abstract_reasoning

• Açıklama :

Measuring Abstract Reasoning in Neural Networks, Barrett, Hill, Santoro et al. 2018. Amaç, soyut akıl yürütmeye dayalı bağlam panellerinden doğru cevabı çıkarmaktır.

Bu veri setini kullanmak için lütfen tüm *.tar.gz dosyalarını veri seti sayfasından indirin ve ~/tensorflow_datasets/abstract_reasoning/ içine yerleştirin.

\(R\) , ilişki türleri kümesini (ilerleme, XOR, OR, AND, tutarlı birleşim), \(O\) , nesne türlerini (şekil, çizgi) ve \(A\) , nitelik türlerini (boyut, renk, konum, sayı). Bir matrisin yapısı,\(S\), belirli bir matrisin ortaya koyduğu zorluğu belirleyen \(S={[r, o, a]}\) üçlüleri kümesidir.

• Ek Belgeler : north_east Belgeleri Keşfedin

• Ana sayfa : https://github.com/deepmind/abstract-reasoning-matrices

• Kaynak kodu : tfds.datasets.abstract_reasoning.Builder

• sürümler :

  • 1.0.0 (varsayılan): Sürüm notu yok.

• İndirme boyutu : Unknown size

• Manuel indirme talimatları : Bu veri kümesi, kaynak verileri manuel olarak download_config.manual_dir içine download_config.manual_dir gerektirir (varsayılan olarak ~/tensorflow_datasets/downloads/manual/ ):
  Veriler https://console.cloud.google.com/storage/browser/ravens-matrices adresinden indirilebilir. Lütfen tüm tar.gz dosyalarını manual_dir dizinine koyun.

• Otomatik önbelleğe alınmış ( belgeleme ): Hayır

• bölmeler :

• Özellik yapısı :

FeaturesDict({
    'answers': Video(Image(shape=(160, 160, 1), dtype=uint8)),
    'context': Video(Image(shape=(160, 160, 1), dtype=uint8)),
    'filename': Text(shape=(), dtype=string),
    'meta_target': Tensor(shape=(12,), dtype=int64),
    'relation_structure_encoded': Tensor(shape=(4, 12), dtype=int64),
    'target': ClassLabel(shape=(), dtype=int64, num_classes=8),
})

• Özellik belgeleri :

• Denetlenen anahtarlar (Bkz as_supervised doc ): None

• Şekil ( tfds.show_examples ): Desteklenmiyor.

• Alıntı :

@InProceedings{pmlr-v80-barrett18a,
  title =    {Measuring abstract reasoning in neural networks},
  author =   {Barrett, David and Hill, Felix and Santoro, Adam and Morcos, Ari and Lillicrap, Timothy},
  booktitle =    {Proceedings of the 35th International Conference on Machine Learning},
  pages =    {511--520},
  year =     {2018},
  editor =   {Dy, Jennifer and Krause, Andreas},
  volume =   {80},
  series =   {Proceedings of Machine Learning Research},
  address =      {Stockholmsmassan, Stockholm Sweden},
  month =    {10--15 Jul},
  publisher =    {PMLR},
  pdf =      {http://proceedings.mlr.press/v80/barrett18a/barrett18a.pdf},
  url =      {http://proceedings.mlr.press/v80/barrett18a.html},
  abstract =     {Whether neural networks can learn abstract reasoning or whetherthey merely rely on superficial statistics is a topic of recent debate. Here, we propose a dataset and challenge designed to probe abstract reasoning, inspired by a well-known human IQ test. To succeed at this challenge, models must cope with various generalisation 'regimes' in which the training data and test questions differ in clearly-defined ways. We show that popular models such as ResNets perform poorly, even when the training and test sets differ only minimally, and we present a novel architecture, with structure designed to encourage reasoning, that does significantly better. When we vary the way in which the test questions and training data differ, we find that our model is notably proficient at certain forms of generalisation, but notably weak at others. We further show that the model's ability to generalise improves markedly if it is trained to predict symbolic explanations for its answers. Altogether, we introduce and explore ways to both measure and induce stronger abstract reasoning in neural networks. Our freely-available dataset should motivate further progress in this direction.}
}

abstract_reasoning/nötr (varsayılan yapılandırma)

• Konfigürasyon açıklaması : Her iki sistemdeki matrisleri kodlayan yapılar
  eğitim ve test kümeleri \([r, o, a]\) için \(r \\in R\)üçlülerini içerir,
  \(o \\in O\)tutucu13 ve \(a \\in A\). Eğitim ve test setleri ayrıktır,
  giriş değişkenleri düzeyinde meydana gelen ayrılma (yani piksel
  tezahürler).

• Veri kümesi boyutu : 42.02 GiB

• Örnekler ( tfds.as_dataframe ):

soyut_akıl yürütme/interpolasyon

• Yapılandırma açıklaması : Nötr bölmede olduğu gibi, \(S\) herhangi birinden oluşuyordu
  üçlü \([r, o, a]\). Enterpolasyon için, eğitim setinde,
  öznitelik "renk" veya "boyut" idi (yani sıralı öznitelikler), değerleri
  öznitelikler, ayrık bir kümenin çift dizinli üyeleriyle sınırlıydı,
  oysa test setinde sadece tek indeksli değerlere izin verildi. Tümüne dikkat edin
  \(S\) , color veya size özniteliğine sahip bazı üçlü \([r, o, a]\) -placeholder18 içeriyordu.
  Bu nedenle test setindeki her soru için genelleme yapılması gerekmektedir.

• Veri kümesi boyutu : 37.09 GiB

• Örnekler ( tfds.as_dataframe ):

soyut_akıl yürütme/ekstrapolasyon

• Yapılandırma açıklaması : Enterpolasyondakiyle aynı, ancak değerleri
  öznitelikler, ayrık kümenin alt yarısı ile sınırlandırılmıştır.
  eğitim, test setinde ise üst yarıda değerler aldılar.

• Veri kümesi boyutu : 35.91 GiB

• Örnekler ( tfds.as_dataframe ):

abstract_reasoning/attr.rel.pairs

• Yapılandırma açıklaması : Tüm \(S\) en az iki üçlü içeriyordu,
  \(([r_1,o_1,a_1],[r_2,o_2,a_2]) = (t_1, t_2)\), bunların 400'ü geçerli. Biz
  360 eğitim setine ve 40 test setine rastgele dağıtıldı. Üyeler
  \((t_1, t_2)\) 40 çiftten l10n-placeholder21,\(S\) yapılarında birlikte oluşmadı
  eğitim setinde ve tüm yapılarda \(S\) böyle en az bir çift vardı
  altküme olarak\((t_1, t_2)\) .

• Veri kümesi boyutu : 41.07 GiB

• Örnekler ( tfds.as_dataframe ):

abstract_reasoning/attr.rels

• Yapılandırma açıklaması : Veri kümemizde 29 olası benzersiz vardır
  üçlü \([r,o,a]\). Bunlardan yedi tanesini test seti için rastgele ayırdık,
  ancak öyle ki, niteliklerin her biri bu kümede tam olarak bir kez temsil edildi.
  Bu uzatılan üçlüler, eğitim setindeki sorularda hiç olmadı ve
  test setindeki her \(S\) bunlardan en az birini içeriyordu.

• Veri kümesi boyutu : 41.45 GiB

• Örnekler ( tfds.as_dataframe ):

soyut_akıl yürütme/attrs.pairs

• Yapılandırma açıklaması : \(S\) , en az iki üçlü içeriyordu. 20 tane var
  (sırasız) uygulanabilir özellik çiftleri \((a_1, a_2)\) öyle ki bazıları için
  \(r_i, o_i, ([r_1,o_1,a_1],[r_2,o_2,a_2])\) geçerli bir üçlü çifttir
  \(([r_1,o_1,a_1],[r_2,o_2,a_2]) = (t_1, t_2)\). Bu çiftlerden 16 tanesini ayırdık.
  eğitim için ve test için dört. Test setindeki \((a_1, a_2)\) çifti için,
  Eğitim setindeki l10n-\(S\) , \(a_1\) veya \(a_2\)ile üçlüler içeriyordu. Testte
  set, tüm \(S\) , \(a_1\) ve \(a_2\)ile üçlüler içeriyordu.

• Veri kümesi boyutu : 40.98 GiB

• Örnekler ( tfds.as_dataframe ):

abstract_reasoning/attrs.shape.color

• Yapılandırma açıklaması : Bekletilen öznitelik şekil-renk. \(S\) inç
  eğitim seti, \(o\)=şekil ve \(a\)=renk ile üçlü içermiyordu.
  Test setindeki bulmacaları yöneten tüm yapılar en az bir üçlü içeriyordu
  \(o\)=şekil ve \(a\)=renk ile.

• Veri kümesi boyutu : 41.21 GiB

• Örnekler ( tfds.as_dataframe ):

abstract_reasoning/attrs.line.type

• Yapılandırma açıklaması : Dışında tutulan öznitelik satır tipi. \(S\) inç
  eğitim seti, \(o\)=line ve \(a\)=type ile üçlü içermiyordu.
  Test setindeki bulmacaları yöneten tüm yapılar en az bir üçlü içeriyordu
  \(o\)=line ve \(a\)=type ile.

• Veri kümesi boyutu : 41.40 GiB

• Örnekler ( tfds.as_dataframe ):