Нейронное структурированное обучение (NSL) — это платформа машинного обучения, разработанная Google, которая позволяет обучать нейронные сети с использованием структурированных сигналов в дополнение к стандартным входным функциям. Эта структура особенно полезна в сценариях, где данные имеют собственную структуру, которую можно использовать для повышения производительности модели. В контексте наличия большого количества изображений кошек и собак NSL можно применять для улучшения процесса обучения за счет включения взаимосвязей между изображениями в процесс обучения.
Одним из способов применения NSL в этом сценарии является использование регуляризации графа. Регуляризация графа включает в себя построение графа, в котором узлы представляют точки данных (в данном случае изображения кошек и собак), а ребра представляют отношения между точками данных. Эти отношения могут быть определены на основе сходства между изображениями, например изображения, которые визуально похожи, будучи соединены ребром в графе. Включив эту структуру графа в процесс обучения, NSL поощряет модель изучать представления, которые учитывают отношения между изображениями, что приводит к улучшению обобщения и надежности.
При обучении нейронной сети с использованием NSL с регуляризацией графа модель обучается не только на необработанных значениях пикселей изображений, но и на отношениях, закодированных в графе. Это может помочь модели лучше обобщать невидимые данные, поскольку она учится улавливать основную структуру данных, выходя за рамки отдельных примеров. В контексте изображений кошек и собак это может означать, что модель изучает особенности, специфичные для каждого класса, но также фиксирует сходства и различия между двумя классами на основе отношений на графике.
Чтобы ответить на вопрос, может ли NSL создавать новые изображения на основе существующих изображений, важно уточнить, что сама NSL не создает новые изображения. Вместо этого NSL используется для улучшения процесса обучения нейронной сети за счет включения в процесс обучения структурированных сигналов, таких как графические отношения. Цель NSL — улучшить способность модели учиться на предоставленных ей данных, а не генерировать новые точки данных.
NSL можно применять для обучения нейронных сетей на наборах данных со структурированными отношениями, таких как изображения кошек и собак, путем включения регуляризации графов для захвата базовой структуры данных. Это может привести к повышению производительности модели и ее обобщению за счет использования связей между точками данных в дополнение к необработанным характеристикам данных.
Другие недавние вопросы и ответы, касающиеся Основы EITC/AI/TFF TensorFlow:
- Как можно использовать слой внедрения для автоматического назначения правильных осей для графика представления слов в виде векторов?
- Какова цель максимального объединения в CNN?
- Как процесс извлечения признаков в сверточной нейронной сети (CNN) применяется для распознавания изображений?
- Необходимо ли использовать функцию асинхронного обучения для моделей машинного обучения, работающих в TensorFlow.js?
- Каково максимальное количество слов в API TensorFlow Keras Tokenizer?
- Можно ли использовать API TensorFlow Keras Tokenizer для поиска наиболее часто встречающихся слов?
- Что такое ТОКО?
- Какова связь между количеством эпох в модели машинного обучения и точностью прогноза при запуске модели?
- Создает ли API соседей пакета в нейронном структурированном обучении TensorFlow расширенный набор обучающих данных на основе данных естественного графа?
- Что такое API соседей пакета в нейронном структурированном обучении TensorFlow?
Посмотреть больше вопросов и ответов в EITC/AI/TFF TensorFlow Fundamentals