Neural Structured Learning (NSL) to platforma uczenia maszynowego opracowana przez Google, która umożliwia szkolenie sieci neuronowych przy użyciu sygnałów strukturalnych oprócz standardowych danych wejściowych funkcji. Struktura ta jest szczególnie przydatna w scenariuszach, w których dane mają nieodłączną strukturę, którą można wykorzystać w celu poprawy wydajności modelu. W kontekście posiadania wielu zdjęć kotów i psów, NSL można zastosować w celu usprawnienia procesu uczenia się poprzez włączenie relacji między obrazami do procesu szkolenia.
Jednym ze sposobów zastosowania NSL w tym scenariuszu jest zastosowanie regularyzacji grafów. Regularyzacja wykresu polega na konstruowaniu wykresu, którego węzły reprezentują punkty danych (w tym przypadku obrazy kotów i psów), a krawędzie reprezentują relacje między punktami danych. Zależności te można zdefiniować na podstawie podobieństwa między obrazami, na przykład obrazów wizualnie podobnych połączonych krawędzią na wykresie. Włączając tę strukturę wykresu do procesu uczenia, NSL zachęca model do uczenia się reprezentacji uwzględniających relacje między obrazami, co prowadzi do lepszego uogólnienia i odporności.
Podczas uczenia sieci neuronowej przy użyciu NSL z regularyzacją wykresu model uczy się nie tylko na podstawie surowych wartości pikseli obrazów, ale także na podstawie zależności zakodowanych na wykresie. Może to pomóc modelowi w lepszym uogólnianiu niewidocznych danych, ponieważ uczy się on wychwytywać podstawową strukturę danych poza pojedynczymi przykładami. W kontekście obrazów kotów i psów może to oznaczać, że model uczy się cech specyficznych dla każdej klasy, ale także wychwytuje podobieństwa i różnice między obiema klasami w oparciu o relacje na wykresie.
Aby odpowiedzieć na pytanie, czy NSL może tworzyć nowe obrazy w oparciu o istniejące obrazy, należy wyjaśnić, że NSL samo w sobie nie generuje nowych obrazów. Zamiast tego NSL służy do usprawnienia procesu uczenia sieci neuronowej poprzez włączenie do procesu uczenia się sygnałów ustrukturyzowanych, takich jak relacje grafowe. Celem NSL jest poprawa zdolności modelu do uczenia się na podstawie dostarczonych danych, a nie generowanie nowych punktów danych.
NSL można zastosować do uczenia sieci neuronowych na zbiorach danych zawierających strukturalne relacje, takich jak obrazy kotów i psów, poprzez włączenie regularyzacji grafów w celu uchwycenia podstawowej struktury danych. Może to prowadzić do poprawy wydajności i uogólnienia modelu poprzez wykorzystanie relacji między punktami danych oprócz surowych cech danych.
Inne niedawne pytania i odpowiedzi dotyczące EITC/AI/TFF Podstawy TensorFlow:
- Jak można użyć warstwy osadzającej, aby automatycznie przypisać odpowiednie osie dla wykresu reprezentacji słów jako wektorów?
- Jaki jest cel maksymalnego łączenia w CNN?
- W jaki sposób proces ekstrakcji cech w splotowej sieci neuronowej (CNN) jest stosowany do rozpoznawania obrazu?
- Czy konieczne jest użycie funkcji uczenia asynchronicznego w przypadku modeli uczenia maszynowego działających w TensorFlow.js?
- Jaki jest parametr maksymalnej liczby słów w interfejsie TensorFlow Keras Tokenizer API?
- Czy do wyszukiwania najczęściej występujących słów można użyć interfejsu API TensorFlow Keras Tokenizer?
- Co to jest TOKO?
- Jaki jest związek między liczbą epok w modelu uczenia maszynowego a dokładnością przewidywań na podstawie uruchomienia modelu?
- Czy interfejs API sąsiadów pakietu w uczeniu strukturalnym neuronowym TensorFlow tworzy rozszerzony zestaw danych szkoleniowych w oparciu o naturalne dane graficzne?
- Jaki jest interfejs API sąsiadów pakietu w uczeniu się o strukturze neuronowej TensorFlow?
Zobacz więcej pytań i odpowiedzi w EITC/AI/TFF TensorFlow Fundamentals