Neural Structured Learning (NSL) yra „Google“ sukurta mašininio mokymosi sistema, leidžianti treniruoti neuroninius tinklus naudojant struktūrinius signalus, be standartinių funkcijų įvesties. Ši sistema ypač naudinga tais atvejais, kai duomenims būdinga struktūra, kurią galima panaudoti siekiant pagerinti modelio veikimą. Turint daug kačių ir šunų nuotraukų, NSL gali būti taikomas siekiant pagerinti mokymosi procesą įtraukiant vaizdų ryšius į mokymo procesą.
Vienas iš būdų, kaip NSL gali būti taikomas šiame scenarijuje, yra grafiko įteisinimas. Grafiko sureguliavimas apima grafiko, kuriame mazgai žymi duomenų taškus (šiuo atveju kačių ir šunų atvaizdus), o kraštai – ryšius tarp duomenų taškų, sudarymą. Šiuos ryšius galima apibrėžti pagal vaizdų panašumą, pvz., vizualiai panašius vaizdus, sujungiamus grafiko briauna. Įtraukdama šią grafiko struktūrą į mokymo procesą, NSL skatina modelį mokytis reprezentacijų, kurios gerbia vaizdų ryšius, todėl pagerėja apibendrinimas ir tvirtumas.
Treniruodamas neuroninį tinklą naudojant NSL su grafiko reguliavimu, modelis mokosi ne tik iš neapdorotų vaizdų pikselių reikšmių, bet ir iš grafe užkoduotų ryšių. Tai gali padėti modeliui geriau apibendrinti nematomus duomenis, nes jis išmoksta užfiksuoti pagrindinę duomenų struktūrą, o ne tik atskirus pavyzdžius. Kačių ir šunų vaizdų kontekste tai gali reikšti, kad modelis išmoksta ypatybių, būdingų kiekvienai klasei, bet taip pat užfiksuoja panašumus ir skirtumus tarp dviejų klasių, remiantis grafike esančiais santykiais.
Norint atsakyti į klausimą, ar NSL gali sukurti naujus vaizdus pagal esamus vaizdus, svarbu paaiškinti, kad pati NSL negeneruoja naujų vaizdų. Vietoj to, NSL naudojamas siekiant pagerinti neuroninio tinklo mokymo procesą, įtraukiant į mokymosi procesą struktūrinius signalus, pvz., grafikų ryšius. NSL tikslas yra pagerinti modelio gebėjimą mokytis iš pateiktų duomenų, o ne generuoti naujus duomenų taškus.
NSL gali būti taikomas treniruojant neuroninius tinklus duomenų rinkiniuose su struktūriniais ryšiais, pvz., kačių ir šunų atvaizdais, įtraukiant grafiko reguliavimą, kad būtų užfiksuota pagrindinė duomenų struktūra. Tai gali pagerinti modelio našumą ir apibendrinimą, naudojant ryšius tarp duomenų taškų, be neapdorotų duomenų savybių.
Kiti naujausi klausimai ir atsakymai apie EITC/AI/TFF „TensorFlow“ pagrindai:
- Kaip galima naudoti įterpimo sluoksnį, kad automatiškai priskirtų tinkamas ašis žodžių, kaip vektorių, vaizdavimo diagramai?
- Koks yra maksimalaus telkimo tikslas CNN?
- Kaip funkcijų ištraukimo procesas konvoliuciniame neuroniniame tinkle (CNN) taikomas vaizdo atpažinimui?
- Ar TensorFlow.js veikiantiems mašininio mokymosi modeliams būtina naudoti asinchroninio mokymosi funkciją?
- Koks yra TensorFlow Keras Tokenizer API maksimalaus žodžių skaičiaus parametras?
- Ar TensorFlow Keras Tokenizer API galima naudoti ieškant dažniausiai pasitaikančių žodžių?
- Kas yra TOCO?
- Koks ryšys tarp kelių mašininio mokymosi modelio epochų ir modelio veikimo prognozės tikslumo?
- Ar „TensorFlow Neural Structured Learning“ paketo kaimynų API sukuria papildytą mokymo duomenų rinkinį, pagrįstą natūraliais grafiko duomenimis?
- Kas yra „TensorFlow Neural Structured Learning“ paketo kaimynų API?
Peržiūrėkite daugiau klausimų ir atsakymų EITC/AI/TFF TensorFlow Fundamentals