การเรียนรู้เชิงโครงสร้างประสาท (NSL) เป็นเฟรมเวิร์กแมชชีนเลิร์นนิงที่พัฒนาโดย Google ซึ่งช่วยให้สามารถฝึกอบรมโครงข่ายประสาทเทียมโดยใช้สัญญาณที่มีโครงสร้าง นอกเหนือจากอินพุตฟีเจอร์มาตรฐาน เฟรมเวิร์กนี้มีประโยชน์อย่างยิ่งในสถานการณ์ที่ข้อมูลมีโครงสร้างโดยธรรมชาติที่สามารถนำไปใช้เพื่อปรับปรุงประสิทธิภาพของโมเดลได้ ในบริบทของการมีรูปภาพแมวและสุนัขจำนวนมาก NSL สามารถนำไปใช้เพื่อเสริมกระบวนการเรียนรู้โดยผสมผสานความสัมพันธ์ระหว่างรูปภาพเข้ากับกระบวนการฝึก
วิธีหนึ่งที่สามารถนำ NSL ไปใช้ในสถานการณ์นี้คือการใช้การทำให้กราฟเป็นมาตรฐาน การทำให้กราฟเป็นมาตรฐานเกี่ยวข้องกับการสร้างกราฟโดยที่โหนดเป็นตัวแทนของจุดข้อมูล (ในกรณีนี้คือรูปภาพของแมวและสุนัข) และขอบแสดงถึงความสัมพันธ์ระหว่างจุดข้อมูล ความสัมพันธ์เหล่านี้สามารถกำหนดได้ตามความคล้ายคลึงกันระหว่างรูปภาพ เช่น รูปภาพที่มีลักษณะคล้ายกันซึ่งเชื่อมต่อกันด้วยขอบของกราฟ ด้วยการรวมโครงสร้างกราฟนี้เข้ากับกระบวนการฝึกอบรม NSL สนับสนุนให้โมเดลเรียนรู้การนำเสนอที่เคารพความสัมพันธ์ระหว่างรูปภาพ นำไปสู่ลักษณะทั่วไปและความทนทานที่ได้รับการปรับปรุง
เมื่อฝึกโครงข่ายประสาทเทียมโดยใช้ NSL ด้วยการปรับกราฟให้สม่ำเสมอ โมเดลจะเรียนรู้ไม่เพียงแต่จากค่าพิกเซลดิบของรูปภาพเท่านั้น แต่ยังจากความสัมพันธ์ที่เข้ารหัสในกราฟด้วย สิ่งนี้สามารถช่วยให้โมเดลสรุปข้อมูลที่มองไม่เห็นได้ดีขึ้น เนื่องจากโมเดลเรียนรู้ที่จะจับโครงสร้างพื้นฐานของข้อมูลนอกเหนือจากตัวอย่างแต่ละรายการ ในบริบทของรูปภาพแมวและสุนัข นี่อาจหมายความว่าโมเดลเรียนรู้คุณลักษณะเฉพาะของแต่ละคลาส แต่ยังจับความเหมือนและความแตกต่างระหว่างทั้งสองคลาสโดยอิงตามความสัมพันธ์ในกราฟ
เพื่อตอบคำถามที่ว่า NSL สามารถสร้างภาพใหม่จากภาพที่มีอยู่ได้หรือไม่ สิ่งสำคัญคือต้องชี้แจงว่า NSL เองไม่ได้สร้างภาพใหม่ แต่ NSL ถูกใช้เพื่อปรับปรุงกระบวนการฝึกอบรมของโครงข่ายประสาทเทียมโดยการผสมผสานสัญญาณที่มีโครงสร้าง เช่น ความสัมพันธ์ของกราฟ เข้ากับกระบวนการเรียนรู้ เป้าหมายของ NSL คือการปรับปรุงความสามารถของโมเดลในการเรียนรู้จากข้อมูลที่มีให้ แทนที่จะสร้างจุดข้อมูลใหม่
NSL สามารถนำไปใช้กับการฝึกอบรมโครงข่ายประสาทเทียมบนชุดข้อมูลที่มีความสัมพันธ์แบบมีโครงสร้าง เช่น รูปภาพของแมวและสุนัข โดยผสมผสานการปรับกราฟให้เป็นมาตรฐานเพื่อจับโครงสร้างพื้นฐานของข้อมูล สิ่งนี้สามารถนำไปสู่การปรับปรุงประสิทธิภาพของโมเดลและลักษณะทั่วไปโดยการใช้ประโยชน์จากความสัมพันธ์ระหว่างจุดข้อมูล นอกเหนือจากคุณลักษณะดิบของข้อมูล
คำถามและคำตอบล่าสุดอื่น ๆ เกี่ยวกับ EITC/AI/TFF TensorFlow Fundamentals:
- เราจะใช้เลเยอร์การฝังเพื่อกำหนดแกนที่เหมาะสมสำหรับการแสดงคำเป็นเวกเตอร์ได้อย่างไร
- จุดประสงค์ของการรวมสูงสุดใน CNN คืออะไร?
- กระบวนการแยกคุณสมบัติในเครือข่ายประสาทเทียม (CNN) นำไปใช้กับการจดจำภาพอย่างไร
- จำเป็นต้องใช้ฟังก์ชันการเรียนรู้แบบอะซิงโครนัสสำหรับโมเดลการเรียนรู้ของเครื่องที่ทำงานใน TensorFlow.js หรือไม่
- พารามิเตอร์จำนวนคำสูงสุด TensorFlow Keras Tokenizer API คืออะไร
- TensorFlow Keras Tokenizer API สามารถใช้ค้นหาคำที่ใช้บ่อยที่สุดได้หรือไม่
- โทโค่คืออะไร?
- อะไรคือความสัมพันธ์ระหว่างยุคต่างๆ ในโมเดล Machine Learning และความแม่นยำของการคาดการณ์จากการรันโมเดล
- Pack Neighbors API ใน Neural Structured Learning ของ TensorFlow สร้างชุดข้อมูลการฝึกอบรมแบบเสริมตามข้อมูลกราฟธรรมชาติหรือไม่
- Pack Neighbors API ใน Neural Structured Learning ของ TensorFlow คืออะไร
ดูคำถามและคำตอบเพิ่มเติมใน EITC/AI/TFF TensorFlow Fundamentals