Facebook AI开源图形变压器网络（GTN），用于与图形自动区分
来源 | reddit 作者|Saksham Goyal 编辑 |代码医生团队 图形变压器网络（GTN）是带有加权有限状态传感器（WFST）的开源框架，加权有限状态传感器（WFST）是一种功能强大且表现力强的图形。就像PyTorch一样，GTN为WFST提供了一个框架。GTN用于有效地训练基于图的机器学习模型，并在手写识别，语音识别和自然语言处理等应用程序中组合不同的信息源。 通过训练不同类型的模型，GTN库提供了更好的结果。更加结构化的图形使研究人员可以将有关任务的先验知识编码为学习算法。GTN将使我们能够将单词的发音编码为图形，并将该图形合并到学习算法中。 但是图形也曾经被使用过。那么，有什么新消息？训练时先前使用的单个图是隐式的，并且图结构必须在软件中进行硬编码。但是有了这个新的框架，研究人员可以在训练时动态地使用WFST。因此，整个系统可以更有效地从数据中学习和改进。 由于缺乏易于使用的框架，使用基于功能图的数据结构构建ML模型具有挑战性。通过将图形或数据与图形操作分开，用户现在将拥有更大的自由度来尝试结构化学习算法的更大设计空间。 具有GTN的图形结构更适合于暗示性地（但不是过于规范性）编码有用的（先前）知识。整个系统可以从数据中学习和改进。WFST的结构与数据学习相结合，可以使ML模型长期保持模块化，更准确和轻便。 GTN使构造WFST，可视化和执行操作变得容易。只需调用gtn.backward，就可以为参与计算的任何图形计算梯度。发布团队希望鼓励该领域的研究人员帮助我们探索这个新的设计空间，以便更好地学习算法。 GitHub： https://github.com/facebookresearch/gtn 论文： https://arxiv.org/pdf/2010.01003.pdf 资料来源： https://ai.facebook.com/blog/a-new-open-source-framework-for-automatic-differentiation-with-graphs 推荐阅读 Facebook AI发布KILT，这是知识密集型NLP任务的新基准 点击“阅读原文”图书配套资源 本文分享自微信公众号 - 相约机器人（xiangyuejiqiren）。如有侵权，请联系 support@oschina.cn 删除。本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。
