Google I/O adalah bungkusnya! Ikuti sesi TensorFlow Lihat sesi

ML yang fleksibel, terkontrol, dan dapat diinterpretasikan dengan model berbasis kisi

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 adalah library yang mengimplementasikan model berbasis lattice yang dibatasi dan ditafsirkan. Perpustakaan memungkinkan Anda untuk menyuntikkan pengetahuan domain ke dalam proses pembelajaran melalui akal sehat atau kebijakan-driven kendala bentuk . Hal ini dilakukan dengan menggunakan koleksi lapisan Keras yang dapat memenuhi kendala seperti monotonisitas, konveksitas dan bagaimana fitur berinteraksi. Perpustakaan juga menyediakan mudah untuk setup model premade dan estimator kaleng .

Dengan TF Lattice, Anda dapat menggunakan pengetahuan domain untuk mengekstrapolasi dengan lebih baik ke bagian ruang input yang tidak tercakup oleh set data pelatihan. Ini membantu menghindari perilaku model yang tidak terduga saat distribusi penyajian berbeda dari distribusi pelatihan.