Neural Structured Learning (NSL) په TensorFlow کې یو چوکاټ دی چې د معیاري ځانګړتیاو آخذونو سربیره د جوړښت شوي سیګنالونو په کارولو سره د عصبي شبکو روزنې ته اجازه ورکوي. جوړښت شوي سیګنالونه د ګرافونو په توګه ښودل کیدی شي ، چیرې چې نوډونه د مثالونو سره مطابقت لري او څنډې د دوی ترمینځ اړیکې نیسي. دا ګرافونه د معلوماتو مختلف ډولونو کوډ کولو لپاره کارول کیدی شي، لکه ورته والی، درجه بندي، یا نږدې والی، او د عصبي شبکو د روزنې پروسې منظم کولو لپاره کارول کیدی شي.
د عصبي جوړښت زده کړې کې د جوړښت آخذه په حقیقت کې د عصبي شبکې روزنې منظم کولو لپاره کارول کیدی شي. د روزنې په جریان کې د ګراف پر بنسټ معلوماتو شاملولو سره، NSL ماډل ته وړتیا ورکوي چې نه یوازې د خام ان پټ ډیټا څخه بلکې په ګراف کې کوډ شوي اړیکو څخه هم زده کړي. د معلوماتو دا اضافي سرچینه کولی شي د ماډل عمومي کولو وړتیاوو ته وده ورکړي، په ځانګړې توګه په سناریوګانو کې چیرې چې لیبل شوي ډاټا محدود یا شور وي.
د منظم کولو لپاره د جوړښت ان پټ څخه ګټه پورته کولو یوه عامه لاره د ګراف منظم کولو تخنیکونو کارول دي. د ګراف منظم کول موډل هڅوي ترڅو داسې ځایونه تولید کړي چې د ګراف جوړښت ته درناوی وکړي، په دې توګه په زده شوي نمایندګیو کې نرمۍ او ثبات ته وده ورکوي. د منظم کولو دا اصطالح عموما د روزنې په جریان کې د ضایع کولو فعالیت کې اضافه کیږي، د متوقع ګراف پر بنسټ اړیکو څخه د انحراف جزا ورکوي.
د مثال په توګه، یو سناریو په پام کې ونیسئ چیرې چې تاسو د اسنادو طبقه بندي لپاره د عصبي شبکې روزنه کوئ. د اسنادو د متن منځپانګې سربیره، تاسو د اسنادو د منځپانګې پر بنسټ د ورته والی په اړه هم معلومات لرئ. د ګراف په جوړولو سره چیرې چې نوډونه د اسنادو استازیتوب کوي او څنډې د ورته اړیکو استازیتوب کوي، تاسو کولی شئ دا جوړښت په NSL کې شامل کړئ ترڅو د زده کړې پروسې الرښوونه وکړي. بیا موډل کولی شي زده کړي چې نه یوازې د دوی د مینځپانګې پراساس اسناد طبقه بندي کړي بلکه په ګراف کې کوډ شوي سندونو ورته والی هم په پام کې ونیسي.
برسېره پردې، د جوړښت انډول کولی شي په ځانګړې توګه په سناریوګانو کې ګټور وي چیرې چې ډاټا طبیعي ګراف جوړښت څرګندوي، لکه ټولنیز شبکې، د حوالې شبکې، یا بیولوژیکي شبکې. د ګراف له لارې په ډیټا کې د موروثي اړیکو په نیولو سره، NSL کولی شي د روزنې پروسې منظم کولو کې مرسته وکړي او د دندو په اړه د ماډل فعالیت ته وده ورکړي چې د دې اړیکو استحصال پکې شامل وي.
د عصبي جوړښت زده کړې کې د جوړښت ان پټ په مؤثره توګه د ګراف پراساس معلوماتو شاملولو سره د عصبي شبکې روزنې منظم کولو لپاره کارول کیدی شي چې د خام ان پټ ډیټا بشپړوي. د منظم کولو دا تخنیک کولی شي د ماډل عمومي کولو وړتیاوې او فعالیت ته وده ورکړي، په ځانګړې توګه په سناریوګانو کې چیرې چې جوړښت شوي سیګنالونه شتون لري او کولی شي د زده کړې لپاره ارزښتناکه بصیرت چمتو کړي.
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