Естествените графики са графични представяния на данни от реалния свят, където възлите представляват обекти, а ръбовете обозначават връзки между тези обекти. Тези графики обикновено се използват за моделиране на сложни системи като социални мрежи, мрежи за цитиране, биологични мрежи и др. Естествените графики улавят сложни модели и зависимости, присъстващи в данните, което ги прави ценни за различни задачи за машинно обучение, включително обучение на невронни мрежи.
В контекста на обучението по невронни мрежи естествените графики могат да бъдат използвани за подобряване на процеса на обучение чрез включване на релационна информация между точките от данни. Neural Structured Learning (NSL) с TensorFlow е рамка, която позволява интегрирането на естествени графики в процеса на обучение на невронни мрежи. Чрез използване на естествени графики, NSL позволява на невронните мрежи да се учат както от данни за функции, така и от графично структурирани данни едновременно, което води до подобрено обобщаване на модела и устойчивост.
Интегрирането на естествени графики в обучението на невронни мрежи с NSL включва няколко ключови стъпки:
1. Изграждане на графика: Първата стъпка е да се изгради естествена графика, която улавя връзките между точките от данни. Това може да се направи въз основа на познания за домейна или чрез извличане на връзки от самите данни. Например в социална мрежа възлите могат да представляват индивиди, а ръбовете могат да представляват приятелства.
2. Графично регулиране: След като естествената графика е конструирана, тя се използва за регулиране на процеса на обучение на невронната мрежа. Това регулиране насърчава модела да научи плавни и последователни представяния за свързани възли в графиката. Чрез налагането на това регулиране моделът може да обобщи по-добре невидими точки от данни.
3. Увеличаване на графиката: Естествените графики също могат да се използват за разширяване на данните за обучение чрез включване на базирани на графики функции във входа на невронната мрежа. Това позволява на модела да се учи както от данни за функции, така и от релационна информация, кодирана в графиката, което води до по-стабилни и точни прогнози.
4. Графични вграждания: Естествените графики могат да се използват за научаване на нискоразмерни вграждания за възли в графиката. Тези вграждания улавят структурната и релационната информация, присъстваща в графиката, която може допълнително да се използва като входни характеристики за невронната мрежа. Чрез изучаване на смислени представяния от графиката, моделът може по-добре да улови основните модели в данните.
Естествените графики могат да се използват ефективно за обучение на невронни мрежи чрез предоставяне на допълнителна релационна информация и структурни зависимости, присъстващи в данните. Чрез включването на естествени графики в процеса на обучение с рамки като NSL, невронните мрежи могат да постигнат подобрена производителност и обобщение на различни задачи за машинно обучение.
Други скорошни въпроси и отговори относно Основи на EITC/AI/TFF TensorFlow:
- Как може да се използва слой за вграждане, за да се присвоят автоматично правилни оси за диаграма на представяне на думи като вектори?
- Каква е целта на максималното обединяване в CNN?
- Как се прилага процесът на извличане на характеристики в конволюционна невронна мрежа (CNN) за разпознаване на изображения?
- Необходимо ли е да се използва функция за асинхронно обучение за модели за машинно обучение, работещи в TensorFlow.js?
- Какъв е параметърът за максимален брой думи на TensorFlow Keras Tokenizer API?
- Може ли API на TensorFlow Keras Tokenizer да се използва за намиране на най-често срещаните думи?
- Какво е TOCO?
- Каква е връзката между редица епохи в модел на машинно обучение и точността на прогнозата от изпълнението на модела?
- Приложният програмен интерфейс (API) за съседи на пакета в Neural Structured Learning на TensorFlow създава ли разширен набор от данни за обучение въз основа на естествени графични данни?
- Какво представлява API за съседи на пакета в невронно структурирано обучение на TensorFlow?
Вижте още въпроси и отговори в EITC/AI/TFF TensorFlow Fundamentals