Neural Structured Learning (NSL) je rámec strojového učenia vyvinutý spoločnosťou Google, ktorý okrem štandardných vstupov funkcií umožňuje trénovať neurónové siete pomocou štruktúrovaných signálov. Tento rámec je užitočný najmä v scenároch, kde majú údaje vlastnú štruktúru, ktorú možno využiť na zlepšenie výkonu modelu. V súvislosti s množstvom obrázkov mačiek a psov možno NSL použiť na zlepšenie procesu učenia začlenením vzťahov medzi obrázkami do tréningového procesu.
Jedným zo spôsobov, ako možno v tomto scenári použiť NSL, je použitie regulácie grafov. Regulácia grafu zahŕňa vytvorenie grafu, kde uzly predstavujú dátové body (v tomto prípade obrázky mačiek a psov) a hrany predstavujú vzťahy medzi dátovými bodmi. Tieto vzťahy možno definovať na základe podobnosti medzi obrázkami, napríklad obrázky, ktoré sú vizuálne podobné, sú spojené hranou v grafe. Začlenením tejto grafovej štruktúry do tréningového procesu NSL povzbudzuje model, aby sa naučil reprezentácie, ktoré rešpektujú vzťahy medzi obrázkami, čo vedie k lepšiemu zovšeobecneniu a robustnosti.
Pri trénovaní neurónovej siete pomocou NSL s reguláciou grafu sa model neučí len zo surových hodnôt pixelov obrázkov, ale aj zo vzťahov zakódovaných v grafe. To môže pomôcť modelu lepšie zovšeobecniť na neviditeľné údaje, pretože sa naučí zachytiť základnú štruktúru údajov nad rámec jednotlivých príkladov. V kontexte obrázkov mačiek a psov by to mohlo znamenať, že model sa naučí vlastnosti, ktoré sú špecifické pre každú triedu, ale tiež zachytáva podobnosti a rozdiely medzi týmito dvoma triedami na základe vzťahov v grafe.
Na zodpovedanie otázky, či môže NSL vytvárať nové obrázky na základe existujúcich obrázkov, je dôležité objasniť, že samotná NSL nové obrázky nevytvára. Namiesto toho sa NSL používa na zlepšenie tréningového procesu neurónovej siete začlenením štruktúrovaných signálov, ako sú grafové vzťahy, do procesu učenia. Cieľom NSL je zlepšiť schopnosť modelu učiť sa z údajov, ktoré poskytuje, a nie generovať nové údajové body.
NSL možno použiť na trénovanie neurónových sietí na súboroch údajov so štruktúrovanými vzťahmi, ako sú obrázky mačiek a psov, začlenením regulácie grafov na zachytenie základnej štruktúry údajov. To môže viesť k zlepšeniu výkonu modelu a zovšeobecneniu využitím vzťahov medzi dátovými bodmi okrem nespracovaných vlastností dát.
Ďalšie nedávne otázky a odpovede týkajúce sa Základy TensorFlow EITC/AI/TFF:
- Ako možno použiť vrstvu vkladania na automatické priradenie správnych osí pre graf reprezentácie slov ako vektorov?
- Aký je účel maximálneho združovania v CNN?
- Ako sa proces extrakcie prvkov v konvolučnej neurónovej sieti (CNN) aplikuje na rozpoznávanie obrázkov?
- Je potrebné použiť funkciu asynchrónneho učenia pre modely strojového učenia spustené v TensorFlow.js?
- Aký je parameter maximálneho počtu slov rozhrania TensorFlow Keras Tokenizer API?
- Dá sa TensorFlow Keras Tokenizer API použiť na nájdenie najfrekventovanejších slov?
- čo je TOCO?
- Aký je vzťah medzi množstvom epoch v modeli strojového učenia a presnosťou predpovedí zo spustenia modelu?
- Vytvára API susediace s balíkom v Neural Structured Learning of TensorFlow rozšírený tréningový súbor údajov založený na údajoch z prirodzených grafov?
- Čo je rozhranie API susedov s balíkom v Neural Structured Learning of TensorFlow?
Pozrite si ďalšie otázky a odpovede v EITC/AI/TFF TensorFlow Fundamentals