ML linh hoạt, được kiểm soát và có thể diễn giải với các mô hình dựa trên mạng tinh thể
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 là một thư viện triển khai các mô hình dựa trên mạng tinh thể có giới hạn và có thể diễn giải được. Thư viện cho phép bạn bơm kiến thức miền vào quá trình học tập thông qua chung cảm giác hay chính sách định hướng hạn chế hình dạng . Này được thực hiện bằng một tập hợp các lớp Keras có thể thỏa mãn các ràng buộc như đơn điệu, lồi và cách tính năng tương tác. Các thư viện cũng cung cấp dễ dàng để thiết lập mô hình premade và ước lượng đóng hộp .
Với TF Lattice, bạn có thể sử dụng kiến thức miền để ngoại suy tốt hơn cho các phần của không gian đầu vào không nằm trong tập dữ liệu đào tạo. Điều này giúp tránh hành vi mô hình không mong muốn khi phân phối phục vụ khác với phân phối đào tạo.
