Neural Structured Learning (NSL) - гэта структура машыннага навучання, распрацаваная Google, якая дазваляе навучаць нейронавыя сеткі з выкарыстаннем структураваных сігналаў у дадатак да стандартных уводных функцый. Гэтая структура асабліва карысная ў сцэнарыях, калі даныя маюць уласную структуру, якую можна выкарыстоўваць для павышэння прадукцыйнасці мадэлі. У кантэксце наяўнасці вялікай колькасці фатаграфій катоў і сабак NSL можна прымяніць для паляпшэння працэсу навучання шляхам уключэння адносін паміж выявамі ў працэс навучання.
Адзін са спосабаў прымянення NSL у гэтым сцэнары - выкарыстанне рэгулярызацыі графа. Рэгулярізацыя графа прадугледжвае пабудову графіка, у якім вузлы ўяўляюць кропкі даных (у дадзеным выпадку выявы катоў і сабак), а рэбры ўяўляюць адносіны паміж кропкамі даных. Гэтыя ўзаемасувязі можна вызначыць на аснове падабенства паміж выявамі, напрыклад выявы, якія візуальна падобныя, злучаныя кантамі на графіцы. Уключаючы гэтую структуру графа ў працэс навучання, NSL заахвочвае мадэль вывучаць уяўленні, якія паважаюць адносіны паміж выявамі, што прыводзіць да паляпшэння абагульнення і надзейнасці.
Пры навучанні нейронавай сеткі з выкарыстаннем NSL з рэгулярізацыяй графа мадэль вучыцца не толькі на неапрацаваных значэннях пікселяў малюнкаў, але і на ўзаемасувязях, закадзіраваных у графе. Гэта можа дапамагчы мадэлі лепш абагульніць нябачныя даныя, бо яна навучыцца фіксаваць асноўную структуру даных, акрамя асобных прыкладаў. У кантэксце выяваў катоў і сабак гэта можа азначаць, што мадэль вывучае асаблівасці, характэрныя для кожнага класа, але таксама фіксуе падабенства і адрозненні паміж двума класамі на аснове сувязяў на графіцы.
Каб адказаць на пытанне, ці можа NSL ствараць новыя выявы на аснове існуючых малюнкаў, важна ўдакладніць, што сам NSL не стварае новыя выявы. Замест гэтага NSL выкарыстоўваецца для паляпшэння працэсу навучання нейроннай сеткі шляхам уключэння ў працэс навучання структураваных сігналаў, такіх як адносіны графа. Мэта NSL - палепшыць здольнасць мадэлі вучыцца на дадзеных, якія яна прадастаўляе, а не ствараць новыя пункты даных.
NSL можа прымяняцца для навучання нейронавых сетак на наборах даных са структураванымі сувязямі, такімі як выявы катоў і сабак, шляхам уключэння рэгулярызацыі графа для фіксацыі асноўнай структуры даных. Гэта можа прывесці да паляпшэння прадукцыйнасці і абагульнення мадэлі за кошт выкарыстання адносін паміж кропкамі даных у дадатак да неапрацаваных функцый даных.
Іншыя апошнія пытанні і адказы адносна Асновы EITC/AI/TFF TensorFlow:
- Як можна выкарыстоўваць пласт убудавання для аўтаматычнага прызначэння правільных восяў для графіка прадстаўлення слоў у выглядзе вектараў?
- Якая мэта максімальнага аб'яднання ў CNN?
- Як працэс вылучэння прыкмет у сверточной нейронавай сетцы (CNN) прымяняецца да распазнавання малюнкаў?
- Ці неабходна выкарыстоўваць функцыю асінхроннага навучання для мадэляў машыннага навучання, якія працуюць у TensorFlow.js?
- Што такое параметр максімальнай колькасці слоў TensorFlow Keras Tokenizer API?
- Ці можна выкарыстоўваць TensorFlow Keras Tokenizer API для пошуку найбольш частых слоў?
- Што такое TOCO?
- Якая ўзаемасувязь паміж колькасцю эпох у мадэлі машыннага навучання і дакладнасцю прагназавання ад запуску мадэлі?
- Ці стварае API суседніх пакетаў у Neural Structured Learning TensorFlow дапоўнены навучальны набор даных на аснове натуральных графічных даных?
- Што такое API суседніх пакетаў у нейронавым структураваным навучанні TensorFlow?
Глядзіце больш пытанняў і адказаў у EITC/AI/TFF TensorFlow Fundamentals