ML linh hoạt, được kiểm soát và có thể giải thích được với các mô hình dựa trên mạng

import numpy as np
import tensorflow as tf
import tensorflow_lattice as tfl

model = tf.keras.models.Sequential()
model.add(
    tfl.layers.ParallelCombination([
        # Monotonic piece-wise linear calibration with bounded output
        tfl.layers.PWLCalibration(
            monotonicity='increasing',
            input_keypoints=np.linspace(1., 5., num=20),
            output_min=0.0,
            output_max=1.0),
        # Diminishing returns
        tfl.layers.PWLCalibration(
            monotonicity='increasing',
            convexity='concave',
            input_keypoints=np.linspace(0., 200., num=20),
            output_min=0.0,
            output_max=2.0),
        # Partially monotonic categorical calibration: calib(0) <= calib(1)
        tfl.layers.CategoricalCalibration(
            num_buckets=4,
            output_min=0.0,
            output_max=1.0,
            monotonicities=[(0, 1)]),
    ]))
model.add(
    tfl.layers.Lattice(
        lattice_sizes=[2, 3, 2],
        monotonicities=['increasing', 'increasing', 'increasing'],
        # Trust: model is more responsive to input 0 if input 1 increases
        edgeworth_trusts=(0, 1, 'positive')))
model.compile(...)

TensorFlow Lattice là một thư viện triển khai các mô hình dựa trên mạng có ràng buộc và có thể giải thích được. Thư viện cho phép bạn đưa kiến ​​thức về miền vào quá trình học tập thông qua các ràng buộc về hình dạng theo lẽ thường hoặc theo định hướng chính sách . Điều này được thực hiện bằng cách sử dụng một tập hợp các lớp Keras có thể đáp ứng các ràng buộc như tính đơn điệu, độ lồi và cách các tính năng tương tác. Thư viện cũng cung cấp các mô hình được tạo sẵn dễ dàng cài đặt.

Với TF Lattice, bạn có thể sử dụng kiến ​​thức về miền để ngoại suy tốt hơn tới các phần của không gian đầu vào không có trong tập dữ liệu huấn luyện. Điều này giúp tránh hành vi không mong muốn của mô hình khi phân phối phục vụ khác với phân phối đào tạo.