ML انعطاف پذیر ، کنترل شده و قابل تفسیر با مدل های مبتنی بر شبکه

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 کتابخانه ای است که مدل های مبتنی بر شبکه محدود و قابل تفسیر را اجرا می کند. این کتابخانه شما را قادر می سازد تا دانش دامنه را از طریق محدودیت های شکل عقل سلیم یا سیاست محور به فرآیند یادگیری تزریق کنید . این کار با استفاده از مجموعه ای از لایه های Keras انجام می شود که می تواند محدودیت هایی مانند یکنواختی ، تحدب و نحوه تعامل ویژگی ها را برآورده کند. این کتابخانه همچنین مدل های از پیش آماده و برآورد کنسرو شده را برای تنظیم آسان فراهم می کند.

با استفاده از TF Lattice می توانید از دانش دامنه برای برون یابی بهتر به قسمت هایی از فضای ورودی که تحت مجموعه داده آموزش نیست استفاده کنید. هنگامی که توزیع خدمت متفاوت از توزیع آموزش است ، این به شما کمک می کند تا از رفتار غیر منتظره مدل جلوگیری کنید.