Neural Structured Learning (NSL) est un cadre d'apprentissage automatique développé par Google qui permet la formation de réseaux de neurones à l'aide de signaux structurés en plus des entrées de fonctionnalités standard. Ce cadre est particulièrement utile dans les scénarios dans lesquels les données ont une structure inhérente qui peut être exploitée pour améliorer les performances du modèle. Dans le contexte de nombreuses photos de chats et de chiens, NSL peut être appliqué pour améliorer le processus d’apprentissage en intégrant les relations entre les images dans le processus de formation.
Une façon dont NSL peut être appliquée dans ce scénario consiste à utiliser la régularisation des graphes. La régularisation de graphique implique la construction d'un graphique dans lequel les nœuds représentent des points de données (des images de chats et de chiens dans ce cas) et les bords représentent les relations entre les points de données. Ces relations peuvent être définies en fonction de la similarité entre les images, par exemple des images visuellement similaires reliées par un bord dans le graphique. En incorporant cette structure graphique dans le processus de formation, NSL encourage le modèle à apprendre des représentations qui respectent les relations entre les images, conduisant à une généralisation et une robustesse améliorées.
Lors de la formation d'un réseau neuronal à l'aide de NSL avec régularisation de graphe, le modèle apprend non seulement des valeurs brutes de pixels des images, mais également des relations codées dans le graphe. Cela peut aider le modèle à mieux généraliser les données invisibles, car il apprend à capturer la structure sous-jacente des données au-delà de simples exemples individuels. Dans le contexte d'images de chats et de chiens, cela pourrait signifier que le modèle apprend des caractéristiques spécifiques à chaque classe, mais capture également les similitudes et les différences entre les deux classes en fonction des relations dans le graphique.
Pour répondre à la question de savoir si NSL peut produire de nouvelles images à partir d’images existantes, il est important de préciser que NSL lui-même ne génère pas de nouvelles images. Au lieu de cela, NSL est utilisé pour améliorer le processus de formation d'un réseau neuronal en incorporant des signaux structurés, tels que des relations graphiques, dans le processus d'apprentissage. L'objectif de NSL est d'améliorer la capacité du modèle à apprendre des données fournies, plutôt que de générer de nouveaux points de données.
NSL peut être appliqué à la formation de réseaux neuronaux sur des ensembles de données avec des relations structurées, telles que des images de chats et de chiens, en incorporant une régularisation graphique pour capturer la structure sous-jacente des données. Cela peut conduire à une amélioration des performances et à la généralisation du modèle en exploitant les relations entre les points de données en plus des caractéristiques brutes des données.
D'autres questions et réponses récentes concernant Principes de base de TensorFlow EITC/AI/TFF:
- Comment peut-on utiliser une couche d'intégration pour attribuer automatiquement les axes appropriés pour un tracé de représentation de mots sous forme de vecteurs ?
- Quel est le but du pooling maximum dans un CNN ?
- Comment le processus d’extraction de caractéristiques dans un réseau neuronal convolutif (CNN) est-il appliqué à la reconnaissance d’images ?
- Est-il nécessaire d'utiliser une fonction d'apprentissage asynchrone pour les modèles de machine learning exécutés dans TensorFlow.js ?
- Quel est le paramètre de nombre maximum de mots de l'API TensorFlow Keras Tokenizer ?
- L'API TensorFlow Keras Tokenizer peut-elle être utilisée pour rechercher les mots les plus fréquents ?
- Qu’est-ce que TOCO ?
- Quelle est la relation entre un certain nombre d'époques dans un modèle d'apprentissage automatique et la précision des prédictions issues de l'exécution du modèle ?
- L'API Pack Neighbours dans Neural Structured Learning de TensorFlow produit-elle un ensemble de données d'entraînement augmenté basé sur des données graphiques naturelles ?
- Qu'est-ce que l'API Pack Neighbours dans l'apprentissage structuré neuronal de TensorFlow ?
Voir plus de questions et réponses dans EITC/AI/TFF TensorFlow Fundamentals
Plus de questions et réponses :
- Champ: Intelligence artificielle
- Programme: Principes de base de TensorFlow EITC/AI/TFF (accéder au programme de certification)
- Leçon: Apprentissage structuré neuronal avec TensorFlow (aller à la leçon correspondante)
- Topic: Présentation du cadre d'apprentissage structuré neuronal (aller au sujet connexe)