דף זה תורגם על ידי Cloud Translation API.
Switch to English

ML גמיש, מבוקר וניתן לפרש 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 להזרים ידע בתחום לתהליך הלמידה באמצעות אילוצי צורה עם שכל ישר או מדיניות. זה נעשה באמצעות אוסף של שכבות Keras שיכולים לספק אילוצים כגון מונוטוניות, קמורה ואופן האינטראקציה בין תכונות. הספרייה מספקת גם מודלים מוכנים מראש ואומדני שימורים קלים להתקנה.

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