Neural Structured Learning (NSL) is 'n masjienleerraamwerk wat deur Google ontwikkel is wat die opleiding van neurale netwerke moontlik maak deur gestruktureerde seine bykomend tot standaardkenmerkinsette te gebruik. Hierdie raamwerk is veral nuttig in scenario's waar die data 'n inherente struktuur het wat aangewend kan word om modelprestasie te verbeter. In die konteks van baie foto's van katte en honde, kan NSL toegepas word om die leerproses te verbeter deur verhoudings tussen die beelde in die opleidingsproses in te sluit.
Een manier waarop NSL in hierdie scenario toegepas kan word, is deur die gebruik van grafiekregulasie. Grafiekregulasie behels die bou van 'n grafiek waar nodusse datapunte verteenwoordig (beelde van katte en honde in hierdie geval) en rande verteenwoordig verwantskappe tussen die datapunte. Hierdie verwantskappe kan gedefinieer word op grond van ooreenkomste tussen beelde, soos beelde wat visueel soortgelyk is wat deur 'n rand in die grafiek verbind word. Deur hierdie grafiekstruktuur in die opleidingsproses in te sluit, moedig NSL die model aan om voorstellings te leer wat die verhoudings tussen die beelde respekteer, wat lei tot verbeterde veralgemening en robuustheid.
Wanneer 'n neurale netwerk met behulp van NSL met grafiekregulasie opgelei word, leer die model nie net uit die rou pixelwaardes van die beelde nie, maar ook uit die verwantskappe wat in die grafiek geënkodeer is. Dit kan die model help om beter te veralgemeen na onsigbare data, aangesien dit leer om die onderliggende struktuur van die data vas te lê as net individuele voorbeelde. In die konteks van beelde van katte en honde kan dit beteken dat die model kenmerke aanleer wat spesifiek vir elke klas is, maar ook ooreenkomste en verskille tussen die twee klasse vasvang gebaseer op die verwantskappe in die grafiek.
Om die vraag te beantwoord of NSL nuwe beelde kan produseer gebaseer op bestaande beelde, is dit belangrik om te verduidelik dat NSL self nie nuwe beelde genereer nie. In plaas daarvan word NSL gebruik om die opleidingsproses van 'n neurale netwerk te verbeter deur gestruktureerde seine, soos grafiekverwantskappe, in die leerproses in te sluit. Die doel van NSL is om die model se vermoë te verbeter om te leer uit die data wat dit verskaf word, eerder as om nuwe datapunte te genereer.
NSL kan toegepas word op die opleiding van neurale netwerke op datastelle met gestruktureerde verwantskappe, soos beelde van katte en honde, deur grafiekregulasie in te sluit om die onderliggende struktuur van die data vas te lê. Dit kan lei tot verbeterde modelprestasie en veralgemening deur gebruik te maak van die verhoudings tussen datapunte bykomend tot die rou kenmerke van die data.
Ander onlangse vrae en antwoorde t.o.v EITC/AI/TFF TensorFlow Fundamentals:
- Hoe kan 'n mens 'n inbeddingslaag gebruik om outomaties behoorlike asse toe te ken vir 'n plot van voorstelling van woorde as vektore?
- Wat is die doel van maksimum poel in 'n CNN?
- Hoe word die kenmerk-onttrekkingsproses in 'n konvolusionele neurale netwerk (CNN) toegepas op beeldherkenning?
- Is dit nodig om 'n asynchrone leerfunksie te gebruik vir masjienleermodelle wat in TensorFlow.js loop?
- Wat is die TensorFlow Keras Tokenizer API maksimum aantal woorde parameter?
- Kan TensorFlow Keras Tokenizer API gebruik word om die mees algemene woorde te vind?
- Wat is TOCO?
- Wat is die verwantskap tussen 'n aantal tydperke in 'n masjienleermodel en die akkuraatheid van voorspelling van die loop van die model?
- Produseer die pakket bure API in Neural Structured Learning van TensorFlow 'n uitgebreide opleidingsdatastel gebaseer op natuurlike grafiekdata?
- Wat is die pakket bure API in neurale gestruktureerde leer van TensorFlow?
Sien meer vrae en antwoorde in EITC/AI/TFF TensorFlow Fundamentals