abstract_reasoning

l10n-placeholder1, ilişki türleri kümesini (ilerleme, XOR, OR, AND, tutarlı birleşim), \\(O\\) , nesne türlerini (şekil, çizgi) ve \\(A\\) , nitelik türlerini (boyut, renk, Pozisyon numarası). Bir matrisin yapısı, \\(S\\), belirli bir matrisin ortaya koyduğu zorluğu belirleyen \\(S={[r, o, a]}\\) üçlü kümesidir. Bu veri kümesini kullanmak için: ```python import tensorflow_datasets as tfds ds = tfds.load('abstract_reasoning', split='train') for ex in ds.take(4): print(ex) ``` [kılavuza bakın] [tensorflow_datasets](https://www.tensorflow.org/datasets) hakkında daha fazla bilgi için ](https://www.tensorflow.org/datasets/overview). " />
  • 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.

Bölmek örnekler
'test' 200.000
'train' 1.200.000
'validation' 20.000
  • 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 :
Özellik Sınıf Şekil Dtipi Tanım
ÖzelliklerDict
Yanıtlar Video(Resim) (8, 160, 160, 1) uint8
bağlam Video(Resim) (8, 160, 160, 1) uint8
dosya adı Metin sicim
meta_target tensör (12,) int64
ilişki_yapısı_kodlanmış tensör (4, 12) int64
hedef SınıfEtiketi int64
@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 ):