This page was translated by the Cloud Translation API.
Switch to English

টেনসরফ্লো ল্যাটিস (টিএফএল)

টেনসরফ্লো ল্যাটিস হ'ল একটি লাইব্রেরি যা নমনীয়, নিয়ন্ত্রিত এবং ব্যাখ্যামূলক ল্যাটিস ভিত্তিক মডেলগুলি প্রয়োগ করে। লাইব্রেরি আপনাকে সাধারণ জ্ঞান বা নীতি-চালিত আকারের সীমাবদ্ধতার মাধ্যমে ডোমেন জ্ঞান শিখতে প্রক্রিয়ায় ইনজেক্ট করতে সক্ষম করে । এটি কেরাস স্তরগুলির সংকলন ব্যবহার করে করা হয়েছে যা একঘেয়েমি, উত্তলতা এবং যুগলবন্দী বিশ্বাসের মতো প্রতিবন্ধকতাগুলি পূরণ করতে পারে। লাইব্রেরি ক্যানড অনুমানক সেটআপ করা সহজ সরবরাহ করে।

ধারণা

এই বিভাগটি মনোোটোনিক ক্যালিবিটেড ইন্টারপোলটেড লুক-আপ টেবিলগুলি , জেএমএলআর 2016 এর বর্ণনার একটি সরলিকৃত সংস্করণ।

lattices

একটি জালিস একটি ইন্টারপোল্টেড লুক-আপ টেবিল যা আপনার ডেটাতে স্বেচ্ছাসেবীর ইনপুট-আউটপুট সম্পর্ক আনুমানিক করতে পারে। এটি আপনার ইনপুট স্পেসে একটি নিয়মিত গ্রিডকে ওভারল্যাপ করে এবং গ্রিডের শীর্ষে অবস্থিত আউটপুটটির জন্য মানগুলি শিখায়। একটি পরীক্ষার পয়েন্টের জন্য $ x $, $ f (x) line ল্যাটিক্সের মানগুলি ar x surrounding এর চারপাশে রৈখিকভাবে বিভক্ত হয় $

উপরের সাধারণ উদাহরণটি 2 ইনপুট বৈশিষ্ট্য এবং 4 পরামিতি সহ একটি ফাংশন: $ ta theta = [0, 0.2, 0.4, 1] $, যা ইনপুট স্পেসের কোণে ফাংশনের মানগুলি; বাকী কাজগুলি এই পরামিতিগুলি থেকে বিভক্ত হয়।

ফাংশন $ f (x) বৈশিষ্ট্যের মধ্যে অ-লিনিয়ার ইন্টারঅ্যাকশন ক্যাপচার করতে পারে। আপনি নিয়মিত গ্রিডে স্থলটির খুঁটির উচ্চতা সেট হিসাবে জাল প্যারামিটারগুলি ভাবতে পারেন, এবং ফলস্বরূপ ফাংশনটি চারটি খুঁটির বিপরীতে টানটান কাপড়ের মতো।

Dimen D $ বৈশিষ্ট্য এবং প্রতিটি মাত্রা সহ 2 টি সূচি সহ একটি নিয়মিত জালিতে $ 2 ^ D $ পরামিতি থাকবে। আরও নমনীয় ফাংশন ফিট করার জন্য, আপনি প্রতিটি মাত্রা বরাবর আরও শীর্ষবিন্দু দিয়ে বৈশিষ্ট্য স্থানের উপর একটি সূক্ষ্ম-দানযুক্ত জাল নির্দিষ্ট করতে পারেন। ল্যাটিস রিগ্রেশন ফাংশনগুলি অবিচ্ছিন্ন এবং টুকরা দিকের অসীম পার্থক্যযোগ্য।

ক্রমাঙ্কন

ধরা যাক পূর্ববর্তী নমুনা জাল বৈশিষ্ট্যগুলি ব্যবহার করে গণনা করা একটি প্রস্তাবিত স্থানীয় কফি শপের সাথে একজন শিক্ষিত ব্যবহারকারীর সুখকে উপস্থাপন করে:

  • কফির দাম, 0 থেকে 20 ডলারের মধ্যে
  • ব্যবহারকারীর দূরত্ব 0 থেকে 30 কিলোমিটারের মধ্যে

আমরা চাই আমাদের মডেলটি স্থানীয় কফি শপের পরামর্শ দিয়ে ব্যবহারকারীদের সুখ শিখুক। tfl.layers.PWLCalibration মডেলগুলি ল্যাটিস দ্বারা গৃহীত পরিসীমাটিতে ইনপুট বৈশিষ্ট্যগুলি ক্যালিব্রেট করতে এবং স্বাভাবিক করার জন্য tfl.layers.PWLCalibration লিনিয়ার ফাংশন ( tfl.layers.PWLCalibration ) ব্যবহার করতে পারে: tfl.layers.PWLCalibration 0.0 থেকে 1.0। নিম্নলিখিত কীগুলি 10 টি কীপয়েন্ট সহ ক্যালিব্রেশন ফাংশনগুলির উদাহরণ দেখায়:

বৈশিষ্ট্যগুলির পরিমাণগুলি ইনপুট কী-পয়েন্ট হিসাবে ব্যবহার করা প্রায়শই ভাল ধারণা। টেনসরফ্লো ল্যাটিক্স রেডিমেড অনুমানকারীরা বৈশিষ্ট্য কোয়ান্টাইলগুলিতে স্বয়ংক্রিয়ভাবে ইনপুট কীটিপয়েন্টগুলি সেট করতে পারে।

শ্রেণীবদ্ধ বৈশিষ্ট্যগুলির জন্য, টেন্সরফ্লো ল্যাটিস একটি tfl.layers.CategoricalCalibration খাওয়ানোর অনুরূপ আউটপুট বাউন্ডিং সহ tfl.layers.CategoricalCalibration ( tfl.layers.CategoricalCalibration ) সরবরাহ করে।

ensembles

ল্যাপিস লেয়ারের প্যারামিটারগুলির সংখ্যা ইনপুট বৈশিষ্ট্যের সংখ্যার সাথে তাত্পর্যপূর্ণভাবে বৃদ্ধি পায়, অতএব খুব উচ্চ মাত্রায় ভাল স্কেল করে না। এই সীমাবদ্ধতা কাটিয়ে ওঠার জন্য, টেনসরফ্লো ল্যাটিকস কয়েকটি ছোট ছোট জালগুলিকে একত্রিত করে (গড়) জালাগুলির নকলগুলি সরবরাহ করে, যা বৈশিষ্ট্যগুলির সংখ্যায় মডেলকে রৈখিকভাবে বাড়তে সক্ষম করে।

গ্রন্থাগারটি এই নকশাগুলির দুটি ভিন্নতা সরবরাহ করে:

  • র্যান্ডম টিনি ল্যাটিস (আরটিএল): প্রতিটি সাবমোডেল বৈশিষ্ট্যগুলির একটি এলোমেলো উপসেট ব্যবহার করে (প্রতিস্থাপন সহ)।

  • স্ফটিকগুলি : স্ফটিকগুলি অ্যালগরিদম প্রথমে একটি পছন্দসই মডেল প্রশিক্ষণ দেয় যা যুগলভাবে বৈশিষ্ট্যযুক্ত মিথস্ক্রিয়াটিকে অনুমান করে। এরপরে এটি চূড়ান্ত নকশাগুলির ব্যবস্থা করে যাতে আরও অ-রৈখিক ইন্টারঅ্যাকশন সহ বৈশিষ্ট্যগুলি একই জালিতে থাকে।

টেনসরফ্লো জালিয়াতি কেন?

আপনি এই টিএফ ব্লগ পোস্টে টেনসরফ্লো ল্যাটিসের একটি সংক্ষিপ্ত পরিচিতি খুঁজে পেতে পারেন।

Interpretability

যেহেতু প্রতিটি স্তরের পরামিতিগুলি সেই স্তরের আউটপুট, তাই মডেলটির প্রতিটি অংশ বিশ্লেষণ, বোঝা এবং ডিবাগ করা সহজ।

সঠিক এবং নমনীয় মডেল

সূক্ষ্ম দানযুক্ত জালাগুলি ব্যবহার করে, আপনি একক জাল স্তর সহ নির্বিচারে জটিল ফাংশন পেতে পারেন। ক্যালিব্রেটার এবং জালাগুলির একাধিক স্তর ব্যবহার করা প্রায়শই অনুশীলনে দুর্দান্তভাবে কাজ করে এবং অনুরূপ আকারের ডিএনএন মডেলের সাথে মেলে বা ছাপিয়ে যায়।

সাধারণ সেন্স আকারের সীমাবদ্ধতা

রিয়েল ওয়ার্ল্ড ট্রেনিং ডেটা রান-টাইম ডেটা যথেষ্ট উপস্থাপন করতে পারে না। ডিএনএন বা বন হিসাবে নমনীয় এমএল সমাধানগুলি প্রশিক্ষণ ডেটা দ্বারা আচ্ছন্ন না হওয়া ইনপুট স্পেসের অংশগুলিতে প্রায়শই অপ্রত্যাশিত এবং বন্য হয়ে কাজ করে। নীতি বা ন্যায্যতার সীমাবদ্ধতা লঙ্ঘন করা যেতে পারে এই আচরণটি বিশেষত সমস্যাযুক্ত।

যদিও নিয়মিতকরণের সাধারণ ফর্মগুলির ফলে আরও বুদ্ধিমান এক্সট্রাপোলেশন ঘটে, স্ট্যান্ডার্ড নিয়ামকরা পুরো ইনপুট স্পেসে বিশেষত উচ্চ-মাত্রিক ইনপুটগুলির সাথে যুক্ত মডেল আচরণের গ্যারান্টি দিতে পারে না। আরও নিয়ন্ত্রিত এবং অনুমানযোগ্য আচরণ সহ সহজ মডেলগুলিতে স্যুইচ করা মডেলের নির্ভুলতার জন্য মারাত্মক ব্যয়ে আসতে পারে।

টিএফ ল্যাটিক্স নমনীয় মডেলগুলি ব্যবহার করা সম্ভব করে তোলে, তবে শব্দার্থগত অর্থবোধক সাধারণ জ্ঞান বা নীতি-চালিত আকারের সীমাবদ্ধতার মধ্য দিয়ে শিখার প্রক্রিয়াতে ডোমেন জ্ঞান ইনজেকশনের জন্য বেশ কয়েকটি বিকল্প সরবরাহ করে :

  • একঘেয়েমি : আপনি নির্দিষ্ট করতে পারেন যে কোনও ইনপুটের ক্ষেত্রে আউটপুট কেবল বাড়ানো / হ্রাস করা উচিত। আমাদের উদাহরণস্বরূপ, আপনি উল্লেখ করতে চাইতে পারেন যে কোনও কফিশপের বাড়তি দূরত্ব কেবলমাত্র পূর্বাভাসযুক্ত ব্যবহারকারী পছন্দকে হ্রাস করতে পারে।

  • উত্তেজক / ঘনত্ব : আপনি নির্দিষ্ট করতে পারেন যে ফাংশন আকারটি উত্তল বা অবতল হতে পারে। একঘেয়েমিটির সাথে মিশ্রিত, এটি কোনও নির্দিষ্ট বৈশিষ্ট্যের প্রতি সম্মানজনকভাবে ফাংশনকে হ্রাসকারী রিটার্নের প্রতিনিধিত্ব করতে বাধ্য করতে পারে।

  • Unimodality : আপনি নির্দিষ্ট করতে পারেন যে ফাংশনটির একটি অনন্য শিখর বা অনন্য উপত্যকা থাকা উচিত have এটি আপনাকে এমন বৈশিষ্ট্যগুলিকে উপস্থাপন করতে দেয় যা কোনও বৈশিষ্ট্যের প্রতি সম্মানযুক্ত একটি মিষ্টি স্পট রয়েছে।

  • জোড়যুক্ত বিশ্বাস : এই সীমাবদ্ধতা বৈশিষ্ট্যগুলির একটি জুটির উপরে কাজ করে এবং প্রস্তাব দেয় যে একটি ইনপুট বৈশিষ্ট্য শব্দার্থভাবে অন্য বৈশিষ্ট্যের প্রতি বিশ্বাসকে প্রতিবিম্বিত করে। উদাহরণস্বরূপ, বেশি সংখ্যক পর্যালোচনা আপনাকে রেস্তোঁরাগুলির গড় তারকা রেটিংয়ের ক্ষেত্রে আরও আত্মবিশ্বাসী করে তোলে। যখন পর্যালোচনার সংখ্যা বেশি হবে তখন মডেলটি তারার রেটিংয়ের ক্ষেত্রে (যেমন রেটিংয়ের সাথে আরও বড় opeাল ধারণ করবে) সম্মতিতে আরও সংবেদনশীল হবে।

নিয়ন্ত্রকগণের সাথে নিয়ন্ত্রিত নমনীয়তা

প্রতিবন্ধকতাগুলি আকারের পাশাপাশি, প্রতিটি স্তরের জন্য ফাংশনটির নমনীয়তা এবং মসৃণতা নিয়ন্ত্রণ করতে টেনসরফ্লো জালিয়াতি প্রচুর নিয়ামক সরবরাহ করে।

  • ল্যাপ্লেসিয়ান নিয়মিতকরণ : জাল / আখেরে উল্লম্ব / কিপয়েন্টগুলির আউটপুটগুলি তাদের নিজ নিজ প্রতিবেশীদের মানগুলির দিকে নিয়মিত করা হয়। এটি একটি চাটুকার ফাংশন ফলাফল।

  • হেসিয়ান নিয়ন্ত্রক : এটি ফাংশনটিকে আরও রৈখিক করতে পিডাব্লুএল ক্যালিগ্রেশন স্তরটির প্রথম ডেরাইভেটিভকে শাস্তি দেয়।

  • রিঙ্কল রেগুলারাইজার : এটি বক্ররেখার আকস্মিক পরিবর্তন এড়ানোর জন্য পিডাব্লুএল ক্যালিগ্রেশন স্তরটির দ্বিতীয় ডেরাইভেটিভকে শাস্তি দেয়। এটি ফাংশনটিকে মসৃণ করে তোলে।

  • টর্জন নিয়মিতকরণ : জালগুলির আউটপুটগুলি বৈশিষ্ট্যগুলির মধ্যে টর্জন প্রতিরোধের দিকে নিয়মিত করা হবে। অন্য কথায়, বৈশিষ্ট্যগুলির অবদানের মধ্যে মডেলটিকে স্বাধীনতার দিকে নিয়মিত করা হবে।

মিশ্রিত করুন এবং অন্যান্য কেরাস স্তরগুলির সাথে মেলে

আংশিকভাবে সীমাবদ্ধ বা নিয়মিত মডেলগুলি তৈরি করতে আপনি অন্যান্য কেরাস স্তরগুলির সাথে একত্রে টিএফ ল্যাটিক্স স্তরগুলি ব্যবহার করতে পারেন। উদাহরণস্বরূপ, গভীর নেটওয়ার্কগুলির শেষ স্তরে এমবেডিংস বা অন্যান্য কেরাস স্তর অন্তর্ভুক্ত জালিক বা পিডব্লিউএল ক্যালিগ্রেশন স্তরগুলি ব্যবহার করা যেতে পারে।

পেপারস

টিউটোরিয়াল এবং এপিআই ডক্স

সাধারণ মডেল আর্কিটেকচারের জন্য, আপনি কেরাস প্রিমেড মডেল বা টিনজাত अनुमानক ব্যবহার করতে পারেন। আপনি টিএফ ল্যাটিস কেরাস স্তরগুলি ব্যবহার করে কাস্টম মডেলও তৈরি করতে পারেন বা অন্যান্য কেরাস স্তরগুলির সাথে মেশান এবং মিল করতে পারেন। বিশদ জন্য সম্পূর্ণ API ডক্স পরীক্ষা করে দেখুন।