Neural Structured Learning (NSL) د ماشین زده کړې چوکاټ دی چې د ګوګل لخوا رامینځته شوی چې د معیاري ځانګړتیاو معلوماتو سربیره د جوړښت شوي سیګنالونو په کارولو سره د عصبي شبکو روزنې ته اجازه ورکوي. دا چوکاټ په ځانګړې توګه په سناریوګانو کې ګټور دی چیرې چې ډاټا یو ارثي جوړښت لري چې د ماډل فعالیت ښه کولو لپاره کارول کیدی شي. د پیشوګانو او سپیو ډیری عکسونو درلودلو په شرایطو کې ، NSL د روزنې پروسې کې د عکسونو ترمینځ اړیکې شاملولو سره د زده کړې پروسې ته وده ورکولو لپاره کارول کیدی شي.
په دې سناریو کې د NSL پلي کولو یوه لاره د ګراف منظم کولو کارولو له لارې ده. د ګراف منظم کولو کې د ګراف جوړول شامل دي چیرې چې نوډونه د ډیټا پوائنټونو استازیتوب کوي (پدې قضیه کې د پیشو او سپي عکسونه) او څنډې د ډیټا پوائنټونو ترمینځ اړیکې څرګندوي. دا اړیکې د عکسونو تر مینځ د ورته والي پراساس تعریف کیدی شي ، لکه هغه عکسونه چې په لید کې ورته ورته وي په ګراف کې د یوې څنډې سره وصل وي. د روزنې په پروسه کې د دې ګراف جوړښت په شاملولو سره، NSL ماډل هڅوي چې هغه نمایندګي زده کړي چې د انځورونو ترمنځ اړیکو ته درناوی وکړي، چې د ښه عمومي کولو او پیاوړتیا لامل کیږي.
کله چې د ګراف منظم کولو سره د NSL په کارولو سره د عصبي شبکې روزنه ، ماډل نه یوازې د عکسونو خام پکسل ارزښتونو څخه بلکې په ګراف کې کوډ شوي اړیکو څخه هم زده کوي. دا کولی شي د ماډل سره مرسته وکړي چې نه لیدل شوي ډیټا ته ښه عمومي کړي، ځکه چې دا یوازې د انفرادي مثالونو هاخوا د معلوماتو اصلي جوړښت نیول زده کوي. د پیشو او سپي د انځورونو په شرایطو کې، دا پدې معنی کیدی شي چې ماډل هغه ځانګړتیاوې زده کوي چې د هرې ټولګي لپاره ځانګړي دي مګر په ګراف کې د اړیکو پر بنسټ د دوو ټولګیو ترمنځ ورته والی او توپیرونه هم نیسي.
د دې پوښتنې ځواب لپاره چې ایا NSL کولی شي د موجوده عکسونو پراساس نوي عکسونه تولید کړي ، دا مهمه ده چې روښانه شي چې NSL پخپله نوي عکسونه نه رامینځته کوي. پرځای یې، NSL د زده کړې پروسې کې د جوړښت شوي سیګنالونو لکه ګراف اړیکو په شاملولو سره د عصبي شبکې روزنې پروسې ته وده ورکولو لپاره کارول کیږي. د NSL هدف د نوي ډیټا پوائنټونو رامینځته کولو پرځای د چمتو شوي ډیټا څخه د زده کړې لپاره د ماډل وړتیا ته وده ورکول دي.
NSL د عصبي شبکو روزنې لپاره د ډیټا سیټونو په اړه د جوړښت شوي اړیکو سره کارول کیدی شي ، لکه د پیشو او سپیو عکسونه ، د ګراف منظم کولو په شمول د ډیټا اصلي جوړښت نیولو لپاره. دا کولی شي د ډیټا خام ځانګړتیاو سربیره د ډیټا پوائنټونو ترمینځ اړیکو په کارولو سره د ماډل فعالیت ښه کولو او عمومي کولو لامل شي.
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