Neural Structured Learning (NSL) je rámec strojového učení vyvinutý společností Google, který kromě standardních vstupů funkcí umožňuje trénovat neuronové sítě pomocí strukturovaných signálů. Tento rámec je užitečný zejména ve scénářích, kde mají data vlastní strukturu, kterou lze využít ke zlepšení výkonu modelu. V souvislosti s mnoha obrázky koček a psů lze NSL použít ke zlepšení procesu učení začleněním vztahů mezi obrázky do tréninkového procesu.
Jedním ze způsobů, jak lze v tomto scénáři použít NSL, je použití regularizace grafů. Regulace grafu zahrnuje konstrukci grafu, kde uzly představují datové body (v tomto případě obrázky koček a psů) a hrany představují vztahy mezi datovými body. Tyto vztahy lze definovat na základě podobnosti mezi obrázky, například obrázky, které jsou vizuálně podobné, jsou spojeny hranou v grafu. Začleněním této grafové struktury do tréninkového procesu NSL povzbuzuje model, aby se naučil reprezentace, které respektují vztahy mezi obrázky, což vede ke zlepšení zobecnění a robustnosti.
Při trénování neuronové sítě pomocí NSL s regulací grafu se model učí nejen z nezpracovaných hodnot pixelů obrázků, ale také ze vztahů zakódovaných v grafu. To může pomoci modelu lépe zobecnit na neviditelná data, protože se naučí zachytit základní strukturu dat nad rámec jednotlivých příkladů. V kontextu obrázků koček a psů by to mohlo znamenat, že se model učí rysy, které jsou specifické pro každou třídu, ale také zachycuje podobnosti a rozdíly mezi těmito dvěma třídami na základě vztahů v grafu.
Abychom odpověděli na otázku, zda může NSL vytvářet nové obrázky založené na existujících obrázcích, je důležité objasnit, že samotná NSL nové obrázky nevytváří. Místo toho se NSL používá k vylepšení tréninkového procesu neuronové sítě začleněním strukturovaných signálů, jako jsou grafové vztahy, do procesu učení. Cílem NSL je zlepšit schopnost modelu učit se z poskytnutých dat, spíše než generovat nové datové body.
NSL lze aplikovat na trénování neuronových sítí na datových sadách se strukturovanými vztahy, jako jsou obrázky koček a psů, začleněním regularizace grafů k zachycení základní struktury dat. To může vést ke zlepšení výkonu modelu a zobecnění díky využití vztahů mezi datovými body navíc k nezpracovaným funkcím dat.
Další nedávné otázky a odpovědi týkající se Základy TensorFlow EITC/AI/TFF:
- Jak lze použít vrstvu vložení k automatickému přiřazení správných os pro graf reprezentace slov jako vektorů?
- Jaký je účel maximálního sdružování v CNN?
- Jak je proces extrakce příznaků v konvoluční neuronové síti (CNN) aplikován na rozpoznávání obrazu?
- Je nutné používat funkci asynchronního učení pro modely strojového učení běžící v TensorFlow.js?
- Jaký je parametr maximálního počtu slov rozhraní TensorFlow Keras Tokenizer API?
- Lze TensorFlow Keras Tokenizer API použít k nalezení nejčastějších slov?
- Co je TOCO?
- Jaký je vztah mezi řadou epoch v modelu strojového učení a přesností predikce ze spuštění modelu?
- Vytváří sousední rozhraní API v Neural Structured Learning of TensorFlow rozšířenou trénovací datovou sadu založenou na přirozených grafech?
- Co je rozhraní API sousedů balíčku v Neural Structured Learning of TensorFlow?
Zobrazit další otázky a odpovědi v EITC/AI/TFF TensorFlow Fundamentals