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。