?
- Használható a TensorFlow Keras Tokenizer API a leggyakoribb szavak megtalálására?
- Mi az a TOCO?
- Mi a kapcsolat a gépi tanulási modell számos korszaka és a modell futtatásából származó előrejelzés pontossága között?
- A TensorFlow Neural Structured Learning programjában a pack szomszédok API létrehoz egy kibővített képzési adatkészletet a természetes gráfadatok alapján?
- Mi az a pack szomszédok API a TensorFlow neurális strukturált tanulásában?
További kérdések és válaszok az EITC/AI/TFF TensorFlow Fundamentals oldalon