មាតិកា[លាក់][បង្ហាញ]
- 1. តើ Deep Learning ជាអ្វី?
- 2. តើអ្វីជាភាពខុសគ្នារវាង Deep Learning ពី Machine Learning?
- 3. តើការយល់ដឹងបច្ចុប្បន្នរបស់អ្នកអំពីបណ្តាញសរសៃប្រសាទគឺជាអ្វី?
- 4. តើអ្វីជា perceptron ពិតប្រាកដ?
- 5. តើបណ្តាញសរសៃប្រសាទជ្រៅគឺជាអ្វី?
- 6. តើ Multilayer Perceptron (MLP) ជាអ្វី?
- 7. តើមុខងារធ្វើឱ្យសកម្មមានគោលបំណងអ្វីនៅក្នុងបណ្តាញសរសៃប្រសាទ?
- 8. តើជម្រាលជម្រាលគឺជាអ្វី?
- 9. តើមុខងារថ្លៃដើមជាអ្វី?
- 10. តើបណ្តាញជ្រៅអាចដំណើរការជាងបណ្តាញរាក់ដោយរបៀបណា?
- 11. ពិពណ៌នាអំពីការផ្សព្វផ្សាយបន្ត។
- 12. តើការបន្តពូជគឺជាអ្វី?
- 13. នៅក្នុងបរិបទនៃការរៀនស៊ីជម្រៅ តើអ្នកយល់ពីរបៀបកាត់ជម្រាលដោយរបៀបណា?
- 14. តើមុខងារ Softmax និង ReLU មានអ្វីខ្លះ?
- 15. តើគំរូបណ្តាញសរសៃប្រសាទអាចហ្វឹកហាត់ជាមួយនឹងទម្ងន់ទាំងអស់ដែលបានកំណត់ទៅ 0 ដែរឬទេ?
- 16. តើអ្វីខុសប្លែកពីសម័យកាលមួយ និងការកើតឡើងម្តងទៀត?
- 17. តើ Batch Normalization និងការបោះបង់ការសិក្សាគឺជាអ្វី?
- 18. តើអ្វីបំបែក Stochastic Gradient Descent ពី Batch Gradient Descent?
- 19. ហេតុអ្វីបានជាវាសំខាន់ណាស់ក្នុងការរួមបញ្ចូលភាពមិនមែនលីនេអ៊ែរនៅក្នុងបណ្តាញសរសៃប្រសាទ?
- 20. តើអ្វីជា tensor នៅក្នុងការរៀនសូត្រជ្រៅ?
- 21. តើអ្នកនឹងជ្រើសរើសមុខងារធ្វើឱ្យសកម្មសម្រាប់គំរូសិក្សាស៊ីជម្រៅដោយរបៀបណា?
- 22. តើ CNN មានន័យយ៉ាងណា?
- 23. តើស្រទាប់ CNN មានប៉ុន្មាន?
- 24. តើមានផលប៉ះពាល់អ្វីខ្លះពីការស្លៀកពាក់ហួសកម្រិត ហើយតើអ្នកអាចជៀសវាងវាដោយរបៀបណា?
- 25. ក្នុងការរៀនស៊ីជម្រៅ តើ RNN ជាអ្វី?
- 26. ពិពណ៌នាអំពីអ័ដាមដែលធ្វើអោយប្រសើរឡើង
- 27. Deep autoencoders: តើវាជាអ្វី?
- 28. តើ Tensor មានន័យយ៉ាងណានៅក្នុង Tensorflow?
- 29. ការពន្យល់អំពីក្រាហ្វគណនា
- 30. Generative adversarial networks (GANs)៖ តើវាជាអ្វី?
- 31. តើអ្នកនឹងជ្រើសរើសចំនួនណឺរ៉ូន និងស្រទាប់លាក់ដោយរបៀបណា ដើម្បីបញ្ចូលក្នុងបណ្តាញសរសៃប្រសាទនៅពេលអ្នករចនាស្ថាបត្យកម្ម?
- 32. តើបណ្តាញសរសៃប្រសាទប្រភេទណាខ្លះដែលត្រូវបានប្រើប្រាស់ដោយការរៀនពង្រឹងជ្រៅ?
- សន្និដ្ឋាន
ការរៀនស៊ីជម្រៅមិនមែនជាគំនិតថ្មីទេ។ បណ្តាញសរសៃប្រសាទសិប្បនិម្មិតបម្រើជាមូលដ្ឋានគ្រឹះតែមួយគត់នៃផ្នែករងនៃការរៀនម៉ាស៊ីនដែលគេស្គាល់ថាជាការរៀនជ្រៅ។
ការរៀនសូត្រជ្រៅ គឺជាការធ្វើត្រាប់តាមខួរក្បាលរបស់មនុស្ស ក៏ដូចជាបណ្តាញសរសៃប្រសាទដែរ ដូចដែលពួកវាត្រូវបានបង្កើតឡើងដើម្បីយកតម្រាប់តាមខួរក្បាលមនុស្ស។
វាមានមួយរយៈមកហើយ។ សព្វថ្ងៃនេះ មនុស្សគ្រប់គ្នាកំពុងនិយាយអំពីវា ដោយសារយើងមិនមានថាមពលដំណើរការ ឬទិន្នន័យស្ទើរតែដូចដែលយើងធ្វើនៅពេលនេះ។
ក្នុងរយៈពេល 20 ឆ្នាំកន្លងមក ការរៀនស៊ីជម្រៅ និងការរៀនម៉ាស៊ីនបានលេចចេញជាលទ្ធផលនៃការកើនឡើងយ៉ាងខ្លាំងនៃសមត្ថភាពដំណើរការ។
ដើម្បីជួយអ្នកក្នុងការរៀបចំសម្រាប់ការសាកសួរណាមួយដែលអ្នកអាចប្រឈមមុខនៅពេលស្វែងរកការងារក្នុងក្តីស្រមៃរបស់អ្នក ប្រកាសនេះនឹងណែនាំអ្នកតាមរយៈសំណួរសំភាសន៍សិក្សាស៊ីជម្រៅជាច្រើន ចាប់ពីសាមញ្ញទៅស្មុគស្មាញ។
1. តើ Deep Learning ជាអ្វី?
ប្រសិនបើអ្នកចូលរួម ក ការរៀនសូត្រជ្រៅ សំភាសន៍ អ្នកប្រាកដជាយល់ច្បាស់ថា ការរៀនស៊ីជម្រៅគឺជាអ្វី។ ទោះយ៉ាងណាក៏ដោយ អ្នកសម្ភាសន៍រំពឹងថាអ្នកនឹងផ្តល់នូវការឆ្លើយតបយ៉ាងលម្អិត រួមជាមួយនឹងរូបភាពមួយក្នុងការឆ្លើយតបទៅនឹងសំណួរនេះ។
ដើម្បីហ្វឹកហាត់ បណ្តាញសរសៃប្រសាទ សម្រាប់ការរៀនសូត្រស៊ីជម្រៅ ទិន្នន័យសំខាន់ៗដែលរៀបចំ ឬមិនមានរចនាសម្ព័ន្ធត្រូវតែប្រើប្រាស់។ ដើម្បីស្វែងរកគំរូ និងលក្ខណៈដែលលាក់បាំង វាធ្វើនីតិវិធីដ៏ស្មុគស្មាញ (ឧទាហរណ៍ ការសម្គាល់រូបភាពឆ្មាពីឆ្កែ)។
2. តើអ្វីជាភាពខុសគ្នារវាង Deep Learning ពី Machine Learning?
ក្នុងនាមជាសាខានៃបញ្ញាសិប្បនិមិត្តដែលគេស្គាល់ថាជា machine learning យើងបណ្តុះបណ្តាលកុំព្យូទ័រដោយប្រើទិន្នន័យ និងបច្ចេកទេសស្ថិតិ និងក្បួនដោះស្រាយដើម្បីឱ្យពួកវាកាន់តែប្រសើរឡើងតាមពេលវេលា។
ជាទិដ្ឋភាពនៃ ការរៀនម៉ាស៊ីនការសិក្សាស៊ីជម្រៅធ្វើត្រាប់តាមស្ថាបត្យកម្មបណ្តាញសរសៃប្រសាទដែលឃើញនៅក្នុងខួរក្បាលមនុស្ស។
3. តើការយល់ដឹងបច្ចុប្បន្នរបស់អ្នកអំពីបណ្តាញសរសៃប្រសាទគឺជាអ្វី?
ប្រព័ន្ធសិប្បនិម្មិតដែលគេស្គាល់ថាជាបណ្តាញសរសៃប្រសាទប្រហាក់ប្រហែលនឹងបណ្តាញសរសៃប្រសាទសរីរាង្គដែលមាននៅក្នុងខ្លួនមនុស្សយ៉ាងជិតស្និទ្ធ។
ដោយប្រើបច្ចេកទេសដែលស្រដៀងនឹងរបៀប ខួរក្បាលរបស់មនុស្ស មុខងារ បណ្តាញសរសៃប្រសាទគឺជាការប្រមូលផ្តុំនៃក្បួនដោះស្រាយដែលមានគោលបំណងកំណត់អត្តសញ្ញាណទំនាក់ទំនងមូលដ្ឋាននៅក្នុងបំណែកនៃទិន្នន័យ។
ប្រព័ន្ធទាំងនេះទទួលបានចំនេះដឹងជាក់លាក់នៃកិច្ចការដោយការលាតត្រដាងខ្លួនពួកគេទៅនឹងសំណុំទិន្នន័យ និងឧទាហរណ៍ជាច្រើន ជាជាងការអនុវត្តតាមច្បាប់ជាក់លាក់នៃកិច្ចការណាមួយ។
គំនិតនេះគឺថាជំនួសឱ្យការយល់ដឹងដែលបានរៀបចំទុកជាមុននៃសំណុំទិន្នន័យទាំងនេះ ប្រព័ន្ធរៀនបែងចែកលក្ខណៈពីទិន្នន័យដែលវាត្រូវបានចុក។
ស្រទាប់បណ្តាញទាំងបីដែលត្រូវបានប្រើជាទូទៅបំផុតនៅក្នុងបណ្តាញសរសៃប្រសាទមានដូចខាងក្រោម៖
- ស្រទាប់បញ្ចូល
- ស្រទាប់លាក់
- ស្រទាប់លទ្ធផល
4. តើអ្វីជា perceptron ពិតប្រាកដ?
ណឺរ៉ូនជីវសាស្រ្តដែលមាននៅក្នុងខួរក្បាលរបស់មនុស្សគឺអាចប្រៀបធៀបទៅនឹង perceptron មួយ។ ការបញ្ចូលជាច្រើនត្រូវបានទទួលដោយ perceptron ដែលបន្ទាប់មកធ្វើការបំប្លែង និងមុខងារជាច្រើន ហើយបង្កើតលទ្ធផលមួយ។
គំរូលីនេអ៊ែរដែលហៅថា perceptron ត្រូវបានប្រើប្រាស់ក្នុងការចាត់ថ្នាក់ប្រព័ន្ធគោលពីរ។ វាក្លែងធ្វើណឺរ៉ូនជាមួយនឹងធាតុបញ្ចូលផ្សេងៗគ្នា ដែលនីមួយៗមានទម្ងន់ខុសៗគ្នា។
ណឺរ៉ូនគណនាមុខងារមួយដោយប្រើធាតុបញ្ចូលដែលមានទម្ងន់ទាំងនេះ ហើយបញ្ចេញលទ្ធផល។
5. តើបណ្តាញសរសៃប្រសាទជ្រៅគឺជាអ្វី?
បណ្តាញសរសៃប្រសាទជ្រៅ គឺជាបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (ANN) ដែលមានស្រទាប់ជាច្រើនរវាងស្រទាប់បញ្ចូល និងទិន្នផល (DNN)។
បណ្តាញសរសៃប្រសាទជ្រៅ គឺជាបណ្តាញសរសៃប្រសាទស្ថាបត្យកម្មជ្រៅ។ ពាក្យ "ជ្រៅ" សំដៅលើមុខងារដែលមានកម្រិត និងឯកតាជាច្រើនក្នុងស្រទាប់តែមួយ។ គំរូដែលមានភាពត្រឹមត្រូវជាងមុនអាចត្រូវបានបង្កើតឡើងដោយបន្ថែមស្រទាប់កាន់តែច្រើន និងធំជាងមុន ដើម្បីចាប់យកកម្រិតកាន់តែច្រើននៃគំរូ។
6. តើ Multilayer Perceptron (MLP) ជាអ្វី?
ស្រទាប់បញ្ចូល លាក់ និងលទ្ធផលមាននៅក្នុង MLPs ដូចជានៅក្នុងបណ្តាញសរសៃប្រសាទ។ វាត្រូវបានសាងសង់ស្រដៀងទៅនឹង perceptron ស្រទាប់តែមួយ ដែលមានស្រទាប់លាក់មួយ ឬច្រើន។
លទ្ធផលគោលពីរនៃ perceptron ស្រទាប់តែមួយអាចចាត់ថ្នាក់លីនេអ៊ែរដែលអាចបំបែកបាន (0,1) ចំណែក MLP អាចចាត់ថ្នាក់ nonlinear ។
7. តើមុខងារធ្វើឱ្យសកម្មមានគោលបំណងអ្វីនៅក្នុងបណ្តាញសរសៃប្រសាទ?
មុខងារធ្វើឱ្យសកម្មកំណត់ថាតើណឺរ៉ូនគួរតែធ្វើសកម្មភាពនៅកម្រិតមូលដ្ឋានបំផុត។ មុខងារធ្វើឱ្យសកម្មណាមួយអាចទទួលយកផលបូកទម្ងន់នៃធាតុបញ្ចូលបូកនឹងលំអៀងជាការបញ្ចូល។ មុខងារធ្វើឱ្យសកម្មរួមមានមុខងារជំហាន Sigmoid, ReLU, Tanh និង Softmax ។
8. តើជម្រាលជម្រាលគឺជាអ្វី?
វិធីសាស្រ្តដ៏ល្អបំផុតសម្រាប់ការកាត់បន្ថយមុខងារចំណាយ ឬកំហុសគឺការចុះជម្រាល។ ការស្វែងរកអប្បបរមាក្នុងស្រុក-សកលរបស់មុខងារគឺជាគោលដៅ។ វាបញ្ជាក់ផ្លូវដែលគំរូគួរធ្វើតាម ដើម្បីកាត់បន្ថយកំហុស។
9. តើមុខងារថ្លៃដើមជាអ្វី?
មុខងារតម្លៃគឺជាម៉ែត្រដើម្បីវាយតម្លៃថាតើគំរូរបស់អ្នកដំណើរការបានល្អប៉ុណ្ណា។ ពេលខ្លះវាត្រូវបានគេហៅថា "ការបាត់បង់" ឬ "កំហុស" ។ កំឡុងពេលបន្តពូជ វាត្រូវបានប្រើប្រាស់ដើម្បីគណនាកំហុសនៃស្រទាប់លទ្ធផល។
យើងទាញយកភាពមិនត្រឹមត្រូវនោះ ដើម្បីបន្តដំណើរការបណ្តុះបណ្តាលរបស់បណ្តាញសរសៃប្រសាទ ដោយរុញវាត្រឡប់មកវិញតាមរយៈបណ្តាញសរសៃប្រសាទ។
10. តើបណ្តាញជ្រៅអាចដំណើរការជាងបណ្តាញរាក់ដោយរបៀបណា?
ស្រទាប់ដែលលាក់ត្រូវបានបន្ថែមទៅបណ្តាញសរសៃប្រសាទបន្ថែមលើស្រទាប់បញ្ចូល និងទិន្នផល។ រវាងស្រទាប់បញ្ចូល និងទិន្នផល បណ្តាញសរសៃប្រសាទរាក់ប្រើស្រទាប់លាក់តែមួយ ចំណែកបណ្តាញសរសៃប្រសាទជ្រៅប្រើកម្រិតជាច្រើន។
បណ្តាញរាក់ទាមទារប៉ារ៉ាម៉ែត្រជាច្រើន ដើម្បីអាចបំពេញមុខងារណាមួយ។ បណ្តាញជ្រៅអាចបំពេញមុខងារបានល្អប្រសើរ បើទោះបីជាមានប៉ារ៉ាម៉ែត្រមួយចំនួនតូចក៏ដោយ ព្រោះវារួមបញ្ចូលស្រទាប់ជាច្រើន។
ឥឡូវនេះបណ្តាញជ្រៅត្រូវបានគេពេញចិត្តដោយសារតែភាពប៉ិនប្រសប់របស់ពួកគេក្នុងការធ្វើការជាមួយប្រភេទនៃគំរូទិន្នន័យមិនថាវាសម្រាប់ការនិយាយឬការទទួលស្គាល់រូបភាពនោះទេ។
11. ពិពណ៌នាអំពីការផ្សព្វផ្សាយបន្ត។
ធាតុបញ្ចូលត្រូវបានបញ្ជូនរួមគ្នាជាមួយនឹងទម្ងន់ទៅស្រទាប់ដែលកប់នៅក្នុងដំណើរការដែលគេស្គាល់ថាជាការបញ្ជូនបន្ត។
លទ្ធផលនៃមុខងារធ្វើឱ្យសកម្មត្រូវបានគណនាក្នុងស្រទាប់នីមួយៗ និងគ្រប់ស្រទាប់មុនពេលដំណើរការអាចបន្តទៅស្រទាប់ខាងក្រោម។
ដំណើរការចាប់ផ្តើមនៅស្រទាប់បញ្ចូល ហើយដំណើរការទៅស្រទាប់លទ្ធផលចុងក្រោយ ដូច្នេះឈ្មោះបញ្ជូនបន្ត។
12. តើការបន្តពូជគឺជាអ្វី?
នៅពេលដែលទម្ងន់ និងភាពលំអៀងត្រូវបានកែតម្រូវនៅក្នុងបណ្តាញសរសៃប្រសាទ ការផ្សព្វផ្សាយខាងក្រោយត្រូវបានប្រើដើម្បីកាត់បន្ថយមុខងារចំណាយដោយសង្កេតជាមុនពីរបៀបដែលតម្លៃផ្លាស់ប្តូរ។
ការយល់ដឹងអំពីជម្រាលនៅស្រទាប់លាក់នីមួយៗធ្វើឱ្យការគណនាការផ្លាស់ប្តូរនេះសាមញ្ញ។
ដំណើរការដែលគេស្គាល់ថាជា backpropagation ចាប់ផ្តើមនៅស្រទាប់ទិន្នផល ហើយផ្លាស់ទីថយក្រោយទៅស្រទាប់បញ្ចូល។
13. នៅក្នុងបរិបទនៃការរៀនស៊ីជម្រៅ តើអ្នកយល់ពីរបៀបកាត់ជម្រាលដោយរបៀបណា?
Gradient Clipping គឺជាវិធីសាស្រ្តមួយសម្រាប់ដោះស្រាយបញ្ហានៃជម្រាលផ្ទុះដែលកើតឡើងកំឡុងពេលបន្តពូជ (លក្ខខណ្ឌដែលជម្រាលមិនត្រឹមត្រូវសំខាន់ៗកកកុញតាមពេលវេលា ដែលនាំទៅដល់ការកែតម្រូវយ៉ាងសំខាន់ចំពោះទម្ងន់គំរូបណ្តាញសរសៃប្រសាទអំឡុងពេលហ្វឹកហាត់)។
ការផ្ទុះជម្រាលគឺជាបញ្ហាដែលកើតឡើងនៅពេលដែលជម្រាលធំពេកកំឡុងពេលហ្វឹកហាត់ ដែលធ្វើឱ្យគំរូមិនស្ថិតស្ថេរ។ ប្រសិនបើជម្រាលបានឆ្លងកាត់ជួរដែលរំពឹងទុក តម្លៃជម្រាលត្រូវបានរុញធាតុដោយធាតុទៅតម្លៃអប្បបរមា ឬអតិបរមាដែលបានកំណត់ជាមុន។
ការច្រឹបជម្រាលជួយបង្កើនស្ថេរភាពជាលេខនៃបណ្តាញសរសៃប្រសាទកំឡុងពេលហ្វឹកហាត់ ប៉ុន្តែវាមានផលប៉ះពាល់តិចតួចបំផុតទៅលើដំណើរការរបស់ម៉ូដែល។
14. តើមុខងារ Softmax និង ReLU មានអ្វីខ្លះ?
មុខងារធ្វើឱ្យសកម្មមួយហៅថា Softmax បង្កើតទិន្នផលក្នុងចន្លោះពី 0 និង 1។ លទ្ធផលនីមួយៗត្រូវបានបែងចែក ដូច្នេះផលបូកនៃលទ្ធផលទាំងអស់គឺមួយ។ សម្រាប់ស្រទាប់លទ្ធផល Softmax ត្រូវបានប្រើប្រាស់ជាញឹកញាប់។
អង្គភាពលីនេអ៊ែរកែតម្រូវ ដែលជួនកាលគេស្គាល់ថា ReLU គឺជាមុខងារធ្វើឱ្យសកម្មដែលប្រើច្រើនបំផុត។ ប្រសិនបើ X វិជ្ជមាន វាចេញ X បើមិនដូច្នេះទេ វាចេញសូន្យ។ ReLU ត្រូវបានអនុវត្តជាទៀងទាត់ចំពោះស្រទាប់ដែលកប់។
15. តើគំរូបណ្តាញសរសៃប្រសាទអាចហ្វឹកហាត់ជាមួយនឹងទម្ងន់ទាំងអស់ដែលបានកំណត់ទៅ 0 ដែរឬទេ?
បណ្តាញសរសៃប្រសាទនឹងមិនរៀនបញ្ចប់ការងារដែលបានផ្តល់ឱ្យទេ ដូច្នេះវាមិនអាចទៅរួចទេក្នុងការបណ្តុះបណ្តាលគំរូដោយចាប់ផ្តើមទម្ងន់ទាំងអស់ទៅជា 0 ។
និស្សន្ទវត្ថុនឹងនៅដដែលសម្រាប់រាល់ទម្ងន់ក្នុង W [1] ប្រសិនបើទម្ងន់ទាំងអស់ត្រូវបានចាប់ផ្តើមទៅជាសូន្យ ដែលនឹងនាំឱ្យណឺរ៉ូនរៀនលក្ខណៈដូចគ្នាម្តងហើយម្តងទៀត។
មិនមែនគ្រាន់តែចាប់ផ្តើមទម្ងន់ទៅ 0 នោះទេ ប៉ុន្តែចំពោះទម្រង់នៃថេរណាមួយទំនងជានឹងផ្តល់លទ្ធផល subpar ។
16. តើអ្វីខុសប្លែកពីសម័យកាលមួយ និងការកើតឡើងម្តងទៀត?
ទម្រង់ផ្សេងៗគ្នានៃសំណុំទិន្នន័យដំណើរការ និងបច្ចេកទេសចុះជម្រាល រួមមាន បាច់ ការធ្វើឡើងវិញ និងសម័យ។ Epoch ជាប់ពាក់ព័ន្ធម្តងតាមរយៈបណ្តាញសរសៃប្រសាទដែលមានសំណុំទិន្នន័យពេញលេញ ទាំងទៅមុខ និងថយក្រោយ។
ដើម្បីផ្តល់នូវលទ្ធផលដែលអាចទុកចិត្តបាន សំណុំទិន្នន័យត្រូវបានឆ្លងកាត់ជាញឹកញាប់ជាច្រើនដង ដោយសារវាមានទំហំធំពេកក្នុងការឆ្លងកាត់ក្នុងការសាកល្បងម្តង។
ការអនុវត្តនៃការដំណើរការម្តងហើយម្តងទៀតនូវបរិមាណតូចមួយនៃទិន្នន័យតាមរយៈបណ្តាញសរសៃប្រសាទត្រូវបានសំដៅថាជាការធ្វើឡើងវិញ។ ដើម្បីធានាថាសំណុំទិន្នន័យឆ្លងកាត់បណ្តាញសរសៃប្រសាទដោយជោគជ័យ វាអាចត្រូវបានបែងចែកទៅជាបណ្តុំ ឬសំណុំរងមួយចំនួន ដែលត្រូវបានគេស្គាល់ថាជាបណ្តុំ។
អាស្រ័យលើទំហំនៃការប្រមូលទិន្នន័យ វិធីសាស្រ្តទាំងបី - សម័យ ការធ្វើឡើងវិញ និងទំហំបាច់ - ជាមធ្យោបាយសំខាន់នៃការប្រើប្រាស់ ក្បួនដោះស្រាយការចុះជម្រាលជម្រាល.
17. តើ Batch Normalization និងការបោះបង់ការសិក្សាគឺជាអ្វី?
ការបោះបង់ចោលការពារទិន្នន័យលើសទម្ងន់ដោយចៃដន្យយកចេញទាំងឯកតាបណ្តាញដែលមើលឃើញនិងលាក់ដោយចៃដន្យ (ជាធម្មតាទម្លាក់ 20 ភាគរយនៃថ្នាំង)។ វាបង្កើនទ្វេដងនៃចំនួននៃការធ្វើម្តងទៀតដែលត្រូវការ ដើម្បីឱ្យបណ្តាញបញ្ចូលគ្នា។
ដោយការធ្វើឱ្យធាតុបញ្ចូលក្នុងស្រទាប់នីមួយៗមានលក្ខណៈធម្មតាដើម្បីឱ្យមានទិន្នផលមធ្យមធ្វើឱ្យសកម្មនៃសូន្យ និងគម្លាតស្តង់ដារនៃមួយ ការធ្វើឱ្យមានលក្ខណៈធម្មតាជាបាច់គឺជាយុទ្ធសាស្ត្រមួយដើម្បីបង្កើនប្រសិទ្ធភាព និងស្ថេរភាពនៃបណ្តាញសរសៃប្រសាទ។
18. តើអ្វីបំបែក Stochastic Gradient Descent ពី Batch Gradient Descent?
បណ្តុំជម្រាល៖
- សំណុំទិន្នន័យពេញលេញត្រូវបានប្រើដើម្បីបង្កើតជម្រាលសម្រាប់បណ្តុំជម្រាល។
- ចំនួនទិន្នន័យដ៏ធំសម្បើម និងទម្ងន់អាប់ដេតយឺតៗ ធ្វើឱ្យការបញ្ចូលគ្នាពិបាក។
ជម្រាលជម្រាល Stochastic៖
- ជម្រាល stochastic ប្រើគំរូតែមួយដើម្បីគណនាជម្រាល។
- ដោយសារតែការផ្លាស់ប្តូរទម្ងន់ញឹកញាប់ជាងមុន វាបញ្ចូលគ្នាយ៉ាងរហ័សជាងជម្រាលបណ្តុំ។
19. ហេតុអ្វីបានជាវាសំខាន់ណាស់ក្នុងការរួមបញ្ចូលភាពមិនមែនលីនេអ៊ែរនៅក្នុងបណ្តាញសរសៃប្រសាទ?
មិនថាមានស្រទាប់ប៉ុន្មានទេ បណ្តាញសរសៃប្រសាទនឹងមានឥរិយាបទដូចជា perceptron ក្នុងអវត្តមាននៃ non-linearities ដែលធ្វើឱ្យទិន្នផលលីនេអ៊ែរអាស្រ័យលើធាតុបញ្ចូល។
ដើម្បីដាក់វាតាមវិធីមួយផ្សេងទៀត បណ្តាញសរសៃប្រសាទដែលមានស្រទាប់ n និង m ឯកតាលាក់កំបាំង និងមុខងារធ្វើឱ្យសកម្មលីនេអ៊ែរគឺស្មើនឹងបណ្តាញសរសៃប្រសាទលីនេអ៊ែរដោយគ្មានស្រទាប់លាក់ ហើយជាមួយនឹងសមត្ថភាពក្នុងការរកឃើញព្រំដែនបំបែកលីនេអ៊ែរតែមួយគត់។
បើគ្មានលីនេអ៊ែរទេ បណ្តាញសរសៃប្រសាទមិនអាចដោះស្រាយបញ្ហាស្មុគ្រស្មាញ និងចាត់ថ្នាក់ធាតុបញ្ចូលបានត្រឹមត្រូវ។
20. តើអ្វីជា tensor នៅក្នុងការរៀនសូត្រជ្រៅ?
អារេពហុវិមាត្រដែលគេស្គាល់ថាជា tensor បម្រើជាការទូទៅនៃម៉ាទ្រីស និងវ៉ិចទ័រ។ វាជារចនាសម្ព័ន្ធទិន្នន័យដ៏សំខាន់សម្រាប់ការរៀនសូត្រស៊ីជម្រៅ។ អារេ N-dimensional នៃប្រភេទទិន្នន័យមូលដ្ឋានត្រូវបានប្រើដើម្បីតំណាងឱ្យ tensors ។
រាល់សមាសធាតុនៃ tensor មានប្រភេទទិន្នន័យដូចគ្នា ហើយប្រភេទទិន្នន័យនេះតែងតែត្រូវបានស្គាល់។ វាអាចទៅរួចដែលថាមានតែរូបរាងមួយដុំប៉ុណ្ណោះ ពោលគឺតើមានវិមាត្រប៉ុន្មាន និងទំហំនីមួយៗត្រូវដឹង។
នៅក្នុងស្ថានភាពនៅពេលដែលធាតុបញ្ចូលត្រូវបានគេស្គាល់ទាំងស្រុងផងដែរ ប្រតិបត្តិការភាគច្រើនផលិត tensors ដែលគេស្គាល់យ៉ាងពេញលេញ។ ក្នុងករណីផ្សេងទៀត ទម្រង់នៃ tensor អាចត្រូវបានបង្កើតឡើងតែក្នុងអំឡុងពេលប្រតិបត្តិក្រាហ្វ។
21. តើអ្នកនឹងជ្រើសរើសមុខងារធ្វើឱ្យសកម្មសម្រាប់គំរូសិក្សាស៊ីជម្រៅដោយរបៀបណា?
- វាសមហេតុផលក្នុងការប្រើមុខងារធ្វើឱ្យសកម្មលីនេអ៊ែរ ប្រសិនបើលទ្ធផលដែលត្រូវតែរំពឹងទុកគឺពិតប្រាកដ។
- អនុគមន៍ Sigmoid គួរតែត្រូវបានប្រើប្រាស់ ប្រសិនបើលទ្ធផលដែលត្រូវព្យាករណ៍គឺជាប្រូបាប៊ីលីតេនៃថ្នាក់គោលពីរ។
- អនុគមន៍ Tanh អាចត្រូវបានប្រើប្រសិនបើលទ្ធផលដែលបានព្យាករមានចំណាត់ថ្នាក់ពីរ។
- ដោយសារតែភាពងាយស្រួលនៃការគណនារបស់វា មុខងារ ReLU អាចអនុវត្តបានក្នុងស្ថានភាពជាច្រើន។
22. តើ CNN មានន័យយ៉ាងណា?
បណ្តាញសរសៃប្រសាទជ្រៅដែលមានជំនាញក្នុងការវាយតម្លៃរូបភាពដែលមើលឃើញរួមមានបណ្តាញសរសៃប្រសាទដែលជាប់គាំង (CNN ឬ ConvNet)។ នៅទីនេះ ជាជាងនៅក្នុងបណ្តាញសរសៃប្រសាទដែលវ៉ិចទ័រតំណាងឱ្យធាតុបញ្ចូល ធាតុបញ្ចូលគឺជារូបភាពពហុឆានែល។
Multilayer perceptrons ត្រូវបានប្រើក្នុងវិធីពិសេសមួយដោយ CNNs ដែលតម្រូវឱ្យមានការដំណើរការមុនតិចតួចបំផុត។
23. តើស្រទាប់ CNN មានប៉ុន្មាន?
Convolutional Layer: ស្រទាប់សំខាន់គឺស្រទាប់ convolutional ដែលមានតម្រងដែលអាចរៀនបានច្រើនប្រភេទ និងកន្លែងទទួល។ ស្រទាប់ដំបូងនេះយកទិន្នន័យបញ្ចូល និងស្រង់លក្ខណៈរបស់វា។
ស្រទាប់ ReLU៖ ដោយធ្វើឱ្យបណ្តាញមិនមែនជាលីនេអ៊ែរ ស្រទាប់នេះប្រែភីកសែលអវិជ្ជមានទៅជាសូន្យ។
ស្រទាប់បូកបញ្ចូលគ្នា៖ ដោយកាត់បន្ថយដំណើរការ និងការកំណត់បណ្តាញ ស្រទាប់បូកបញ្ចូលគ្នានឹងបង្រួមទំហំតូចតាចនៃតំណាង។ Max pooling គឺជាវិធីសាស្រ្តដែលគេប្រើច្រើនបំផុតក្នុងការដាក់បញ្ចូលគ្នា។
24. តើមានផលប៉ះពាល់អ្វីខ្លះពីការស្លៀកពាក់ហួសកម្រិត ហើយតើអ្នកអាចជៀសវាងវាដោយរបៀបណា?
នេះត្រូវបានគេស្គាល់ថាសមល្មមពេលម៉ូដែលរៀនពីភាពស្មុគស្មាញ និងសំឡេងរំខានក្នុងទិន្នន័យបណ្ដុះបណ្ដាលរហូតដល់ចំណុចដែលវាប៉ះពាល់អវិជ្ជមានដល់ការប្រើទិន្នន័យថ្មីរបស់ម៉ូដែល។
វាទំនងជាកើតឡើងជាមួយនឹងគំរូមិនមែនលីនេអ៊ែរ ដែលអាចសម្របខ្លួនបានជាង ខណៈពេលដែលកំពុងសិក្សាមុខងារគោលដៅ។ គំរូមួយអាចត្រូវបានបណ្តុះបណ្តាលដើម្បីរកមើលរថយន្ត និងរថយន្តដឹកទំនិញ ប៉ុន្តែវាអាចកំណត់អត្តសញ្ញាណយានយន្តដែលមានទម្រង់ប្រអប់ជាក់លាក់មួយ។
ដោយសារវាត្រូវបានហ្វឹកហាត់តែលើប្រភេទឡានដឹកទំនិញមួយប៉ុណ្ណោះ វាអាចនឹងមិនអាចរកឃើញឡានដឹកទំនិញរាបស្មើបានទេ។ នៅលើទិន្នន័យបណ្តុះបណ្តាល គំរូនេះដំណើរការបានល្អ ប៉ុន្តែមិនមែននៅក្នុងពិភពជាក់ស្តែងទេ។
ម៉ូដែលដែលមិនសមស្របគឺសំដៅទៅលើមួយដែលមិនត្រូវបានបណ្តុះបណ្តាលគ្រប់គ្រាន់លើទិន្នន័យ ឬអាចធ្វើជាទូទៅទៅនឹងព័ត៌មានថ្មី។ វាជារឿយៗកើតឡើងនៅពេលដែលគំរូមួយកំពុងត្រូវបានបណ្តុះបណ្តាលជាមួយនឹងទិន្នន័យមិនគ្រប់គ្រាន់ ឬមិនត្រឹមត្រូវ។
ភាពត្រឹមត្រូវ និងការអនុវត្តត្រូវបានសម្របសម្រួលដោយការមិនសមរម្យ។
ការយកគំរូទិន្នន័យឡើងវិញដើម្បីប៉ាន់ប្រមាណភាពត្រឹមត្រូវនៃគំរូ (K-fold cross-validation) និងការប្រើសំណុំទិន្នន័យដែលមានសុពលភាពដើម្បីវាយតម្លៃគំរូគឺជាវិធីពីរយ៉ាងដើម្បីជៀសវាងការពាក់លើស និងមិនសម។
25. ក្នុងការរៀនស៊ីជម្រៅ តើ RNN ជាអ្វី?
បណ្តាញសរសៃប្រសាទកើតឡើងវិញ (RNNs) ដែលជាប្រភេទទូទៅនៃបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត ដំណើរការដោយអក្សរកាត់ RNN ។ ពួកគេត្រូវបានជួលឱ្យដំណើរការហ្សែន ការសរសេរដោយដៃ អត្ថបទ និងលំដាប់ទិន្នន័យ ក្នុងចំណោមរបស់ផ្សេងៗទៀត។ សម្រាប់ការបណ្តុះបណ្តាលចាំបាច់ RNNs ប្រើការផ្សព្វផ្សាយខាងក្រោយ។
26. ពិពណ៌នាអំពីអ័ដាមដែលធ្វើអោយប្រសើរឡើង
Adam optimizer ត្រូវបានគេស្គាល់ផងដែរថាជា សន្ទុះនៃការសម្របខ្លួន គឺជាបច្ចេកទេសបង្កើនប្រសិទ្ធភាពដែលត្រូវបានបង្កើតឡើងដើម្បីដោះស្រាយស្ថានភាពដែលមានសំលេងរំខានជាមួយនឹងជម្រាលតិចៗ។
បន្ថែមពីលើការផ្តល់នូវការអាប់ដេតក្នុងមួយប៉ារ៉ាម៉ែត្រសម្រាប់ការបញ្ចូលគ្នាលឿនជាងមុន ឧបករណ៍បង្កើនប្រសិទ្ធភាព Adam បង្កើនការបញ្ចូលគ្នាតាមរយៈសន្ទុះ ដោយធានាថាគំរូមិនជាប់នៅក្នុងចំណុចក។
27. Deep autoencoders: តើវាជាអ្វី?
Deep autoencoder គឺជាឈ្មោះសមូហភាពសម្រាប់បណ្តាញជំនឿស៊ីជម្រៅស៊ីមេទ្រីពីរ ដែលជាទូទៅរួមបញ្ចូលស្រទាប់រាក់ៗចំនួន XNUMX ឬ XNUMX សម្រាប់ការអ៊ិនកូដពាក់កណ្តាលនៃបណ្តាញ និងសំណុំផ្សេងទៀតនៃ XNUMX ឬ XNUMX ស្រទាប់សម្រាប់ពាក់កណ្តាលនៃការឌិកូដ។
ស្រទាប់ទាំងនេះបង្កើតជាមូលដ្ឋានគ្រឹះនៃបណ្តាញជំនឿដ៏ស៊ីជម្រៅ និងត្រូវបានរារាំងដោយម៉ាស៊ីន Boltzmann ។ បន្ទាប់ពី RBM នីមួយៗ កម្មវិធីបំប្លែងស្វ័យប្រវត្តិយ៉ាងជ្រៅអនុវត្តការផ្លាស់ប្តូរគោលពីរទៅសំណុំទិន្នន័យ MNIST ។
ពួកវាក៏អាចត្រូវបានប្រើនៅក្នុងសំណុំទិន្នន័យផ្សេងទៀត ដែលការបំប្លែងដែលបានកែតម្រូវ Gaussian នឹងត្រូវបានពេញចិត្តជាង RBM ។
28. តើ Tensor មានន័យយ៉ាងណានៅក្នុង Tensorflow?
នេះជាសំណួរសម្ភាសន៍សិក្សាស៊ីជម្រៅមួយទៀតដែលត្រូវបានសួរជាប្រចាំ។ tensor គឺជាគំនិតគណិតវិទ្យាដែលមើលឃើញជាអារេវិមាត្រខ្ពស់។
Tensors គឺជាអារេទិន្នន័យទាំងនេះដែលត្រូវបានផ្តល់ជាការបញ្ចូលទៅកាន់បណ្តាញសរសៃប្រសាទ និងមានវិមាត្រ និងចំណាត់ថ្នាក់ផ្សេងៗ។
29. ការពន្យល់អំពីក្រាហ្វគណនា
មូលដ្ឋានគ្រឹះនៃ TensorFlow គឺជាការសាងសង់ក្រាហ្វគណនា។ ថ្នាំងនីមួយៗដំណើរការនៅក្នុងបណ្តាញថ្នាំង ដែលថ្នាំងឈរសម្រាប់ប្រតិបត្តិការគណិតវិទ្យា និងគែមសម្រាប់តង់ស៊ីតេ។
ជួនកាលវាត្រូវបានសំដៅថាជា "DataFlow Graph" ចាប់តាំងពីទិន្នន័យហូរចេញជារាងក្រាហ្វ។
30. Generative adversarial networks (GANs)៖ តើវាជាអ្វី?
នៅក្នុង Deep Learning ការធ្វើគំរូតាមបែបជំនាន់ត្រូវបានសម្រេចដោយប្រើបណ្តាញគូបដិបក្ខទូទៅ។ វាជាការងារដែលមិនមានការត្រួតពិនិត្យ ដែលលទ្ធផលត្រូវបានផលិតដោយការកំណត់អត្តសញ្ញាណគំរូនៅក្នុងទិន្នន័យបញ្ចូល។
ឧបករណ៍រើសអើងត្រូវបានប្រើដើម្បីចាត់ថ្នាក់ករណីដែលផលិតដោយម៉ាស៊ីនភ្លើង ចំណែកម៉ាស៊ីនភ្លើងត្រូវបានប្រើដើម្បីផលិតឧទាហរណ៍ថ្មីៗ។
31. តើអ្នកនឹងជ្រើសរើសចំនួនណឺរ៉ូន និងស្រទាប់លាក់ដោយរបៀបណា ដើម្បីបញ្ចូលក្នុងបណ្តាញសរសៃប្រសាទនៅពេលអ្នករចនាស្ថាបត្យកម្ម?
ដោយសារបញ្ហាប្រឈមមុខជំនួញ ចំនួនជាក់លាក់នៃណឺរ៉ូន និងស្រទាប់លាក់កំបាំងដែលត្រូវការដើម្បីបង្កើតស្ថាបត្យកម្មបណ្តាញសរសៃប្រសាទមិនអាចត្រូវបានកំណត់ដោយច្បាប់រឹង និងលឿនណាមួយឡើយ។
នៅក្នុងបណ្តាញសរសៃប្រសាទ ទំហំនៃស្រទាប់លាក់គួរតែធ្លាក់នៅកន្លែងណាមួយនៅចំកណ្តាលទំហំនៃស្រទាប់បញ្ចូល និងទិន្នផល។
ការចាប់ផ្តើមដំបូងលើការបង្កើតការរចនាបណ្តាញសរសៃប្រសាទអាចសម្រេចបានតាមវិធីសាមញ្ញមួយចំនួន ទោះបីជា៖
ការចាប់ផ្តើមជាមួយនឹងការធ្វើតេស្តជាប្រព័ន្ធជាមូលដ្ឋានមួយចំនួនដើម្បីមើលថាតើអ្វីដែលនឹងដំណើរការល្អបំផុតសម្រាប់សំណុំទិន្នន័យជាក់លាក់ណាមួយដោយផ្អែកលើបទពិសោធន៍ពីមុនជាមួយបណ្តាញសរសៃប្រសាទនៅក្នុងការកំណត់ពិភពពិតស្រដៀងគ្នា គឺជាវិធីល្អបំផុតដើម្បីដោះស្រាយរាល់បញ្ហាប្រឈមនៃគំរូទស្សន៍ទាយពិភពលោកជាក់ស្តែង។
ការកំណត់រចនាសម្ព័ន្ធបណ្តាញអាចត្រូវបានជ្រើសរើសដោយផ្អែកលើចំណេះដឹងរបស់មនុស្សម្នាក់អំពីដែនបញ្ហា និងបទពិសោធន៍បណ្តាញសរសៃប្រសាទពីមុន។ នៅពេលវាយតម្លៃការរៀបចំបណ្តាញសរសៃប្រសាទ ចំនួនស្រទាប់ និងណឺរ៉ូនដែលប្រើលើបញ្ហាពាក់ព័ន្ធ គឺជាកន្លែងដ៏ល្អដើម្បីចាប់ផ្តើម។
ភាពស្មុគស្មាញនៃបណ្តាញសរសៃប្រសាទគួរតែត្រូវបានកើនឡើងជាលំដាប់ដោយផ្អែកលើលទ្ធផលដែលបានព្យាករណ៍ និងភាពត្រឹមត្រូវ ដោយចាប់ផ្តើមជាមួយនឹងការរចនាបណ្តាញសរសៃប្រសាទសាមញ្ញ។
32. តើបណ្តាញសរសៃប្រសាទប្រភេទណាខ្លះដែលត្រូវបានប្រើប្រាស់ដោយការរៀនពង្រឹងជ្រៅ?
- នៅក្នុងគំរូនៃការរៀនតាមម៉ាស៊ីនដែលហៅថាការរៀនពង្រឹង គំរូធ្វើសកម្មភាពដើម្បីបង្កើនគំនិតនៃរង្វាន់ដែលប្រមូលបាន ដូចជាអ្វីដែលកំពុងធ្វើ។
- ហ្គេម និងយានជំនិះដែលបើកបរដោយខ្លួនឯងទាំងពីរត្រូវបានពិពណ៌នាថាជាបញ្ហាដែលពាក់ព័ន្ធ ការពង្រឹងការរៀន។.
- អេក្រង់ត្រូវបានប្រើជាការបញ្ចូល ប្រសិនបើបញ្ហាដែលត្រូវតំណាងជាហ្គេម។ ដើម្បីផលិតលទ្ធផលសម្រាប់ដំណាក់កាលបន្ទាប់ ក្បួនដោះស្រាយយកភីកសែលជាការបញ្ចូល និងដំណើរការពួកវាតាមរយៈស្រទាប់ជាច្រើននៃបណ្តាញសរសៃប្រសាទ convolutional ។
- លទ្ធផលនៃសកម្មភាពរបស់គំរូ ទាំងអំណោយផល ឬអាក្រក់ ដើរតួជាការពង្រឹង។
សន្និដ្ឋាន
Deep Learning បានកើនឡើងនៅក្នុងប្រជាប្រិយភាពក្នុងរយៈពេលជាច្រើនឆ្នាំជាមួយនឹងកម្មវិធីនៅក្នុងស្ទើរតែគ្រប់វិស័យឧស្សាហកម្ម។
ក្រុមហ៊ុនកំពុងស្វែងរកអ្នកជំនាញដែលមានជំនាញកាន់តែខ្លាំងឡើងដែលអាចរចនាគំរូដែលចម្លងអាកប្បកិរិយារបស់មនុស្សដោយប្រើវិធីសាស្រ្តសិក្សាជ្រៅ និងម៉ាស៊ីនរៀន។
បេក្ខជនដែលបង្កើនជំនាញរបស់ពួកគេ និងរក្សាចំណេះដឹងរបស់ពួកគេអំពីបច្ចេកវិទ្យាទំនើបទាំងនេះ អាចស្វែងរកឱកាសការងារជាច្រើនជាមួយនឹងប្រាក់កម្រៃដ៏គួរឱ្យទាក់ទាញ។
អ្នកអាចចាប់ផ្តើមជាមួយនឹងការសម្ភាសឥឡូវនេះ ដោយអ្នកមានការយល់ដឹងយ៉ាងមុតមាំអំពីរបៀបឆ្លើយតបទៅនឹងសំណួរសំភាសន៍ការសិក្សាស៊ីជម្រៅដែលគេស្នើសុំជាញឹកញាប់បំផុត។ បោះជំហានបន្ទាប់ដោយផ្អែកលើគោលបំណងរបស់អ្នក។
ទស្សនា Hashdork's ស៊េរីសម្ភាសន៍ ដើម្បីរៀបចំសម្រាប់ការសម្ភាសន៍។
សូមផ្ដល់យោបល់