Graafisen säännöstely on koneoppimisen perustekniikka, johon kuuluu graafin rakentaminen, jossa solmut edustavat datapisteitä ja reunat datapisteiden välisiä suhteita. Neural Structured Learning (NSL) ja TensorFlow'n yhteydessä kaavio muodostetaan määrittelemällä, kuinka datapisteet yhdistetään niiden yhtäläisyyksien tai suhteiden perusteella. Tämän kaavion luomisesta vastaa mallia suunnitteleva datatieteilijä tai koneoppimisinsinööri.
Graafin luomiseksi graafin säätämistä varten NSL:ssä noudatetaan yleensä seuraavia vaiheita:
1. Tietojen esitys: Ensimmäinen askel on esittää datapisteet sopivassa muodossa. Tämä voi sisältää tietopisteiden koodaamisen ominaisuusvektoreiksi tai upotuksiksi, jotka keräävät oleellista tietoa tiedoista.
2. Samankaltaisuusmittaus: Seuraavaksi määritetään samankaltaisuusmitta datapisteiden välisten suhteiden kvantifioimiseksi. Tämä voi perustua erilaisiin mittareihin, kuten euklidiseen etäisyyteen, kosinin samankaltaisuuteen tai graafiin perustuviin mittauksiin, kuten lyhimpiin polkuihin.
3. Kynnys: Käytetystä samankaltaisuusmittasta riippuen kynnysarvoa voidaan soveltaa sen määrittämiseen, mitkä datapisteet on yhdistetty kaavioon. Datapisteet, joilla on yhtäläisyyksiä kynnyksen yläpuolella, yhdistetään graafissa reunoilla.
4. Graafin rakentaminen: Laskettujen samankaltaisuuksien ja kynnysarvojen avulla muodostetaan graafirakenne, jossa solmut edustavat datapisteitä ja reunat niiden välisiä suhteita. Tämä graafi toimii perustana graafin regularisointitekniikoiden soveltamiselle NSL-kehyksessä.
5. Liittyminen malliin: Kun graafi on rakennettu, se integroidaan koneoppimismalliin regularisointitermiksi. Hyödyntämällä kuvaajarakennetta harjoittelun aikana malli voi oppia sekä datasta että kaavioon koodatuista suhteista, mikä parantaa yleistyssuorituskykyä.
Esimerkiksi puolivalvotussa oppimistehtävässä, jossa on saatavilla merkittyjä ja merkitsemättömiä datapisteitä, kuvaajan regularisointi voi auttaa levittämään tunnistetietoja kaavion läpi, mikä parantaa mallin ennusteita merkitsemättömissä datapisteissä. Hyödyntämällä datapisteiden välisiä suhteita malli voi oppia vankemman esityksen, joka kaappaa datajakauman taustalla olevan rakenteen.
Graafisen säännöstely NSL:n yhteydessä TensorFlow'n kanssa sisältää graafin rakentamisen, jossa solmut edustavat datapisteitä ja reunat edustavat datapisteiden välisiä suhteita. Vastuu tämän kaavion luomisesta on datatieteilijällä tai koneoppimisinsinöörillä, joka määrittelee datan esityksen, samankaltaisuusmitan, kynnysarvon ja kaavion rakennusvaiheet sisällyttääkseen kaavion koneoppimismalliin suorituskyvyn parantamiseksi.
Muita viimeaikaisia kysymyksiä ja vastauksia liittyen EITC/AI/TFF TensorFlow -perusteet:
- Kuinka voidaan käyttää upotuskerrosta määrittämään automaattisesti oikeat akselit sanojen vektoreiden esittämiseen?
- Mikä on max poolingin tarkoitus CNN:ssä?
- Miten konvoluutiohermoverkon (CNN) piirteiden erotusprosessia sovelletaan kuvantunnistukseen?
- Onko tarpeen käyttää asynkronista oppimistoimintoa koneoppimismalleissa, jotka toimivat TensorFlow.js:ssa?
- Mikä on TensorFlow Keras Tokenizer API:n suurin sanamäärä -parametri?
- Voidaanko TensorFlow Keras Tokenizer API:ta käyttää yleisimpien sanojen löytämiseen?
- Mikä on TOCO?
- Mikä on suhde useiden aikakausien välillä koneoppimismallissa ja mallin suorittamisen ennusteen tarkkuudella?
- Tuottaako TensorFlow'n Neural Structured Learningin paketin naapurien API lisätyn harjoitustietojoukon luonnolliseen graafitietoon?
- Mikä on TensorFlow'n Neural Structured Learning -paketin naapurien API?
Katso lisää kysymyksiä ja vastauksia EITC/AI/TFF TensorFlow Fundamentalsissa