Регулирането на графиката е основна техника в машинното обучение, която включва конструиране на графика, където възлите представляват точки от данни, а ръбовете представляват връзки между точките от данни. В контекста на Neural Structured Learning (NSL) с TensorFlow, графиката се изгражда чрез определяне на това как точките от данни са свързани въз основа на техните прилики или връзки. Отговорността за създаването на тази графика е на специалиста по данни или инженера по машинно обучение, който проектира модела.
За да се изгради графика за регулиране на графика в NSL, обикновено се следват следните стъпки:
1. Представяне на данни: Първата стъпка е да представите точките от данни в подходящ формат. Това може да включва кодиране на точките от данни като вектори на характеристики или вграждания, които улавят подходяща информация за данните.
2. Мярка за сходство: След това се определя мярка за сходство, за да се определят количествено връзките между точките от данни. Това може да се основава на различни показатели като евклидово разстояние, косинусово сходство или измервания, базирани на графики, като най-кратките пътища.
3. Прагове: В зависимост от използваната мярка за сходство, може да се приложи праг, за да се определи кои точки от данни са свързани в графиката. Точките с данни с прилики над прага са свързани с ръбове в графиката.
4. Изграждане на графика: Използвайки изчислените прилики и прагове, се изгражда графична структура, където възлите представляват точки от данни, а ръбовете представляват връзките между тях. Тази графика служи като основа за прилагане на техники за регулиране на графики в рамката на NSL.
5. Включване в модела: След като графиката е конструирана, тя се интегрира в модела за машинно обучение като член за регулиране. Чрез използване на структурата на графиката по време на обучение, моделът може да се учи както от данните, така и от връзките, кодирани в графиката, което води до подобрена производителност на обобщение.
Например, в полу-контролирана учебна задача, където са налични етикетирани и немаркирани точки от данни, регулирането на графиката може да помогне за разпространяване на информация за етикет през графиката, за да подобри прогнозите на модела за немаркирани точки от данни. Като използва връзките между точките от данни, моделът може да научи по-стабилно представяне, което улавя основната структура на разпространението на данни.
Регулирането на графика в контекста на NSL с TensorFlow включва конструиране на графика, където възлите представляват точки от данни, а ръбовете представляват връзки между точките от данни. Отговорността за създаването на тази графика се носи от специалиста по данни или инженера по машинно обучение, който дефинира представянето на данните, мярката за сходство, праговата стойност и стъпките за изграждане на графиката, за да включи графиката в модела за машинно обучение за подобрена производителност.
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