谷歌开源基于TensorFlow的神经结构学习框架NSL，可用于图数据训练 作者 | Sujith Ravi，Da-Cheng Juan 译者 | 核子可乐 编辑 | 陈思我们很高兴能够介绍 TensorFlow 中的神经结构学习（Neural Structured Learning in TensorFlow），这是一套易于上手的框架，新手以及高级开发人员都能利用它训练具有结构化信号的神经网络。神经结构学习（NSL）可用于构建精确且健壮的视觉与语言理解及预测模型。 目前，众多机器学习任务得益于结构化数据的支持，这类数据当中包含丰富的样本间关系信息。例如，建模引文网络、知识图推理以及句子语言结构推理，乃至分子指纹学习等，都需要通过一套模型学习结构化输入信号，而非逐一分析单个样本，进而明确给出结构化（例如以图形形式）或者隐式（例如对抗性示例）推理结果。在训练期间采用结构化信号，也使得开发人员能够获得更高的模型精度，这一点在标记数据量相对较少显得尤为重要。结构化信号的训练也能够带来更强大的模型成果。目前，谷歌公司已经开始广泛采用这项技术提高模型性能，例如学习图像语义嵌入等场景。 神经结构学习（NSL）是一套开源框架，负责利用结构化信号训练深度神经网络。它能够实现神经图学习，使得开发人员得以利用图表训练神经网络。这些图表可以来自多种来源，例如知识图、医疗记录、基因组数据或者多模关系（例如图像 - 文本对）等。NSL 还可延伸至对抗学习领域，其中各输入实例间的结构以对抗性扰动方式动态构建而成。 NSL 帮助 TensorFlow 用户轻松将各类结构化信号结合起来，共同用于训练神经网络，同时适用于多种不同的学习场景，包括监督、半监督与无监督（表示）等设置。 神经结构学习（NSL）的工作原理 在神经结构学习（NSL）当中，结构化信号——无论是经过明确定义的图形，还是隐式学习性质的对抗性实例——都能够用于规范神经网络的训练。这将引导模型学会做出准确的预测（通过监督损失最小化），同时保证来自同一结构的输入之间具有相似性（通过相邻损失最小化，见上图）。这项技术具有通用性质，可用于任意神经架构，包括前馈神经网络、卷积神经网络以及递归神经网络等等。 利用神经结构学习（NSL）创建模型 利用 NSL，我们可以构建起模型，并确保其轻松直接地使用结构化信号。对于给定的图形（作为显式结构）以及训练亲本，NSL 提供一款专用工具，可处理这些示例并将其整合至 TFRecords 中以进行下游训练： python pack_nbrs.py --max_nbrs=5 \ labeled_data.tfr \ unlabeled_data.tfr \ graph.tsv \ merged_examples.tfr 接下来，NSL 提供“环绕”该定制模型的 API，用于消费已处理示例并实现图形正则化。下面我们直接来看代码示例。 import neural_structured_learning as nsl# Create a custom model — sequential, functional, or subclass. base_model = tf.keras.Sequential(…)# Wrap the custom model with graph regularization. graph_config = nsl.configs.GraphRegConfig( neighbor_config=nsl.configs.GraphNeighborConfig(max_neighbors=1)) graph_model = nsl.keras.GraphRegularization(base_model, graph_config)# Compile, train, and evaluate. graph_model.compile(optimizer=’adam’, loss=tf.keras.losses.SparseCategoricalCrossentropy(), metrics=[‘accuracy’]) graph_model.fit(train_dataset, epochs=5) graph_model.evaluate(test_dataset) 只需要不到 5 千行额外代码（是的，包括注释！），我们就获得了一套能够在训练期间利用图形信号的神经模型。根据以往经验，使用图形结构将确保模型通过标记程度较低的数据进行训练，且不致损失太多准确率（例如，相较于原始监督训练，只损失 10% 甚至 1% 准确率）。 如果没有显式结构，该怎么办？ 如果没有显式结构（例如图形），或者无法将其作为输入内容，该怎么办？NSL 为开发人员提供了利用原始数据构建图形的工具；此外，NSL 还提供 API 将对抗性示例“引导”为隐式结构化信号。利用对抗性示例对模型进行混淆性训练，通常会使模型对小幅输入扰动表现出更强的健壮性。我们将通过以下代码救命，了解 NSL 如何通过对抗性示例进行训练。 import neural_structured_learning as nsl# Create a base model — sequential, functional, or subclass. model = tf.keras.Sequential(…)# Wrap the model with adversarial regularization. adv_config = nsl.configs.make_adv_reg_config(multiplier=0.2, adv_step_size=0.05) adv_model = nsl.keras.AdversarialRegularization(model, adv_config)# Compile, train, and evaluate. adv_model.compile(optimizer=’adam’, loss=’sparse_categorical_crossentropy’, metrics=[‘accuracy’]) adv_model.fit({‘feature’: x_train, ‘label’: y_train}, epochs=5) adv_model.evaluate({‘feature’: x_test, ‘label’: y_test}) 只需要不足 5 行额外代码（同样包括注释在内），我们就获得了一套神经模型。该模型能够利用具有隐式结构的对抗性示例完成训练。根据以往经验，在训练中未使用对抗性示例的模型，往往会在遭遇恶意（且人类无法检测到）扰动等输入内容时发生显著的准确率损失（例如下降 30%）。 试用 NSL 可以访问： https://www.tensorflow.org/neural_structured_learning/ 原文链接： https://medium.com/tensorflow/introducing-neural-structured-learning-in-tensorflow-5a802efd7afd 你也「在看」吗？?? 阅读原文