Neural Structured Learning (NSL) on Googlen kehittämä koneoppimiskehys, joka mahdollistaa hermoverkkojen koulutuksen käyttämällä strukturoituja signaaleja tavallisten ominaisuustulojen lisäksi. Tämä kehys on erityisen hyödyllinen skenaarioissa, joissa tiedoilla on luontainen rakenne, jota voidaan hyödyntää mallin suorituskyvyn parantamiseksi. Kun kissoista ja koirista on paljon kuvia, NSL:ää voidaan soveltaa parantamaan oppimisprosessia sisällyttämällä kuvien välisiä suhteita koulutusprosessiin.
Yksi tapa, jolla NSL:ää voidaan soveltaa tässä skenaariossa, on graafin säätelyn käyttö. Graafisen säännöstelyyn kuuluu graafin rakentaminen, jossa solmut edustavat datapisteitä (tässä tapauksessa kissojen ja koirien kuvia) ja reunat datapisteiden välisiä suhteita. Nämä suhteet voidaan määritellä kuvien välisen samankaltaisuuden perusteella, esimerkiksi kuvien, jotka ovat visuaalisesti samankaltaisia, yhdistämällä kaaviossa reuna. Sisällyttämällä tämän graafisen rakenteen koulutusprosessiin NSL rohkaisee mallia oppimaan esityksiä, jotka kunnioittavat kuvien välisiä suhteita, mikä johtaa parempaan yleistykseen ja kestävyyteen.
Harjoitettaessa hermoverkkoa käyttämällä NSL:ää graafin regularisoinnilla, malli oppii paitsi kuvien raakapikseliarvoista myös graafiin koodatuista suhteista. Tämä voi auttaa mallia yleistämään paremmin näkymättömään dataan, koska se oppii kaappaamaan datan taustalla olevan rakenteen yksittäisten esimerkkien lisäksi. Kissojen ja koirien kuvien yhteydessä tämä voi tarkoittaa, että malli oppii piirteitä, jotka ovat ominaisia kullekin luokalle, mutta myös vangitsee yhtäläisyydet ja erot kahden luokan välillä kaavion suhteiden perusteella.
Jotta voidaan vastata kysymykseen, voiko NSL tuottaa uusia kuvia olemassa olevien kuvien perusteella, on tärkeää selventää, että NSL ei itse luo uusia kuvia. Sen sijaan NSL:ää käytetään tehostamaan hermoverkon koulutusprosessia sisällyttämällä oppimisprosessiin strukturoituja signaaleja, kuten graafisuhteita. NSL:n tavoitteena on parantaa mallin kykyä oppia sen tarjoamasta tiedosta uusien tietopisteiden luomisen sijaan.
NSL:ää voidaan soveltaa hermoverkkojen kouluttamiseen tietojoukoissa, joissa on strukturoituja suhteita, kuten kissojen ja koirien kuvissa, sisällyttämällä graafin säännöstelyyn tietojen taustalla olevan rakenteen kaappaamiseksi. Tämä voi parantaa mallin suorituskykyä ja yleistystä hyödyntämällä datapisteiden välisiä suhteita datan raakaominaisuuksien lisäksi.
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