Neural Structured Learning (NSL) - гэта сістэма машыннага навучання, якая інтэгруе структураваныя сігналы ў працэс навучання. Гэтыя структураваныя сігналы звычайна прадстаўляюцца ў выглядзе графікаў, дзе вузлы адпавядаюць асобнікам або аб'ектам, а грані фіксуюць адносіны або падабенства паміж імі. У кантэксце TensorFlow NSL дазваляе ўключаць метады рэгулярызацыі графа падчас навучання нейронавых сетак, выкарыстоўваючы інфармацыю, закадзіраваную ў графе, для паляпшэння абагульнення і надзейнасці мадэлі.
Адно частае пытанне, якое ўзнікае, - ці можна NSL выкарыстоўваць з дадзенымі, для якіх няма натуральнага графіка. Адказ так, NSL можа эфектыўна прымяняцца, нават калі ў дадзеных няма дакладнага графіка. У такіх выпадках вы можаце пабудаваць графік на аснове ўласцівай структуры дадзеных або адносін. Напрыклад, у задачах па класіфікацыі тэксту вы можаце пабудаваць графік, дзе вузлы ўяўляюць словы або сказы, а краю паказваюць семантычнае падабенства або мадэлі сумеснага прысутнасці.
Акрамя таго, NSL забяспечвае гібкасць для вызначэння карыстацкіх механізмаў пабудовы графіка з улікам канкрэтных характарыстык даных. Гэта дазваляе захопліваць веды або залежнасці, звязаныя з даменам, якія могуць быць невідавочнымі толькі з неапрацаваных функцый уводу. Уключаючы такія веды дамена ў працэс навучання, NSL дазваляе нейронавай сетцы больш эфектыўна вучыцца на дадзеных і рабіць лепшыя прагнозы.
У сцэнарыях, калі натуральны граф адсутнічае або лёгка даступны, NSL прапануе магутны інструмент для ўзбагачэння працэсу навучання шляхам увядзення структураваных сігналаў, якія кадзіруюць каштоўную інфармацыю, акрамя таго, што могуць перадаць неапрацаваныя функцыі. Гэта можа прывесці да павышэння прадукцыйнасці мадэлі, асабліва ў задачах, дзе адносіны або залежнасці паміж асобнікамі гуляюць вырашальную ролю ў дакладнасці прагназавання.
Каб праілюстраваць гэтую канцэпцыю далей, разгледзім сістэму рэкамендацый, дзе карыстальнікі ўзаемадзейнічаюць з прадметамі. Нягледзячы на тое, што неапрацаваныя даныя могуць складацца з узаемадзеянняў карыстальнік-элемент, без відавочнага прадстаўлення графа, NSL можа пабудаваць графік, у якім карыстальнікі і элементы ўяўляюць сабой вузлы, злучаныя краямі, якія паказваюць узаемадзеянне. Навучаючы мадэль рэкамендацый з дапамогай гэтай рэгулярызацыі графіка, сістэма можа выкарыстоўваць няяўныя адносіны паміж карыстальнікамі і элементамі, каб даваць больш персаналізаваныя і дакладныя рэкамендацыі.
Neural Structured Learning можна эфектыўна выкарыстоўваць з дадзенымі, у якіх адсутнічае натуральны графік, шляхам пабудовы карыстальніцкіх графікаў на аснове ўласнай структуры даных або даменных ведаў. Такі падыход паляпшае працэс навучання шляхам уключэння каштоўных структураваных сігналаў, што прыводзіць да паляпшэння абагульнення мадэлі і прадукцыйнасці ў розных задачах машыннага навучання.
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