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

ML גמיש, מבוקר וניתן לפרש עם דגמים 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_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(...)

רשת TensorFlow היא ספרייה המיישמת דגמים מבוססי סריג מוגבלים וניתנים לפרשנות. הספרייה מאפשרת לך להזרים ידע בתחום לתהליך הלמידה באמצעות מגבלות צורה מונחות-השכל או מונעות מדיניות. זה נעשה באמצעות אוסף של שכבות קרס שיכולות לספק אילוצים כמו מונוטוניות, קמור וכיצד אינטראקציות בין תכונות. הספרייה מספקת גם קלים להתקנה של מודלים מקדימים ומעריכים משומרים .

בעזרת TF Lattice אתה יכול להשתמש בידע בתחום כדי להמחיש טוב יותר לחלקים של מרחב הקלט שלא מכוסה במערך האימונים. זה עוזר להימנע מהתנהגות מודל בלתי צפויה כאשר חלוקת ההגשה שונה מהתפלגות האימונים.