ML انعطاف‌پذیر، کنترل‌شده و قابل تفسیر با مدل‌های 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 پیاده سازی می کند. کتابخانه شما را قادر به تزریق دامنه دانش در فرایند یادگیری از طریق حس مشترک یا سیاست محور محدودیت شکل . این کار با استفاده از مجموعه ای از انجام لایه Keras است که می تواند محدودیت های مانند یکنواختی، تحدب را برآورده سازد و چگونه ویژگی های تداخل می کنند. این کتابخانه همچنین به راه اندازی آسان فراهم می کند مدل های از پیش ساخته شده و تخمین زننده کنسرو .

با TF Lattice می‌توانید از دانش دامنه برای برون‌یابی بهتر قسمت‌هایی از فضای ورودی که توسط مجموعه داده آموزشی پوشش داده نمی‌شود، استفاده کنید. این به جلوگیری از رفتار مدل غیرمنتظره در زمانی که توزیع سرویس متفاوت از توزیع آموزشی است، کمک می کند.