Neural Structured Learning (NSL) е рамка в TensorFlow, която позволява обучението на невронни мрежи с помощта на структурирани сигнали в допълнение към стандартните входни функции. Структурираните сигнали могат да бъдат представени като графики, където възлите съответстват на екземпляри, а ръбовете улавят връзките между тях. Тези графики могат да се използват за кодиране на различни видове информация, като сходство, йерархия или близост, и могат да се използват за регулиране на процеса на обучение на невронни мрежи.
Структурният вход в Neural Structured Learning наистина може да се използва за регулиране на обучението на невронна мрежа. Чрез включването на базираната на графика информация по време на обучението, NSL позволява на модела да се учи не само от необработените входни данни, но и от връзките, кодирани в графиката. Този допълнителен източник на информация може да помогне за подобряване на възможностите за обобщаване на модела, особено в сценарии, при които етикетираните данни са ограничени или шумни.
Един често срещан начин за използване на структурния вход за регулация е чрез използването на техники за регулация на графики. Регулирането на графиката насърчава модела да произвежда вграждания, които зачитат структурата на графиката, като по този начин насърчава гладкостта и последователността в научените представяния. Този термин за регулиране обикновено се добавя към функцията за загуба по време на обучението, санкционирайки отклонения от очакваните връзки, базирани на графика.
Например, помислете за сценарий, при който обучавате невронна мрежа за класифициране на документи. В допълнение към текстовото съдържание на документите, вие също имате информация за приликата между документите въз основа на тяхното съдържание. Чрез конструиране на графика, където възлите представляват документи, а ръбовете представляват връзки на подобие, можете да включите този структурен вход в NSL, за да ръководите процеса на обучение. След това моделът може да се научи не само да класифицира документи въз основа на тяхното съдържание, но също така да вземе предвид приликите на документи, кодирани в графиката.
Освен това въвеждането на структура може да бъде особено полезно в сценарии, при които данните показват естествена графична структура, като социални мрежи, мрежи за цитиране или биологични мрежи. Чрез улавяне на присъщите връзки в данните чрез графиката, NSL може да помогне за регулиране на процеса на обучение и да подобри представянето на модела при задачи, които включват използване на тези връзки.
Структурният вход в Neural Structured Learning може ефективно да се използва за регулиране на обучението на невронна мрежа чрез включване на базирана на графика информация, която допълва необработените входни данни. Тази техника за регулиране може да подобри възможностите за обобщаване и производителността на модела, особено в сценарии, при които са налични структурирани сигнали и може да предостави ценна информация за учене.
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