Google I/O — это обертка! Наверстать упущенное в сеансах TensorFlow Просмотреть сеансы

отвлеченные рассуждения

l10n-PLACEHOLDER1 обозначает множество типов соотношения (прогрессии, исключающее ИЛИ, И, последовательный союз), \\(O\\) обозначает типы объектов (форма, линия), а \\(A\\) обозначает типы атрибутов (размер, цвет, позиция, номер). Структура матрицы, \\(S\\), есть множество тройки \\(S={[r, o, a]}\\) , которые определяют проблемы , связанные с определенной матрицей. Чтобы использовать этот набор данных: `` python import tensorflow_datasets as tfds ds = tfds.load ('abstract_reasoning', split = 'train') для ex в ds.take (4): print (ex) `` См. [Руководство ] (https://www.tensorflow.org/datasets/overview) для получения дополнительной информации о [tenorflow_datasets] (https://www.tensorflow.org/datasets). "/>
  • Описание:

Данные процедурно генерируемых матриц (PGM) из статьи «Измерение абстрактного мышления в нейронных сетях», Барретт, Хилл, Санторо и др. 2018. Цель состоит в том, чтобы вывести правильный ответ из контекстных панелей на основе абстрактных рассуждений.

Чтобы использовать этот набор данных, загрузите все файлы * .tar.gz со страницы набора данных и поместите их в ~ / tensorflow_datasets / abstract_reasoning /.

\(R\) обозначает множество типов соотношения (прогрессии, исключающее ИЛИ, И, последовательное объединение), \(O\) обозначает типы объектов (форма, линии), и \(A\) обозначает типы атрибутов (размер, цвет, положение, количество). Структура матрицы,\(S\), есть множество троек \(S={[r, o, a]}\) , которые определяют проблемы , связанные с конкретной матрицей.

  • Домашняя страница: https://github.com/deepmind/abstract-reasoning-matrices

  • Исходный код: tfds.image.AbstractReasoning

  • Версии:

    • 1.0.0 ( по умолчанию): Нет Замечания к выпуску.
  • Размер загрузки: Unknown size

  • Dataset размер: Unknown size

  • Руководство по эксплуатации скачать: Этот набор данных требует от вас , чтобы загрузить исходные данные вручную в download_config.manual_dir ( по умолчанию ~/tensorflow_datasets/downloads/manual/ ):
    Данные могут быть загружены с https://console.cloud.google.com/storage/browser/ravens-matrices Пожалуйста , поместите все файлы tar.gz в manual_dir.

  • Авто-кэшируются ( документация ): Unknown

  • расколы:

Расколоть Примеры
'test' 200 000
'train' 1,200,000
'validation' 20 000
  • Особенности:
FeaturesDict({
    'answers': Video(Image(shape=(160, 160, 1), dtype=tf.uint8)),
    'context': Video(Image(shape=(160, 160, 1), dtype=tf.uint8)),
    'filename': Text(shape=(), dtype=tf.string),
    'meta_target': Tensor(shape=(12,), dtype=tf.int64),
    'relation_structure_encoded': Tensor(shape=(4, 12), dtype=tf.int64),
    'target': ClassLabel(shape=(), dtype=tf.int64, num_classes=8),
})
@InProceedings{pmlr-v80-barrett18a,
  title =    {Measuring abstract reasoning in neural networks},
  author =   {Barrett, David and Hill, Felix and Santoro, Adam and Morcos, Ari and Lillicrap, Timothy},
  booktitle =    {Proceedings of the 35th International Conference on Machine Learning},
  pages =    {511--520},
  year =     {2018},
  editor =   {Dy, Jennifer and Krause, Andreas},
  volume =   {80},
  series =   {Proceedings of Machine Learning Research},
  address =      {Stockholmsmassan, Stockholm Sweden},
  month =    {10--15 Jul},
  publisher =    {PMLR},
  pdf =      {http://proceedings.mlr.press/v80/barrett18a/barrett18a.pdf},
  url =      {http://proceedings.mlr.press/v80/barrett18a.html},
  abstract =     {Whether neural networks can learn abstract reasoning or whetherthey merely rely on superficial statistics is a topic of recent debate. Here, we propose a dataset and challenge designed to probe abstract reasoning, inspired by a well-known human IQ test. To succeed at this challenge, models must cope with various generalisation 'regimes' in which the training data and test questions differ in clearly-defined ways. We show that popular models such as ResNets perform poorly, even when the training and test sets differ only minimally, and we present a novel architecture, with structure designed to encourage reasoning, that does significantly better. When we vary the way in which the test questions and training data differ, we find that our model is notably proficient at certain forms of generalisation, but notably weak at others. We further show that the model's ability to generalise improves markedly if it is trained to predict symbolic explanations for its answers. Altogether, we introduce and explore ways to both measure and induce stronger abstract reasoning in neural networks. Our freely-available dataset should motivate further progress in this direction.}
}

abstract_reasoning / нейтральный (конфигурация по умолчанию)

  • Описание конфигурации: Структуры , кодирующие матрицы в обоих
    обучение и тестирование наборы содержат какой - либо тройки \([r, o, a]\) для \(r \\in R\),
    \(o \\in O\)и \(a \\in A\). Наборы для обучения и тестирования не пересекаются, с
    разделение происходит на уровне входных переменных (т.е.
    проявления).

  • Примеры ( tfds.as_dataframe ):

abstract_reasoning / интерполяция

  • Config Описание: Как и в нейтральной расколе, \(S\) состояла из любой
    троек \([r, o, a]\). Для интерполяции в обучающем наборе, когда
    атрибут был «цвет» или «размер» (т. е. упорядоченные атрибуты), значения
    атрибуты были ограничены членами дискретного набора с четным индексом,
    тогда как в тестовом наборе допускались только значения с нечетным индексом. Обратите внимание, что все
    \(S\) содержал некоторое тройной \([r, o, a]\) с цветом или атрибута размера.
    Таким образом, по каждому вопросу тестового набора требуется обобщение.

  • Примеры ( tfds.as_dataframe ):

abstract_reasoning / экстраполяция

  • Описание Config: То же самое , как и в интерполяции, а значения
    атрибуты были ограничены нижней половиной дискретного набора во время
    обучение, тогда как в тестовой выборке они принимали значения в верхней половине.

  • Примеры ( tfds.as_dataframe ):

abstract_reasoning / attr.rel.pairs

  • Описание Config: Все \(S\) , содержащийся по крайней мере , две тройки,
    \(([r_1,o_1,a_1],[r_2,o_2,a_2]) = (t_1, t_2)\), из которых 400 являются жизнеспособными. Мы
    случайным образом распределены 360 для обучающего набора и 40 для тестового набора. Члены
    \((t_1, t_2)\) из 40 удерживаемых из пар не встречаются вместе в структурах\(S\)
    в обучающем наборе, и все структуры \(S\) , по крайней мере , одну такую пару
    \((t_1, t_2)\) как подмножество.

  • Примеры ( tfds.as_dataframe ):

abstract_reasoning / attr.rels

  • Описание конфигурации: В нашем наборе есть 29 возможных уникальных
    троек \([r,o,a]\). Мы произвольно выделили семь из них для тестового набора,
    но так, чтобы каждый из атрибутов был представлен в этом наборе ровно один раз.
    Эти удерживаемые тройки никогда не встречались в вопросах обучающей выборки, и
    каждый \(S\) в тестовом наборе содержал по крайней мере один из них.

  • Примеры ( tfds.as_dataframe ):

abstract_reasoning / attrs.pairs

  • Конфигурация Описание: \(S\) содержал по меньшей мере , две тройки. Всего 20
    (неупорядоченные) жизнеспособные пары атрибутов \((a_1, a_2)\) , что для некоторых
    \(r_i, o_i, ([r_1,o_1,a_1],[r_2,o_2,a_2])\) является жизнеспособной тройной парой
    \(([r_1,o_1,a_1],[r_2,o_2,a_2]) = (t_1, t_2)\). Мы выделили 16 из этих пар
    для обучения и четыре для тестирования. Для пары \((a_1, a_2)\) в тестовом наборе,
    \(S\) в обучающем наборе содержится тройки с \(a_1\) или \(a_2\). В тесте
    множество, все \(S\) содержали тройки с \(a_1\) и \(a_2\).

  • Примеры ( tfds.as_dataframe ):

abstract_reasoning / attrs.shape.color

  • Описание Config: удерживаемые из атрибутов формы цвета. \(S\) в
    обучающий набор не содержит никаких троек с \(o\)= формой и \(a\)= цветом.
    Все структуры, определяющие головоломки в тестовом наборе, содержали хотя бы одну тройку
    с \(o\)= формы и \(a\)= цвет.

  • Примеры ( tfds.as_dataframe ):

abstract_reasoning / attrs.line.type

  • Описание Config: удерживаемые из атрибутов линейного типа. \(S\) в
    обучающий набор не содержит никаких троек с \(o\)= линии и \(a\)= типа.
    Все структуры, управляющие головоломками в тестовом наборе, содержали хотя бы одну тройку
    с \(o\)= линии и \(a\)= типа.

  • Примеры ( tfds.as_dataframe ):