Neural Structured Learning (NSL) یک چارچوب یادگیری ماشینی است که توسط Google توسعه یافته است که امکان آموزش شبکه های عصبی را با استفاده از سیگنال های ساخت یافته علاوه بر ورودی های ویژگی استاندارد فراهم می کند. این چارچوب به ویژه در سناریوهایی مفید است که داده ها دارای ساختار ذاتی هستند که می تواند برای بهبود عملکرد مدل مورد استفاده قرار گیرد. در زمینه داشتن تصاویر بسیاری از گربهها و سگها، NSL را میتوان برای بهبود فرآیند یادگیری با ترکیب روابط بین تصاویر در فرآیند آموزش به کار برد.
یکی از راه هایی که NSL را می توان در این سناریو اعمال کرد، استفاده از تنظیم گراف است. منظمسازی نمودار شامل ساختن نموداری است که در آن گرهها نقاط داده را نشان میدهند (تصاویر گربهها و سگها در این مورد) و لبهها روابط بین نقاط داده را نشان میدهند. این روابط را می توان بر اساس شباهت بین تصاویر تعریف کرد، مانند تصاویری که از نظر بصری مشابه هستند که توسط یک لبه در نمودار به هم متصل می شوند. با گنجاندن این ساختار نمودار در فرآیند آموزش، NSL مدل را تشویق میکند تا بازنماییهایی را بیاموزد که به روابط بین تصاویر احترام بگذارد، که منجر به تعمیم و استحکام بهتر میشود.
هنگام آموزش یک شبکه عصبی با استفاده از NSL با تنظیم گراف، مدل نه تنها از مقادیر پیکسل خام تصاویر بلکه از روابط کدگذاری شده در نمودار نیز یاد میگیرد. این می تواند به مدل کمک کند تا بهتر به داده های دیده نشده تعمیم دهد، زیرا می آموزد که ساختار زیربنایی داده ها را فراتر از نمونه های فردی ثبت کند. در زمینه تصاویر گربهها و سگها، این میتواند به این معنا باشد که مدل ویژگیهایی را میآموزد که مختص هر کلاس است، اما شباهتها و تفاوتهای بین دو کلاس را بر اساس روابط موجود در نمودار نیز ثبت میکند.
برای پاسخ به این سوال که آیا NSL می تواند تصاویر جدیدی را بر اساس تصاویر موجود تولید کند، باید روشن شود که NSL خود تصاویر جدیدی تولید نمی کند. در عوض، NSL برای بهبود فرآیند آموزش شبکه عصبی با ترکیب سیگنالهای ساختاریافته، مانند روابط گراف، در فرآیند یادگیری استفاده میشود. هدف NSL بهبود توانایی مدل برای یادگیری از داده های ارائه شده به جای ایجاد نقاط داده جدید است.
NSL را میتوان برای آموزش شبکههای عصبی روی مجموعههای داده با روابط ساختاریافته، مانند تصاویر گربهها و سگها، با ترکیب نظمدهی گراف برای ثبت ساختار زیربنایی دادهها، اعمال کرد. این میتواند با استفاده از روابط بین نقاط داده علاوه بر ویژگیهای خام دادهها، منجر به بهبود عملکرد و تعمیم مدل شود.
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