Neural Structured Learning (NSL) е рамка за машинно обучение, разработена от Google, която позволява обучението на невронни мрежи с помощта на структурирани сигнали в допълнение към стандартните входни функции. Тази рамка е особено полезна в сценарии, при които данните имат присъща структура, която може да се използва за подобряване на производителността на модела. В контекста на наличието на много снимки на котки и кучета, NSL може да се приложи за подобряване на учебния процес чрез включване на връзки между изображенията в процеса на обучение.
Един от начините, по който NSL може да се приложи в този сценарий, е чрез използване на регуляризация на графиката. Регулирането на графиката включва конструиране на графика, където възлите представляват точки от данни (изображения на котки и кучета в този случай), а ръбовете представляват връзки между точките от данни. Тези връзки могат да бъдат дефинирани въз основа на сходство между изображения, като например изображения, които са визуално сходни, свързани с ръб в графиката. Чрез включването на тази графична структура в процеса на обучение, NSL насърчава модела да научи представяния, които зачитат връзките между изображенията, което води до подобрено обобщение и устойчивост.
Когато обучавате невронна мрежа, използваща NSL с регуляризация на графиката, моделът се учи не само от необработените пикселни стойности на изображенията, но и от връзките, кодирани в графиката. Това може да помогне на модела да обобщи по-добре невидими данни, тъй като се научава да улавя основната структура на данните отвъд само отделни примери. В контекста на изображения на котки и кучета това може да означава, че моделът научава характеристики, които са специфични за всеки клас, но също така улавя приликите и разликите между двата класа въз основа на връзките в графиката.
За да се отговори на въпроса дали NSL може да създава нови изображения въз основа на съществуващи изображения, е важно да се изясни, че самата NSL не генерира нови изображения. Вместо това NSL се използва за подобряване на процеса на обучение на невронна мрежа чрез включване на структурирани сигнали, като графични връзки, в процеса на обучение. Целта на NSL е да подобри способността на модела да се учи от данните, които предоставя, вместо да генерира нови точки от данни.
NSL може да се приложи за обучение на невронни мрежи върху набори от данни със структурирани връзки, като изображения на котки и кучета, чрез включване на регуляризиране на графики за улавяне на основната структура на данните. Това може да доведе до подобрена производителност и обобщение на модела чрез използване на връзките между точките от данни в допълнение към необработените характеристики на данните.
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