غالبًا ما نحتاج إلى أن نكون قادرين على العثور على أشياء تشبه الأشياء الأخرى. البحث عن التشابه هي تقنية مفيدة للقيام بذلك. في علم البيانات ، التعلم التباين يمكن استخدامها لبناء نماذج تشابه يمكن استخدامها بعد ذلك للبحث عن التشابه.

نماذج التشابه يتم تدريبهم على إخراج حفلات الزفاف التي يتم فيها تضمين العناصر في مساحة مترية ، مما يؤدي إلى حالة تكون فيها العناصر المتشابهة قريبة من بعضها البعض وأبعد من العناصر غير المتشابهة. يرتبط هذا ارتباطًا مباشرًا - حدسيًا ورياضيًا - بحفلات الزفاف التي تعرفها بالفعل ؛ باريس ولندن قريبتان من بعضهما البعض ، وكذلك الخردل والكاتشب ، لكن هاتين المجموعتين بعيدتان نسبيًا عن بعضهما البعض.

وبنفس الطريقة ، يمكننا استخدام نموذج تشابه لمقارنة المركبات على سبيل المثال. على سبيل المثال ، سيتم دمج سيارات BMW و Mercedes السيدان بالقرب من بعضهما البعض ، بينما ستجد الدراجات النارية Yamaha و Kawasaki نفسها متضمنة بشكل وثيق. ستكون الدراجات النارية بعيدة نسبيًا عن سيارات السيدان ، والتي بدورها ستكون بعيدة عن المركبات الأخرى المختلفة مثل القوارب والمنازل ذات المحركات والشاحنات الصغيرة والدراجات وما إلى ذلك.

نظرة عامة على نموذج التشابه (مصدر)

يستخدم التعلم العميق لتدريب الشبكات العصبية التي غالبًا ما تجد نفسها مستخدمة لنماذج التشابه هذه. لتسهيل تدريب مثل هذه النماذج ، أصدرت Google مؤخرًا تشابه TensorFlow.

يوفر Tensorflow similarity أحدث الخوارزميات للتعلم المتري وجميع المكونات الضرورية للبحث ، والتدريب ، والتقييم ، وتقديم النماذج القائمة على التشابه.

بعد تدريب النموذج ، يتم إنشاء فهرس لحفلات الزفاف لتسهيل البحث. للبحث ، يستخدم TF مماثلة بحث Fast Approximate Nearest Neighbour (ANN) لاسترداد أقرب التطابقات. نظرًا لأن المسافة بين العناصر المضمنة هي دالة لمقياس المسافة ، فإن عمليات البحث تكون سريعة ودقيقة باستخدام ANN.

كما أن نماذج التشابه مرنة وقابلة للتوسيع ، مما يسمح بإضافة عدد غير محدود من فئات العناصر إلى النموذج دون إعادة التدريب ؛ ما عليك سوى حساب حفلات الزفاف التمثيلية وإضافتها إلى الفهرس الحالي.

نظرة عامة على تشابه TensorFlow (مصدر)

يسهل TensorFlow "التشابه" من تدريب نماذج التشابه ، بالإضافة إلى الاستعلام اللاحق ، بديهيًا ، لا سيما مع إدخال نموذج Keras الجديد SimilarityModel()، والذي يدعم التضمين الفهرسة والاستعلام. مع تشابه TF ، يكون التدريب والاستعلام على النموذج من البداية إلى النهاية أمرًا سهلاً.

للتوضيح ، إليك مثال على رمز من تشابه TF جيثب ريبو يقوم بتدريب مجموعة بيانات MNIST وفهرستها واستعلاماتها بإيجاز.

من طبقات استيراد tensorflow.keras # تضمين طبقة الإخراج بمعيار L2 من tensorflow_similarity.layer استيراد MetricEmbedding # خسارة مترية متخصصة من tensorflow_similarity.losses import MultiSimilarityLoss # Sub classed keras Model مع دعم للفهرسة من tensorflow_similarity.models مباشرة من كتالوج tf dataset من tensorflow_similarity.samplers استيراد TFDatasetMultiShotMemorySampler # أقرب متخيل جار من tensorflow_similarity.visualization import viz_neigbours_imgs # Data sampler الذي يولد دفعات متوازنة من مجموعات بيانات MNIST باستخدام مدخلات طبقات Keras القياسية = الطبقات المدخلات (الشكل = (10 ، 28 ، 28)) × = الطبقات ، التصعيد (1/1) (المدخلات) × = الطبقات ، Conv255D (2 ، 64 ، التنشيط = 'relu') ( س) س = طبقات سطحية () (س) س = طبقات كثيفة (3 ، التنشيط = 'relu') (س) النواتج = MetricEmbedding (64) (x) # B إنشاء نموذج تشابه متخصص = نموذج التشابه (المدخلات والمخرجات) # نموذج تشابه القطار باستخدام نموذج الخسارة التباين. لجعلها قابلة للبحث sx، sy = sampler.get_slice (64،5) model.index (x = sx، y = sy، data = sx) # ابحث عن أفضل 100 أمثلة مفهرسة مشابهة من MNIST لمثال معين qx، qy = sampler. get_slice (0,100، 5) nns = model.single_lookup (qx [3713]) # تصور مثال الاستعلام وأهم 1 جيران له viz_neigbours_imgs (qx [0]، qy [5]، nns)

إذا وجدت نفسك تبحث عن أشياء تشبه الأشياء الأخرى ، فقد يكون TensorFlow مماثل قادرًا على المساعدة. يمكنك العثور على المزيد في جيثب ريبو، أو تحقق من مرحبا يا عالم مثال على حق الوصول إليه.

 
مقالات ذات صلة:

• أفضل أطر عمل وإضافات تعلم الآلة لـ TensorFlow
• دليل المبتدئين لتصحيح أخطاء نماذج TensorFlow
• نماذج الحفظ والتحميل في TensorFlow - ما سبب أهميتها وكيفية القيام بذلك