Ta strona została przetłumaczona przez Cloud Translation API.
Switch to English

Elastyczny, kontrolowany i interpretowalny ML z modelami opartymi na sieciach

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(...)

TensorFlow Lattice to biblioteka, która implementuje ograniczone i interpretowalne modele oparte na sieciach kratowych. Biblioteka umożliwia wprowadzenie wiedzy dziedzinowej do procesu uczenia się poprzez ograniczenia kształtu wynikające ze zdrowego rozsądku lub polityki. Odbywa się to za pomocą kolekcji warstw Keras, które mogą spełniać ograniczenia, takie jak monotoniczność, wypukłość i interakcja cech. Biblioteka zapewnia również łatwe w konfiguracji gotowe modele i estymatory w puszkach .

Dzięki TF Lattice możesz wykorzystać wiedzę domeny, aby lepiej ekstrapolować na części przestrzeni wejściowej nieobjęte zestawem danych szkoleniowych. Pomaga to uniknąć nieoczekiwanego zachowania modelu, gdy dystrybucja udostępniania różni się od dystrybucji szkolenia.