ዝርዝር ሁኔታ[ደብቅ][አሳይ]
- 1. ጥልቅ ትምህርት በትክክል ምንድን ነው?
- 2. ጥልቅ ትምህርት ከማሽን መማር የሚለየው ምንድን ነው?
- 3. ስለ ነርቭ ኔትወርኮች ያለዎት ግንዛቤዎች ምንድናቸው?
- 4. በትክክል ፐርፐሮን ምንድን ነው?
- 5. ጥልቅ የነርቭ አውታር በትክክል ምንድን ነው?
- 6. Multilayer Perceptron (MLP) በትክክል ምንድን ነው?
- 7. በነርቭ አውታረመረብ ውስጥ የማግበር ተግባራት ምን ዓላማ አላቸው?
- 8. የግራዲየንት መውረድ በትክክል ምንድን ነው?
- 9. የወጪው ተግባር በትክክል ምንድን ነው?
- 10. ጥልቅ አውታረ መረቦች ጥልቀት የሌላቸውን እንዴት ሊበልጡ ይችላሉ?
- 11. ወደፊት መስፋፋትን ይግለጹ.
- 12. የኋላ መስፋፋት ምንድን ነው?
- 13. በጥልቅ ትምህርት አውድ ውስጥ፣ ቀስ በቀስ መቆራረጥን እንዴት ይረዱታል?
- 14. Softmax እና ReLU ተግባራት ምንድን ናቸው?
- 15. ሁሉም ክብደቶች ወደ 0 ከተቀመጡት የነርቭ ኔትወርክ ሞዴል ማሰልጠን ይቻላል?
- 16. ዘመንን ከባች እና ከመድገም የሚለየው ምንድን ነው?
- 17. ባች መደበኛነት እና ማቋረጥ ምንድናቸው?
- 18. ስቶካስቲክ የግራዲየንትን መውረድ ከባች የግራዲየንት ቁልቁለት የሚለየው ምንድን ነው?
- 19. በነርቭ ኔትወርኮች ውስጥ ቀጥተኛ ያልሆኑትን ማካተት ለምን ወሳኝ ነው?
- 20. በጥልቅ ትምህርት ውስጥ tensor ምንድን ነው?
- 21. ለጥልቅ ትምህርት ሞዴል የማግበር ተግባሩን እንዴት ይመርጣሉ?
- 22. CNN ስትል ምን ማለትህ ነው?
- 23. ብዙ የሲኤንኤን ንብርብሮች ምንድናቸው?
- 24. ከመጠን በላይ አለመገጣጠም እና የአካል ብቃት እንቅስቃሴ ማድረግ ምን ውጤቶች አሉት? እንዴትስ ማስወገድ ትችላለህ?
- 25. በጥልቅ ትምህርት፣ RNN ምንድን ነው?
- 26. አዳም አመቻች ይግለጹ
- 27. ጥልቅ autoencoders: ምንድን ናቸው?
- 28. Tensor በ Tensorflow ውስጥ ምን ማለት ነው?
- 29. የስሌት ግራፍ ማብራሪያ
- 30. Generative adversarial networks (GANs): ምንድን ናቸው?
- 31. የሕንፃውን ንድፍ በሚያዘጋጁበት ጊዜ የነርቭ ሴሎችን እና የተደበቁ ንብርብሮችን በነርቭ አውታር ውስጥ ለማካተት እንዴት ይመርጣሉ?
- 32. በጥልቅ ማጠናከሪያ ትምህርት ምን አይነት የነርቭ አውታሮች ነው የተቀጠሩት?
- መደምደሚያ
ጥልቅ ትምህርት አዲስ ሀሳብ አይደለም። ሰው ሰራሽ ነርቭ ኔትወርኮች ጥልቅ ትምህርት በመባል የሚታወቀው የማሽን መማሪያ ንዑስ ክፍል ብቸኛው መሠረት ሆነው ያገለግላሉ።
ጥልቅ ትምህርት የሰውን አንጎል ለመምሰል የተፈጠሩ እንደ ነርቭ ኔትወርኮች ሁሉ የሰውን አንጎል መኮረጅ ነው።
ይህ ለተወሰነ ጊዜ ነበር. በአሁኑ ጊዜ፣ አሁን እንደምናደርገው ብዙ የማስኬጃ ሃይል ወይም ዳታ ስለሌለን ሁሉም ሰው ስለእሱ እያወራ ነው።
ባለፉት 20 ዓመታት ውስጥ በአስደናቂ የማቀነባበር አቅም መጨመር የተነሳ ጥልቅ ትምህርት እና የማሽን መማር ብቅ አሉ።
የህልም ስራዎን በሚፈልጉበት ጊዜ ሊያጋጥሙዎት ለሚችሉ ማናቸውም ጥያቄዎች እንዲዘጋጁ እንዲረዳዎት ይህ ጽሁፍ ከቀላል እስከ ውስብስብ በሆኑ በርካታ የጥልቅ ትምህርት ቃለመጠይቆች ይመራዎታል።
1. ጥልቅ ትምህርት በትክክል ምንድን ነው?
እየተሳተፉ ከሆነ ሀ ጥልቀት ያለው ትምህርት ቃለ መጠይቅ፣ ጥልቅ ትምህርት ምን እንደሆነ ያለጥርጥር ተረድተሃል። ቃለ-መጠይቅ አድራጊው ግን ለዚህ ጥያቄ ምላሽ ከምሳሌ ጋር ዝርዝር ምላሽ እንደሚሰጡ ይጠብቃል።
ለማሰልጠን የነርቭ ኔትወርኮች ለጥልቅ ትምህርት፣ ከፍተኛ መጠን ያለው የተደራጀ ወይም ያልተደራጀ መረጃ ጥቅም ላይ መዋል አለበት። የተደበቁ ንድፎችን እና ባህሪያትን ለማግኘት ውስብስብ ሂደቶችን ያደርጋል (ለምሳሌ የድመትን ምስል ከውሻ መለየት)።
2. ጥልቅ ትምህርት ከማሽን መማር የሚለየው ምንድን ነው?
የማሽን መማሪያ በመባል የሚታወቀው አርቴፊሻል ኢንተለጀንስ ቅርንጫፍ እንደመሆናችን መጠን ኮምፒውተሮች ከጊዜ ወደ ጊዜ የተሻሉ እንዲሆኑ ዳታ እና ስታቲስቲካዊ እና አልጎሪዝም ቴክኒኮችን በመጠቀም እናሰለጥናለን።
እንደ አንድ ገጽታ የማሽን መማር፣ ጥልቅ ትምህርት በሰው አንጎል ውስጥ የሚታየውን የነርቭ አውታረ መረብ ሥነ ሕንፃን ይኮርጃል።
3. ስለ ነርቭ ኔትወርኮች ያለዎት ግንዛቤዎች ምንድናቸው?
የነርቭ ኔትወርኮች በመባል የሚታወቁት ሰው ሰራሽ ስርዓቶች በሰው አካል ውስጥ የሚገኙትን ኦርጋኒክ ነርቭ ኔትወርኮችን በጣም በቅርበት ይመስላሉ።
እንዴት ነው የሚመስለውን ዘዴ በመጠቀም የሰው አንጎል ተግባራት፣ የነርቭ አውታረመረብ በአንድ የውሂብ ክፍል ውስጥ ያሉ ተያያዥ ግንኙነቶችን ለመለየት ያለመ የአልጎሪዝም ስብስብ ነው።
እነዚህ ስርዓቶች ማንኛውንም ተግባር-ተኮር ህጎችን ከመከተል ይልቅ እራሳቸውን ለተለያዩ የውሂብ ስብስቦች እና ምሳሌዎች በማጋለጥ የተግባር-ተኮር እውቀትን ያገኛሉ።
ሀሳቡ ስለ እነዚህ የውሂብ ስብስቦች ቅድመ-መርሃግብር ከመረዳት ይልቅ ስርዓቱ ከሚመገበው መረጃ ባህሪያትን ይማራል.
በነርቭ ኔትወርኮች ውስጥ በብዛት ጥቅም ላይ የሚውሉት ሦስቱ የኔትወርክ ንብርብሮች የሚከተሉት ናቸው።
- የግቤት ንብርብር
- የተደበቀ ንብርብር
- የውጤት ንብርብር
4. በትክክል ፐርፐሮን ምንድን ነው?
በሰው አእምሮ ውስጥ የሚገኘው ባዮሎጂካል ነርቭ ከፐርሰፕሮን ጋር ሊወዳደር ይችላል። ብዙ ግብአቶች በፐርሴፕቶን ይቀበላሉ, ከዚያም ብዙ ለውጦችን እና ተግባራትን ያከናውናል እና ውጤት ያስገኛል.
ፐርሴፕሮን የሚባል የመስመር ሞዴል በሁለትዮሽ ምደባ ውስጥ ተቀጥሯል። ከተለያዩ ግብአቶች ጋር፣ እያንዳንዱም የተለያየ ክብደት ያለው ነርቭን ያስመስላል።
የነርቭ ሴል እነዚህን ክብደት ያላቸውን ግብዓቶች በመጠቀም አንድን ተግባር ያሰላል እና ውጤቱን ያወጣል።
5. ጥልቅ የነርቭ አውታር በትክክል ምንድን ነው?
ጥልቅ የነርቭ አውታረ መረብ በሰው ሰራሽ የነርቭ አውታረ መረብ (ኤኤንኤን) በግቤት እና በውጤት ንብርብሮች (ዲኤንኤን) መካከል ብዙ ንብርብሮች ያሉት ነው።
ጥልቅ የነርቭ ኔትወርኮች ጥልቅ የሕንፃ ነርቭ ኔትወርኮች ናቸው። "ጥልቅ" የሚለው ቃል በአንድ ንብርብር ውስጥ ብዙ ደረጃዎች እና አሃዶች ያላቸውን ተግባራት ያመለክታል. ከፍተኛ ደረጃ ያላቸውን የስርዓተ-ጥለት ደረጃዎችን ለመያዝ ብዙ እና ትላልቅ ንብርብሮችን በመጨመር የበለጠ ትክክለኛ ሞዴሎች ሊፈጠሩ ይችላሉ።
6. Multilayer Perceptron (MLP) በትክክል ምንድን ነው?
የግቤት፣ የተደበቀ እና የውጤት ንብርብሮች በMLPs ውስጥ ይገኛሉ፣ ልክ በነርቭ አውታረ መረቦች ውስጥ። እሱ ከአንድ ወይም ከዚያ በላይ የተደበቁ ንጣፎች ካሉት ከአንድ-ንብርብር ፐርሴፕሮን ጋር ተመሳሳይ ነው።
የአንድ ንብርብር ፐርሴፕሮን ሁለትዮሽ ውፅዓት መስመራዊ ሊነጣጠሉ የሚችሉ ክፍሎችን (0,1) ብቻ ሊመድብ ይችላል፣ ኤምኤልፒ ግን መደበኛ ያልሆኑ ክፍሎችን መመደብ ይችላል።
7. በነርቭ አውታረመረብ ውስጥ የማግበር ተግባራት ምን ዓላማ አላቸው?
የማግበር ተግባር አንድ የነርቭ ሴል በጣም መሠረታዊ በሆነው ደረጃ እንዲነቃ ወይም እንደሌለበት ይወስናል። ማንኛውም የማግበር ተግባር የግብአቶቹን ክብደት ድምር እና አድልዎ እንደ ግብአት መቀበል ይችላል። የማግበር ተግባራት የእርምጃ ተግባርን፣ ሲግሞይድን፣ ReLUን፣ ታንህን፣ እና Softmaxን ያካትታሉ።
8. የግራዲየንት መውረድ በትክክል ምንድን ነው?
የወጪ ተግባርን ወይም ስህተትን ለመቀነስ ምርጡ አካሄድ ቀስ በቀስ መውረድ ነው። የአንድን ተግባር አካባቢያዊ-አለምአቀፍ ሚኒማ ማግኘት ግቡ ነው። ይህ ስህተትን ለመቀነስ ሞዴሉ መከተል ያለበትን መንገድ ይገልጻል።
9. የወጪው ተግባር በትክክል ምንድን ነው?
የወጪ ተግባሩ የእርስዎ ሞዴል ምን ያህል በጥሩ ሁኔታ እንደሚሰራ ለመገምገም መለኪያ ነው; አንዳንድ ጊዜ “ኪሳራ” ወይም “ስህተት” በመባል ይታወቃል። በኋለኛው ፕሮፓጋንዳ ወቅት የውጤት ንብርብር ስህተትን ለማስላት ጥቅም ላይ ይውላል።
ያንን ስህተት በነርቭ ኔትወርክ በኩል ወደ ኋላ በመግፋት የነርቭ ኔትወርክን የስልጠና ሂደቶች የበለጠ ለማራመድ እንጠቀማለን።
10. ጥልቅ አውታረ መረቦች ጥልቀት የሌላቸውን እንዴት ሊበልጡ ይችላሉ?
የተደበቁ ንብርብሮች ከግቤት እና የውጤት ንብርብሮች በተጨማሪ ወደ ነርቭ ኔትወርኮች ይታከላሉ. በግብአት እና በውጤት ንብርብሮች መካከል ጥልቀት የሌላቸው የነርቭ ኔትወርኮች አንድ የተደበቀ ንብርብር ሲጠቀሙ ጥልቅ የነርቭ አውታረ መረቦች ብዙ ደረጃዎችን ይጠቀማሉ።
ጥልቀት የሌለው አውታረ መረብ ከማንኛውም ተግባር ጋር ለመገጣጠም ብዙ መለኪያዎችን ይፈልጋል። ጥልቅ አውታረ መረቦች ብዙ ንብርብሮችን ስለሚያካትቱ በትንሽ መለኪያዎች እንኳን በተሻለ ሁኔታ ሊስማሙ ይችላሉ።
ጥልቅ ኔትወርኮች አሁን የተመረጡት ከየትኛውም የመረጃ ሞዴሊንግ ጋር በንግግርም ሆነ በስዕል ማወቂያ ላይ ለመስራት ባላቸው ሁለገብነት ነው።
11. ወደፊት መስፋፋትን ይግለጹ.
ግብዓቶች ከክብደት ጋር አብረው ወደ ተቀበረው ንብርብር የሚተላለፉት የማስተላለፊያ ስርጭት በመባል በሚታወቀው ሂደት ነው።
የማግበር ተግባር ወደሚከተለው ንብርብር ከመሄዱ በፊት በእያንዳንዱ እና በእያንዳንዱ የተቀበረ ንብርብር ውስጥ ይሰላል።
ሂደቱ በመግቢያው ንብርብር ይጀምር እና ወደ የመጨረሻው የውጤት ንብርብር ይሸጋገራል, ስለዚህ ስም ወደ ፊት ማሰራጨት.
12. የኋላ መስፋፋት ምንድን ነው?
በነርቭ አውታር ውስጥ ክብደቶች እና አድልዎዎች ሲስተካከሉ, backpropagation እሴቱ እንዴት እንደሚለወጥ በመጀመሪያ በመመልከት የወጪ ተግባሩን ለመቀነስ ያገለግላል.
በእያንዳንዱ የተደበቀ ንብርብር ላይ ያለውን ቅልመት መረዳት ይህን ለውጥ ማስላት ቀላል ያደርገዋል።
የኋለኛው ፕሮፓጋንዳ በመባል የሚታወቀው ሂደቱ በውጤቱ ንብርብር ይጀምራል እና ወደ ኋላ ወደ ግቤት ንብርብሮች ይንቀሳቀሳል.
13. በጥልቅ ትምህርት አውድ ውስጥ፣ ቀስ በቀስ መቆራረጥን እንዴት ይረዱታል?
የግራዲየንት ክሊፕ (ግራዲየንት ክሊፕንግ) በጀርባ ስርጭት ወቅት የሚነሱትን የሚፈነዳ ቅልመት ችግር ለመፍታት የሚያስችል ዘዴ ነው (ይህ ሁኔታ ከጊዜ ወደ ጊዜ ጉልህ የሆኑ የተሳሳቱ ቀስቶች የሚከማቹበት ሁኔታ በስልጠና ወቅት በነርቭ ኔትወርክ ሞዴል ክብደት ላይ ከፍተኛ ማስተካከያዎችን ያደርጋል)።
ቀስ በቀስ የሚፈነዳው በስልጠና ወቅት ግሬዲኖቹ በጣም ሲበዙ የሚነሳ ጉዳይ ሲሆን ይህም ሞዴሉን ያልተረጋጋ ያደርገዋል። ቅልመት የሚጠበቀውን ክልል ካለፈ፣ የግራዲየንት እሴቶቹ ኤለመንት-በ-ንጥረ ነገር ወደ ቅድመ የተወሰነ ዝቅተኛ ወይም ከፍተኛ እሴት ይገፋሉ።
ቀስ በቀስ መቆራረጥ የነርቭ ኔትወርክን በስልጠና ወቅት የቁጥር መረጋጋትን ያሻሽላል፣ ነገር ግን በአምሳያው አፈጻጸም ላይ አነስተኛ ተጽእኖ አለው።
14. Softmax እና ReLU ተግባራት ምንድን ናቸው?
Softmax የሚባል የማግበር ተግባር በ0 እና 1 መካከል ባለው ክልል ውስጥ ምርትን ይፈጥራል።እያንዳንዱ ውፅዓት የተከፋፈለ በመሆኑ የሁሉም ውጤቶቹ ድምር አንድ ይሆናል። ለውጤት ንብርብሮች, Softmax በተደጋጋሚ ጥቅም ላይ ይውላል.
የተስተካከለ መስመራዊ ክፍል፣ አንዳንድ ጊዜ ReLU በመባል ይታወቃል፣ በብዛት ጥቅም ላይ የዋለው የማግበር ተግባር ነው። X ፖዘቲቭ ከሆነ X ያወጣል፣ ካልሆነ ደግሞ ዜሮዎችን ያወጣል። ReLU በመደበኛነት በተቀበሩ ንብርብሮች ላይ ይተገበራል።
15. ሁሉም ክብደቶች ወደ 0 ከተቀመጡት የነርቭ ኔትወርክ ሞዴል ማሰልጠን ይቻላል?
የነርቭ አውታረመረብ የተሰጠውን ሥራ ለማጠናቀቅ በጭራሽ አይማርም ፣ ስለሆነም ሁሉንም ክብደቶች ወደ 0 በማስጀመር ሞዴልን ማሰልጠን አይቻልም።
ሁሉም ክብደቶች ወደ ዜሮ ከተጀመሩ ተዋጽኦዎቹ በW [1] ውስጥ ላለው ለእያንዳንዱ ክብደት ተመሳሳይ ሆነው ይቆያሉ፣ ይህም የነርቭ ሴሎች ተመሳሳይ ባህሪያትን ደጋግመው እንዲማሩ ያደርጋል።
ክብደቶችን ወደ 0 ማስጀመር ብቻ ሳይሆን በማንኛውም አይነት ቋሚነት ዝቅተኛ ውጤት ሊያስከትል ይችላል.
16. ዘመንን ከባች እና ከመድገም የሚለየው ምንድን ነው?
የውሂብ ስብስቦችን እና ቀስ በቀስ የመውረድ ቴክኒኮችን የማቀናበር የተለያዩ ዓይነቶች ባች፣ ተደጋጋሚነት እና ዘመን ያካትታሉ። Epoch አንድ ጊዜ በነርቭ አውታረመረብ በኩል ሙሉ የውሂብ ስብስብ ያለው ወደፊት እና ወደ ኋላ ያካትታል።
አስተማማኝ ውጤቶችን ለማቅረብ በአንድ ሙከራ ውስጥ ለማለፍ በጣም ትልቅ ስለሆነ የውሂብ ስብስብ በተደጋጋሚ ብዙ ጊዜ ይተላለፋል።
ይህ በነርቭ አውታረመረብ በኩል አነስተኛ መጠን ያለው መረጃን በተደጋጋሚ የማስኬድ ልምምድ እንደ ድግግሞሽ ይባላል። የመረጃው ስብስብ በተሳካ ሁኔታ የነርቭ ኔትወርኮችን እንደሚያቋርጥ ለማረጋገጥ, በበርካታ ስብስቦች ወይም ስብስቦች ሊከፋፈል ይችላል, እሱም ባቺንግ በመባል ይታወቃል.
በመረጃ አሰባሰብ መጠን ላይ በመመስረት ሦስቱም ዘዴዎች - ኢፖክ ፣ ድግግሞሽ እና የስብስብ መጠን - በመሰረቱ የመጠቀሚያ መንገዶች ናቸው። ቀስ በቀስ የሚወርድ ስልተ ቀመር.
17. ባች መደበኛነት እና ማቋረጥ ምንድናቸው?
ማቋረጥ ሁለቱንም የሚታዩ እና የተደበቁ የአውታረ መረብ ክፍሎችን በዘፈቀደ በማስወገድ (በተለምዶ 20 በመቶውን የመስቀለኛ ክፍልን በመጣል) የውሂብ መገጣጠምን ይከላከላል። አውታረ መረቡ እንዲሰበሰብ ለማድረግ የሚያስፈልገውን የድግግሞሽ ብዛት በእጥፍ ይጨምራል።
በእያንዳንዱ ንብርብር ውስጥ ያሉትን ግብአቶች መደበኛ በማድረግ የዜሮ አማካይ የውጤት ገቢር እና የአንድ መደበኛ ልዩነት እንዲኖራቸው በማድረግ፣ ባች ኖርማልላይዜሽን የነርቭ ኔትወርኮችን አፈጻጸም እና መረጋጋትን የማጎልበት ስልት ነው።
18. ስቶካስቲክ የግራዲየንትን መውረድ ከባች የግራዲየንት ቁልቁለት የሚለየው ምንድን ነው?
ባች ቀስ በቀስ ቁልቁል፡
- የተሟላው የውሂብ ስብስብ ለቡድን ቅልመት ቅልመትን ለመሥራት ያገለግላል።
- እጅግ በጣም ብዙ የውሂብ መጠን እና ክብደቶች ቀስ በቀስ ማዘመን አስቸጋሪ ያደርገዋል።
ስቶካስቲክ የግራዲየንት ቁልቁለት፡
- ስቶካስቲክ ቅልመት ቅልመትን ለማስላት አንድ ነጠላ ናሙና ይጠቀማል።
- በተደጋጋሚ በሚከሰተው የክብደት ለውጥ ምክንያት ከቡድን ቅልመት ይልቅ በከፍተኛ ፍጥነት ይሰበሰባል።
19. በነርቭ ኔትወርኮች ውስጥ ቀጥተኛ ያልሆኑትን ማካተት ለምን ወሳኝ ነው?
ምንም ያህል ንብርብሮች ቢኖሩ, የነርቭ አውታረመረብ መስመራዊ ያልሆኑ ነገሮች በሌሉበት ጊዜ እንደ ፐርሴፕሮን ይሠራል, ውጤቱም በመግቢያው ላይ ቀጥተኛ ጥገኛ ያደርገዋል.
በሌላ መንገድ ለማስቀመጥ የነርቭ አውታረመረብ n ንብርብሮች እና m የተደበቁ አሃዶች እና የመስመራዊ አግብር ተግባራት ከመስመር ነርቭ አውታረ መረብ ድብቅ ሽፋን ከሌለው እና የመስመራዊ መለያየት ድንበሮችን ብቻ የመለየት ችሎታ ካለው ጋር እኩል ነው።
ቀጥተኛ ያልሆኑ ነገሮች ሳይኖሩ የነርቭ ኔትወርክ ውስብስብ ጉዳዮችን መፍታት እና ግብአቱን በትክክል መከፋፈል አይችልም.
20. በጥልቅ ትምህርት ውስጥ tensor ምንድን ነው?
ቴንሶር በመባል የሚታወቀው ባለብዙ ልኬት ድርድር እንደ ማትሪክስ እና ቬክተሮች አጠቃላይ ሆኖ ያገለግላል። ለጥልቅ ትምህርት ወሳኝ የመረጃ መዋቅር ነው። የN-dimensional ድርድር የመሠረታዊ የውሂብ ዓይነቶች ተንከሮችን ለመወከል ጥቅም ላይ ይውላሉ።
እያንዳንዱ የ tensor አካል አንድ አይነት የውሂብ አይነት አለው, እና ይህ የውሂብ አይነት ሁልጊዜም ይታወቃል. የቅርጹ አንድ ቁራጭ ብቻ ሊሆን ይችላል-ይህም ምን ያህል ልኬቶች እንዳሉ እና እያንዳንዳቸው ምን ያህል ትልቅ እንደሆኑ - ሊታወቅ ይችላል.
ግብዓቶቹ ሙሉ በሙሉ በሚታወቁበት ሁኔታዎች ውስጥ, አብዛኛው ኦፕሬሽኖች ሙሉ በሙሉ የታወቁ ቴንሰሮችን ያመነጫሉ; በሌሎች ሁኔታዎች ፣ የ tensor ቅርፅ በግራፍ አፈፃፀም ጊዜ ብቻ ሊመሰረት ይችላል።
21. ለጥልቅ ትምህርት ሞዴል የማግበር ተግባሩን እንዴት ይመርጣሉ?
- ሊጠበቀው የሚገባው ውጤት ትክክለኛ ከሆነ የመስመር ማግበር ተግባርን መጠቀሙ ምክንያታዊ ነው።
- መተንበይ ያለበት ውፅዓት የሁለትዮሽ ክፍል ዕድል ከሆነ የሲግሞይድ ተግባር ጥቅም ላይ መዋል አለበት።
- የታቀደው ውፅዓት ሁለት ምደባዎችን ከያዘ የ Tanh ተግባርን መጠቀም ይቻላል።
- በቀላል ስሌት ምክንያት የReLU ተግባር በብዙ ሁኔታዎች ውስጥ ተፈጻሚ ይሆናል።
22. CNN ስትል ምን ማለትህ ነው?
የእይታ ምስሎችን በመገምገም ላይ ያተኮሩ ጥልቅ የነርቭ ኔትወርኮች convolutional neural networks (CNN፣ or ConvNet) ያካትታሉ። እዚህ, አንድ ቬክተር ግብዓቱን በሚወክልበት የነርቭ አውታረ መረቦች ውስጥ ሳይሆን, ግብአቱ ባለብዙ ቻናል ምስል ነው.
Multilayer Perceptrons በ CNNs ልዩ በሆነ መንገድ ጥቅም ላይ ይውላሉ ይህም በጣም ትንሽ ቅድመ-ሂደት ያስፈልገዋል.
23. ብዙ የሲኤንኤን ንብርብሮች ምንድናቸው?
Convolutional Layer፡- ዋናው ንብርብሩ ኮንቮሉሽን ንብርብር ነው፣ እሱም የተለያዩ ሊማሩ የሚችሉ ማጣሪያዎች እና ተቀባይ መስክ። ይህ የመጀመሪያ ንብርብር የግቤት ውሂቡን ይወስዳል እና ባህሪያቱን ያወጣል።
ReLU Layer፡ ኔትወርኩን መስመራዊ ያልሆኑ በማድረግ፣ ይህ ንብርብር አሉታዊ ፒክስሎችን ወደ ዜሮ ይቀይራል።
የውሃ ማጠራቀሚያ ንብርብር፡ የማቀነባበሪያ እና የአውታረ መረብ ቅንብሮችን በመቀነስ፣ የመዋኛ ገንዳው ንብርብር የውክልናውን የቦታ መጠን ቀስ በቀስ ይቀንሳል። ከፍተኛው የመዋኛ ገንዳ በጣም ጥቅም ላይ የዋለው የመዋኛ ዘዴ ነው።
24. ከመጠን በላይ አለመገጣጠም እና የአካል ብቃት እንቅስቃሴ ማድረግ ምን ውጤቶች አሉት? እንዴትስ ማስወገድ ትችላለህ?
ይህ ሞዴል በስልጠናው መረጃ ውስጥ ያለውን ውስብስብ እና ጫጫታ ሲያውቅ የአምሳያው ትኩስ መረጃ አጠቃቀም ላይ አሉታዊ ተጽዕኖ በሚያሳድርበት ጊዜ ከመጠን በላይ መገጣጠም በመባል ይታወቃል።
የግብ ተግባርን በሚማሩበት ጊዜ ይበልጥ ሊጣጣሙ በሚችሉ መስመር ላይ ባልሆኑ ሞዴሎች የመከሰቱ አጋጣሚ ሰፊ ነው። አንድ ሞዴል መኪናዎችን እና የጭነት መኪናዎችን ለመለየት ሊሰለጥን ይችላል፣ነገር ግን የተወሰነ ሳጥን ያላቸውን ተሽከርካሪዎች መለየት ይችላል።
በአንድ ዓይነት የጭነት መኪና ላይ ብቻ የሰለጠነ በመሆኑ፣ ባለ ጠፍጣፋ መኪና ማግኘት ላይችል ይችላል። በስልጠና መረጃ ላይ, ሞዴሉ በደንብ ይሰራል, ግን በእውነተኛው ዓለም ውስጥ አይደለም.
ያልተገጠመ ሞዴል በመረጃ ላይ በበቂ ሁኔታ ያልሰለጠነ ወይም አዲስ መረጃን ማጠቃለል የማይችልን ያመለክታል። ይህ ብዙውን ጊዜ የሚከሰተው ሞዴል በቂ ያልሆነ ወይም ትክክለኛ ያልሆነ መረጃ በሚሰለጥንበት ጊዜ ነው።
ትክክለኝነት እና አፈፃፀም ሁለቱም በመጥፎ ሁኔታ ይጎዳሉ።
የሞዴል ትክክለኛነትን ለመገመት (K-fold cross-validation) መረጃን እንደገና መቅረጽ እና ሞዴሉን ለመገምገም የማረጋገጫ ዳታ ስብስብን መጠቀም ከመጠን በላይ መገጣጠምን እና መገጣጠምን ለማስወገድ ሁለት መንገዶች ናቸው።
25. በጥልቅ ትምህርት፣ RNN ምንድን ነው?
ተደጋጋሚ የነርቭ ኔትወርኮች (RNNs)፣ የተለመደ ዓይነት አርቲፊሻል ነርቭ ኔትወርኮች፣ በ RNN ምህጻረ ቃል ይሂዱ። ከሌሎች ነገሮች በተጨማሪ ጂኖም፣ የእጅ ጽሑፍ፣ ጽሑፍ እና የውሂብ ቅደም ተከተሎችን ለማስኬድ የተቀጠሩ ናቸው። ለአስፈላጊው ስልጠና፣ RNNs የጀርባ ፕሮፓጋንዳ ስራን ይጠቀማሉ።
26. አዳም አመቻች ይግለጹ
አዳም አመቻች፣ እንዲሁም አስማሚ ሞመንተም በመባልም የሚታወቀው፣ ጫጫታ የሚፈጥሩ ሁኔታዎችን በጥቃቅን ቅልጥፍኖች ለማስተናገድ የተሰራ የማመቻቸት ዘዴ ነው።
ለፈጣን ውህደት የየልኬት ማሻሻያዎችን ከማቅረብ በተጨማሪ፣ አዳም አመቻች በፍጥነት መገናኘቱን ያሻሽላል፣ ይህም ሞዴል በኮርቻ ነጥብ ውስጥ እንዳይጠመድ ያደርጋል።
27. ጥልቅ autoencoders: ምንድን ናቸው?
ጥልቅ አውቶኢንኮደር የሁለት የተመጣጠነ ጥልቅ እምነት ኔትወርኮች የጋራ ስም ሲሆን በአጠቃላይ አራት ወይም አምስት ጥልቀት የሌላቸው ንብርብሮች የግማሹን ኔትወርክ ኢንኮዲንግ እና ሌላ አራት ወይም አምስት ንጣፎችን ለግማሹ መፍታት።
እነዚህ ንብርብሮች የጥልቅ እምነት ኔትወርኮች መሠረት ይመሰርታሉ እና በቦልትማን ማሽኖች የተገደቡ ናቸው። ከእያንዳንዱ RBM በኋላ፣ ጥልቅ የሆነ ራስ-ኢንኮደር በውሂብ ስብስብ MNIST ላይ ሁለትዮሽ ለውጦችን ይተገበራል።
እንዲሁም Gaussian የተስተካከሉ ለውጦች ከ RBM በሚመረጥባቸው ሌሎች የውሂብ ስብስቦች ውስጥ ጥቅም ላይ ሊውሉ ይችላሉ።
28. Tensor በ Tensorflow ውስጥ ምን ማለት ነው?
ይህ በየጊዜው የሚጠየቀው ሌላ ጥልቅ መማሪያ ቃለ መጠይቅ ነው። Tensor እንደ ከፍተኛ-ልኬት ድርድሮች የሚታየው የሂሳብ ጽንሰ-ሀሳብ ነው።
Tensors እነዚህ ለነርቭ አውታር ግብአት ሆነው የሚቀርቡ እና የተለያዩ ልኬቶች እና ደረጃዎች ያላቸው የውሂብ ድርድሮች ናቸው።
29. የስሌት ግራፍ ማብራሪያ
የ TensorFlow መሠረት የሂሳብ ግራፍ ግንባታ ነው። እያንዳንዱ መስቀለኛ መንገድ በአንጓዎች አውታረመረብ ውስጥ ይሰራል፣ አንጓዎች ለሂሳብ ስራዎች እና ጠርዞች ለ tenors የሚቆሙበት ነው።
ውሂብ በግራፍ ቅርጽ ስለሚፈስ አንዳንድ ጊዜ እንደ "DataFlow Graph" ይባላል.
30. Generative adversarial networks (GANs): ምንድን ናቸው?
በጥልቅ ትምህርት፣ አመንጭ ሞዴሊንግ የሚፈጸመው አመንጭ የጠላት ኔትወርኮችን በመጠቀም ነው። በግቤት ውሂቡ ውስጥ ቅጦችን በመለየት ውጤቱ የሚመረተው ክትትል የማይደረግበት ሥራ ነው.
አድሎአዊው በጄነሬተር የተሰሩትን አጋጣሚዎች ለመከፋፈል ጥቅም ላይ ይውላል, ጄኔሬተሩ ግን አዳዲስ ምሳሌዎችን ለማምረት ያገለግላል.
31. የሕንፃውን ንድፍ በሚያዘጋጁበት ጊዜ የነርቭ ሴሎችን እና የተደበቁ ንብርብሮችን በነርቭ አውታር ውስጥ ለማካተት እንዴት ይመርጣሉ?
ከቢዝነስ ፈተና አንጻር የነርቭ ኔትወርክ አርክቴክቸር ለመገንባት የሚያስፈልጉት ትክክለኛ የነርቭ ሴሎች እና የተደበቁ ንብርብሮች በማንኛውም ጠንካራ እና ፈጣን ህጎች ሊወሰኑ አይችሉም።
በነርቭ አውታረመረብ ውስጥ, የተደበቀው ንብርብር መጠን በግቤት እና የውጤት ሽፋኖች መጠን መካከል የሆነ ቦታ መውደቅ አለበት.
ምንም እንኳን የነርቭ አውታረ መረብ ንድፍ ለመፍጠር የመጀመሪያ ጅምር በጥቂት ቀጥተኛ ዘዴዎች ሊከናወን ይችላል-
በተመሳሳዩ የእውነተኛ ዓለም መቼቶች ውስጥ ከነርቭ ኔትወርኮች ጋር ባለው ልምድ ላይ በመመስረት ለማንኛውም የተለየ የውሂብ ስብስብ የተሻለ ምን እንደሚሰራ ለማየት ከአንዳንድ መሰረታዊ ስልታዊ ሙከራዎች ጀምሮ እያንዳንዱን ልዩ የገሃዱ ዓለም ትንበያ ሞዴሊንግ ፈተና ለመቋቋም ምርጡ መንገድ ነው።
የአውታረ መረቡ ውቅረት አንድ ሰው ስለ ጉዳዩ ጎራ ባለው እውቀት እና ቀደም ሲል በነርቭ አውታረ መረብ ልምድ ላይ በመመስረት ሊመረጥ ይችላል። የነርቭ ኔትወርክን አቀማመጥ ሲገመግሙ በተዛማጅ ችግሮች ላይ ጥቅም ላይ የሚውሉ የንብርብሮች እና የነርቭ ሴሎች ብዛት ለመጀመር ጥሩ ቦታ ነው።
በቀላል የነርቭ ኔትወርክ ንድፍ በመጀመር በተገመተው ውጤት እና ትክክለኛነት ላይ በመመርኮዝ የነርቭ አውታረመረብ ውስብስብነት ቀስ በቀስ መጨመር አለበት።
32. በጥልቅ ማጠናከሪያ ትምህርት ምን አይነት የነርቭ አውታሮች ነው የተቀጠሩት?
- የማጠናከሪያ ትምህርት ተብሎ በሚጠራው የማሽን መማሪያ ፓራዲም ውስጥ፣ ሞዴሉ የሚሰራው ልክ የቀጥታ ነገሮች እንደሚያደርጉት ድምር ሽልማትን ሃሳብ ከፍ ለማድረግ ነው።
- ጨዋታዎች እና ራስን የሚነዱ ተሽከርካሪዎች ሁለቱም እንደ ችግሮች ተገልጸዋል። የማጠናከሪያ ትምህርት.
- የሚወከለው ችግር ጨዋታ ከሆነ ስክሪኑ እንደ ግብአት ጥቅም ላይ ይውላል። ለሚቀጥሉት ደረጃዎች ውፅዓት ለማምረት ስልተ ቀመር ፒክስሎችን እንደ ግብአት ወስዶ በብዙ የኮንቮሉሽን ነርቭ ኔትወርኮች ያስኬዳቸዋል።
- የአምሳያው ድርጊቶች ውጤቶች, ጥሩም ሆነ መጥፎ, እንደ ማጠናከሪያ ይሠራሉ.
መደምደሚያ
ጥልቅ ትምህርት ለዓመታት በታዋቂነት አድጓል፣ በሁሉም የኢንዱስትሪ አካባቢዎች አፕሊኬሽኖች አሉ።
ኩባንያዎች ጥልቅ የመማር እና የማሽን መማሪያ አቀራረቦችን በመጠቀም የሰውን ባህሪ የሚደግሙ ሞዴሎችን የሚነድፉ ብቁ ባለሙያዎችን እየፈለጉ ነው።
የክህሎት ስብስባቸውን የሚያሳድጉ እና ስለእነዚህ ዘመናዊ ቴክኖሎጂዎች እውቀታቸውን የጠበቁ እጩዎች ማራኪ ክፍያ ጋር ሰፊ የስራ እድሎችን ማግኘት ይችላሉ።
ለአንዳንድ በጣም በተደጋጋሚ ለሚጠየቁ የጥልቅ ትምህርት ቃለመጠይቆች እንዴት ምላሽ መስጠት እንዳለቦት ላይ ጠንካራ ግንዛቤ ስላሎት በቃለ መጠይቁ መጀመር ይችላሉ። በዓላማዎችዎ ላይ በመመስረት ቀጣዩን እርምጃ ይውሰዱ።
ሃሽዶርክን ጎብኝ ተከታታይ ቃለ መጠይቅ ለቃለ መጠይቆች ለመዘጋጀት.
መልስ ይስጡ