Fêrbûna Structured Neural (NSL) çarçoveyek fêrbûna makîneyê ye ku ji hêla Google ve hatî pêşve xistin ku destûrê dide perwerdehiya torên neuralî ku bi karanîna îşaretên birêkûpêk ji bilî têketinên taybetmendiya standard bikar tînin. Ev çarçove bi taybetî di senaryoyên ku dane xwedan avahiyek xwerû ye ku dikare were bikar anîn da ku performansa modelê baştir bike bikêr e. Di çarçoweya hebûna gelek wêneyên pisîk û kûçikan de, NSL dikare were sepandin da ku pêvajoya fêrbûnê zêde bike bi tevlêkirina têkiliyên di navbera wêneyan de di pêvajoya perwerdehiyê de.
Yek awayê ku NSL dikare di vê senaryoyê de were sepandin bi karanîna rêkûpêkkirina grafîkê ye. Birêkûpêkkirina grafîkê bi avakirina grafiyekê ve girêdayî ye ku girêk nuqteyên daneyê (wêneyên pisîk û kûçikan di vê rewşê de) û qerax têkiliyên di navbera xalên daneyê de destnîşan dikin. Van têkiliyan dikarin li ser bingeha wekheviya di navbera wêneyan de bêne diyar kirin, wekî wêneyên ku ji hêla dîtbarî ve dişibin hev, bi xêzek di grafîkê de têne girêdan. Bi tevlêkirina vê strukturê grafikê di pêvajoya perwerdehiyê de, NSL modelê teşwîq dike ku fêrî nûneratiyên ku ji têkiliyên di navbera wêneyan de rêz digirin, rê li ber gelemperîbûn û bihêzbûnê veke.
Dema ku torgilokek neuralî bi karanîna NSL-ya bi rêkûpêkkirina grafîkê ve tê perwerde kirin, model ne tenê ji nirxên pîxelên xav ên wêneyan lê di heman demê de ji têkiliyên ku di grafîkê de têne kod kirin jî fêr dibe. Ev dikare ji modelê re bibe alîkar ku ji daneyên nedîtî re çêtir giştî bike, ji ber ku ew fêr dibe ku strukturên bingehîn ên daneyê ji derveyî mînakên takekesî bigire. Di çarçoveya wêneyên pisîk û kûçikan de, ev dikare were vê wateyê ku model taybetmendiyên ku ji bo her polê taybetî ne fêr dibe lê di heman demê de wekhevî û cûdahiyên di navbera her du çînan de li ser bingeha têkiliyên di grafîkê de jî digire.
Ji bo bersiva pirsa gelo NSL dikare li gorî wêneyên heyî wêneyên nû çêbike, girîng e ku were zelal kirin ku NSL bixwe wêneyên nû çê nake. Di şûna wê de, NSL tête bikar anîn ku pêvajoya perwerdehiya torê neuralî bi tevlêkirina îşaretên sazkirî, wekî têkiliyên grafîkî, di pêvajoya fêrbûnê de zêde bike. Armanca NSL-ê ew e ku meriv jêhatîbûna modelê ya fêrbûna ji daneya ku tê peyda kirin baştir bike, ne ji çêkirina xalên daneya nû.
NSL dikare ji bo perwerdekirina torgilokên neuralî yên li ser danûstendinên bi têkiliyên birêkûpêk, wek wêneyên pisîk û kûçikan, bi tevlêkirina rêkûpêkkirina grafîkê were sepandin da ku avahiya bingehîn a daneyan bigire. Ev dikare bi karanîna têkiliyên di navbera xalên daneyê de ji bilî taybetmendiyên xav ên daneyê bibe sedema performansa modelê û gelemperîkirinê çêtir bikin.
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