د عصبي جوړښت زده کړې (NSL) د ماشین زده کړې چوکاټ دی چې د روزنې پروسې کې جوړښت شوي سیګنالونه مدغم کوي. دا جوړښت شوي سیګنالونه عموما د ګرافونو په توګه ښودل کیږي، چیرې چې نوډونه د مثالونو یا ځانګړتیاو سره مطابقت لري، او څنډې د دوی ترمنځ اړیکې یا ورته والی نیسي. د TensorFlow په شرایطو کې، NSL تاسو ته اجازه درکوي د عصبي شبکو د روزنې په جریان کې د ګراف تنظیم کولو تخنیکونه شامل کړئ، په ګراف کې کوډ شوي معلومات ګټه پورته کړئ ترڅو د ماډل عمومي کولو او پیاوړتیا ته وده ورکړي.
یو عام پوښتنه چې راپورته کیږي ایا NSL د ډیټا سره کارول کیدی شي د کوم لپاره چې طبیعي ګراف شتون نلري. ځواب هو دی، NSL لاهم په مؤثره توګه پلي کیدی شي حتی کله چې په ډیټا کې روښانه ګراف شتون نلري. په داسې حاالتو کې، تاسو کولی شئ د معلوماتو د اصلي جوړښت یا اړیکو پر بنسټ ګراف جوړ کړئ. د مثال په توګه، د متن د ډلبندۍ په کارونو کې، تاسو کولی شئ یو ګراف جوړ کړئ چیرې چې نوډونه د کلمو یا جملو استازیتوب کوي، او څنډې د سیمانټیک ورته والی یا همغږي نمونې په ګوته کوي.
سربیره پردې، NSL د ډیټا ځانګړو ځانګړتیاو سره سم د ګمرک ګراف ساختماني میکانیزمونو تعریف کولو لپاره انعطاف چمتو کوي. دا تاسو ته اجازه درکوي د ډومین ځانګړي پوهه یا انحصارونه ونیسئ چې ممکن یوازې د خام ان پټ ځانګړتیاو څخه څرګند نه وي. د روزنې پروسې کې د دې ډول ډومین پوهه شاملولو سره، NSL عصبي شبکه توانوي چې د معلوماتو څخه ډیر اغیزمن زده کړي او غوره وړاندوینې وکړي.
په داسې سناریوګانو کې چیرې چې هیڅ طبیعي ګراف شتون نلري یا په اسانۍ سره شتون لري، NSL د جوړښت شوي سیګنالونو په معرفي کولو سره د زده کړې پروسې بډایه کولو لپاره یوه پیاوړې وسیله وړاندې کوي چې ارزښتناکه معلومات د هغه څه څخه بهر کوډ کوي چې خام ځانګړتیاوې یې رسولی شي. دا کولی شي د ماډل فعالیت ښه کولو لامل شي ، په ځانګړي توګه په دندو کې چیرې چې د مثالونو ترمینځ اړیکې یا انحصار د وړاندوینې دقت کې مهم رول لوبوي.
د دې مفکورې نور روښانه کولو لپاره، د سپارښتنې سیسټم په پام کې ونیسئ چیرې چې کاروونکي د توکو سره اړیکه لري. که څه هم خام معلومات ممکن د کارونکي توکي تعاملات ولري، پرته له واضح ګراف استازیتوب، NSL کولی شي یو ګراف جوړ کړي چیرې چې کاروونکي او توکي د څنډو سره تړل شوي نوډونه دي چې تعاملات څرګندوي. د دې ګراف منظم کولو سره د سپارښتنې ماډل په روزلو سره، سیسټم کولی شي د کاروونکو او توکو تر مینځ ضمني اړیکو ګټه پورته کړي ترڅو نور شخصي او دقیق وړاندیزونه وکړي.
د عصبي جوړښت زده کړه د ډیټا د اصلي جوړښت یا ډومین ځانګړي پوهې پراساس د دودیز ګرافونو په جوړولو سره د طبیعي ګراف نشتوالي سره په مؤثره توګه کارول کیدی شي. دا طریقه د ارزښتناکه جوړښت شوي سیګنالونو په شاملولو سره د زده کړې پروسې ته وده ورکوي، چې د ماشین زده کړې په مختلفو دندو کې د ماډل عمومي کولو او فعالیت ښه کولو المل کیږي.
په اړه نورې وروستۍ پوښتنې او ځوابونه EITC/AI/TFF TensorFlow اساسات:
- څنګه کولای شو چی د ویکتورونو په توګه د کلمو د نمایندګۍ د پلاټ لپاره مناسب محورونه په اتوماتيک ډول وټاکو لپاره د سرایت کولو پرت وکاروو؟
- په CNN کې د اعظمي پولینګ هدف څه دی؟
- د عکس پیژندنې لپاره په کنولوشنال عصبي شبکه (CNN) کې د فیچر استخراج پروسه څنګه پلي کیږي؟
- ایا دا اړینه ده چې په TensorFlow.js کې د ماشین زده کړې ماډلونو لپاره د غیر متناسب زده کړې فعالیت وکاروئ؟
- د TensorFlow Keras Tokenizer API د کلمو پیرامیټر اعظمي شمیر څه دی؟
- ایا TensorFlow Keras Tokenizer API د ډیری مکرر کلمو موندلو لپاره کارول کیدی شي؟
- TOCO څه شی دی؟
- د ماشین زده کړې ماډل کې د یو شمیر دورونو او د ماډل چلولو څخه د وړاندوینې دقت ترمنځ اړیکه څه ده؟
- ایا د TensorFlow په عصبي جوړښت شوي زده کړې کې د پیک ګاونډی API د طبیعي ګراف ډیټا پراساس د روزنې ډیټاسیټ وده کوي؟
- د TensorFlow په عصبي ساختماني زده کړې کې د پیک ګاونډی API څه شی دی؟
نورې پوښتنې او ځوابونه په EITC/AI/TFF TensorFlow Fundamentals کې وګورئ