این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

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_size=[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 مشبک و قابل تفسیر را پیاده سازی می کند. این کتابخانه از طریق محدودیت های شکل عقل سلیم یا سیاست محور می تواند دانش دامنه را به فرایند یادگیری تزریق کند. این کار با استفاده از مجموعه ای از لایه های Keras انجام می شود که می تواند محدودیت هایی از قبیل یکنواختی ، محدب بودن و نحوه تعامل ویژگی ها را برآورده سازد. همچنین در این كتابخانه می توان مدلهای ساده و پیش بینی كنسرو كننده ای را برای تنظیم آسان تنظیم كرد.

با استفاده از TF Lattice ، می توانید از دانش دامنه برای خارج کردن بهتر قسمت هایی از فضای ورودی که توسط مجموعه داده های آموزش پوشیده نشده استفاده کنید. این امر در جلوگیری از رفتار مدل غیر منتظره در هنگام توزیع سرویس با توزیع آموزش تفاوت می کند.