طبیعي ګرافونه د ریښتیني نړۍ ډیټا ګرافیکي نمایشونه دي چیرې چې نوډونه د ادارو استازیتوب کوي ، او څنډې د دې ادارو ترمینځ اړیکې څرګندوي. دا ګرافونه معمولا د پیچلو سیسټمونو ماډل کولو لپاره کارول کیږي لکه ټولنیز شبکې، د حوالې شبکې، بیولوژیکي شبکې، او نور. طبیعي ګرافونه په ډیټا کې موجود پیچلي نمونې او انحصارونه نیسي، دوی د ماشین زده کړې مختلف دندو لپاره ارزښتناکه کوي، په شمول د عصبي شبکو روزنه.
د عصبي شبکې روزنې په شرایطو کې ، طبیعي ګرافونه د ډیټا پوائنټونو ترمینځ د ارتباطي معلوماتو په شاملولو سره د زده کړې پروسې ته وده ورکولو لپاره کارول کیدی شي. د TensorFlow سره د عصبي جوړښت زده کړې (NSL) یو چوکاټ دی چې د عصبي شبکو روزنې پروسې کې د طبیعي ګرافونو ادغام وړ کوي. د طبیعي ګرافونو په کارولو سره، NSL عصبي شبکو ته اجازه ورکوي چې دواړه د فیچر ډیټا او د ګراف جوړښت شوي ډیټا څخه په ورته وخت کې زده کړي، چې د ماډل عمومي کولو او پیاوړتیا لامل کیږي.
د NSL سره د عصبي شبکې روزنې کې د طبیعي ګرافونو ادغام څو کلیدي مرحلې لري:
1. د ګراف جوړول: لومړی ګام د طبیعي ګراف جوړول دي چې د ډیټا نقطو ترمینځ اړیکې نیسي. دا د ډومین پوهې پراساس ترسره کیدی شي یا پخپله د ډیټا څخه د اړیکو استخراج له لارې. د مثال په توګه، په ټولنیز شبکه کې، نوډونه کولی شي د افرادو استازیتوب وکړي، او څنډې کولی شي د ملګرتیا استازیتوب وکړي.
2. د ګراف منظم کول: یوځل چې طبیعي ګراف جوړ شي، دا د عصبي شبکې د روزنې پروسې منظم کولو لپاره کارول کیږي. دا منظم کول موډل هڅوي چې په ګراف کې د وصل شوي نوډونو لپاره اسانه او ثابت نمایشونه زده کړي. د دې منظم کولو پلي کولو سره، ماډل کولی شي د نه لیدل شوي ډیټا پوائنټونو ته ښه عمومي کړي.
3. د ګراف لوړوالی: طبیعي ګرافونه د عصبي شبکې ان پټ کې د ګراف پراساس ځانګړتیاو په شاملولو سره د روزنې ډیټا لوړولو لپاره هم کارول کیدی شي. دا ماډل ته اجازه ورکوي چې د فیچر ډیټا او اړونده معلوماتو دواړه څخه زده کړي چې په ګراف کې کوډ شوي دي، چې د لا پیاوړې او سمې وړاندوینې لامل کیږي.
4. ګراف سرایت: طبیعي ګرافونه په ګراف کې د نوډونو لپاره د ټیټ ابعادي سرایتونو زده کولو لپاره کارول کیدی شي. دا سرایتونه په ګراف کې موجود ساختماني او اړونده معلومات نیسي، کوم چې نور د عصبي شبکې لپاره د ان پټ ځانګړتیاو په توګه کارول کیدی شي. د ګراف څخه د معنی نمایندګي زده کولو سره، ماډل کولی شي په ډیټا کې اصلي نمونې په ښه توګه ونیسي.
طبیعي ګرافونه په مؤثره توګه د عصبي شبکو روزلو لپاره کارول کیدی شي د اضافي ارتباطي معلوماتو چمتو کولو او په ډیټا کې موجود جوړښتي انحصار چمتو کولو سره. د NSL په څیر چوکاټونو سره د روزنې پروسې کې د طبیعي ګرافونو په شاملولو سره ، عصبي شبکې کولی شي د ماشین زده کړې مختلف کارونو کې ښه فعالیت او عمومي کولو ترلاسه 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