لدي سؤال؟ تواصل مع المجتمع في منتدى زيارة منتدى TensorFlow

التفكير المجرد

  • الوصف :

بيانات المصفوفات المولدة من الناحية الإجرائية (PGM) من ورقة قياس الاستدلال المجرد في الشبكات العصبية ، Barrett ، Hill ، Santoro et al. 2018. الهدف هو استنتاج الإجابة الصحيحة من لوحات السياق بناءً على التفكير المجرد.

لاستخدام مجموعة البيانات هذه ، يرجى تنزيل جميع ملفات * .tar.gz من صفحة مجموعة البيانات ووضعها في ~ / tensorflow_datasets / abstract_reasoning /.

يشير $ R $ إلى مجموعة أنواع العلاقات (التقدم ، XOR ، OR ، AND ، اتحاد ثابت) ، $ O $ يشير إلى أنواع الكائنات (الشكل ، الخط) ، و $ A $ يشير إلى أنواع السمات (الحجم ، اللون ، الموضع ، عدد). بنية المصفوفة ، $ S $ ، هي مجموعة ثلاثية $ S = {[r، o، a]} $ التي تحدد التحدي الذي تشكله مصفوفة معينة.

  • الصفحة الرئيسية : https://github.com/deepmind/abstract-reasoning-matrices

  • كود المصدر : tfds.image.AbstractReasoning

  • إصدارات :

    • 1.0.0 (افتراضي): لا توجد ملاحظات حول الإصدار.
  • حجم التنزيل : Unknown size

  • حجم مجموعة البيانات : Unknown size

  • إرشادات التنزيل اليدوي : تتطلب مجموعة البيانات هذه تنزيل بيانات المصدر يدويًا إلى download_config.manual_dir (الإعدادات الافتراضية على ~/tensorflow_datasets/downloads/manual/ ):
    يمكن تنزيل البيانات من https://console.cloud.google.com/storage/browser/ravens-matrices يرجى وضع جميع ملفات tar.gz في manual_dir.

  • التخزين المؤقت التلقائي ( الوثائق ): غير معروف

  • الانقسامات :

انشق، مزق أمثلة
'test' 200000
'train' 1200000
'validation' 20000
  • الميزات :
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 / محايد (التكوين الافتراضي)

  • وصف التكوين : الهياكل التي ترميز المصفوفات في كل من
    تحتوي مجموعات التدريب والاختبار على أي ثلاثة أضعاف $ [r، o، a] $ مقابل $ r \ in R $،
    $ o \ in O $ و $ a \ in A $. مجموعات التدريب والاختبار منفصلة ، مع
    الفصل الذي يحدث على مستوى متغيرات الإدخال (أي بكسل
    مظاهر).

  • أمثلة ( tfds.as_dataframe ):

abstract_reasoning / الاستيفاء

  • وصف التكوين : كما هو الحال في التقسيم المحايد ، يتألف $ S $ من أي
    ثلاثة أضعاف $ [r، o، a] $. للاستيفاء ، في مجموعة التدريب ، عندما يكون
    كانت السمة "اللون" أو "الحجم" (أي السمات المرتبة) ، وقيم
    كانت السمات مقتصرة على أعضاء مفهرس زوجي من مجموعة منفصلة ،
    بينما في مجموعة الاختبار تم السماح فقط بالقيم المفهرسة الفردية. لاحظ أن كل شيء
    يحتوي $ S $ على بعض $ [r، o، a] $ ثلاثي مع سمة اللون أو الحجم.
    وبالتالي ، فإن التعميم مطلوب لكل سؤال في مجموعة الاختبار.

  • أمثلة ( tfds.as_dataframe ):

abstract_reasoning / الاستقراء

  • وصف التكوين : كما هو الحال في الاستيفاء ، ولكن قيم
    تم تقييد السمات في النصف السفلي من المجموعة المنفصلة أثناء
    التدريب ، بينما في مجموعة الاختبار أخذوا القيم في النصف العلوي.

  • أمثلة ( tfds.as_dataframe ):

abstract_reasoning / attr.rel.pairs

  • وصف التهيئة : احتوت كل $ S $ على ثلاث مرات على الأقل ،
    $ ([r_1، o_1، a_1]، [r_2، o_2، a_2]) = (t_1، t_2) $ ، منها 400 قابلة للتطبيق. نحن
    تم تخصيص 360 عشوائيًا لمجموعة التدريب و 40 لمجموعة الاختبار. أعضاء
    $ (t_1، t_2) $ من الأربعين زوجًا المعلق لم يتواجد معًا في الهياكل $ S $
    في مجموعة التدريب ، وكان لدى جميع الهياكل $ S $ زوج واحد على الأقل من هذا القبيل
    $ (t_1، t_2) $ كمجموعة فرعية.

  • أمثلة ( tfds.as_dataframe ):

abstract_reasoning / Attr.rels

  • وصف التكوين : في مجموعة البيانات الخاصة بنا ، يوجد 29 فريدًا ممكنًا
    ثلاثة أضعاف $ [r، o، a] $. خصصنا سبعة من هؤلاء لمجموعة الاختبار ، بشكل عشوائي ،
    ولكن تم تمثيل كل سمة مرة واحدة بالضبط في هذه المجموعة.
    لم تحدث هذه الثلاثيات المطولة أبدًا في أسئلة في مجموعة التدريب ، و
    احتوت كل $ S $ في مجموعة الاختبار على واحد منهم على الأقل.

  • أمثلة ( tfds.as_dataframe ):

abstract_reasoning / attrs.pairs

  • وصف التهيئة : $ S $ يحتوي على ثلاثة أضعاف على الأقل. يوجد 20
    (غير مرتبة) أزواج قابلة للتطبيق $ (a_1، a_2) $ مثل تلك الخاصة بالبعض
    $ r_i، o_i، ([r_1، o_1، a_1]، [r_2، o_2، a_2]) $ زوج ثلاثي قابل للتطبيق
    $ ([r_1، o_1، a_1]، [r_2، o_2، a_2]) = (t_1، t_2) $. خصصنا 16 من هذه الأزواج
    للتدريب وأربعة للاختبار. للزوج $ (a_1، a_2) $ في مجموعة الاختبار ،
    احتوت $ S $ في مجموعة التدريب على ثلاث مرات بـ $ a_1 $ أو $ a_2 $. في الاختبار
    مجموعة ، تحتوي كل $ S $ على ثلاثيات بـ $ a_1 $ و $ a_2 $.

  • أمثلة ( tfds.as_dataframe ):

abstract_reasoning / attrs.shape.color

  • وصف التكوين : سمة الشكل واللون المحتفظ بها. $ S $ في
    لا تحتوي مجموعة التدريب على ثلاثة أضعاف مع $ o $ = الشكل و $ a $ = color.
    احتوت جميع الهياكل التي تحكم الألغاز في مجموعة الاختبار على ثلاثة أضعاف واحدة على الأقل
    مع $ o $ = الشكل و $ a $ = color.

  • أمثلة ( tfds.as_dataframe ):

abstract_reasoning / attrs.line.type

  • وصف التكوين : نوع سطر السمة المعلقة. $ S $ في
    لا تحتوي مجموعة التدريب على ثلاثة أضعاف مع $ o $ = سطر و $ a $ = type.
    احتوت جميع الهياكل التي تحكم الألغاز في مجموعة الاختبار على ثلاثة أضعاف واحدة على الأقل
    مع $ o $ = سطر ونوع $ a $.

  • أمثلة ( tfds.as_dataframe ):