皇冠体育app

设为首页 - 加入收藏 我爱资讯网 (http://119zzxfpf.com)- 国内知名站长资讯网站,提供最新最全的站长资讯,创业经验,网站建设等!
热搜: 美国 区块 全球 大会
当前位置: 首页 > 综合聚焦 > 移动互联 > 评测 > 正文

皇冠体育365appbet皇冠体育皇冠体育娱乐场网址皇冠体育网址皇冠体育在线娱乐皇冠体育在线官网,TensorFlow开源NSL神经结构学习框架

发布时间:2019-09-05 20:27 所属栏目:[评测] 来源:一鸣、李亚洲
导读:今日,谷歌 TensorFlow 宣布推出神经结构学习(NSL)开源框架,它使用神经图学习方法来训练带有图和结构化数据的神经网络。 据谷歌 TensorFlow 博客介绍,NSL 是一个新手和高级开发人员都可以用来训练具有结构化信号神经网络的简易框架,可用于构建精确且

今日,谷歌 TensorFlow 宣布推出神经结构学习(NSL)开源框架,它使用神经图学习方法来训练带有图和结构化数据的神经网络。

皇冠体育365appbet皇冠体育皇冠体育娱乐场网址皇冠体育网址皇冠体育在线娱乐皇冠体育在线官网,TensorFlow开源NSL神经结构学习框架

据谷歌 TensorFlow 博客介绍,NSL 是一个新手和高级开发人员都可以用来训练具有结构化信号神经网络的简易框架,可用于构建精确且稳健的视觉、语言理解和预测皇冠体育在线娱乐。

  • 项目地址:https://github.com/tensorflow/neural-structured-learning

结构化数据包含样本之间丰富的关系信息,许多机器学习任务都得益于此。例如,建模引用网络、句子语言学结构的知识图推断与推理,以及学习分子指纹,这些都需要皇冠体育在线娱乐来学习结构化输入,而不只是个别样本。

这些结构可以是明确给出的(例如,作为图形),或者隐式推断的(例如,作为对抗性示例)。在训练阶段利用结构化信号可以使开发人员获得更高的皇冠体育在线娱乐准确度,尤其是当标记数据量相对较小时。谷歌的研究表明,使用结构化信号进行训练也可以带来更稳健的皇冠体育在线娱乐。

皇冠体育365appbet皇冠体育皇冠体育娱乐场网址皇冠体育网址皇冠体育在线娱乐皇冠体育在线官网,TensorFlow开源NSL神经结构学习框架

图网络学习的一般流程。

使用这些技术,谷歌极大的皇冠体育网址了皇冠体育在线娱乐性能,例如学习图像语义嵌入。

神经结构学习(NSL)是一种用于训练具有结构化信号深度神经网络的开源框架。它实现了谷歌在论文《Neural Graph Learning: Training Neural Networks Using Graphs》中介绍的神经图学习,使开发人员能够使皇冠体育娱乐场网址训练神经网络。

这里的图可以是多样的,例如知识图、医疗记录、基因组数据或多模式关系(例如,图像 - 文本对)。此外,NSL 还可以应用到对抗性学习,也就是说输入样本之间的结构可以是使用对抗性扰动动态构建的。

NSL 让 TensorFlow 用户能够轻松地结合各种结构化信号来训练神经网络,且适用于不同的学习场景:监督、半监督和无监督(表示)设置。

NSL 如何工作

在 NSL 框架中,结构化信息(如可以定义为图的数据或隐性的对抗样本),都可以被用来归一化神经网络的训练,使得皇冠体育在线娱乐学习精确地进行预测(通过最小化监督损失)。同时,保证从同一种结构中的所有输入保持同样的相似度(通过最小化近邻损失)。这种技术是可以泛化的,可以使用在神经网络架构上,如前向神经网络、卷积神经网络和循环神经网络等。

皇冠体育365appbet皇冠体育皇冠体育娱乐场网址皇冠体育网址皇冠体育在线娱乐皇冠体育在线官网,TensorFlow开源NSL神经结构学习框架

NSL 的基本架构。

用 NSL 建立一个皇冠体育在线娱乐

有了 NSL,建立一个使用结构化数据的皇冠体育在线娱乐就会很容易,而且非常直观。给定一个图(有具体结构)和训练样本,NSL 提供了相关的工具,用于将这些样本输入到 TFRcords 中,用于降采样操作。

具体bet皇冠体育如下,可以使用相关的命令行工具将图和数据进行输入:

  1. python pack_nbrs.py --max_nbrs=5 \ 
  2. labeled_data.tfr \ 
  3. unlabeled_data.tfr \ 
  4. graph.tsv \ 
  5. merged_examples.tfr 

之后,NSL 提供了一些 API,可以将定制化的皇冠体育在线娱乐「打包起来」,将处理过的样本输入进去,使皇冠体育娱乐场网址结构进行归一化操作。以下为具体bet皇冠体育:

  1. import neural_structured_learning as nsl 
  2. # Create a custom model — sequential, functional, or subclass.  
  3. base_model = tf.keras.Sequential(…) 
  4. # Wrap the custom model with graph regularization.  
  5. graph_config = nsl.configs.GraphRegConfig( 
  6.  neighbor_config=nsl.configs.GraphNeighborConfig(max_neighbors=1))  
  7. graph_model = nsl.keras.GraphRegularization(base_model, graph_config) 
  8. # Compile, train, and evaluate.  
  9. graph_model.compile(optimizer=’adam’,  
  10.  loss=tf.keras.losses.SparseCategoricalCrossentropy(), metrics=[‘accuracy’])  
  11. graph_model.fit(train_dataset, epochs=5)  
  12. graph_model.evaluate(test_dataset) 

只需要额外的 5 行bet皇冠体育(包括注释),NSL 就可以将一个神经皇冠体育在线娱乐和图信号结合起来。从数据上来说,使皇冠体育娱乐场网址结构可以让皇冠体育在线娱乐在训练中使用更少的标注数据,而且不会损失太多的准确率(和原有的监督学习相比只少 10% 甚至是 1%)。

使用没有显式结构的图进行训练

如果没有显形结构的图、或者不是作为输入的情况下,NSL 怎么训练呢?NSL 提供了相关的工具,用于从原始数据中建立一个图。另外,NSL 提供了相关的工具,用于从隐性结构信号中「推导」出对抗样本。对抗样本用于故意诱导皇冠体育在线娱乐,使得训练出的皇冠体育在线娱乐对于小的输入扰动更为鲁棒。以下为相关bet皇冠体育:

  1. import neural_structured_learning as nsl # Create a custom model — sequential, functional, or subclass.  
  2. base_model = tf.keras.Sequential(…)# Wrap the custom model with graph regularization.  
  3. graph_config = nsl.configs.GraphRegConfig( 
  4.  neighbor_config = nsl.configs.GraphNeighborConfig(max_neighbors=1))  
  5. graph_model = nsl.keras.GraphRegularization(base_model, graph_config) # Compile, train, and evaluate.  
  6. graph_model.compile(optimizer=’adam’,  
  7.  loss=tf.keras.losses.SparseCategoricalCrossentropy(), metrics=[‘accuracy’])  
  8. graph_model.fit(train_dataset, epochs=5)  
  9. graph_model.evaluate(test_dataset) 

【免责声明】本站内容转载自互联网,其相关言论仅代表作者个人观点绝非权威,不代表本站立场。如您发现内容存在版权问题,请提交相关链接至邮箱:bqsm@foxmail.com,我们将及时予以处理。

网友评论
推荐文章

皇冠体育app