Neural Structured Learning (NSL) je rámec v TensorFlow, ktorý umožňuje trénovanie neurónových sietí pomocou štruktúrovaných signálov okrem štandardných vstupov funkcií. Štruktúrované signály môžu byť reprezentované ako grafy, kde uzly zodpovedajú inštanciám a hrany zachytávajú vzťahy medzi nimi. Tieto grafy možno použiť na kódovanie rôznych typov informácií, ako je podobnosť, hierarchia alebo blízkosť, a možno ich využiť na reguláciu tréningového procesu neurónových sietí.
Vstup do štruktúry v neurónovom štruktúrovanom učení možno skutočne využiť na reguláciu tréningu neurónovej siete. Začlenením informácií z grafu počas tréningu umožňuje NSL modelu učiť sa nielen z nespracovaných vstupných údajov, ale aj zo vzťahov zakódovaných v grafe. Tento dodatočný zdroj informácií môže pomôcť zlepšiť možnosti zovšeobecnenia modelu, najmä v scenároch, kde sú označené údaje obmedzené alebo zašumené.
Jedným z bežných spôsobov, ako využiť vstup štruktúry na regularizáciu, je použitie techník regulácie grafov. Regulácia grafu podporuje model, aby vytváral vloženia, ktoré rešpektujú štruktúru grafu, čím podporujú hladkosť a konzistentnosť naučených reprezentácií. Tento regularizačný člen sa zvyčajne pridáva k stratovej funkcii počas tréningu, čím sa penalizujú odchýlky od očakávaných vzťahov založených na grafe.
Predstavte si napríklad scenár, v ktorom trénujete neurónovú sieť na klasifikáciu dokumentov. Okrem textového obsahu dokumentov máte k dispozícii aj informácie o podobnosti dokumentov na základe ich obsahu. Vytvorením grafu, kde uzly reprezentujú dokumenty a hrany reprezentujú vzťahy podobnosti, môžete začleniť tento vstup do štruktúry do NSL na usmernenie procesu učenia. Model sa potom môže naučiť nielen klasifikovať dokumenty na základe ich obsahu, ale aj brať do úvahy podobnosti dokumentov zakódované v grafe.
Okrem toho môže byť vstup štruktúry obzvlášť výhodný v scenároch, kde údaje vykazujú prirodzenú grafovú štruktúru, ako sú sociálne siete, citačné siete alebo biologické siete. Zachytením inherentných vzťahov v údajoch prostredníctvom grafu môže NSL pomôcť regulovať tréningový proces a zlepšiť výkon modelu pri úlohách, ktoré zahŕňajú využívanie týchto vzťahov.
Vstup do štruktúry v neurónovom štruktúrovanom učení sa dá efektívne použiť na regularizáciu tréningu neurónovej siete začlenením informácií na grafe, ktoré dopĺňajú nespracované vstupné údaje. Táto technika regularizácie môže zlepšiť možnosti zovšeobecnenia a výkon modelu, najmä v scenároch, kde sú k dispozícii štruktúrované signály, a môže poskytnúť cenné poznatky pre učenie.
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