ML גמיש, מבוקר וניתן לפרשנות עם מודלים מבוססי סריג

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 היא ספרייה המיישמת מודלים מבוססי סריג מוגבלים וניתנים לפרשנות. הספרייה מאפשרת לך להחדיר ידע בתחום לתהליך הלמידה באמצעות מגבלות צורה עם שכל ישר או מדיניות. זה נעשה באמצעות אוסף של שכבות Keras שיכולים לספק אילוצים כגון מונוטוניות, קמורה ואופן הפעולה של תכונות. הספרייה מספקת גם קל להתקנה של מודלים מוכנים מראש ואומדי שימורים .

בעזרת TF Lattice תוכלו להשתמש בידע תחום לצורך אקסטרפולציה טובה יותר לחלקי שטח הקלט שאינם מכוסים במערך האימונים. זה עוזר להימנע מהתנהגות מודל בלתי צפויה כאשר חלוקת ההגשה שונה מהפצת האימונים.