امروز برای رویداد محلی TensorFlow خود در همه جا پاسخ دهید!
این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

استدلال_ انتزاعی

  • توضیحات :

داده های ماتریس تولید شده رویه ای (PGM) از مقاله اندازه گیری استدلال انتزاعی در شبکه های عصبی ، بارت ، هیل ، سانتورو و همکاران. 2018. هدف استنباط پاسخ صحیح از پانل های زمینه بر اساس استدلال انتزاعی است.

برای استفاده از این مجموعه داده ، لطفاً همه پرونده های * .tar.gz را از صفحه مجموعه داده بارگیری کرده و در ~ / tensorflow_datasets / abstract_reasoning / قرار دهید.

$ R $ نشانگر مجموعه انواع رابطه است (پیشرفت ، XOR ، OR ، AND ، اتحاد سازگار) ، $ O $ انواع شی object را نشان می دهد (شکل ، خط) ، و $ A $ انواع ویژگی را نشان می دهد (اندازه ، رنگ ، موقعیت ، عدد). ساختار یک ماتریس ، $ S $ ، مجموعه ای از سه برابر است $ S = {[r، o، a]} $ که چالش ایجاد شده توسط یک ماتریس خاص را تعیین می کند.

  • صفحه اصلی : https://github.com/deepmind/abdominal-reasoning-matrices

  • کد منبع : tfds.image.AbstractReasoning

  • نسخه ها :

    • 1.0.0 (پیش فرض): بدون یادداشت انتشار.
  • اندازه بارگیری : Unknown size

  • اندازه مجموعه داده : Unknown size

  • دستورالعمل های بارگیری دستی : برای این مجموعه داده لازم است که داده های منبع را به صورت دستی در download_config.manual_dir (به طور پیش فرض ~/tensorflow_datasets/downloads/manual/ ):
    داده ها را می توان از https://console.cloud.google.com/storage/browser/ravens-matrices بارگیری کرد لطفا تمام پرونده های tar.gz را در manual_dir قرار دهید.

  • ذخیره خودکار ( مستندات ): ناشناخته است

  • تقسیم :

شکاف مثال ها
'test' 200000
'train' 12000000
'validation' 20،000
  • ویژگی ها :
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),
})
  • کلیدهای تحت نظارت (به as_supervised سند نظارت شده مراجعه کنید): None

  • نقل قول :

@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 / neutral (پیکربندی پیش فرض)

  • شرح پیکربندی : ساختارهای رمزگذاری کننده ماتریس ها در هر دو
    مجموعه های آموزش و آزمایش شامل هر سه برابر $ [r، o، a] $ برای $ r \ in R $،
    $ o \ در O $ ، و $ a \ در A $. مجموعه های آموزش و آزمایش با یکدیگر جدا هستند
    جدایی در سطح متغیرهای ورودی (یعنی پیکسل) رخ می دهد
    مظاهر)

  • مثالها ( tfds.as_dataframe ):

abstract_reasoning / interpolation

  • شرح پیکربندی : همانند تقسیم خنثی ، $ S $ از هر یک تشکیل شده بود
    $ [r، o، a] $ سه برابر می شود. برای درون یابی ، در مجموعه آموزش ،
    صفت "رنگ" یا "اندازه" (یعنی صفات مرتب شده) بود ، مقادیر
    ویژگی ها فقط به اعضای نمایه یک مجموعه گسسته محدود می شوند ،
    در حالی که در مجموعه آزمون فقط مقادیر نمایه فرد مجاز بود. توجه داشته باشید که همه
    $ S $ حاوی مقداری سه برابر $ [r، o، a] $ با ویژگی رنگ یا اندازه است.
    بنابراین ، برای هر س inال در مجموعه آزمون ، تعمیم لازم است.

  • مثالها ( tfds.as_dataframe ):

استدلال_ انتزاعی_ انتزاعی

  • توضیحات پیکربندی : همانند درون یابی ، اما مقادیر
    صفات در نیمه پایینی مجموعه گسسته محدود شدند
    آموزش ، در حالی که در مجموعه آزمون آنها مقادیر را در نیمه بالا گرفتند.

  • مثالها ( tfds.as_dataframe ):

abstract_reasoning / attr.rel.pair

  • شرح پیکربندی : همه $ S $ شامل حداقل دو سه گانه است ،
    $ ([r_1، o_1، a_1]، [r_2، o_2، a_2]) = (t_1، t_2) $، که 400 از آنها قابل استفاده هستند. ما
    360 را به مجموعه آموزش و 40 را به مجموعه آزمون اختصاص داد. اعضا
    $ (t_1، t_2) $ از 40 جفت متوقف شده با هم در ساختارهای $ S $ وجود ندارد
    در مجموعه آموزش ، و تمام ساختارهای $ S $ حداقل یک جفت از این دست داشتند
    $ (t_1، t_2) $ به عنوان زیر مجموعه.

  • مثالها ( tfds.as_dataframe ):

abstract_reasoning / attr.rels

  • توضیحات پیکربندی : در مجموعه داده ما ، 29 مورد منحصر به فرد وجود دارد
    $ [r، o، a] $ سه برابر می شود. ما هفت مورد از این موارد را به طور تصادفی برای مجموعه آزمون اختصاص دادیم
    اما به گونه ای که هر یک از ویژگی ها دقیقاً یک بار در این مجموعه نشان داده شده است.
    این سه گانه های متوقف شده هرگز در س questionsالات مجموعه آموزشی رخ نداد و
    هر $ S $ در مجموعه آزمایش حداقل حاوی یکی از آنها است.

  • مثالها ( tfds.as_dataframe ):

abstract_reasoning / attrs.pair

  • شرح پیکربندی : $ S $ شامل حداقل دو سه گانه است. تعداد 20 نفر وجود دارد
    (مرتب نشده) از جفت های قابل قبول ویژگی $ (a_1، a_2) $ به گونه ای که برای بعضی ها
    $ r_i، o_i، ([r_1، o_1، a_1]، [r_2، o_2، a_2]) $ یک جفت سه گانه مناسب است
    $ ([r_1، o_1، a_1]، [r_2، o_2، a_2]) = (t_1، t_2) $. ما 16 مورد از این جفت ها را اختصاص دادیم
    برای آموزش و چهار برای تست. برای یک جفت $ (a_1، a_2) $ در مجموعه آزمایش ،
    $ S $ در مجموعه آموزش شامل سه برابر با $ a_1 $ یا $ a_2 $ است. در آزمون
    تنظیم شده ، همه $ S $ شامل سه برابر با $ a_1 $ و $ a_2 $ است.

  • مثالها ( tfds.as_dataframe ):

abstract_reasoning / attrs.shape.color

  • توضیحات پیکربندی : ویژگی شکل-رنگ حفظ شده $ S $ در
    مجموعه آموزش شامل سه برابر با $ o $ = شکل و $ a $ = رنگ نبود.
    تمام ساختارهای حاکم بر پازل در مجموعه آزمون حاوی حداقل یک سه گانه است
    با $ o $ = شکل و $ a $ = رنگ.

  • مثالها ( tfds.as_dataframe ):

abstract_reasoning / attrs.line.type

  • توضیحات پیکربندی : نوع مشخصه متوقف شده است. $ S $ در
    مجموعه آموزش شامل سه برابر با $ o $ = line و $ a $ = type نبود.
    تمام ساختارهای حاکم بر پازل در مجموعه آزمون حاوی حداقل یک سه گانه است
    با $ o $ = خط و $ a $ = نوع.

  • مثالها ( tfds.as_dataframe ):