หน้านี้ได้รับการแปลโดย Cloud Translation API
Switch to English

ML ที่ยืดหยุ่นควบคุมได้และตีความได้พร้อมโมเดลรุ่นขัดแตะ

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 เป็นห้องสมุดที่ใช้โมเดลที่มีโครงสร้างแบบขัดแตะและตีความได้ ห้องสมุดช่วยให้คุณสามารถฉีดความรู้ด้านโดเมนเข้าสู่กระบวนการเรียนรู้ผ่าน ข้อ จำกัด ด้านรูปร่าง หรือนโยบาย สิ่งนี้ทำโดยใช้คอลเลกชันของ เลเยอร์ Keras ที่สามารถตอบสนองข้อ จำกัด เช่น monotonicity, นูนและคุณสมบัติการโต้ตอบ ห้องสมุดยังมี รูปแบบ การติดตั้ง ล่วงหน้า และ ตัวประมาณค่ากระป๋อง ได้ง่าย

ด้วย TF Lattice คุณสามารถใช้ความรู้โดเมนเพื่อคาดการณ์ส่วนต่างๆของพื้นที่อินพุตที่ไม่ครอบคลุมโดยชุดข้อมูลการฝึกอบรมได้ดียิ่งขึ้น สิ่งนี้จะช่วยหลีกเลี่ยงพฤติกรรมของโมเดลที่ไม่คาดคิดเมื่อการแจกจ่ายการแสดงนั้นแตกต่างจากการกระจายการฝึกอบรม