הצטרף ל-TensorFlow ב-Google I/O, 11-12 במאי הירשם עכשיו

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 לפירוש. הספרייה מאפשרת לך להזרים ידע מושלם לתוך תהליך הלמידה באמצעות שכל ישר או מונחת מדיניות אילוצי צורה . הדבר נעשה באמצעות אוסף של שכבות Keras שיכול לספק אילוצים כגון מונוטוניות, קמירות וכיצד תכונות אינטראקציה. הספרייה מספקת גם קלה להתקנת מודלים מוכנים מראש, ועל אומדנים משומרים .

עם TF Lattice אתה יכול להשתמש בידע בתחום כדי לבצע אקסטרפולציה טובה יותר לחלקים של מרחב הקלט שאינם מכוסים על ידי מערך ההדרכה. זה עוזר להימנע מהתנהגות מודל בלתי צפויה כאשר התפלגות ההגשה שונה מהתפלגות ההדרכה.