Neural Structured Learning (NSL) нь стандарт функцын оролтоос гадна бүтэцлэгдсэн дохиог ашиглан мэдрэлийн сүлжээг сургах боломжийг олгодог TensorFlow дахь хүрээ юм. Бүтэцлэгдсэн дохиог график хэлбэрээр дүрсэлж болох ба зангилаанууд нь тохиолдлуудад тохирч, ирмэгүүд нь тэдгээрийн хоорондох харилцааг тогтоодог. Эдгээр графикууд нь ижил төстэй байдал, шатлал, ойрын байдал гэх мэт янз бүрийн төрлийн мэдээллийг кодлоход ашиглагдаж, мэдрэлийн сүлжээг сургах үйл явцыг хэвийн болгоход ашиглаж болно.
Neural Structured Learning дахь бүтцийн оролтыг мэдрэлийн сүлжээний сургалтыг хэвийн болгоход үнэхээр ашиглаж болно. Сургалтын явцад графикт суурилсан мэдээллийг нэгтгэснээр NSL нь загварт зөвхөн түүхий оролтын өгөгдлөөс гадна графикт кодлогдсон хамаарлаас суралцах боломжийг олгодог. Мэдээллийн энэхүү нэмэлт эх сурвалж нь ялангуяа шошготой өгөгдөл хязгаарлагдмал эсвэл чимээ шуугиантай тохиолдолд загварын ерөнхий чадварыг сайжруулахад тусална.
Бүтцийн оролтыг зохицуулахад ашиглах нийтлэг арга бол графикийг зохицуулах арга техникийг ашиглах явдал юм. Графикийн зохицуулалт нь графикийн бүтцийг хүндэтгэдэг шигтгээ үүсгэх загварыг дэмждэг бөгөөд ингэснээр сурсан дүрслэлд жигд, тууштай байдлыг дэмждэг. Энэхүү зохицуулалтын нэр томъёог ихэвчлэн сургалтын явцад алдагдлын функцэд нэмж, хүлээгдэж буй графикт суурилсан харилцаанаас хазайлтыг шийтгэдэг.
Жишээлбэл, баримт бичгийн ангилалд зориулж мэдрэлийн сүлжээг сургаж байгаа хувилбарыг авч үзье. Баримт бичгийн текстийн агуулгаас гадна тэдгээрийн агуулгад үндэслэн баримт бичгийн ижил төстэй байдлын талаарх мэдээлэл танд бий. Зангилаанууд нь баримт бичгийг, ирмэгүүд нь ижил төстэй байдлын харилцааг илэрхийлдэг графикийг байгуулснаар та сургалтын үйл явцыг удирдан чиглүүлэхийн тулд энэхүү бүтцийн оролтыг NSL-д оруулах боломжтой. Дараа нь загвар нь баримт бичгүүдийг агуулгаар нь ангилаад зогсохгүй графикт кодлогдсон баримт бичгийн ижил төстэй байдлыг харгалзан үзэж сурах боломжтой.
Цаашилбал, бүтцийн оруулга нь нийгмийн сүлжээ, ишлэлийн сүлжээ эсвэл биологийн сүлжээ гэх мэт байгалийн график бүтцийг харуулсан хувилбаруудад ялангуяа ашигтай байж болно. Өгөгдөл дэх төрөлхийн харилцааг графикаар олж авснаар NSL нь сургалтын үйл явцыг тогтмолжуулж, эдгээр харилцааг ашиглахтай холбоотой ажлуудын загварын гүйцэтгэлийг сайжруулахад тусална.
Neural Structured Learning дахь бүтцийн оролтыг түүхий оролтын өгөгдлийг нөхөх графикт суурилсан мэдээллийг нэгтгэх замаар мэдрэлийн сүлжээний сургалтыг тогтмолжуулахад үр дүнтэй ашиглаж болно. Энэхүү зохицуулалтын арга нь загварт ерөнхий ойлголт өгөх чадвар, гүйцэтгэлийг сайжруулж, ялангуяа бүтэцлэгдсэн дохиог ашиглах боломжтой хувилбаруудад суралцахад үнэ цэнэтэй ойлголтыг өгч чадна.
Сүүлийн үеийн бусад асуулт, хариулт EITC/AI/TFF TensorFlow Fundamentals:
- Хэрхэн оруулах давхаргыг ашиглан үгсийг вектор болгон дүрслэх графикт тохирох тэнхлэгүүдийг автоматаар хуваарилах вэ?
- CNN-д хамгийн их нөөц бүрдүүлэх зорилго юу вэ?
- Хувирмал мэдрэлийн сүлжээ (CNN) дахь шинж чанарыг задлах процессыг дүрсийг танихад хэрхэн ашигладаг вэ?
- TensorFlow.js дээр ажиллаж байгаа машин сургалтын загваруудад асинхрон сургалтын функцийг ашиглах шаардлагатай юу?
- TensorFlow Keras Tokenizer API үгийн хамгийн их тооны параметр хэд вэ?
- TensorFlow Keras Tokenizer API-г хамгийн түгээмэл үгсийг олоход ашиглаж болох уу?
- TOCO гэж юу вэ?
- Машин сургалтын загвар дахь хэд хэдэн эрин үе ба загварыг ажиллуулахаас урьдчилан таамаглах нарийвчлалын хооронд ямар хамааралтай вэ?
- TensorFlow-ийн мэдрэлийн бүтэцтэй сургалтын API-тай хөрш зэргэлдээх багц нь байгалийн график өгөгдөл дээр суурилсан сургалтын нэмэгдүүлсэн мэдээллийн багц үүсгэдэг үү?
- TensorFlow-ийн мэдрэлийн бүтэцтэй сургалтын програмын хөршүүдийн API гэж юу вэ?
Бусад асуулт, хариултыг EITC/AI/TFF TensorFlow Fundamentals-аас үзнэ үү