Neural Structured Learning (NSL) нь Google-ийн боловсруулсан машин сургалтын систем бөгөөд стандарт функцын оролтоос гадна бүтэцлэгдсэн дохиог ашиглан мэдрэлийн сүлжээг сургах боломжийг олгодог. Энэ хүрээ нь загвар гүйцэтгэлийг сайжруулахын тулд хөшүүрэг болох өвөрмөц бүтэцтэй өгөгдөлтэй хувилбаруудад ялангуяа ашигтай байдаг. Муур, нохойн олон зурагтай нөхцөлд NSL-ийг сургалтын үйл явцад дүрс хоорондын харилцааг оруулах замаар сургалтын үйл явцыг сайжруулахад ашиглаж болно.
Энэ тохиолдолд NSL-ийг ашиглах нэг арга бол график зохицуулалтыг ашиглах явдал юм. Графикийг цэгцлэх нь зангилаанууд нь өгөгдлийн цэгүүдийг (энэ тохиолдолд муур, нохойны зураг), ирмэгүүд нь өгөгдлийн цэгүүдийн хоорондын хамаарлыг илэрхийлдэг графикийг бүтээх явдал юм. Графикийн ирмэгээр харагдахуйц төстэй зургуудыг холбох гэх мэт зургуудын ижил төстэй байдалд үндэслэн эдгээр харилцааг тодорхойлж болно. Энэхүү графикийн бүтцийг сургалтын процесст оруулснаар NSL нь зураг хоорондын харилцааг хүндэтгэдэг дүрслэлд суралцахад дэмжлэг үзүүлж, ерөнхий ойлголт, бат бөх байдлыг сайжруулахад хүргэдэг.
График зохицуулалт бүхий NSL ашиглан мэдрэлийн сүлжээг сургахдаа загвар нь зөвхөн зургийн түүхий пикселийн утгуудаас гадна графикт кодлогдсон хамаарлаас суралцдаг. Энэ нь загварт үл үзэгдэх өгөгдлүүдийг илүү сайн нэгтгэхэд тусалж чадна, учир нь энэ нь зөвхөн бие даасан жишээнүүдээс гадна өгөгдлийн үндсэн бүтцийг олж авч сурдаг. Муур, нохойн зургийн контекстэд энэ нь загвар нь анги тус бүрийн онцлог шинж чанаруудыг сурч мэдсэн боловч график дахь харилцаанд тулгуурлан хоёр ангийн ижил төстэй болон ялгааг олж авдаг гэсэн үг юм.
NSL нь одоо байгаа зураг дээр үндэслэн шинэ зураг үүсгэж чадах уу гэсэн асуултад хариулахын тулд NSL өөрөө шинэ зураг үүсгэдэггүй гэдгийг тодруулах нь чухал юм. Үүний оронд NSL нь сургалтын үйл явцад график харилцаа гэх мэт бүтэцлэгдсэн дохиог оруулах замаар мэдрэлийн сүлжээний сургалтын үйл явцыг сайжруулахад ашиглагддаг. NSL-ийн зорилго нь шинэ өгөгдлийн цэг үүсгэхээс илүүтэйгээр загварт өгсөн өгөгдлөөсөө суралцах чадварыг сайжруулах явдал юм.
NSL-ийг муур, нохойн зураг гэх мэт бүтэцтэй харилцаатай өгөгдлийн багц дээр мэдрэлийн сүлжээг сургахад ашиглаж, өгөгдлийн үндсэн бүтцийг олж авахын тулд график зохицуулалтыг оруулж болно. Энэ нь өгөгдлийн түүхий шинж чанараас гадна өгөгдлийн цэгүүдийн хоорондын хамаарлыг ашиглан загварын гүйцэтгэл, ерөнхий ойлголтыг сайжруулахад хүргэдэг.
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