Neural Structured Learning (NSL) چارچوبی در TensorFlow است که امکان آموزش شبکه های عصبی را با استفاده از سیگنال های ساخت یافته علاوه بر ورودی های ویژگی استاندارد می دهد. سیگنال های ساخت یافته را می توان به صورت نمودار نشان داد، جایی که گره ها با نمونه ها مطابقت دارند و یال ها روابط بین آنها را می گیرند. از این نمودارها می توان برای رمزگذاری انواع مختلف اطلاعات مانند شباهت، سلسله مراتب یا مجاورت استفاده کرد و می توان از آنها برای منظم کردن فرآیند آموزش شبکه های عصبی استفاده کرد.
ورودی ساختار در یادگیری ساختاریافته عصبی در واقع می تواند برای منظم کردن آموزش شبکه عصبی مورد استفاده قرار گیرد. با ترکیب اطلاعات مبتنی بر نمودار در طول آموزش، NSL مدل را قادر میسازد تا نه تنها از دادههای ورودی خام، بلکه از روابط کدگذاری شده در نمودار نیز یاد بگیرد. این منبع اطلاعات اضافی میتواند به بهبود قابلیتهای تعمیم مدل کمک کند، بهویژه در سناریوهایی که دادههای برچسبگذاری شده محدود یا پر سر و صدا هستند.
یکی از راههای رایج برای استفاده از ورودی ساختار برای منظمسازی، استفاده از تکنیکهای منظمسازی گراف است. منظمسازی نمودار، مدل را تشویق میکند تا جاسازیهایی را تولید کند که به ساختار نمودار احترام میگذارد، در نتیجه یکنواختی و ثبات در نمایشهای آموختهشده را ارتقا میدهد. این عبارت منظمسازی معمولاً در طول تمرین به تابع ضرر اضافه میشود و انحرافات از روابط مبتنی بر نمودار مورد انتظار را جریمه میکند.
به عنوان مثال، سناریویی را در نظر بگیرید که در آن یک شبکه عصبی را برای طبقه بندی اسناد آموزش می دهید. علاوه بر محتوای متنی اسناد، اطلاعاتی در مورد شباهت بین اسناد بر اساس محتوای آنها نیز دارید. با ساختن نموداری که در آن گرهها اسناد و یالها روابط شباهت را نشان میدهند، میتوانید این ورودی ساختار را در NSL برای هدایت فرآیند یادگیری بگنجانید. سپس مدل میتواند یاد بگیرد که نه تنها اسناد را بر اساس محتوای آنها طبقهبندی کند، بلکه شباهتهای سند کدگذاری شده در نمودار را نیز در نظر بگیرد.
علاوه بر این، ورودی ساختار میتواند به ویژه در سناریوهایی که دادهها ساختار نمودار طبیعی را نشان میدهند، مانند شبکههای اجتماعی، شبکههای استنادی یا شبکههای بیولوژیکی مفید باشد. با گرفتن روابط ذاتی در داده ها از طریق نمودار، NSL می تواند به منظم کردن فرآیند آموزش و بهبود عملکرد مدل در وظایفی که شامل بهره برداری از این روابط است کمک کند.
ورودی ساختار در یادگیری ساختاریافته عصبی میتواند به طور مؤثری برای منظم کردن آموزش شبکه عصبی با ترکیب اطلاعات مبتنی بر نمودار که دادههای ورودی خام را تکمیل میکند، استفاده شود. این تکنیک منظمسازی میتواند قابلیتها و عملکرد تعمیم مدل را افزایش دهد، بهویژه در سناریوهایی که سیگنالهای ساختاریافته در دسترس هستند و میتوانند بینشهای ارزشمندی برای یادگیری ارائه دهند.
سایر پرسش ها و پاسخ های اخیر در مورد اصول EITC/AI/TFF TensorFlow:
- چگونه می توان از یک لایه جاسازی برای اختصاص خودکار محورهای مناسب برای نمودار نمایش کلمات به عنوان بردار استفاده کرد؟
- هدف از تجمع حداکثری در CNN چیست؟
- فرآیند استخراج ویژگی در یک شبکه عصبی کانولوشن (CNN) چگونه برای تشخیص تصویر اعمال می شود؟
- آیا استفاده از تابع یادگیری ناهمزمان برای مدل های یادگیری ماشینی که در TensorFlow.js اجرا می شوند ضروری است؟
- پارامتر حداکثر تعداد کلمات TensorFlow Keras Tokenizer API چیست؟
- آیا می توان از TensorFlow Keras Tokenizer API برای یافتن بیشترین کلمات استفاده کرد؟
- TOCO چیست؟
- رابطه بین تعدادی از دورهها در یک مدل یادگیری ماشینی و دقت پیشبینی از اجرای مدل چیست؟
- آیا بسته همسایه API در Neural Structured Learning TensorFlow یک مجموعه آموزشی تقویت شده بر اساس داده های نمودار طبیعی تولید می کند؟
- بسته همسایه API در یادگیری ساختار عصبی تنسورفلو چیست؟
سوالات و پاسخ های بیشتر را در EITC/AI/TFF TensorFlow Fundamentals مشاهده کنید