Neural Structured Learning (NSL) er en maskinlæringsramme udviklet af Google, der giver mulighed for træning af neurale netværk ved hjælp af strukturerede signaler ud over standardfunktionsinput. Denne ramme er især nyttig i scenarier, hvor dataene har en iboende struktur, der kan udnyttes til at forbedre modellens ydeevne. I forbindelse med at have mange billeder af katte og hunde, kan NSL anvendes til at forbedre læringsprocessen ved at inkorporere relationer mellem billederne i træningsprocessen.
En måde NSL kan anvendes i dette scenarie er ved brug af grafregularisering. Grafregularisering involverer at konstruere en graf, hvor noder repræsenterer datapunkter (billeder af katte og hunde i dette tilfælde), og kanter repræsenterer relationer mellem datapunkterne. Disse relationer kan defineres baseret på lighed mellem billeder, såsom billeder, der er visuelt ens, er forbundet med en kant i grafen. Ved at inkorporere denne grafstruktur i træningsprocessen tilskynder NSL modellen til at lære repræsentationer, der respekterer forholdet mellem billederne, hvilket fører til forbedret generalisering og robusthed.
Når man træner et neuralt netværk ved hjælp af NSL med grafregularisering, lærer modellen ikke kun af billedernes rå pixelværdier, men også fra relationerne indkodet i grafen. Dette kan hjælpe modellen til at generalisere bedre til usete data, da den lærer at fange den underliggende struktur af dataene ud over blot individuelle eksempler. I forbindelse med billeder af katte og hunde kan det betyde, at modellen lærer funktioner, der er specifikke for hver klasse, men også fanger ligheder og forskelle mellem de to klasser baseret på relationerne i grafen.
For at besvare spørgsmålet om, hvorvidt NSL kan producere nye billeder baseret på eksisterende billeder, er det vigtigt at præcisere, at NSL ikke selv genererer nye billeder. I stedet bruges NSL til at forbedre træningsprocessen i et neuralt netværk ved at inkorporere strukturerede signaler, såsom grafforhold, i læreprocessen. Målet med NSL er at forbedre modellens evne til at lære af de data, den leveres, i stedet for at generere nye datapunkter.
NSL kan anvendes til at træne neurale netværk på datasæt med strukturerede relationer, såsom billeder af katte og hunde, ved at inkorporere grafregularisering for at fange den underliggende struktur af dataene. Dette kan føre til forbedret modelydeevne og generalisering ved at udnytte relationerne mellem datapunkter ud over de rå funktioner i dataene.
Andre seneste spørgsmål og svar vedr EITC/AI/TFF TensorFlow Fundamentals:
- Hvordan kan man bruge et indlejringslag til automatisk at tildele korrekte akser til et plot af repræsentation af ord som vektorer?
- Hvad er formålet med maksimal pooling i et CNN?
- Hvordan anvendes funktionsudtrækningsprocessen i et konvolutionelt neuralt netværk (CNN) til billedgenkendelse?
- Er det nødvendigt at bruge en asynkron indlæringsfunktion til maskinlæringsmodeller, der kører i TensorFlow.js?
- Hvad er TensorFlow Keras Tokenizer API's maksimale antal ord parameter?
- Kan TensorFlow Keras Tokenizer API bruges til at finde de mest hyppige ord?
- Hvad er TOCO?
- Hvad er forholdet mellem et antal epoker i en maskinlæringsmodel og nøjagtigheden af forudsigelse ved at køre modellen?
- Producerer pakkens nabo-API i Neural Structured Learning af TensorFlow et udvidet træningsdatasæt baseret på naturlige grafdata?
- Hvad er pack neighbours API i Neural Structured Learning af TensorFlow?
Se flere spørgsmål og svar i EITC/AI/TFF TensorFlow Fundamentals