ML ที่ยืดหยุ่นควบคุมและตีความได้ด้วยโมเดลที่ใช้ตาข่าย

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 เป็นไลบรารีที่ใช้โมเดลตาข่ายที่ถูก จำกัด และตีความได้ ไลบรารีช่วยให้คุณสามารถฉีดความรู้โดเมนเข้าไปในกระบวนการเรียนรู้ผ่านสามัญสำนึกหรือ ข้อ จำกัด ด้านรูปร่างที่ ขับเคลื่อนด้วยนโยบาย สิ่งนี้ทำได้โดยใช้คอลเลกชันของ เลเยอร์ Keras ที่สามารถตอบสนองข้อ จำกัด ต่างๆเช่น monotonicity ความนูนและวิธีการโต้ตอบของคุณสมบัติ นอกจากนี้ไลบรารียังมี แบบจำลอง สำเร็จรูป และเครื่องมือ ประมาณค่าสำเร็จรูปที่ ง่ายต่อการติดตั้ง

ด้วย TF Lattice คุณสามารถใช้ความรู้เกี่ยวกับโดเมนเพื่อคาดการณ์ส่วนต่างๆของพื้นที่ป้อนข้อมูลที่ไม่ครอบคลุมโดยชุดข้อมูลการฝึกอบรม สิ่งนี้ช่วยหลีกเลี่ยงพฤติกรรมของโมเดลที่ไม่คาดคิดเมื่อการกระจายการแสดงผลแตกต่างจากการกระจายการฝึกอบรม