Neuralno strukturirano učenje (NSL) je okvir za strojno učenje koji je razvio Google koji omogućava obuku neuronskih mreža koristeći strukturirane signale pored standardnih ulaza funkcija. Ovaj okvir je posebno koristan u scenarijima gdje podaci imaju inherentnu strukturu koja se može iskoristiti za poboljšanje performansi modela. U kontekstu velikog broja slika mačaka i pasa, NSL se može primijeniti za poboljšanje procesa učenja uključivanjem odnosa između slika u proces treninga.
Jedan od načina na koji se NSL može primijeniti u ovom scenariju je korištenje regularizacije grafa. Regulizacija grafa uključuje konstruisanje grafa gde čvorovi predstavljaju tačke podataka (u ovom slučaju slike mačaka i pasa), a ivice predstavljaju odnose između tačaka podataka. Ovi odnosi se mogu definisati na osnovu sličnosti između slika, kao što su slike koje su vizuelno slične povezane ivicom u grafu. Ugrađivanjem ove strukture grafa u proces obuke, NSL potiče model da nauči reprezentacije koje poštuju odnose između slika, što dovodi do poboljšane generalizacije i robusnosti.
Kada trenira neuronsku mrežu koristeći NSL sa regularizacijom grafa, model uči ne samo iz sirovih vrijednosti piksela slika već i iz odnosa kodiranih u grafu. Ovo može pomoći modelu da bolje generalizira na nevidljive podatke, jer uči da uhvati temeljnu strukturu podataka izvan samo pojedinačnih primjera. U kontekstu slika mačaka i pasa, to bi moglo značiti da model uči karakteristike koje su specifične za svaku klasu, ali također bilježi sličnosti i razlike između dvije klase na osnovu odnosa u grafikonu.
Da bismo odgovorili na pitanje može li NSL proizvesti nove slike na temelju postojećih slika, važno je pojasniti da sam NSL ne stvara nove slike. Umjesto toga, NSL se koristi za poboljšanje procesa obuke neuronske mreže ugrađivanjem strukturiranih signala, kao što su odnosi grafova, u proces učenja. Cilj NSL-a je poboljšati sposobnost modela da uči iz podataka koje daje, umjesto da generiše nove podatke.
NSL se može primijeniti na obuku neuronskih mreža na skupovima podataka sa strukturiranim odnosima, kao što su slike mačaka i pasa, uključivanjem regularizacije grafova kako bi se uhvatila osnovna struktura podataka. Ovo može dovesti do poboljšanih performansi modela i generalizacije korištenjem odnosa između tačaka podataka uz sirove karakteristike podataka.
Ostala nedavna pitanja i odgovori u vezi Osnove EITC/AI/TFF TensorFlow:
- Kako se može koristiti sloj za ugrađivanje da se automatski dodijele odgovarajuće ose za dijagram reprezentacije riječi kao vektora?
- Koja je svrha maksimalnog udruživanja u CNN?
- Kako se proces izdvajanja karakteristika u konvolucionoj neuronskoj mreži (CNN) primjenjuje na prepoznavanje slika?
- Da li je potrebno koristiti funkciju asinhronog učenja za modele mašinskog učenja koji rade u TensorFlow.js?
- Koji je parametar maksimalnog broja riječi TensorFlow Keras Tokenizer API-ja?
- Može li se TensorFlow Keras Tokenizer API koristiti za pronalaženje najčešćih riječi?
- Šta je TOCO?
- Kakav je odnos između brojnih epoha u modelu mašinskog učenja i tačnosti predviđanja iz pokretanja modela?
- Da li API susjednih paketa u Neural Structured Learning TensorFlow-u proizvodi prošireni skup podataka za obuku zasnovan na podacima prirodnog grafa?
- Šta je API susjeda paketa u neuronskom strukturiranom učenju TensorFlow-a?
Pogledajte više pitanja i odgovora u EITC/AI/TFF TensorFlow Fundamentals