Neural Structured Learning (NSL) és un marc de TensorFlow que permet l'entrenament de xarxes neuronals utilitzant senyals estructurats a més de les entrades de característiques estàndard. Els senyals estructurats es poden representar com a gràfics, on els nodes corresponen a instàncies i les vores capturen relacions entre ells. Aquests gràfics es poden utilitzar per codificar diversos tipus d'informació, com ara la semblança, la jerarquia o la proximitat, i es poden aprofitar per regularitzar el procés d'entrenament de les xarxes neuronals.
L'entrada d'estructura a l'aprenentatge estructurat neuronal es pot utilitzar per regularitzar l'entrenament d'una xarxa neuronal. En incorporar la informació basada en gràfics durant l'entrenament, NSL permet que el model aprengui no només de les dades d'entrada en brut, sinó també de les relacions codificades al gràfic. Aquesta font addicional d'informació pot ajudar a millorar les capacitats de generalització del model, especialment en escenaris on les dades etiquetades són limitades o sorolloses.
Una manera habitual d'aprofitar l'entrada de l'estructura per a la regularització és mitjançant l'ús de tècniques de regularització de gràfics. La regularització del gràfic anima el model a produir incrustacions que respectin l'estructura del gràfic, afavorint així la suavitat i la coherència en les representacions apreses. Aquest terme de regularització s'afegeix normalment a la funció de pèrdua durant l'entrenament, penalitzant les desviacions de les relacions esperades basades en gràfics.
Per exemple, considereu un escenari en què esteu entrenant una xarxa neuronal per a la classificació de documents. A més del contingut de text dels documents, també teniu informació sobre la similitud entre documents en funció del seu contingut. En construir un gràfic on els nodes representen documents i les vores representen relacions de semblança, podeu incorporar aquesta entrada d'estructura a NSL per guiar el procés d'aprenentatge. Aleshores, el model pot aprendre no només a classificar els documents en funció del seu contingut, sinó també a tenir en compte les similituds de documents codificades al gràfic.
A més, l'entrada d'estructura pot ser especialment beneficiosa en escenaris on les dades presenten una estructura de gràfics naturals, com ara xarxes socials, xarxes de citacions o xarxes biològiques. En capturar les relacions inherents a les dades a través del gràfic, NSL pot ajudar a regularitzar el procés d'entrenament i millorar el rendiment del model en tasques que impliquen explotar aquestes relacions.
L'entrada d'estructura a l'aprenentatge estructurat neuronal es pot utilitzar de manera efectiva per regularitzar l'entrenament d'una xarxa neuronal incorporant informació basada en gràfics que complementa les dades d'entrada en brut. Aquesta tècnica de regularització pot millorar les capacitats de generalització i el rendiment del model, especialment en escenaris on hi ha senyals estructurats disponibles i pot proporcionar informació valuosa per a l'aprenentatge.
Altres preguntes i respostes recents sobre Fonaments de TensorFlow de l’EITC/AI/TFF:
- Com es pot utilitzar una capa d'incrustació per assignar automàticament eixos adequats per a una trama de representació de paraules com a vectors?
- Quin és l'objectiu de la agrupació màxima en una CNN?
- Com s'aplica el procés d'extracció de característiques en una xarxa neuronal convolucional (CNN) al reconeixement d'imatges?
- És necessari utilitzar una funció d'aprenentatge asíncrona per als models d'aprenentatge automàtic que s'executen a TensorFlow.js?
- Quin és el paràmetre del nombre màxim de paraules de l'API TensorFlow Keras Tokenizer?
- Es pot utilitzar l'API TensorFlow Keras Tokenizer per trobar les paraules més freqüents?
- Què és TOCO?
- Quina relació hi ha entre diverses èpoques en un model d'aprenentatge automàtic i la precisió de la predicció a partir de l'execució del model?
- L'API de pack neighbors a Neural Structured Learning de TensorFlow produeix un conjunt de dades d'entrenament augmentat basat en dades de gràfics naturals?
- Què és l'API pack neighbors en Neural Structured Learning de TensorFlow?
Vegeu més preguntes i respostes a EITC/AI/TFF TensorFlow Fundamentals