Fêrbûna Structured Neural (NSL) di TensorFlow de çarçoveyek e ku destûrê dide perwerdehiya torên neuralî ku bi karanîna sînyalên birêkûpêk ji bilî têketinên taybetmendiya standard bikar tînin. Nîşaneyên birêkûpêk dikarin wekî grafîkan bêne destnîşan kirin, ku girêk bi mînakan re têkildar in û qerax têkiliyên di navbera wan de digirin. Van grafîkan dikarin ji bo şîfrekirina cûrbecûr agahdariyan, wekî wekhevî, hiyerarşî, an nêzikbûn werin bikar anîn, û dikarin werin bikar anîn da ku pêvajoya perwerdehiya torên neuralî bi rêkûpêk bikin.
Ketina strukturê di Fêrbûna Structured Neural de bi rastî dikare ji bo rêkûpêkkirina perwerdehiya tora neuralî were bikar anîn. Bi tevlêkirina agahdariya bingehîn a grafiyê di dema perwerdehiyê de, NSL dihêle ku model ne tenê ji daneyên têketina xav lê di heman demê de ji têkiliyên ku di grafê de kodkirî jî fêr bibe. Vê çavkaniya agahdariyê ya zêde dikare alîkariya baştirkirina kapasîteyên giştîkirina modelê bike, nemaze di senaryoyên ku daneya binavkirî tixûbdar an dengdar e.
Yek awayê hevpar ku meriv têketina strukturê ji bo rêkûpêkkirinê bi kar tîne bi karanîna teknîkên rêkûpêkkirina grafîkê ye. Birêkûpêkkirina grafîkê modelê teşwîq dike ku vehewandinan çêbike ku rêzê li strûktûra grafîkê digire, bi vî rengî di temsîlên fêrbûyî de nermbûn û hevgirtinê pêşve dike. Ev têgîna rêkûpêkkirinê bi gelemperî di dema perwerdehiyê de li fonksiyona windakirinê tê zêdekirin, û veqetînên ji têkiliyên bingehîn-grafîk ên bendewar ceza dike.
Mînakî, senaryoyek ku hûn ji bo dabeşkirina belgeyê torgilokek neuralî perwerde dikin bifikirin. Ji bilî naveroka nivîsê ya belgeyan, di heman demê de agahdariya we li ser wekheviya belgeyan li gorî naveroka wan heye. Bi avakirina grafiyek ku girêk belgeyan temsîl dikin û qerax jî têkiliyên wekheviyê temsîl dikin, hûn dikarin vê têketina strukturê di NSL-yê de tevbigerin da ku rêberiya pêvajoya fêrbûnê bike. Dûv re model dikare fêr bibe ku ne tenê belgeyan li gorî naveroka wan dabeş bike lê di heman demê de wekheviyên belgeyên ku di grafikê de têne kod kirin jî hesab bike.
Wekî din, têketina strukturê dikare bi taybetî di senaryoyên ku dane avahiyek grafikek xwezayî nîşan dide, wekî torên civakî, torgilokên vegotinê, an torên biyolojîkî, bi taybetî sûdmend be. Bi girtina têkiliyên xwerû yên di daneyê de bi riya grafîkê, NSL dikare bibe alîkar ku pêvajoya perwerdehiyê bi rêkûpêk bike û performansa modelê li ser peywirên ku bi karanîna van têkiliyan vedihewîne baştir bike.
Ketina strukturê di Fêrbûna Structured Neural de dikare bi bandor were bikar anîn da ku perwerdehiya tora neuralî bi rêkûpêk bike bi tevlêkirina agahdariya grafîkî ya ku daneyên têketina xav temam dike. Ev teknîka rêkûpêkkirinê dikare kapasîteyên giştîkirin û performansa modelê zêde bike, nemaze di senaryoyên ku nîşaneyên birêkûpêk hene û dikare ji bo fêrbûnê nihêrînên hêja peyda bike.
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