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. تمكن المكتبة التي لحقن مجال المعرفة في عملية التعلم من خلال البديهية أو يحركها سياسة القيود الشكل . ويتم ذلك باستخدام مجموعة من الطبقات Keras التي يمكن أن تلبي القيود مثل الرتابه في الصوت، التحدب وكيف يتميز التفاعل. كما يوفر مكتبة سهلة لإعداد نماذج ولم يضف و المقدرات المعلبة .

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.