Neuralno strukturirano učenje (NSL) okvir je u TensorFlowu koji omogućuje obuku neuronskih mreža korištenjem strukturiranih signala uz standardne inpute značajki. Strukturirani signali mogu se prikazati kao grafikoni, gdje čvorovi odgovaraju instancama, a rubovi bilježe odnose između njih. Ti se grafikoni mogu koristiti za kodiranje različitih vrsta informacija, poput sličnosti, hijerarhije ili blizine, i mogu se koristiti za reguliranje procesa obuke neuronskih mreža.
Strukturalni unos u neuronsko strukturirano učenje doista se može iskoristiti za reguliranje treninga neuronske mreže. Uključivanjem informacija temeljenih na grafikonu tijekom obuke, NSL omogućuje modelu da uči ne samo iz neobrađenih ulaznih podataka, već i iz odnosa kodiranih u grafikonu. Ovaj dodatni izvor informacija može pomoći u poboljšanju mogućnosti generalizacije modela, posebno u scenarijima u kojima su označeni podaci ograničeni ili šumoviti.
Jedan od uobičajenih načina za iskorištavanje unosa strukture za regulaciju je korištenje tehnika regulacije grafa. Regulacija grafa potiče model da proizvede ugradnje koje poštuju strukturu grafa, čime se promiče glatkoća i dosljednost u naučenim prikazima. Ovaj pojam regulacije obično se dodaje funkciji gubitka tijekom obuke, kažnjavajući odstupanja od očekivanih odnosa temeljenih na grafikonu.
Na primjer, razmotrite scenarij u kojem trenirate neuronsku mrežu za klasifikaciju dokumenata. Osim tekstualnog sadržaja dokumenata, također imate informacije o sličnosti dokumenata na temelju njihovog sadržaja. Konstruiranjem grafikona gdje čvorovi predstavljaju dokumente, a rubovi odnose sličnosti, možete uključiti ovaj unos strukture u NSL za vođenje procesa učenja. Model tada može naučiti ne samo klasificirati dokumente na temelju njihovog sadržaja, već i uzeti u obzir sličnosti dokumenata kodirane u grafikonu.
Nadalje, unos strukture može biti osobito koristan u scenarijima u kojima podaci pokazuju prirodnu strukturu grafikona, kao što su društvene mreže, mreže citiranja ili biološke mreže. Hvatanjem inherentnih odnosa u podacima putem grafikona, NSL može pomoći u reguliranju procesa obuke i poboljšati izvedbu modela na zadacima koji uključuju iskorištavanje tih odnosa.
Strukturalni unos u Neuralno strukturiranom učenju može se učinkovito koristiti za reguliranje obuke neuronske mreže uključivanjem informacija temeljenih na grafikonu koje nadopunjuju neobrađene ulazne podatke. Ova tehnika regulacije može poboljšati mogućnosti generalizacije i izvedbu modela, posebno u scenarijima gdje su dostupni strukturirani signali i može pružiti vrijedne uvide za učenje.
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