Fêrbûna Structured Neural (NSL) çarçoveyek fêrbûna makîneyê ye ku nîşanên sazkirî di pêvajoya perwerdehiyê de yek dike. Van îşaretên birêkûpêk bi gelemperî wekî grafîkan têne destnîşan kirin, ku girêk bi mînakan an taybetmendiyan re têkildar in, û qerax têkilî an wekheviyên di navbera wan de digirin. Di çarçoweya TensorFlow de, NSL dihêle hûn di dema perwerdehiya torên neuralî de teknîkên birêkûpêkkirina grafîkê tevbigerin, agahdariya ku di grafîkê de hatî kod kirin bikar bînin da ku giştîkirina modelê û bihêzbûnê baştir bikin.
Pirsa hevpar a ku derdikeve ev e gelo NSL dikare bi daneyên ku ji bo wan grafiyek xwezayî tune were bikar anîn an na. Bersiv erê ye, NSL hîn jî dikare bi bandor were sepandin jî dema ku di daneyê de grafiyek eşkere tune be. Di rewşên weha de, hûn dikarin grafiyek li ser bingeha sazûman an têkiliyên xwerû yên daneyê ava bikin. Mînakî, di karên dabeşkirina nivîsê de, hûn dikarin grafiyek ava bikin ku tê de girêk peyvan an hevokan temsîl dikin, û qerax wekheviya semantîkî an şêwazên hev-rûbûnê destnîşan dikin.
Digel vê yekê, NSL nermbûnek peyda dike ku mekanîzmayên avakirina grafikên xwerû yên ku li gorî taybetmendiyên taybetî yên daneyê hatine veqetandin diyar bike. Ev rê dide we ku hûn zanyarî an girêdanên taybetî yên domainê bigirin ku dibe ku tenê ji taybetmendiyên têketina xav ne diyar bin. Bi tevlêkirina zanyariyên weha yên domainê di pêvajoya perwerdehiyê de, NSL dihêle tora neuralî ji daneyan bi bandortir fêr bibe û pêşbîniyên çêtir çêbike.
Di senaryoyên ku grafîkek xwezayî tune an jî bi hêsanî peyda dibe, NSL amûrek hêzdar pêşkêşî dike ku pêvajoya fêrbûnê bi danasîna îşaretên birêkûpêk ên ku agahdariya hêja şîfre dikin ji tiştên ku taybetmendiyên xav dikarin ragihînin wêdetir peyda bike. Ev dikare bibe sedema baştirkirina performansa modelê, nemaze di peywiran de ku têkilî an girêdanên di navbera mînakan de di rastbûna pêşbîniyê de rolek girîng dileyzin.
Ji bo ku vê têgehê bêtir ronî bikin, pergalek pêşniyarê bifikirin ku bikarhêner bi tiştan re têkilî daynin. Her çend daneyên xav dibe ku ji danûstendinên bikarhêner-tişt pêk were, bêyî temsîla grafîkî ya eşkere, NSL dikare grafiyek ava bike ku bikarhêner û hêman nod in ku bi keviyan ve girêdayî ne ku têkiliyan destnîşan dikin. Bi perwerdekirina modela pêşniyarê bi vê rêkûpêkkirina grafikê re, pergal dikare têkiliyên nepenî yên di navbera bikarhêner û tiştan de bixebite da ku pêşnîyarên kesane û rasttir bike.
Fêrbûna Structured Neural dikare bi daneyên ku grafîkek xwezayî tune ye bi çêkirina grafikên xwerû yên li ser bingeha strukturên xwerû yên daneyê an zanîna taybetî ya domainê bi bandor were bikar anîn. Ev nêzîkatî pêvajoya fêrbûnê bi tevlêkirina îşaretên birêkûpêk ên hêja zêde dike, ku di karên cihêreng ên fêrbûna makîneyê de rê li ber giştîkirina model û performansê çêtir dike.
Pirs û bersivên din ên vê dawiyê di derbarê Bingehîn TensorFlow EITC/AI/TFF:
- Meriv çawa dikare qatek binavkirî bikar bîne da ku bixweber axên rast ji bo nexşeyek nûnertiya peyvan wekî vektor destnîşan bike?
- Armanca berhevkirina max di CNN de çi ye?
- Pêvajoya derxistina taybetmendiyê di tora neuralî ya hevgirtî (CNN) de ji bo naskirina wêneyê çawa tê sepandin?
- Ma pêdivî ye ku ji bo modelên fêrbûna makîneyê yên ku li TensorFlow.js têne xebitandin fonksiyonek fêrbûna asynkron bikar bînin?
- Parametreya herî zêde ya peyvan a TensorFlow Keras Tokenizer API çi ye?
- Ma TensorFlow Keras Tokenizer API dikare were bikar anîn da ku peyvên herî pir caran bibîne?
- TOCO çi ye?
- Têkiliya di navbera çend serdeman de di modelek fêrbûna makîneyê de û rastbûna pêşbîniya ji xebitandina modelê de çi ye?
- Ma API-ya cîranên pakêtê di Fêrbûna Structured Neural of TensorFlow de li ser bingeha daneya grafika xwezayî danûstendinek perwerdehiya zêdekirî çêdike?
- API-ya cîranên pakêtê di Fêrbûna Structured Neural of TensorFlow de çi ye?
Pir pirs û bersivan di EITC/AI/TFF TensorFlow Fundamentals de bibînin