មាតិកា[លាក់][បង្ហាញ]
ក្នុងរយៈពេលប៉ុន្មានឆ្នាំចុងក្រោយនេះ បណ្តាញសរសៃប្រសាទបានកើនឡើងនៅក្នុងប្រជាប្រិយភាពចាប់តាំងពីពួកគេបានបង្ហាញឱ្យឃើញពីភាពល្អខ្លាំងនៅក្នុងកិច្ចការទូលំទូលាយ។
ពួកគេត្រូវបានបង្ហាញថាជាជម្រើសដ៏ល្អសម្រាប់ការទទួលស្គាល់រូបភាព និងសំឡេង ដំណើរការភាសាធម្មជាតិ និងសូម្បីតែការលេងហ្គេមដ៏ស្មុគស្មាញដូចជា Go និងអុកជាដើម។
នៅក្នុងការប្រកាសនេះ ខ្ញុំនឹងណែនាំអ្នកអំពីដំណើរការទាំងមូលនៃការបណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទ។ ខ្ញុំនឹងរៀបរាប់ និងពន្យល់ពីជំហានទាំងអស់ ដើម្បីបណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទ
ខណៈពេលដែលខ្ញុំនឹងទៅលើជំហាន ខ្ញុំចង់បន្ថែមឧទាហរណ៍សាមញ្ញមួយដើម្បីធ្វើឱ្យប្រាកដថាមានឧទាហរណ៍អនុវត្តផងដែរ។
ដូច្នេះ សូមមកតាម ហើយយើងរៀនពីរបៀបដំណើរការបណ្តាញសរសៃប្រសាទ
ចូរចាប់ផ្តើមសាមញ្ញហើយសួរថាតើមានអ្វីខ្លះ បណ្តាញសរសៃប្រសាទ នៅកន្លែងដំបូង។
តើបណ្តាញសរសៃប្រសាទជាអ្វី?
បណ្តាញសរសៃប្រសាទគឺជាកម្មវិធីកុំព្យូទ័រដែលក្លែងធ្វើប្រតិបត្តិការនៃខួរក្បាលមនុស្ស។ ពួកគេអាចរៀនពីបរិមាណដ៏ច្រើននៃទិន្នន័យ និងគំរូកន្លែង ដែលមនុស្សពិបាករកឃើញ។
បណ្តាញសរសៃប្រសាទបានកើនឡើងក្នុងប្រជាប្រិយភាពក្នុងរយៈពេលប៉ុន្មានឆ្នាំចុងក្រោយនេះ ដោយសារតែភាពប៉ិនប្រសប់របស់ពួកគេនៅក្នុងកិច្ចការដូចជា ការទទួលស្គាល់រូបភាព និងសំឡេង ដំណើរការភាសាធម្មជាតិ និងការបង្កើតគំរូទស្សន៍ទាយ។
សរុបមក បណ្តាញសរសៃប្រសាទគឺជាឧបករណ៍ដ៏រឹងមាំមួយសម្រាប់កម្មវិធីដ៏ធំទូលាយមួយ ហើយមានឱកាសផ្លាស់ប្តូររបៀបដែលយើងចូលទៅជិតជួរធំទូលាយនៃការងារ។
ហេតុអ្វីយើងគួរដឹងអំពីពួកគេ?
ការយល់ដឹងអំពីបណ្តាញសរសៃប្រសាទគឺមានសារៈសំខាន់ ព្រោះវានាំឱ្យមានការរកឃើញក្នុងវិស័យជាច្រើន រួមទាំងចក្ខុវិស័យកុំព្យូទ័រ ការទទួលស្គាល់ការនិយាយ និងដំណើរការភាសាធម្មជាតិ។
ជាឧទាហរណ៍ បណ្តាញសរសៃប្រសាទគឺជាបេះដូងនៃការអភិវឌ្ឍន៍ថ្មីៗនៅក្នុងរថយន្តដែលបើកបរដោយខ្លួនឯង សេវាបកប្រែដោយស្វ័យប្រវត្តិ និងសូម្បីតែការវិនិច្ឆ័យវេជ្ជសាស្ត្រ។
ការយល់ដឹងពីរបៀបដែលបណ្តាញសរសៃប្រសាទដំណើរការ និងរបៀបរចនាពួកវាជួយយើងបង្កើតកម្មវិធីថ្មី និងច្នៃប្រឌិត។ ហើយប្រហែលជា វាអាចនាំទៅរកការរកឃើញកាន់តែច្រើននាពេលអនាគត។
កំណត់ចំណាំអំពីការបង្រៀន
ដូចដែលខ្ញុំបាននិយាយខាងលើ ខ្ញុំចង់ពន្យល់ពីជំហាននៃការបណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទដោយផ្តល់ឧទាហរណ៍មួយ។ ដើម្បីធ្វើដូចនេះយើងគួរតែនិយាយអំពីសំណុំទិន្នន័យ MNIST ។ វាគឺជាជម្រើសដ៏ពេញនិយមសម្រាប់អ្នកចាប់ផ្តើមដំបូងដែលចង់ចាប់ផ្តើមជាមួយបណ្តាញសរសៃប្រសាទ។
MNIST គឺជាអក្សរកាត់ដែលតំណាងឱ្យ Modified National Institute of Standards and Technology ។ វាគឺជាសំណុំទិន្នន័យលេខដែលសរសេរដោយដៃ ដែលជាទូទៅត្រូវបានប្រើប្រាស់សម្រាប់ការបណ្តុះបណ្តាល និងសាកល្បងម៉ូដែលរៀនម៉ាស៊ីន ជាពិសេសបណ្តាញសរសៃប្រសាទ។
បណ្តុំនេះមានរូបថតទំហំពណ៌ប្រផេះចំនួន 70,000 នៃលេខដែលសរសេរដោយដៃចាប់ពីលេខ 0 ដល់ 9។
សំណុំទិន្នន័យ MNIST គឺជាស្តង់ដារដ៏ពេញនិយមសម្រាប់ ចំណាត់ថ្នាក់រូបភាព ភារកិច្ច។ វាត្រូវបានគេប្រើជាញឹកញាប់សម្រាប់ការបង្រៀន និងការរៀន ព្រោះវាមានទំហំតូច និងងាយស្រួលក្នុងការដោះស្រាយ ខណៈពេលដែលវានៅតែជាបញ្ហាប្រឈមដ៏លំបាកសម្រាប់ក្បួនដោះស្រាយការរៀនម៉ាស៊ីនដើម្បីឆ្លើយ។
សំណុំទិន្នន័យ MNIST ត្រូវបានគាំទ្រដោយក្របខណ្ឌសិក្សាម៉ាស៊ីន និងបណ្ណាល័យមួយចំនួន រួមមាន TensorFlow, Keras និង PyTorch។
ឥឡូវនេះយើងដឹងពីសំណុំទិន្នន័យ MNIST សូមចាប់ផ្តើមជាមួយនឹងជំហានរបស់យើងនៃការបណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទ។
ជំហានជាមូលដ្ឋានដើម្បីបណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទ
នាំចូលបណ្ណាល័យចាំបាច់
នៅពេលចាប់ផ្តើមបណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទដំបូង វាជារឿងសំខាន់ក្នុងការមានឧបករណ៍ចាំបាច់ក្នុងការរចនា និងបណ្តុះបណ្តាលគំរូ។ ជំហានដំបូងក្នុងការបង្កើតបណ្តាញសរសៃប្រសាទគឺត្រូវនាំចូលបណ្ណាល័យដែលត្រូវការដូចជា TensorFlow, Keras និង NumPy ។
បណ្ណាល័យទាំងនេះបម្រើជាបណ្តុំសម្រាប់ការអភិវឌ្ឍន៍បណ្តាញសរសៃប្រសាទ និងផ្តល់នូវសមត្ថភាពសំខាន់ៗ។ ការរួមបញ្ចូលគ្នានៃបណ្ណាល័យទាំងនេះអនុញ្ញាតឱ្យបង្កើតការរចនាបណ្តាញសរសៃប្រសាទដ៏ទំនើប និងការបណ្តុះបណ្តាលរហ័ស។
ដើម្បីចាប់ផ្តើមឧទាហរណ៍របស់យើង; យើងនឹងនាំចូលបណ្ណាល័យដែលត្រូវការ ដែលរួមមាន TensorFlow, Keras និង NumPy។ TensorFlow គឺជាក្របខណ្ឌរៀនម៉ាស៊ីនប្រភពបើកចំហ Keras គឺជា API បណ្តាញសរសៃប្រសាទកម្រិតខ្ពស់ ហើយ NumPy គឺជាបណ្ណាល័យ Python គណនាលេខ។
import tensorflow as tf
from tensorflow import keras
import numpy as np
ផ្ទុកសំណុំទិន្នន័យ
សំណុំទិន្នន័យត្រូវតែត្រូវបានផ្ទុកឥឡូវនេះ។ សំណុំទិន្នន័យគឺជាសំណុំទិន្នន័យដែលបណ្តាញសរសៃប្រសាទនឹងត្រូវបានបណ្តុះបណ្តាល។ នេះអាចជាប្រភេទទិន្នន័យណាមួយ រួមទាំងរូបថត សំឡេង និងអត្ថបទ។
វាមានសារៈសំខាន់ណាស់ក្នុងការបែងចែកសំណុំទិន្នន័យជាពីរផ្នែក៖ មួយសម្រាប់បណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទ និងមួយទៀតសម្រាប់ការវាយតម្លៃភាពត្រឹមត្រូវនៃគំរូដែលបានបណ្តុះបណ្តាល។ បណ្ណាល័យជាច្រើន រួមទាំង TensorFlow, Keras និង PyTorch អាចត្រូវបានប្រើដើម្បីនាំចូលសំណុំទិន្នន័យ។
ឧទាហរណ៍របស់យើង យើងក៏ប្រើ Keras ដើម្បីផ្ទុកសំណុំទិន្នន័យ MNIST ។ មានរូបថតបណ្តុះបណ្តាល 60,000 និងរូបភាពសាកល្បង 10,000 នៅក្នុងសំណុំទិន្នន័យ។
mnist = keras.datasets.mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
ដំណើរការទិន្នន័យជាមុន
ការដំណើរការទិន្នន័យជាមុន គឺជាដំណាក់កាលដ៏សំខាន់មួយក្នុងការបណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទ។ វារួមបញ្ចូលការរៀបចំ និងការសម្អាតទិន្នន័យ មុនពេលដែលវាត្រូវបានបញ្ចូលទៅក្នុងបណ្តាញសរសៃប្រសាទ។
ការធ្វើមាត្រដ្ឋានតម្លៃភីកសែល ការធ្វើឱ្យទិន្នន័យធម្មតា និងការបំប្លែងស្លាកទៅជាការអ៊ិនកូដក្តៅតែមួយ គឺជាឧទាហរណ៍នៃដំណើរការដំណើរការជាមុន។ ដំណើរការទាំងនេះជួយបណ្តាញសរសៃប្រសាទក្នុងការរៀនកាន់តែមានប្រសិទ្ធភាព និងច្បាស់លាស់។
ការដំណើរការទិន្នន័យជាមុនក៏អាចជួយកាត់បន្ថយការផ្ទុកលើសទម្ងន់ និងធ្វើឱ្យដំណើរការបណ្តាញសរសៃប្រសាទប្រសើរឡើងផងដែរ។
អ្នកត្រូវតែដំណើរការទិន្នន័យជាមុន មុនពេលបណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទ។ នេះរួមបញ្ចូលទាំងការផ្លាស់ប្តូរស្លាកទៅជាការអ៊ិនកូដក្តៅតែមួយ និងការធ្វើមាត្រដ្ឋានតម្លៃភីកសែលឱ្យនៅចន្លោះ 0 និង 1។
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)
កំណត់គំរូ
ដំណើរការនៃការកំណត់គំរូបណ្តាញសរសៃប្រសាទពាក់ព័ន្ធនឹងការបង្កើតស្ថាបត្យកម្មរបស់វា ដូចជាចំនួនស្រទាប់ ចំនួននៃណឺរ៉ូនក្នុងមួយស្រទាប់ មុខងារធ្វើឱ្យសកម្ម និងប្រភេទបណ្តាញ (feedforward កើតឡើងវិញ ឬ convolutional)។
ការរចនាបណ្តាញសរសៃប្រសាទដែលអ្នកប្រើត្រូវបានកំណត់ដោយប្រភេទនៃបញ្ហាដែលអ្នកកំពុងព្យាយាមដោះស្រាយ។ ការរចនាបណ្តាញសរសៃប្រសាទដែលបានកំណត់យ៉ាងល្អអាចជួយក្នុងការរៀនបណ្តាញសរសៃប្រសាទដោយធ្វើឱ្យវាកាន់តែមានប្រសិទ្ធភាព និងត្រឹមត្រូវ។
វាដល់ពេលដែលត្រូវពណ៌នាអំពីគំរូបណ្តាញសរសៃប្រសាទនៅចំណុចនេះ។ ប្រើគំរូសាមញ្ញមួយដែលមានស្រទាប់លាក់ពីរ ដែលនីមួយៗមានណឺរ៉ូន 128 និងស្រទាប់លទ្ធផល softmax ដែលមាន 10 ណឺរ៉ូន សម្រាប់ឧទាហរណ៍នេះ។
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')
])
ចងក្រងគំរូ
មុខងារបាត់បង់ ឧបករណ៍បង្កើនប្រសិទ្ធភាព និងម៉ែត្រត្រូវតែបញ្ជាក់កំឡុងពេលចងក្រងគំរូបណ្តាញសរសៃប្រសាទ។ សមត្ថភាពរបស់បណ្តាញសរសៃប្រសាទក្នុងការព្យាករណ៍លទ្ធផលត្រឹមត្រូវត្រូវបានវាស់ដោយមុខងារបាត់បង់។
ដើម្បីបង្កើនភាពត្រឹមត្រូវនៃបណ្តាញសរសៃប្រសាទកំឡុងពេលហ្វឹកហាត់ អ្នកបង្កើនប្រសិទ្ធភាពកែប្រែទម្ងន់របស់វា។ ប្រសិទ្ធភាពនៃបណ្តាញសរសៃប្រសាទកំឡុងពេលហ្វឹកហាត់ត្រូវបានវាស់វែងដោយប្រើម៉ែត្រ។ គំរូត្រូវតែត្រូវបានបង្កើតមុនពេលបណ្តាញសរសៃប្រសាទអាចត្រូវបានបណ្តុះបណ្តាល។
ក្នុងឧទាហរណ៍របស់យើង ឥឡូវនេះយើងត្រូវសាងសង់គំរូ។
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
បណ្តុះបណ្តាលគំរូ
ការឆ្លងកាត់សំណុំទិន្នន័យដែលបានរៀបចំតាមរយៈបណ្តាញសរសៃប្រសាទ ខណៈពេលដែលការកែប្រែទម្ងន់នៃបណ្តាញដើម្បីកាត់បន្ថយមុខងារនៃការបាត់បង់ ត្រូវបានគេស្គាល់ថាជាការបណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទ។
សំណុំទិន្នន័យដែលមានសុពលភាពត្រូវបានប្រើដើម្បីសាកល្បងបណ្តាញសរសៃប្រសាទកំឡុងពេលបណ្តុះបណ្តាល ដើម្បីតាមដានប្រសិទ្ធភាពរបស់វា និងទប់ស្កាត់ការពាក់លើសទម្ងន់។ ដំណើរការបណ្តុះបណ្តាលអាចចំណាយពេលខ្លះ ដូច្នេះវាមានសារៈសំខាន់ណាស់ក្នុងការធ្វើឱ្យប្រាកដថាបណ្តាញសរសៃប្រសាទត្រូវបានបណ្តុះបណ្តាលយ៉ាងត្រឹមត្រូវ ដើម្បីការពារការខូចគុណភាព។
ដោយប្រើទិន្នន័យបណ្តុះបណ្តាល ឥឡូវនេះយើងអាចបណ្តុះបណ្តាលគំរូបាន។ ដើម្បីធ្វើដូចនេះយើងត្រូវកំណត់ទំហំបាច់ (ចំនួនគំរូដែលបានដំណើរការមុនពេលគំរូត្រូវបានធ្វើបច្ចុប្បន្នភាព) និងចំនួនសម័យ (ចំនួនពាក្យដដែលៗនៅទូទាំងសំណុំទិន្នន័យពេញលេញ)។
model.fit(train_images, train_labels, epochs=10, batch_size=32)
ការវាយតម្លៃគំរូ
ការធ្វើតេស្តដំណើរការនៃបណ្តាញសរសៃប្រសាទនៅលើសំណុំទិន្នន័យសាកល្បងគឺជាដំណើរការនៃការវាយតម្លៃវា។ ក្នុងដំណាក់កាលនេះ បណ្តាញសរសៃប្រសាទដែលត្រូវបានបណ្តុះបណ្តាលត្រូវបានប្រើដើម្បីដំណើរការសំណុំទិន្នន័យសាកល្បង ហើយភាពត្រឹមត្រូវត្រូវបានវាយតម្លៃ។
ប្រសិទ្ធភាពនៃបណ្តាញសរសៃប្រសាទអាចព្យាករណ៍លទ្ធផលត្រឹមត្រូវពីទិន្នន័យថ្មីដែលមិនទាន់បានសាកល្បង គឺជារង្វាស់នៃភាពត្រឹមត្រូវរបស់វា។ ការវិភាគគំរូអាចជួយកំណត់ថាតើបណ្តាញសរសៃប្រសាទដំណើរការបានល្អប៉ុណ្ណា ហើយថែមទាំងណែនាំវិធីដើម្បីធ្វើឱ្យវាកាន់តែប្រសើរឡើង។
ទីបំផុតយើងអាចវាយតម្លៃដំណើរការរបស់ម៉ូដែលដោយប្រើទិន្នន័យសាកល្បងបន្ទាប់ពីការបណ្តុះបណ្តាល។
test_loss, test_acc = model.evaluate(test_images, test_labels)
print('Test accuracy:', test_acc)
អស់ហើយ! យើងបានបណ្តុះបណ្តាលបណ្តាញប្រសាទដើម្បីស្វែងរកលេខនៅក្នុងសំណុំទិន្នន័យ MNIST ។
ចាប់ពីការរៀបចំទិន្នន័យរហូតដល់ការវាយតម្លៃប្រសិទ្ធភាពនៃគំរូដែលបានបណ្តុះបណ្តាល ការបណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទពាក់ព័ន្ធនឹងដំណើរការជាច្រើន។ ការណែនាំទាំងនេះជួយដល់សិស្សថ្មីថ្មោងក្នុងការកសាង និងបណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទប្រកបដោយប្រសិទ្ធភាព។
អ្នកចាប់ផ្តើមដំបូងដែលចង់ប្រើបណ្តាញសរសៃប្រសាទដើម្បីដោះស្រាយបញ្ហាផ្សេងៗអាចធ្វើដូច្នេះបានដោយធ្វើតាមការណែនាំទាំងនេះ។
ការមើលឃើញឧទាហរណ៍
ចូរយើងព្យាយាមស្រមៃមើលអ្វីដែលយើងបានធ្វើជាមួយនឹងឧទាហរណ៍នេះ ដើម្បីយល់កាន់តែច្បាស់។
កញ្ចប់ Matplotlib ត្រូវបានប្រើនៅក្នុងអត្ថបទកូដនេះដើម្បីរៀបចំការជ្រើសរើសរូបថតដោយចៃដន្យពីសំណុំទិន្នន័យបណ្ដុះបណ្ដាល។ ដំបូង យើងនាំចូលម៉ូឌុល "pyplot" របស់ Matplotlib ហើយហៅវាថា "plt" ។ បន្ទាប់មកជាមួយនឹងវិមាត្រសរុបនៃ 10 គុណនឹង 10 អុិនឈ៍ យើងបង្កើតតួរលេខដែលមាន 5 ជួរ និង 5 ជួរឈរនៃផ្នែករង។
បន្ទាប់មក យើងប្រើសម្រាប់រង្វិលជុំដើម្បីធ្វើឡើងវិញលើគ្រោងរង ដោយបង្ហាញរូបភាពពីសំណុំទិន្នន័យបណ្ដុះបណ្ដាលលើនីមួយៗ។ ដើម្បីបង្ហាញរូបភាព មុខងារ “imshow” ត្រូវបានប្រើ ជាមួយនឹងជម្រើស “cmap” កំណត់ទៅជា 'ប្រផេះ' ដើម្បីបង្ហាញរូបថតក្នុងមាត្រដ្ឋានប្រផេះ។ ចំណងជើងនៃគ្រោងរងនីមួយៗក៏ត្រូវបានកំណត់ទៅស្លាកនៃរូបភាពដែលពាក់ព័ន្ធនៅក្នុងបណ្តុំផងដែរ។
ជាចុងក្រោយ យើងប្រើមុខងារ "បង្ហាញ" ដើម្បីបង្ហាញរូបភាពដែលបានគ្រោងទុកក្នុងរូប។ មុខងារនេះអនុញ្ញាតឱ្យយើងវាយតម្លៃដោយមើលឃើញនូវគំរូរូបថតពីសំណុំទិន្នន័យ ដែលអាចជួយក្នុងការយល់ដឹងរបស់យើងអំពីទិន្នន័យ និងការកំណត់អត្តសញ្ញាណនៃកង្វល់ដែលអាចកើតមាន។
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()
គំរូបណ្តាញសរសៃប្រសាទសំខាន់ៗ
- បណ្តាញសរសៃប្រសាទ Feedforward (FFNN)៖ ប្រភេទបណ្តាញសរសៃប្រសាទសាមញ្ញ ដែលព័ត៌មានធ្វើដំណើរតែក្នុងវិធីមួយប៉ុណ្ណោះ ពីស្រទាប់បញ្ចូលទៅស្រទាប់លទ្ធផលតាមរយៈស្រទាប់លាក់មួយ ឬច្រើន។
- បណ្តាញសរសៃប្រសាទ Convolutional (CNN)៖ បណ្តាញសរសៃប្រសាទដែលត្រូវបានគេប្រើជាទូទៅក្នុងការរកឃើញរូបភាព និងដំណើរការ។ CNNs មានបំណងទទួលស្គាល់ និងទាញយកលក្ខណៈពិសេសពីរូបភាពដោយស្វ័យប្រវត្តិ។
- បណ្តាញសរសៃប្រសាទកើតឡើងវិញ (RNN)៖ បណ្តាញសរសៃប្រសាទដែលត្រូវបានគេប្រើជាទូទៅក្នុងការរកឃើញរូបភាព និងដំណើរការ។ CNNs មានបំណងទទួលស្គាល់ និងទាញយកលក្ខណៈពិសេសពីរូបភាពដោយស្វ័យប្រវត្តិ។
- បណ្តាញសតិរយៈពេលខ្លី (LSTM)៖ ទម្រង់នៃ RNN ដែលត្រូវបានបង្កើតឡើងដើម្បីជម្នះបញ្ហានៃការបាត់ជម្រាលនៅក្នុង RNNs ស្តង់ដារ។ ភាពអាស្រ័យរយៈពេលវែងនៅក្នុងទិន្នន័យតាមលំដាប់លំដោយអាចចាប់យកបានកាន់តែប្រសើរជាមួយ LSTMs ។
- ឧបករណ៍បំលែងកូដស្វ័យប្រវត្តិ៖ បណ្តាញសរសៃប្រសាទនៃការសិក្សាគ្មានការត្រួតពិនិត្យដែលបណ្តាញត្រូវបានបង្រៀនឱ្យបង្កើតទិន្នន័យបញ្ចូលឡើងវិញនៅស្រទាប់លទ្ធផលរបស់វា។ ការបង្ហាប់ទិន្នន័យ ការរកឃើញភាពមិនប្រក្រតី និងការបិទបាំងរូបភាពអាចនឹងត្រូវបានសម្រេចជាមួយនឹងឧបករណ៍បំលែងកូដស្វ័យប្រវត្តិ។
- បណ្តាញប្រឆាំងទូទៅ (GAN)៖ បណ្តាញសរសៃប្រសាទទូទៅគឺជាទម្រង់នៃបណ្តាញសរសៃប្រសាទដែលត្រូវបានបង្រៀនឱ្យផលិតទិន្នន័យថ្មីដែលអាចប្រៀបធៀបទៅនឹងសំណុំទិន្នន័យបណ្តុះបណ្តាល។ GANs ត្រូវបានបង្កើតឡើងដោយបណ្តាញពីរ៖ បណ្តាញម៉ាស៊ីនភ្លើងដែលបង្កើតទិន្នន័យថ្មី និងបណ្តាញរើសអើងដែលវាយតម្លៃគុណភាពនៃទិន្នន័យដែលបានបង្កើត។
បញ្ចប់ តើអ្វីគួរជាជំហានបន្ទាប់របស់អ្នក?
ស្វែងរកធនធាន និងវគ្គសិក្សាតាមអ៊ីនធឺណិតជាច្រើន ដើម្បីស្វែងយល់បន្ថែមអំពីការបណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទ។ ការធ្វើការលើគម្រោង ឬឧទាហរណ៍ គឺជាវិធីសាស្រ្តមួយដើម្បីទទួលបានការយល់កាន់តែច្បាស់នៃបណ្តាញសរសៃប្រសាទ។
ចាប់ផ្តើមជាមួយនឹងឧទាហរណ៍ដ៏ងាយស្រួលដូចជាបញ្ហាចំណាត់ថ្នាក់ប្រព័ន្ធគោលពីរ ឬកិច្ចការចាត់ថ្នាក់រូបភាព ហើយបន្ទាប់មកទៅកាន់កិច្ចការពិបាកៗជាច្រើនទៀតដូចជាការកែច្នៃភាសាធម្មជាតិ ឬ ការពង្រឹងការរៀន។.
ការធ្វើការលើគម្រោងជួយអ្នកឱ្យទទួលបានបទពិសោធន៍ពិតប្រាកដ និងធ្វើឱ្យប្រសើរឡើងនូវជំនាញបណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទរបស់អ្នក។
អ្នកក៏អាចចូលរួមការរៀនតាមម៉ាស៊ីនអនឡាញ និងក្រុមបណ្តាញសរសៃប្រសាទ និងវេទិកាដើម្បីធ្វើអន្តរកម្មជាមួយអ្នកសិក្សា និងអ្នកជំនាញផ្សេងទៀត ចែករំលែកការងាររបស់អ្នក និងទទួលមតិយោបល់ និងជំនួយ។
LSRS MONRAD-KROHN
⁶ĵចង់ឃើញកម្មវិធី python សម្រាប់ការបន្ថយកំហុស។ ថ្នាំងជ្រើសរើសពិសេសសម្រាប់ការផ្លាស់ប្តូរទម្ងន់ទៅស្រទាប់បន្ទាប់