Neuralno strukturirano učenje (NSL) okvir je strojnog učenja koji je razvio Google koji omogućuje obuku neuronskih mreža korištenjem strukturiranih signala uz standardne ulaze značajki. Ovaj je okvir osobito koristan u scenarijima u kojima podaci imaju svojstvenu strukturu koja se može iskoristiti za poboljšanje izvedbe modela. U kontekstu velikog broja slika mačaka i pasa, NSL se može primijeniti za poboljšanje procesa učenja uključivanjem odnosa između slika u proces obuke.
Jedan od načina na koji se NSL može primijeniti u ovom scenariju je korištenje regularizacije grafikona. Regulizacija grafikona uključuje konstruiranje grafikona gdje čvorovi predstavljaju podatkovne točke (slike mačaka i pasa u ovom slučaju), a rubovi predstavljaju odnose između podatkovnih točaka. Ti se odnosi mogu definirati na temelju sličnosti između slika, kao što su slike koje su vizualno slične povezane rubom u grafikonu. Uključivanjem ove strukture grafikona u proces obuke, NSL potiče model da nauči prikaze koji poštuju odnose između slika, što dovodi do poboljšane generalizacije i robusnosti.
Prilikom treniranja neuronske mreže pomoću NSL-a s regularizacijom grafa, model uči ne samo iz neobrađenih vrijednosti piksela slika, već i iz odnosa kodiranih u grafu. To može pomoći modelu da se bolje generalizira na nevidljive podatke, jer uči uhvatiti temeljnu strukturu podataka izvan samo pojedinačnih primjera. U kontekstu slika mačaka i pasa, to bi moglo značiti da model uči značajke koje su specifične za svaku klasu, ali također bilježi sličnosti i razlike između dvije klase na temelju odnosa u grafikonu.
Kako bismo odgovorili na pitanje može li NSL proizvesti nove slike na temelju postojećih slika, važno je pojasniti da sam NSL ne stvara nove slike. Umjesto toga, NSL se koristi za poboljšanje procesa obuke neuronske mreže uključivanjem strukturiranih signala, kao što su odnosi grafikona, u proces učenja. Cilj NSL-a je poboljšati sposobnost modela da uči iz podataka koje daje, a ne generirati nove podatkovne točke.
NSL se može primijeniti na obuku neuronskih mreža na skupovima podataka sa strukturiranim odnosima, kao što su slike mačaka i pasa, uključivanjem regularizacije grafikona za hvatanje temeljne strukture podataka. To može dovesti do poboljšane izvedbe modela i generalizacije iskorištavanjem odnosa između podatkovnih točaka uz sirove značajke podataka.
Ostala nedavna pitanja i odgovori u vezi Osnove EITC/AI/TFF TensorFlow:
- Kako se može koristiti sloj za ugradnju za automatsko dodjeljivanje odgovarajućih osi za prikaz predstavljanja riječi kao vektora?
- Koja je svrha maksimalnog udruživanja u CNN-u?
- Kako se postupak izdvajanja značajki u konvolucijskoj neuronskoj mreži (CNN) primjenjuje na prepoznavanje slike?
- Je li potrebno koristiti asinkronu funkciju učenja za modele strojnog učenja koji se izvode u TensorFlow.js?
- Koji je parametar maksimalnog broja riječi za TensorFlow Keras Tokenizer API?
- Može li se TensorFlow Keras Tokenizer API koristiti za pronalaženje najčešćih riječi?
- Što je TOCO?
- Kakav je odnos između broja epoha u modelu strojnog učenja i točnosti predviđanja iz pokretanja modela?
- Proizvodi li API susjeda paketa u Neural Structured Learning TensorFlowa prošireni skup podataka za obuku na temelju podataka prirodnog grafikona?
- Što je API susjeda paketa u neuralno strukturiranom učenju TensorFlowa?
Pogledajte više pitanja i odgovora u EITC/AI/TFF TensorFlow Fundamentals