احفظ التاريخ! يعود مؤتمر Google I / O من 18 إلى 20 مايو. سجل الآن
ترجمت واجهة Cloud Translation API‏ هذه الصفحة.
Switch to English

تعلّم آلي مرن ومنضبط وقابل للتفسير مع نماذج قائمة على الشبكة

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 هي مكتبة تنفذ نماذج شبكية مقيدة وقابلة للتفسير. تتيح لك المكتبة إدخال معرفة المجال في عملية التعلم من خلال قيود الشكل المنطقية أو السياسات. يتم ذلك باستخدام مجموعة من طبقات Keras التي يمكن أن تلبي قيودًا مثل الرتابة والتحدب وكيفية تفاعل الميزات. توفر المكتبة أيضًا نماذج سهلة الإعداد ومقدرات معلبة .

باستخدام TF Lattice ، يمكنك استخدام معرفة المجال للاستقراء بشكل أفضل لأجزاء مساحة الإدخال التي لا تغطيها مجموعة بيانات التدريب. يساعد هذا في تجنب سلوك النموذج غير المتوقع عندما يختلف توزيع الخدمة عن توزيع التدريب.