التعلم المنظم العصبي (NSL) هو إطار عمل في TensorFlow يسمح بتدريب الشبكات العصبية باستخدام الإشارات المنظمة بالإضافة إلى مدخلات الميزات القياسية. يمكن تمثيل الإشارات المنظمة كرسوم بيانية، حيث تتوافق العقد مع الحالات وتلتقط الحواف العلاقات بينها. يمكن استخدام هذه الرسوم البيانية لتشفير أنواع مختلفة من المعلومات، مثل التشابه أو التسلسل الهرمي أو القرب، ويمكن الاستفادة منها لتنظيم عملية تدريب الشبكات العصبية.
يمكن بالفعل استخدام مدخلات البنية في التعلم المنظم العصبي لتنظيم تدريب الشبكة العصبية. من خلال دمج المعلومات المستندة إلى الرسم البياني أثناء التدريب، يمكّن NSL النموذج من التعلم ليس فقط من بيانات الإدخال الأولية ولكن أيضًا من العلاقات المشفرة في الرسم البياني. يمكن أن يساعد مصدر المعلومات الإضافي هذا في تحسين إمكانيات تعميم النموذج، خاصة في السيناريوهات التي تكون فيها البيانات المصنفة محدودة أو مشوشة.
إحدى الطرق الشائعة للاستفادة من مدخلات البنية للتنظيم هي من خلال استخدام تقنيات تنظيم الرسم البياني. يشجع تنظيم الرسم البياني النموذج على إنتاج تضمينات تحترم بنية الرسم البياني، وبالتالي تعزيز السلاسة والاتساق في التمثيلات المستفادة. عادةً ما يتم إضافة مصطلح التنظيم هذا إلى دالة الخسارة أثناء التدريب، مما يعاقب الانحرافات عن العلاقات المتوقعة القائمة على الرسم البياني.
على سبيل المثال، فكر في سيناريو تقوم فيه بتدريب شبكة عصبية على تصنيف المستندات. بالإضافة إلى المحتوى النصي للمستندات، لديك أيضًا معلومات حول التشابه بين المستندات بناءً على محتواها. من خلال إنشاء رسم بياني حيث تمثل العقد المستندات وتمثل الحواف علاقات التشابه، يمكنك دمج مدخلات البنية هذه في NSL لتوجيه عملية التعلم. يمكن للنموذج بعد ذلك أن يتعلم ليس فقط تصنيف المستندات بناءً على محتواها ولكن أيضًا مراعاة أوجه التشابه بين المستندات المشفرة في الرسم البياني.
علاوة على ذلك، يمكن أن يكون إدخال البنية مفيدًا بشكل خاص في السيناريوهات التي تعرض فيها البيانات بنية رسم بياني طبيعي، مثل الشبكات الاجتماعية أو شبكات الاقتباس أو الشبكات البيولوجية. من خلال التقاط العلاقات المتأصلة في البيانات من خلال الرسم البياني، يمكن لـ NSL المساعدة في تنظيم عملية التدريب وتحسين أداء النموذج في المهام التي تتضمن استغلال هذه العلاقات.
يمكن استخدام مدخلات البنية في التعلم المنظم العصبي بشكل فعال لتنظيم تدريب الشبكة العصبية من خلال دمج المعلومات المستندة إلى الرسم البياني والتي تكمل بيانات الإدخال الأولية. يمكن لتقنية التنظيم هذه أن تعزز قدرات تعميم النموذج وأدائه، خاصة في السيناريوهات التي تتوفر فيها إشارات منظمة ويمكن أن توفر رؤى قيمة للتعلم.
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