ช่วยปกป้อง Great Barrier Reef กับ TensorFlow บน Kaggle เข้าร่วมท้าทาย

abstract_reasoning

l10n-PLACEHOLDER1 หมายถึงชุดของความสัมพันธ์ประเภท (ความคืบหน้าแฮคเกอร์, OR, และสหภาพสอดคล้อง) \\(O\\) หมายถึงประเภทวัตถุ (รูปร่างบรรทัด) และ \\(A\\) หมายถึงประเภทแอตทริบิวต์ (ขนาด, สี, ตำแหน่ง, จำนวน). โครงสร้างของเมทริกซ์ \\(S\\)เป็นชุดของอเนกประสงค์ที่ \\(S={[r, o, a]}\\) ที่เป็นตัวกำหนดความท้าทายที่เกิดจากเมทริกซ์โดยเฉพาะอย่างยิ่ง ในการใช้ชุดข้อมูลนี้: ```python import tensorflow_datasets as tfds ds = tfds.load('abstract_reasoning', split='train') สำหรับ ex ใน ds.take(4): print(ex) ``` ดู [คำแนะนำ] ](https://www.tensorflow.org/datasets/overview) สำหรับข้อมูลเพิ่มเติมเกี่ยวกับ [tensorflow_datasets](https://www.tensorflow.org/datasets) " />
  • รายละเอียด:

ข้อมูล Procedurally Generated Matrices (PGM) จากบทความ การวัดเหตุผลเชิงนามธรรมใน Neural Networks, Barrett, Hill, Santoro et al. 2018 เป้าหมายคือการอนุมานคำตอบที่ถูกต้องจากแผงบริบทตามการให้เหตุผลเชิงนามธรรม

หากต้องการใช้ชุดข้อมูลนี้ โปรดดาวน์โหลดไฟล์ *.tar.gz ทั้งหมดจากหน้าชุดข้อมูลและวางไว้ใน ~/tensorflow_datasets/abstract_reasoning/

\(R\) หมายถึงชุดของความสัมพันธ์ประเภทนี้ (ความคืบหน้าแฮคเกอร์, OR, และสหภาพสอดคล้อง) \(O\) หมายถึงประเภทวัตถุ (รูปร่างบรรทัด) และ \(A\) หมายถึงประเภทแอตทริบิวต์ (ขนาด, สี, ตำแหน่ง, ตัวเลข). โครงสร้างของเมทริกซ์,\(S\)เป็นชุดของอเนกประสงค์ \(S={[r, o, a]}\) ที่เป็นตัวกำหนดความท้าทายที่เกิดจากเมทริกซ์โดยเฉพาะอย่างยิ่ง

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

  • รหัสที่มา: tfds.image.AbstractReasoning

  • รุ่น:

    • 1.0.0 (เริ่มต้น): ไม่มีบันทึกประจำรุ่น
  • ขนาดการดาวน์โหลด: Unknown size

  • ขนาดชุด: Unknown size

  • คำแนะนำการดาวน์โหลดคู่มือ: ชุดนี้คุณจะต้องดาวน์โหลดข้อมูลแหล่งที่มาของตนเองลงใน download_config.manual_dir (ค่าเริ่มต้น ~/tensorflow_datasets/downloads/manual/ ):
    ข้อมูลที่สามารถดาวน์โหลดได้จาก https://console.cloud.google.com/storage/browser/ravens-matrices กรุณาใส่ทุกไฟล์ tar.gz ใน manual_dir

  • ออโต้แคช ( เอกสาร ): ไม่ทราบ

  • แยก:

แยก ตัวอย่าง
'test' 200,000
'train' 1,200,000
'validation' 20,000
  • คุณสมบัติ:
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),
})
  • คีย์ภายใต้การดูแล (ดู as_supervised doc ): None

  • รูป ( tfds.show_examples ): ไม่ได้รับการสนับสนุน

  • อ้างอิง:

@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 (การกำหนดค่าเริ่มต้น)

  • คำอธิบาย Config: โครงสร้างการเข้ารหัสการฝึกอบรมทั้งใน
    การฝึกอบรมและการทดสอบชุดประกอบด้วยใดอเนกประสงค์ \([r, o, a]\) สำหรับ \(r \\in R\),
    \(o \\in O\)และ \(a \\in A\)ชุดฝึกและทดสอบไม่ปะติดปะต่อกัน โดย
    การแยกเกิดขึ้นที่ระดับของตัวแปรอินพุต (เช่น pixel
    อาการ)

  • ตัวอย่าง ( tfds.as_dataframe ):

abstract_reasoning/การแก้ไข

  • คำอธิบาย Config: ในขณะที่แยกเป็นกลาง \(S\) ประกอบด้วยใด ๆ
    อเนกประสงค์ \([r, o, a]\)สำหรับการประมาณค่า ในชุดฝึก เมื่อ
    คุณลักษณะคือ "สี" หรือ "ขนาด" (เช่น คุณลักษณะที่เรียงลำดับ) ค่าของ
    แอตทริบิวต์ถูก จำกัด ให้เป็นสมาชิกที่จัดทำดัชนีแบบคู่ของชุดที่ไม่ต่อเนื่อง
    ในขณะที่ชุดทดสอบอนุญาตเฉพาะค่าดัชนีคี่เท่านั้น โปรดทราบว่าทั้งหมด
    \(S\) มีบางสาม \([r, o, a]\) กับสีหรือขนาดแอตทริบิวต์
    ดังนั้นจึงจำเป็นต้องมีการวางนัยทั่วไปสำหรับทุกคำถามในชุดทดสอบ

  • ตัวอย่าง ( tfds.as_dataframe ):

abstract_reasoning/การอนุมาน

  • คำอธิบาย Config: เช่นเดียวกับในการแก้ไข แต่ค่าของ
    คุณลักษณะถูก จำกัด ไว้ที่ครึ่งล่างของชุดที่ไม่ต่อเนื่องระหว่าง
    การฝึกอบรมในขณะที่ชุดทดสอบใช้ค่าในครึ่งบน

  • ตัวอย่าง ( tfds.as_dataframe ):

abstract_reasoning/attr.rel.pairs

  • คำอธิบาย Config: ทุก \(S\) มีอย่างน้อยสองอเนกประสงค์
    \(([r_1,o_1,a_1],[r_2,o_2,a_2]) = (t_1, t_2)\)ของที่ 400 จะทำงานได้ เรา
    สุ่มจัดสรร 360 ให้กับชุดฝึกอบรมและ 40 ให้กับชุดทดสอบ สมาชิก
    \((t_1, t_2)\) ของคู่ละ 40 ถือออกไม่ได้เกิดขึ้นร่วมกันในโครงสร้าง\(S\)
    อยู่ในชุดฝึกอบรมและโครงสร้างทั้งหมด \(S\) มีอย่างน้อยหนึ่งคู่ดังกล่าว
    \((t_1, t_2)\) เป็นส่วนย่อย

  • ตัวอย่าง ( tfds.as_dataframe ):

abstract_reasoning/attr.rels

  • คำอธิบาย Config: ในชุดข้อมูลที่เรามีทั้งหมด 29 ที่เป็นไปได้ที่ไม่ซ้ำกัน
    อเนกประสงค์ \([r,o,a]\)เราจัดสรรเจ็ดรายการสำหรับชุดทดสอบโดยการสุ่ม
    แต่เพื่อให้แต่ละแอตทริบิวต์แสดงเพียงครั้งเดียวในชุดนี้
    ทริปเปิ้ลที่ถือออกเหล่านี้ไม่เคยเกิดขึ้นในคำถามในชุดการฝึกและ
    ทุก \(S\) อยู่ในชุดทดสอบที่มีอยู่อย่างน้อยหนึ่งของพวกเขา

  • ตัวอย่าง ( tfds.as_dataframe ):

abstract_reasoning/attrs.pairs

  • คำอธิบาย Config: \(S\) มีอย่างน้อยสองอเนกประสงค์ มี20
    (เรียงลำดับ) คู่ที่ทำงานของคุณลักษณะ \((a_1, a_2)\) ดังกล่าวว่าสำหรับบางคน
    \(r_i, o_i, ([r_1,o_1,a_1],[r_2,o_2,a_2])\) คือคู่สามที่ทำงานได้
    \(([r_1,o_1,a_1],[r_2,o_2,a_2]) = (t_1, t_2)\)เราจัดสรร 16 คู่เหล่านี้
    สำหรับการฝึกอบรมและสี่สำหรับการทดสอบ สำหรับคู่ \((a_1, a_2)\) อยู่ในชุดทดสอบ
    \(S\) อยู่ในชุดฝึกอบรมที่มีอเนกประสงค์ \(a_1\) หรือ \(a_2\)ในการทดสอบ
    ชุดทั้งหมด \(S\) มีอเนกประสงค์ \(a_1\) และ \(a_2\)

  • ตัวอย่าง ( tfds.as_dataframe ):

abstract_reasoning/attrs.shape.color

  • คำอธิบาย Config: ถือออกแอตทริบิวต์รูปร่างสี \(S\) ใน
    ชุดฝึกอบรมที่มีอเนกประสงค์ไม่มี \(o\)= รูปร่างและ \(a\)= สี
    โครงสร้างทั้งหมดที่ควบคุมปริศนาในชุดทดสอบมีสามตัวอย่างน้อยหนึ่งตัว
    กับ \(o\)= รูปร่างและ \(a\)= สี

  • ตัวอย่าง ( tfds.as_dataframe ):

abstract_reasoning/attrs.line.type

  • คำอธิบาย Config: ถือออกแอตทริบิวต์สายชนิด \(S\) ใน
    ชุดฝึกอบรมที่มีอเนกประสงค์ไม่มี \(o\)= line และ \(a\)= ประเภท
    โครงสร้างทั้งหมดที่ควบคุมปริศนาในชุดทดสอบมีสามตัวอย่างน้อยหนึ่งตัว
    กับ \(o\)= line และ \(a\)= ประเภท

  • ตัวอย่าง ( tfds.as_dataframe ):