Neironu strukturētā mācīšanās (NSL) ir Google izstrādāta mašīnmācīšanās sistēma, kas ļauj apmācīt neironu tīklus, izmantojot strukturētus signālus papildus standarta funkciju ievadēm. Šī sistēma ir īpaši noderīga scenārijos, kuros datiem ir raksturīga struktūra, ko var izmantot, lai uzlabotu modeļa veiktspēju. Tā kā ir daudz kaķu un suņu attēlu, NSL var izmantot, lai uzlabotu mācību procesu, iekļaujot attiecības starp attēliem apmācības procesā.
Viens no veidiem, kā šajā scenārijā var izmantot NSL, ir grafu regularizācijas izmantošana. Grafika regulēšana ietver diagrammas izveidi, kurā mezgli attēlo datu punktus (šajā gadījumā kaķu un suņu attēlus), bet malas attēlo attiecības starp datu punktiem. Šīs attiecības var definēt, pamatojoties uz attēlu līdzību, piemēram, attēlus, kas ir vizuāli līdzīgi, un tos savieno diagramma ar malu. Iekļaujot šo grafiku struktūru apmācības procesā, NSL mudina modeli apgūt reprezentācijas, kas respektē attiecības starp attēliem, tādējādi uzlabojot vispārināšanu un robustumu.
Apmācot neironu tīklu, izmantojot NSL ar grafa regularizāciju, modelis mācās ne tikai no attēlu neapstrādātajām pikseļu vērtībām, bet arī no grafikā kodētajām attiecībām. Tas var palīdzēt modelim labāk vispārināt neredzamus datus, jo tas mācās uztvert datu pamatā esošo struktūru, ne tikai atsevišķus piemērus. Kaķu un suņu attēlu kontekstā tas varētu nozīmēt, ka modelis apgūst iezīmes, kas raksturīgas katrai klasei, bet arī uztver līdzības un atšķirības starp abām klasēm, pamatojoties uz diagrammā redzamajām attiecībām.
Lai atbildētu uz jautājumu, vai NSL var radīt jaunus attēlus, pamatojoties uz esošajiem attēliem, ir svarīgi precizēt, ka NSL pati par sevi nerada jaunus attēlus. Tā vietā NSL tiek izmantots, lai uzlabotu neironu tīkla apmācības procesu, iekļaujot mācību procesā strukturētus signālus, piemēram, grafiku attiecības. NSL mērķis ir uzlabot modeļa spēju mācīties no sniegtajiem datiem, nevis ģenerēt jaunus datu punktus.
NSL var izmantot, lai apmācītu neironu tīklus datu kopās ar strukturētām attiecībām, piemēram, kaķu un suņu attēliem, iekļaujot grafiku regularizāciju, lai attēlotu datu pamatā esošo struktūru. Tas var uzlabot modeļa veiktspēju un vispārināšanu, papildus datu neapstrādātajām funkcijām izmantojot attiecības starp datu punktiem.
Citi jaunākie jautājumi un atbildes par EITC/AI/TFF TensorFlow pamati:
- Kā var izmantot iegulšanas slāni, lai automātiski piešķirtu pareizas asis vārdu kā vektoru attēlojuma diagrammai?
- Kāds ir maksimālās apvienošanas mērķis CNN?
- Kā attēlu atpazīšanai tiek izmantots funkciju ieguves process konvolucionālajā neironu tīklā (CNN)?
- Vai mašīnmācīšanās modeļiem, kas darbojas TensorFlow.js, ir jāizmanto asinhronā mācīšanās funkcija?
- Kāds ir TensorFlow Keras Tokenizer API maksimālā vārdu skaita parametrs?
- Vai TensorFlow Keras Tokenizer API var izmantot, lai atrastu biežākos vārdus?
- Kas ir TOCO?
- Kāda ir saistība starp vairākiem mašīnmācīšanās modeļa laikmetiem un modeļa palaišanas prognozēšanas precizitāti?
- Vai paketes kaimiņu API TensorFlow neironu strukturētajā mācībā rada paplašinātu apmācības datu kopu, kuras pamatā ir dabiskie diagrammas dati?
- Kas ir paketes kaimiņu API TensorFlow neironu strukturētajā apmācībā?
Skatiet vairāk jautājumu un atbilžu EITC/AI/TFF TensorFlow Fundamentals