जाली आधारित मॉडलों के साथ लचीले, नियंत्रित और व्याख्यात्मक एमएल

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 जाली एक पुस्तकालय है जो विवश और व्याख्यात्मक जाली आधारित मॉडल को लागू करता है। लाइब्रेरी आपको सामान्य ज्ञान या नीति-चालित आकार की बाधाओं के माध्यम से सीखने की प्रक्रिया में डोमेन ज्ञान को इंजेक्ट करने में सक्षम बनाती है। यह केर लेयर्स के संग्रह का उपयोग करके किया जाता है जो बाधाओं जैसे कि एकरसता, उत्तलता और कैसे बातचीत को बाधित कर सकते हैं। लाइब्रेरी प्रीमियर मॉडल और डिब्बाबंद अनुमानकों को सेटअप करने में भी आसान है।

TF Lattice से आप डोमेन डेटा का उपयोग बेहतर तरीके से कर सकते हैं ताकि प्रशिक्षण डेटासेट द्वारा कवर नहीं किए गए इनपुट स्पेस के कुछ हिस्सों को बेहतर ढंग से एक्सट्रपलेट किया जा सके। यह अनपेक्षित मॉडल व्यवहार से बचने में मदद करता है जब सेवा वितरण प्रशिक्षण वितरण से अलग होता है।