الرسوم البيانية الطبيعية هي تمثيلات رسومية لبيانات العالم الحقيقي حيث تمثل العقد الكيانات، وتشير الحواف إلى العلاقات بين هذه الكيانات. تُستخدم هذه الرسوم البيانية بشكل شائع لنمذجة الأنظمة المعقدة مثل الشبكات الاجتماعية وشبكات الاستشهاد والشبكات البيولوجية والمزيد. تلتقط الرسوم البيانية الطبيعية الأنماط المعقدة والتبعيات الموجودة في البيانات، مما يجعلها ذات قيمة لمختلف مهام التعلم الآلي، بما في ذلك تدريب الشبكات العصبية.
في سياق التدريب على الشبكات العصبية، يمكن الاستفادة من الرسوم البيانية الطبيعية لتعزيز عملية التعلم من خلال دمج المعلومات العلائقية بين نقاط البيانات. التعلم المنظم العصبي (NSL) مع TensorFlow هو إطار عمل يتيح دمج الرسوم البيانية الطبيعية في عملية تدريب الشبكات العصبية. من خلال استخدام الرسوم البيانية الطبيعية، يسمح NSL للشبكات العصبية بالتعلم من كل من بيانات الميزات والبيانات المنظمة للرسوم البيانية في وقت واحد، مما يؤدي إلى تحسين تعميم النموذج وقوته.
يتضمن دمج الرسوم البيانية الطبيعية في تدريب الشبكة العصبية مع NSL عدة خطوات أساسية:
1. إنشاء الرسم البياني: الخطوة الأولى هي إنشاء رسم بياني طبيعي يصور العلاقات بين نقاط البيانات. يمكن القيام بذلك بناءً على معرفة المجال أو عن طريق استخراج الاتصالات من البيانات نفسها. على سبيل المثال، في شبكة التواصل الاجتماعي، يمكن أن تمثل العقد الأفراد، ويمكن أن تمثل الحواف الصداقات.
2. تنظيم الرسم البياني: بمجرد إنشاء الرسم البياني الطبيعي، يتم استخدامه لتنظيم عملية تدريب الشبكة العصبية. يشجع هذا التنظيم النموذج على تعلم تمثيلات سلسة ومتسقة للعقد المتصلة في الرسم البياني. من خلال فرض هذا التنظيم، يمكن للنموذج تعميمه بشكل أفضل على نقاط البيانات غير المرئية.
3. تكبير الرسم البياني: يمكن أيضًا استخدام الرسوم البيانية الطبيعية لزيادة بيانات التدريب من خلال دمج الميزات المستندة إلى الرسم البياني في مدخلات الشبكة العصبية. يتيح ذلك للنموذج التعلم من بيانات الميزات والمعلومات العلائقية المشفرة في الرسم البياني، مما يؤدي إلى تنبؤات أكثر قوة ودقة.
4. تضمينات الرسم البياني: يمكن استخدام الرسوم البيانية الطبيعية لمعرفة التضمينات منخفضة الأبعاد للعقد في الرسم البياني. تلتقط هذه التضمينات المعلومات الهيكلية والعلائقية الموجودة في الرسم البياني، والتي يمكن استخدامها أيضًا كميزات إدخال للشبكة العصبية. من خلال تعلم تمثيلات ذات معنى من الرسم البياني، يمكن للنموذج التقاط الأنماط الأساسية في البيانات بشكل أفضل.
يمكن استخدام الرسوم البيانية الطبيعية بشكل فعال لتدريب الشبكات العصبية من خلال توفير معلومات علائقية إضافية وتبعيات هيكلية موجودة في البيانات. من خلال دمج الرسوم البيانية الطبيعية في عملية التدريب مع أطر عمل مثل NSL، يمكن للشبكات العصبية تحقيق أداء محسّن وتعميم في مهام التعلم الآلي المختلفة.
أسئلة وأجوبة أخرى حديثة بخصوص أساسيات EITC/AI/TFF TensorFlow:
- كيف يمكن للمرء استخدام طبقة التضمين لتعيين المحاور المناسبة تلقائيًا لمؤامرة تمثيل الكلمات كمتجهات؟
- ما هو الغرض من الحد الأقصى للتجميع في CNN؟
- كيف يتم تطبيق عملية استخراج الميزات في الشبكة العصبية التلافيفية (CNN) على التعرف على الصور؟
- هل من الضروري استخدام وظيفة التعلم غير المتزامنة لنماذج التعلم الآلي التي تعمل في TensorFlow.js؟
- ما هو الحد الأقصى لعدد الكلمات المعلمة لواجهة برمجة تطبيقات TensorFlow Keras Tokenizer؟
- هل يمكن استخدام TensorFlow Keras Tokenizer API للعثور على الكلمات الأكثر شيوعًا؟
- ما هو توكو؟
- ما هي العلاقة بين عدد من العصور في نموذج التعلم الآلي ودقة التنبؤ من تشغيل النموذج؟
- هل تنتج الحزمة المجاورة لواجهة برمجة التطبيقات (API) في التعلم المنظم العصبي لـ TensorFlow مجموعة بيانات تدريب معززة تعتمد على بيانات الرسم البياني الطبيعي؟
- ما هي حزمة الجيران API في التعلم المنظم العصبي لـ TensorFlow؟
عرض المزيد من الأسئلة والأجوبة في EITC/AI/TFF TensorFlow Fundamentals