国内最专业的IT技术学习网

UI设计

当前位置:主页 > UI设计 >

五行代码用图提升模型表现,TensorFlow开源NSL神经

发布时间:2019/09/04标签:   模型    点击量:

原标题:五行代码用图提升模型表现,TensorFlow开源NSL神经
本日,谷歌 TensorFlow 发布推走神经构造进修(NSL)开源框架,它应用神经图进修方式来练习带有图和构造化数据的神经收集。五行代码用图提升模型表现,TensorFlow开源NSL神经结构学习框架据谷歌 TensorFlow 博客先容,NSL 是一个老手和高等开辟职员都能够用来练习存在构造化信号神经收集的浅易框架,可用于构建准确且持重的视觉、言语懂得和猜测模子。 名目地点:https://github.com/tensorflow/neural-structured-learning构造化数据包括样本之间丰盛的关联信息,很多呆板进修义务都得益于此。比方,建模援用收集、句子言语学构造的常识图揣摸与推理,以及进修份子指纹,这些都须要模子来进修构造化输出,而不仅是一般样本。这些构造能够是明白给出的(比方,作为图形),或许隐式揣摸的(比方,作为抗衡性示例)。在练习阶段应用构造化信号能够使开辟职员取得更高的模子正确度,特别是当标志数据量绝对较小时。谷歌的研讨标明,应用构造化信号停止练习也能够带来更持重的模子。五行代码用图提升模型表现,TensorFlow开源NSL神经结构学习框架图收集进修的个别流程。应用这些技巧,谷歌极大的晋升了模子机能,比方进修图象语义嵌入。神经构造进修(NSL)是一种用于练习存在构造化信号深度神经收集的开源框架。它完成了谷歌在论文《Neural Graph Learning: Training Neural Networks Using Graphs》中先容的神经图进修,使开辟职员可能应用图练习神经收集。这里的图能够是多样的,比方常识图、医疗记载、基因组数据或多形式关联(比方,图象 - 文本对)。别的,NSL 还能够利用到抗衡性进修,也就是说输出样本之间的构造能够是应用抗衡性扰动静态构建的。NSL 让 TensorFlow 用户可能轻松地联合种种构造化信号来练习神经收集,且实用于差别的进修场景:监视、半监视和无监视(表现)设置。NSL 怎样任务在 NSL 框架中,构造化信息(如能够界说为图的数据或隐性的抗衡样本),都能够被用来归一化神经收集的练习,使得模子进修准确地停止猜测(经过最小化监视丧失)。同时,保障从统一种构造中的全部输出坚持一样的类似度(经过最小化近邻丧失)。这类技巧是能够泛化的,能够应用在神经收集架构上,如前向神经收集、卷积神经收集和轮回神经收集等。五行代码用图提升模型表现,TensorFlow开源NSL神经结构学习框架

版权信息Copyright © IT技术教程 版权所有    ICP备案编号:鲁ICP备09013610号