ML linh hoạt, có kiểm soát và có thể giải thích 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_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 là một thư viện thực hiện các mô hình dựa trên mạng bị ràng buộc và có thể giải thích được. Thư viện cho phép bạn đưa kiến thức miền vào quá trình học tập thông qua các ràng buộc hình dạng thông thường hoặc theo chính sách. Điều này được thực hiện bằng cách sử dụng một tập hợp các lớp Keras có thể đáp ứng các ràng buộc như tính đơn điệu, độ lồi và cách các tính năng tương tác. Thư viện cũng cung cấp dễ dàng để thiết lập các mô hình tiền tố và các công cụ ước tính đóng hộp .
Với TF Lattice, bạn có thể sử dụng kiến thức miền để ngoại suy tốt hơn đến các phần của không gian đầu vào không được bao gồm trong tập dữ liệu huấn luyện. Điều này giúp tránh hành vi mô hình bất ngờ khi phân phối phục vụ khác với phân phối đào tạo.
