সুচিপত্র[লুকান][দেখান]
সাম্প্রতিক বছরগুলিতে, নিউরাল নেটওয়ার্কগুলি জনপ্রিয়তা বৃদ্ধি পেয়েছে কারণ তারা বিস্তৃত পরিসরের কাজগুলিতে অত্যন্ত ভাল বলে দেখানো হয়েছে।
তাদের চিত্র এবং অডিও স্বীকৃতি, প্রাকৃতিক ভাষা প্রক্রিয়াকরণ এবং এমনকি গো এবং দাবা-এর মতো জটিল গেম খেলার জন্য একটি দুর্দান্ত পছন্দ হিসাবে দেখানো হয়েছে৷
এই পোস্টে, আমি আপনাকে একটি নিউরাল নেটওয়ার্ক প্রশিক্ষণের পুরো প্রক্রিয়ার মধ্য দিয়ে হেঁটে যাব। আমি একটি নিউরাল নেটওয়ার্ককে প্রশিক্ষিত করার সমস্ত পদক্ষেপ উল্লেখ করব এবং ব্যাখ্যা করব।
যখন আমি ধাপগুলি অতিক্রম করব তখন আমি একটি সহজ উদাহরণ যোগ করতে চাই যাতে একটি বাস্তব উদাহরণও রয়েছে।
তো, আসুন, আসুন শিখি কিভাবে নিউরাল নেটওয়ার্ক প্রসেস করতে হয়
এর সহজ শুরু করা যাক এবং কি জিজ্ঞাসা নিউরাল নেটওয়ার্ক প্রথম অবস্থানে.
নিউরাল নেটওয়ার্ক ঠিক কি?
নিউরাল নেটওয়ার্ক হল কম্পিউটার সফটওয়্যার যা মানুষের মস্তিষ্কের ক্রিয়াকলাপকে অনুকরণ করে। তারা প্রচুর পরিমাণে ডেটা এবং স্পট প্যাটার্ন থেকে শিখতে পারে যা লোকেদের সনাক্ত করা কঠিন হতে পারে।
ছবি এবং অডিও স্বীকৃতি, প্রাকৃতিক ভাষা প্রক্রিয়াকরণ এবং ভবিষ্যদ্বাণীমূলক মডেলিংয়ের মতো কাজের বহুমুখীতার কারণে সাম্প্রতিক বছরগুলিতে নিউরাল নেটওয়ার্কগুলি জনপ্রিয়তা বৃদ্ধি পেয়েছে।
সামগ্রিকভাবে, নিউরাল নেটওয়ার্কগুলি বিস্তৃত অ্যাপ্লিকেশানগুলির জন্য একটি শক্তিশালী হাতিয়ার এবং আমাদের বিস্তৃত পরিসরের কাজের সাথে যোগাযোগ করার উপায়কে রূপান্তর করার সুযোগ রয়েছে।
কেন আমরা তাদের সম্পর্কে জানা উচিত?
নিউরাল নেটওয়ার্কগুলি বোঝা গুরুত্বপূর্ণ কারণ তারা কম্পিউটার দৃষ্টি, বক্তৃতা স্বীকৃতি এবং প্রাকৃতিক ভাষা প্রক্রিয়াকরণ সহ বিভিন্ন ক্ষেত্রে আবিষ্কারের দিকে পরিচালিত করেছে।
নিউরাল নেটওয়ার্ক, উদাহরণস্বরূপ, স্ব-ড্রাইভিং গাড়ি, স্বয়ংক্রিয় অনুবাদ পরিষেবা এবং এমনকি মেডিকেল ডায়াগনস্টিকসের সাম্প্রতিক উন্নয়নের কেন্দ্রবিন্দুতে রয়েছে।
নিউরাল নেটওয়ার্কগুলি কীভাবে কাজ করে এবং কীভাবে সেগুলি ডিজাইন করতে হয় তা বোঝা আমাদের নতুন এবং উদ্ভাবনী অ্যাপ্লিকেশন তৈরি করতে সহায়তা করে। এবং, সম্ভবত, এটি ভবিষ্যতে আরও বড় আবিষ্কারের দিকে নিয়ে যেতে পারে।
টিউটোরিয়াল সম্পর্কে একটি নোট
আমি উপরে বলেছি, আমি একটি উদাহরণ দিয়ে একটি নিউরাল নেটওয়ার্ক প্রশিক্ষণের ধাপগুলি ব্যাখ্যা করতে চাই। এটি করার জন্য, আমাদের MNIST ডেটাসেট সম্পর্কে কথা বলা উচিত। এটি নতুনদের জন্য একটি জনপ্রিয় পছন্দ যারা নিউরাল নেটওয়ার্কের সাথে শুরু করতে চায়।
MNIST হল একটি সংক্ষিপ্ত রূপ যা পরিবর্তিত ন্যাশনাল ইনস্টিটিউট অফ স্ট্যান্ডার্ডস অ্যান্ড টেকনোলজির জন্য দাঁড়িয়েছে। এটি একটি হস্তলিখিত ডিজিট ডেটাসেট যা সাধারণত মেশিন লার্নিং মডেলের প্রশিক্ষণ এবং পরীক্ষা করার জন্য ব্যবহৃত হয়, বিশেষ করে নিউরাল নেটওয়ার্ক।
সংগ্রহটিতে 70,000 থেকে 0 পর্যন্ত হাতে লেখা সংখ্যার 9টি গ্রেস্কেল ফটো রয়েছে।
MNIST ডেটাসেট হল একটি জনপ্রিয় বেঞ্চমার্ক চিত্র শ্রেণিবদ্ধকরণ কাজ. এটি প্রায়শই শেখানো এবং শেখার জন্য ব্যবহৃত হয় কারণ এটি কম্প্যাক্ট এবং মোকাবেলা করা সহজ যদিও মেশিন লার্নিং অ্যালগরিদমগুলির উত্তর দেওয়ার জন্য একটি কঠিন চ্যালেঞ্জ তৈরি করে।
MNIST ডেটাসেটটি TensorFlow, Keras এবং PyTorch সহ বিভিন্ন মেশিন লার্নিং ফ্রেমওয়ার্ক এবং লাইব্রেরি দ্বারা সমর্থিত।
এখন আমরা MNIST ডেটাসেট সম্পর্কে জানি, আসুন একটি নিউরাল নেটওয়ার্ক প্রশিক্ষণের আমাদের ধাপগুলি দিয়ে শুরু করি।
একটি নিউরাল নেটওয়ার্ক প্রশিক্ষণের প্রাথমিক পদক্ষেপ
প্রয়োজনীয় লাইব্রেরি আমদানি করুন
যখন প্রথমে একটি নিউরাল নেটওয়ার্ককে প্রশিক্ষণ দেওয়া শুরু করা হয়, তখন মডেলটি ডিজাইন এবং প্রশিক্ষণের জন্য প্রয়োজনীয় সরঞ্জাম থাকা গুরুত্বপূর্ণ। একটি নিউরাল নেটওয়ার্ক তৈরির প্রাথমিক ধাপ হল প্রয়োজনীয় লাইব্রেরি যেমন TensorFlow, Keras এবং NumPy আমদানি করা।
এই লাইব্রেরিগুলি নিউরাল নেটওয়ার্কের বিকাশের জন্য বিল্ডিং ব্লক হিসাবে কাজ করে এবং গুরুত্বপূর্ণ ক্ষমতা প্রদান করে। এই লাইব্রেরিগুলির সংমিশ্রণটি অত্যাধুনিক নিউরাল নেটওয়ার্ক ডিজাইন এবং দ্রুত প্রশিক্ষণ তৈরির অনুমতি দেয়।
আমাদের উদাহরণ শুরু করতে; আমরা প্রয়োজনীয় লাইব্রেরিগুলি আমদানি করব, যার মধ্যে রয়েছে TensorFlow, Keras এবং NumPy। TensorFlow একটি ওপেন-সোর্স মেশিন লার্নিং ফ্রেমওয়ার্ক, কেরাস একটি উচ্চ-স্তরের নিউরাল নেটওয়ার্ক API, এবং NumPy হল একটি সংখ্যাসূচক কম্পিউটিং পাইথন লাইব্রেরি।
import tensorflow as tf
from tensorflow import keras
import numpy as np
ডেটাসেট লোড করুন
ডেটাসেট এখন লোড করা আবশ্যক। ডেটাসেট হল ডেটার সেট যার উপর নিউরাল নেটওয়ার্ককে প্রশিক্ষণ দেওয়া হবে। এটি ফটো, অডিও এবং পাঠ্য সহ যেকোনো ধরনের ডেটা হতে পারে।
ডেটাসেটটিকে দুটি ভাগে ভাগ করা গুরুত্বপূর্ণ: একটি নিউরাল নেটওয়ার্ক প্রশিক্ষণের জন্য এবং অন্যটি প্রশিক্ষিত মডেলের সঠিকতা মূল্যায়নের জন্য। টেনসরফ্লো, কেরাস এবং পাইটর্চ সহ বেশ কয়েকটি লাইব্রেরি ডেটাসেট আমদানি করতে ব্যবহার করা যেতে পারে।
আমাদের উদাহরণের জন্য, আমরা MNIST ডেটাসেট লোড করতে কেরাসও ব্যবহার করি। ডেটাসেটে 60,000টি প্রশিক্ষণের ছবি এবং 10,000টি পরীক্ষার ছবি রয়েছে।
mnist = keras.datasets.mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
ডেটা প্রিপ্রসেস করুন
ডেটা প্রিপ্রসেসিং একটি নিউরাল নেটওয়ার্ক প্রশিক্ষণের একটি গুরুত্বপূর্ণ পর্যায়। এটি নিউরাল নেটওয়ার্কে খাওয়ানোর আগে ডেটা প্রস্তুত করা এবং পরিষ্কার করা অন্তর্ভুক্ত করে।
পিক্সেল মান স্কেল করা, ডেটা স্বাভাবিক করা এবং লেবেলকে ওয়ান-হট এনকোডিং-এ রূপান্তর করা প্রিপ্রসেসিং পদ্ধতির উদাহরণ। এই প্রক্রিয়াগুলি আরও কার্যকরভাবে এবং সুনির্দিষ্টভাবে শিখতে নিউরাল নেটওয়ার্ককে সহায়তা করে।
ডেটা প্রি-প্রসেস করা ওভারফিটিং কমাতে এবং নিউরাল নেটওয়ার্কের কর্মক্ষমতা উন্নত করতে সহায়তা করতে পারে।
নিউরাল নেটওয়ার্ক প্রশিক্ষণের আগে আপনাকে অবশ্যই ডেটা প্রিপ্রসেস করতে হবে। এর মধ্যে লেবেলগুলিকে এক-হট এনকোডিং-এ পরিবর্তন করা এবং পিক্সেলের মানগুলিকে 0 এবং 1-এর মধ্যে স্কেল করা অন্তর্ভুক্ত৷
train_images = train_images / 255.0
test_images = test_images / 255.0
train_labels = keras.utils.to_categorical(train_labels, 10)
test_labels = keras.utils.to_categorical(test_labels, 10)
মডেল সংজ্ঞায়িত করুন
নিউরাল নেটওয়ার্ক মডেলকে সংজ্ঞায়িত করার প্রক্রিয়ায় এর স্থাপত্য স্থাপন করা জড়িত, যেমন স্তরের সংখ্যা, প্রতি স্তরে নিউরনের সংখ্যা, অ্যাক্টিভেশন ফাংশন এবং নেটওয়ার্কের ধরন (ফিডফরোয়ার্ড, পৌনঃপুনিক, বা কনভোল্যুশনাল)।
আপনি যে নিউরাল নেটওয়ার্ক ডিজাইন ব্যবহার করেন তা আপনি যে ধরণের সমস্যার সমাধান করার চেষ্টা করছেন তার দ্বারা নির্ধারিত হয়। একটি সু-সংজ্ঞায়িত নিউরাল নেটওয়ার্ক ডিজাইন এটিকে আরও দক্ষ এবং নির্ভুল করে নিউরাল নেটওয়ার্ক শেখার ক্ষেত্রে সহায়তা করতে পারে।
এই সময়ে নিউরাল নেটওয়ার্ক মডেল বর্ণনা করার সময় এসেছে। এই উদাহরণের জন্য, দুটি লুকানো স্তর সহ একটি সাধারণ মডেল ব্যবহার করুন, প্রতিটিতে 128টি নিউরন রয়েছে এবং একটি সফটম্যাক্স আউটপুট স্তর রয়েছে, যাতে 10টি নিউরন রয়েছে।
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dense(10, activation='softmax')
])
মডেল কম্পাইল
নিউরাল নেটওয়ার্ক মডেলের সংকলনের সময় ক্ষতি ফাংশন, অপ্টিমাইজার এবং মেট্রিক্স অবশ্যই নির্দিষ্ট করা উচিত। আউটপুট সঠিকভাবে পূর্বাভাস করার জন্য নিউরাল নেটওয়ার্কের ক্ষমতা ক্ষতি ফাংশন দ্বারা পরিমাপ করা হয়।
প্রশিক্ষণের সময় নিউরাল নেটওয়ার্কের নির্ভুলতা বাড়ানোর জন্য, অপ্টিমাইজার তার ওজন পরিবর্তন করে। প্রশিক্ষণের সময় নিউরাল নেটওয়ার্কের কার্যকারিতা মেট্রিক্স ব্যবহার করে পরিমাপ করা হয়। নিউরাল নেটওয়ার্ককে প্রশিক্ষিত করার আগে মডেলটি তৈরি করতে হবে।
আমাদের উদাহরণে, আমাদের এখনই মডেলটি তৈরি করতে হবে।
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
মডেল প্রশিক্ষণ
লস ফাংশন কমানোর জন্য নেটওয়ার্কের ওজন পরিবর্তন করার সময় নিউরাল নেটওয়ার্কের মাধ্যমে প্রস্তুত ডেটাসেট পাস করাকে নিউরাল নেটওয়ার্ককে প্রশিক্ষণ বলা হয়।
বৈধতা ডেটাসেটটি প্রশিক্ষণের সময় নিউরাল নেটওয়ার্ক পরীক্ষা করার জন্য এর কার্যকারিতা ট্র্যাক করতে এবং অতিরিক্ত ফিটিং প্রতিরোধ করতে ব্যবহৃত হয়। প্রশিক্ষণ প্রক্রিয়ায় কিছু সময় লাগতে পারে, তাই আন্ডারফিটিং প্রতিরোধ করার জন্য নিউরাল নেটওয়ার্ক যথাযথভাবে প্রশিক্ষিত হয়েছে তা নিশ্চিত করা গুরুত্বপূর্ণ।
প্রশিক্ষণের তথ্য ব্যবহার করে, আমরা এখন মডেলটিকে প্রশিক্ষণ দিতে পারি। এটি করার জন্য, আমাদের অবশ্যই ব্যাচের আকার (মডেল আপডেট করার আগে প্রক্রিয়াকৃত নমুনার সংখ্যা) এবং যুগের সংখ্যা (সম্পূর্ণ ডেটাসেট জুড়ে পুনরাবৃত্তির সংখ্যা) নির্ধারণ করতে হবে।
model.fit(train_images, train_labels, epochs=10, batch_size=32)
মডেল মূল্যায়ন
টেস্ট ডেটাসেটে নিউরাল নেটওয়ার্কের কর্মক্ষমতা পরীক্ষা করা হল এটি মূল্যায়ন করার প্রক্রিয়া। এই পর্যায়ে, প্রশিক্ষিত নিউরাল নেটওয়ার্ক পরীক্ষা ডেটাসেট প্রক্রিয়া করতে ব্যবহৃত হয়, এবং নির্ভুলতা মূল্যায়ন করা হয়।
একটি নিউরাল নেটওয়ার্ক কতটা কার্যকরভাবে নতুন, অপ্রয়োজনীয় ডেটা থেকে সঠিক ফলাফলের পূর্বাভাস দিতে পারে তার নির্ভুলতার একটি পরিমাপ। মডেলটি বিশ্লেষণ করলে নিউরাল নেটওয়ার্ক কতটা ভালো কাজ করছে তা নির্ধারণে সহায়তা করতে পারে এবং এটিকে আরও ভালো করার উপায়ও সুপারিশ করতে পারে।
আমরা অবশেষে প্রশিক্ষণের পরে পরীক্ষার ডেটা ব্যবহার করে মডেলের কর্মক্ষমতা মূল্যায়ন করতে পারি।
test_loss, test_acc = model.evaluate(test_images, test_labels)
print('Test accuracy:', test_acc)
এখানেই শেষ! আমরা MNIST ডেটাসেটে সংখ্যা সনাক্ত করতে একটি নিউরাল নেটওয়ার্ককে প্রশিক্ষিত করেছি।
প্রশিক্ষিত মডেলের কার্যকারিতা মূল্যায়ন করার জন্য ডেটা প্রস্তুত করা থেকে, একটি নিউরাল নেটওয়ার্ককে প্রশিক্ষণ দেওয়ার জন্য বেশ কয়েকটি প্রক্রিয়া জড়িত। এই নির্দেশাবলী নতুনদের দক্ষতার সাথে নিউরাল নেটওয়ার্ক তৈরি এবং প্রশিক্ষণে সহায়তা করে।
নতুন যারা বিভিন্ন সমস্যা মোকাবেলা করতে নিউরাল নেটওয়ার্ক ব্যবহার করতে চান তারা এই নির্দেশাবলী অনুসরণ করে তা করতে পারেন।
উদাহরণ ভিজ্যুয়ালাইজ করা
আসুন আরও ভালভাবে বোঝার জন্য এই উদাহরণ দিয়ে আমরা কী করেছি তা কল্পনা করার চেষ্টা করি।
ম্যাটপ্লটলিব প্যাকেজ এই কোড স্নিপেটে প্রশিক্ষণ ডেটাসেট থেকে ফটোগুলির একটি এলোমেলো নির্বাচন প্লট করতে ব্যবহৃত হয়। প্রথমে আমরা Matplotlib-এর "pyplot" মডিউল আমদানি করি এবং এটিকে "plt" নামে অভিহিত করি। তারপর, 10 বাই 10 ইঞ্চি মোট মাত্রা সহ, আমরা সাবপ্লটের 5টি সারি এবং 5টি কলাম দিয়ে একটি চিত্র তৈরি করি।
তারপর, আমরা সাবপ্লটগুলির উপর পুনরাবৃত্তি করার জন্য একটি লুপ ব্যবহার করি, প্রতিটিতে প্রশিক্ষণ ডেটাসেট থেকে একটি ছবি প্রদর্শন করি। ছবি প্রদর্শনের জন্য, "imshow" ফাংশন ব্যবহার করা হয়, "cmap" অপশনটি 'ধূসর' এ সেট করা হয় যাতে ধূসর স্কেলে ছবি প্রদর্শন করা যায়। প্রতিটি সাবপ্লটের শিরোনামও সংগ্রহে সংশ্লিষ্ট ছবির লেবেলে সেট করা আছে।
অবশেষে, আমরা চিত্রে প্লট করা ছবিগুলি প্রদর্শন করতে "শো" ফাংশন ব্যবহার করি। এই ফাংশনটি আমাদের ডেটাসেট থেকে ফটোগুলির একটি নমুনাকে দৃশ্যত মূল্যায়ন করতে দেয়, যা আমাদের ডেটা বোঝার এবং যেকোনো সম্ভাব্য উদ্বেগের সনাক্তকরণে সহায়তা করতে পারে।
import matplotlib.pyplot as plt
# Plot a random sample of images
fig, axes = plt.subplots(nrows=5, ncols=5, figsize=(10,10))
for i, ax in enumerate(axes.flat):
ax.imshow(train_images[i], cmap='gray')
ax.set_title(f"Label: {train_labels[i].argmax()}")
ax.axis('off')
plt.show()
গুরুত্বপূর্ণ নিউরাল নেটওয়ার্ক মডেল
- Feedforward নিউরাল নেটওয়ার্ক (FFNN): একটি সাধারণ ধরণের নিউরাল নেটওয়ার্ক যেখানে তথ্য শুধুমাত্র এক উপায়ে ভ্রমণ করে, ইনপুট স্তর থেকে এক বা একাধিক লুকানো স্তরের মাধ্যমে আউটপুট স্তরে।
- কনভোল্যুশনাল নিউরাল নেটওয়ার্ক (CNN): একটি নিউরাল নেটওয়ার্ক যা সাধারণত চিত্র সনাক্তকরণ এবং প্রক্রিয়াকরণে ব্যবহৃত হয়। সিএনএনগুলি স্বয়ংক্রিয়ভাবে ছবিগুলি থেকে বৈশিষ্ট্যগুলিকে চিনতে এবং বের করার উদ্দেশ্যে।
- পৌনঃপুনিক নিউরাল নেটওয়ার্ক (RNN): একটি নিউরাল নেটওয়ার্ক যা সাধারণত চিত্র সনাক্তকরণ এবং প্রক্রিয়াকরণে ব্যবহৃত হয়। সিএনএনগুলি স্বয়ংক্রিয়ভাবে ছবিগুলি থেকে বৈশিষ্ট্যগুলিকে চিনতে এবং বের করার উদ্দেশ্যে।
- লং শর্ট-টার্ম মেমরি (LSTM) নেটওয়ার্ক: RNN-এর একটি ফর্ম স্ট্যান্ডার্ড RNN-এ গ্রেডিয়েন্ট অদৃশ্য হওয়ার সমস্যাটি কাটিয়ে উঠতে তৈরি করা হয়েছে। ক্রমিক ডেটাতে দীর্ঘমেয়াদী নির্ভরতাগুলি LSTM এর সাথে আরও ভালভাবে ক্যাপচার করা যেতে পারে।
- অটোএনকোডার: তত্ত্বাবধানহীন লার্নিং নিউরাল নেটওয়ার্ক যেখানে নেটওয়ার্কটিকে তার আউটপুট স্তরে তার ইনপুট ডেটা পুনরুত্পাদন করতে শেখানো হয়। ডেটা কম্প্রেশন, অসঙ্গতি সনাক্তকরণ, এবং ছবি ডিনোইসিং সবই অটোএনকোডার দিয়ে সম্পন্ন করা যেতে পারে।
- জেনারেটিভ অ্যাডভারসারিয়াল নেটওয়ার্ক (GAN): একটি জেনারেটিভ নিউরাল নেটওয়ার্ক হল নিউরাল নেটওয়ার্কের একটি রূপ যা নতুন ডেটা তৈরি করতে শেখানো হয় যা একটি প্রশিক্ষণ ডেটাসেটের সাথে তুলনীয়। GAN দুটি নেটওয়ার্ক নিয়ে গঠিত: একটি জেনারেটর নেটওয়ার্ক যা নতুন ডেটা তৈরি করে এবং একটি বৈষম্যকারী নেটওয়ার্ক যা তৈরি করা ডেটার গুণমান মূল্যায়ন করে।
মোড়ানো আপ, আপনার পরবর্তী পদক্ষেপ কি হতে হবে?
একটি নিউরাল নেটওয়ার্ক প্রশিক্ষণ সম্পর্কে আরও জানতে বেশ কয়েকটি অনলাইন সংস্থান এবং কোর্সগুলি অন্বেষণ করুন৷ প্রকল্প বা উদাহরণগুলিতে কাজ করা স্নায়ু নেটওয়ার্কগুলির আরও ভাল উপলব্ধি অর্জনের একটি পদ্ধতি।
বাইনারি শ্রেণীবিন্যাস সমস্যা বা ছবির শ্রেণীবিভাগের কাজগুলির মতো সহজ উদাহরণ দিয়ে শুরু করুন এবং তারপরে প্রাকৃতিক ভাষা প্রক্রিয়াকরণের মতো আরও কঠিন কাজগুলিতে যান বা শক্তিবৃদ্ধি শেখার.
প্রকল্পগুলিতে কাজ করা আপনাকে বাস্তব অভিজ্ঞতা পেতে এবং আপনার নিউরাল নেটওয়ার্ক প্রশিক্ষণ দক্ষতা উন্নত করতে সহায়তা করে।
এছাড়াও আপনি অনলাইন মেশিন লার্নিং এবং নিউরাল নেটওয়ার্ক গ্রুপ এবং ফোরামে যোগদান করতে পারেন অন্যান্য শিক্ষার্থী এবং পেশাদারদের সাথে যোগাযোগ করতে, আপনার কাজ ভাগ করে নিতে এবং মন্তব্য এবং সাহায্য পেতে।
এলএসআরএস মনরাড-ক্রোহন
⁶ĵ ত্রুটি কমানোর জন্য পাইথন প্রোগ্রামটি দেখতে চাই। পরবর্তী স্তরে ওজন পরিবর্তনের জন্য বিশেষ নির্বাচন নোড