ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਨੂੰ ਅਸਲ ਵਿੱਚ ਇੱਕ ਦੂਰ ਦਾ ਸੁਪਨਾ, ਭਵਿੱਖ ਲਈ ਇੱਕ ਤਕਨਾਲੋਜੀ ਮੰਨਿਆ ਜਾਂਦਾ ਸੀ, ਪਰ ਹੁਣ ਅਜਿਹਾ ਨਹੀਂ ਹੈ।
ਜੋ ਪਹਿਲਾਂ ਇੱਕ ਖੋਜ ਦਾ ਵਿਸ਼ਾ ਸੀ ਉਹ ਹੁਣ ਅਸਲ ਸੰਸਾਰ ਵਿੱਚ ਵਿਸਫੋਟ ਕਰ ਰਿਹਾ ਹੈ। AI ਹੁਣ ਤੁਹਾਡੇ ਕੰਮ ਵਾਲੀ ਥਾਂ, ਸਕੂਲ, ਬੈਂਕਿੰਗ, ਹਸਪਤਾਲ, ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਤੁਹਾਡੇ ਫ਼ੋਨ ਸਮੇਤ ਕਈ ਥਾਵਾਂ 'ਤੇ ਪਾਇਆ ਜਾਂਦਾ ਹੈ।
ਉਹ ਸਵੈ-ਡ੍ਰਾਈਵਿੰਗ ਵਾਹਨਾਂ ਦੀਆਂ ਅੱਖਾਂ, ਸਿਰੀ ਅਤੇ ਅਲੈਕਸਾ ਦੀਆਂ ਆਵਾਜ਼ਾਂ, ਮੌਸਮ ਦੀ ਭਵਿੱਖਬਾਣੀ ਦੇ ਪਿੱਛੇ ਦਿਮਾਗ, ਰੋਬੋਟਿਕ-ਸਹਾਇਤਾ ਵਾਲੀ ਸਰਜਰੀ ਦੇ ਪਿੱਛੇ ਹੱਥ, ਅਤੇ ਹੋਰ ਬਹੁਤ ਕੁਝ ਹਨ।
ਨਕਲੀ ਖੁਫੀਆ (AI) ਆਧੁਨਿਕ ਜੀਵਨ ਦੀ ਇੱਕ ਆਮ ਵਿਸ਼ੇਸ਼ਤਾ ਬਣ ਰਹੀ ਹੈ। ਪਿਛਲੇ ਕਈ ਸਾਲਾਂ ਵਿੱਚ, AI ਆਈ.ਟੀ. ਤਕਨੀਕਾਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਇੱਕ ਪ੍ਰਮੁੱਖ ਖਿਡਾਰੀ ਵਜੋਂ ਉਭਰਿਆ ਹੈ।
ਅੰਤ ਵਿੱਚ, ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੀ ਵਰਤੋਂ ਏਆਈ ਦੁਆਰਾ ਨਵੀਆਂ ਚੀਜ਼ਾਂ ਸਿੱਖਣ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
ਇਸ ਲਈ ਅੱਜ ਅਸੀਂ ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ, ਇਹ ਕਿਵੇਂ ਕੰਮ ਕਰਦੇ ਹਨ, ਉਹਨਾਂ ਦੀਆਂ ਕਿਸਮਾਂ, ਐਪਲੀਕੇਸ਼ਨਾਂ ਅਤੇ ਹੋਰ ਬਹੁਤ ਕੁਝ ਬਾਰੇ ਜਾਣਾਂਗੇ।
ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਕੀ ਹੈ?
In ਮਸ਼ੀਨ ਸਿਖਲਾਈ, ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਨਕਲੀ ਨਿਊਰੋਨਸ ਦਾ ਇੱਕ ਸਾਫਟਵੇਅਰ-ਪ੍ਰੋਗਰਾਮਡ ਨੈੱਟਵਰਕ ਹੈ। ਇਹ "ਨਿਊਰੋਨਸ" ਦੀਆਂ ਬਹੁਤ ਸਾਰੀਆਂ ਪਰਤਾਂ ਰੱਖ ਕੇ ਮਨੁੱਖੀ ਦਿਮਾਗ ਦੀ ਨਕਲ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ, ਜੋ ਸਾਡੇ ਦਿਮਾਗ ਵਿੱਚ ਨਿਊਰੋਨਸ ਦੇ ਸਮਾਨ ਹਨ।
ਨਿਊਰੋਨਸ ਦੀ ਪਹਿਲੀ ਪਰਤ ਫੋਟੋਆਂ, ਵੀਡੀਓ, ਆਵਾਜ਼, ਟੈਕਸਟ ਅਤੇ ਹੋਰ ਇਨਪੁਟਸ ਨੂੰ ਸਵੀਕਾਰ ਕਰੇਗੀ। ਇਹ ਡੇਟਾ ਸਾਰੇ ਪੱਧਰਾਂ ਵਿੱਚੋਂ ਲੰਘਦਾ ਹੈ, ਇੱਕ ਲੇਅਰ ਦੀ ਆਉਟਪੁੱਟ ਅਗਲੀ ਵਿੱਚ ਵਹਿੰਦੀ ਹੈ। ਇਹ ਸਭ ਤੋਂ ਮੁਸ਼ਕਲ ਕੰਮਾਂ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਜਿਵੇਂ ਕਿ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਲਈ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਦੀ ਪ੍ਰਕਿਰਿਆ।
ਹਾਲਾਂਕਿ, ਦੂਜੇ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਸ਼ੁੱਧਤਾ ਅਤੇ ਕੁਸ਼ਲਤਾ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਦੇ ਹੋਏ ਮਾਡਲ ਦੇ ਆਕਾਰ ਨੂੰ ਘਟਾਉਣ ਲਈ ਸਿਸਟਮ ਕੰਪਰੈਸ਼ਨ ਦਾ ਟੀਚਾ ਰੱਖਣਾ ਬਿਹਤਰ ਹੈ। ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਨੂੰ ਛਾਂਟਣਾ ਇੱਕ ਕੰਪਰੈਸ਼ਨ ਵਿਧੀ ਹੈ ਜਿਸ ਵਿੱਚ ਇੱਕ ਸਿੱਖਣ ਵਾਲੇ ਮਾਡਲ ਤੋਂ ਵਜ਼ਨ ਹਟਾਉਣਾ ਸ਼ਾਮਲ ਹੈ। ਇੱਕ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨਿਊਰਲ ਨੈੱਟਵਰਕ 'ਤੇ ਵਿਚਾਰ ਕਰੋ ਜਿਸ ਨੂੰ ਲੋਕਾਂ ਨੂੰ ਜਾਨਵਰਾਂ ਤੋਂ ਵੱਖ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਹੈ।
ਤਸਵੀਰ ਨੂੰ ਨਿਊਰੋਨਸ ਦੀ ਪਹਿਲੀ ਪਰਤ ਦੁਆਰਾ ਚਮਕਦਾਰ ਅਤੇ ਹਨੇਰੇ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾਵੇਗਾ। ਇਹ ਡੇਟਾ ਹੇਠਾਂ ਦਿੱਤੀ ਪਰਤ ਵਿੱਚ ਪਾਸ ਕੀਤਾ ਜਾਵੇਗਾ, ਜੋ ਇਹ ਨਿਰਧਾਰਤ ਕਰੇਗਾ ਕਿ ਕਿਨਾਰੇ ਕਿੱਥੇ ਹਨ।
ਅਗਲੀ ਪਰਤ ਉਹਨਾਂ ਰੂਪਾਂ ਨੂੰ ਪਛਾਣਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੇਗੀ ਜੋ ਕਿਨਾਰਿਆਂ ਦੇ ਸੁਮੇਲ ਨੇ ਤਿਆਰ ਕੀਤੇ ਹਨ। ਜਿਸ ਡੇਟਾ 'ਤੇ ਇਸ ਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ, ਉਸ ਦੇ ਅਨੁਸਾਰ, ਡੇਟਾ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਕਈ ਪਰਤਾਂ ਵਿੱਚੋਂ ਲੰਘੇਗਾ ਕਿ ਤੁਹਾਡੇ ਦੁਆਰਾ ਪੇਸ਼ ਕੀਤੀ ਗਈ ਤਸਵੀਰ ਮਨੁੱਖ ਦੀ ਹੈ ਜਾਂ ਜਾਨਵਰ ਦੀ।
ਜਦੋਂ ਡੇਟਾ ਇੱਕ ਨਿਊਰਲ ਨੈਟਵਰਕ ਵਿੱਚ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਇਸਦੀ ਪ੍ਰਕਿਰਿਆ ਸ਼ੁਰੂ ਕਰਦਾ ਹੈ. ਉਸ ਤੋਂ ਬਾਅਦ, ਲੋੜੀਂਦਾ ਨਤੀਜਾ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਡੇਟਾ ਨੂੰ ਇਸਦੇ ਪੱਧਰਾਂ ਦੁਆਰਾ ਸੰਸਾਧਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ. ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਇੱਕ ਮਸ਼ੀਨ ਹੈ ਜੋ ਸਟ੍ਰਕਚਰਡ ਇਨਪੁਟ ਤੋਂ ਸਿੱਖਦੀ ਹੈ ਅਤੇ ਨਤੀਜੇ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦੀ ਹੈ। ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਵਿੱਚ ਤਿੰਨ ਤਰ੍ਹਾਂ ਦੀ ਸਿਖਲਾਈ ਹੁੰਦੀ ਹੈ:
- ਨਿਰੀਖਣ ਕੀਤੀ ਸਿਖਲਾਈ - ਲੇਬਲ ਕੀਤੇ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਐਲਗੋਰਿਦਮ ਨੂੰ ਇਨਪੁਟਸ ਅਤੇ ਆਉਟਪੁੱਟ ਦਿੱਤੇ ਜਾਂਦੇ ਹਨ। ਇਹ ਸਿਖਾਏ ਜਾਣ ਤੋਂ ਬਾਅਦ ਕਿ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਿਵੇਂ ਕਰਨਾ ਹੈ, ਉਹ ਇੱਛਤ ਨਤੀਜੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੇ ਹਨ।
- ਨਿਰੀਖਣ ਰਹਿਤ ਸਿਖਲਾਈ - ਇੱਕ ANN ਮਨੁੱਖ ਦੀ ਸਹਾਇਤਾ ਤੋਂ ਬਿਨਾਂ ਸਿੱਖਦਾ ਹੈ। ਕੋਈ ਲੇਬਲ ਵਾਲਾ ਡੇਟਾ ਨਹੀਂ ਹੈ, ਅਤੇ ਆਉਟਪੁੱਟ ਦਾ ਫੈਸਲਾ ਆਉਟਪੁੱਟ ਡੇਟਾ ਵਿੱਚ ਪਾਏ ਗਏ ਪੈਟਰਨਾਂ ਦੁਆਰਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
- ਸੋਰਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਉਦੋਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਕੋਈ ਨੈੱਟਵਰਕ ਪ੍ਰਾਪਤ ਫੀਡਬੈਕ ਤੋਂ ਸਿੱਖਦਾ ਹੈ।
ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਕਿਵੇਂ ਕੰਮ ਕਰਦੇ ਹਨ?
ਨਕਲੀ ਨਿਊਰੋਨਸ ਨਿਊਰਲ ਨੈਟਵਰਕਾਂ ਵਿੱਚ ਵਰਤੇ ਜਾਂਦੇ ਹਨ, ਜੋ ਕਿ ਆਧੁਨਿਕ ਪ੍ਰਣਾਲੀਆਂ ਹਨ। ਨਕਲੀ ਨਿਊਰੋਨਸ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਪਰਸੈਪਟਰਨ ਵੀ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਹੇਠ ਲਿਖੇ ਭਾਗਾਂ ਦੇ ਬਣੇ ਹੁੰਦੇ ਹਨ:
- ਇੰਪੁੱਟ
- ਭਾਰ
- ਬਿਆਸ
- ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ
- ਆਉਟਪੁੱਟ
ਨਿਊਰੋਨਸ ਦੀਆਂ ਪਰਤਾਂ ਜੋ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਬਣਾਉਂਦੀਆਂ ਹਨ। ਇੱਕ ਨਿਊਰਲ ਨੈਟਵਰਕ ਵਿੱਚ ਤਿੰਨ ਪਰਤਾਂ ਹੁੰਦੀਆਂ ਹਨ:
- ਇਨਪੁਟ ਪਰਤ
- ਲੁਕਵੀਂ ਪਰਤ
- ਆਉਟਪੁੱਟ ਪਰਤ
ਅੰਕੀ ਮੁੱਲ ਦੇ ਰੂਪ ਵਿੱਚ ਡੇਟਾ ਇਨਪੁਟ ਲੇਅਰ ਨੂੰ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ। ਨੈੱਟਵਰਕ ਦੀਆਂ ਲੁਕੀਆਂ ਪਰਤਾਂ ਉਹ ਹਨ ਜੋ ਸਭ ਤੋਂ ਵੱਧ ਗਣਨਾ ਕਰਦੀਆਂ ਹਨ। ਆਉਟਪੁੱਟ ਪਰਤ, ਆਖਰੀ ਪਰ ਘੱਟੋ ਘੱਟ ਨਹੀਂ, ਨਤੀਜੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੀ ਹੈ। ਨਿਊਰੋਨਸ ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਵਿੱਚ ਇੱਕ ਦੂਜੇ ਉੱਤੇ ਹਾਵੀ ਹੁੰਦੇ ਹਨ। ਹਰ ਪਰਤ ਨੂੰ ਬਣਾਉਣ ਲਈ ਨਿਊਰੋਨਸ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਨਪੁਟ ਲੇਅਰ ਪ੍ਰਾਪਤ ਕਰਨ ਤੋਂ ਬਾਅਦ ਡੇਟਾ ਨੂੰ ਲੁਕਵੀਂ ਪਰਤ ਵੱਲ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ।
ਹਰੇਕ ਇੰਪੁੱਟ 'ਤੇ ਵਜ਼ਨ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇੱਕ ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੀਆਂ ਲੁਕੀਆਂ ਪਰਤਾਂ ਦੇ ਅੰਦਰ, ਭਾਰ ਇੱਕ ਮੁੱਲ ਹੈ ਜੋ ਆਉਣ ਵਾਲੇ ਡੇਟਾ ਦਾ ਅਨੁਵਾਦ ਕਰਦਾ ਹੈ। ਇੰਪੁੱਟ ਪਰਤ ਵਿੱਚ ਵਜ਼ਨ ਮੁੱਲ ਦੁਆਰਾ ਇਨਪੁਟ ਡੇਟਾ ਨੂੰ ਗੁਣਾ ਕਰਕੇ ਵਜ਼ਨ ਫੰਕਸ਼ਨ ਕਰਦਾ ਹੈ।
ਇਹ ਫਿਰ ਪਹਿਲੀ ਲੁਕਵੀਂ ਪਰਤ ਦਾ ਮੁੱਲ ਸ਼ੁਰੂ ਕਰਦਾ ਹੈ। ਇਨਪੁਟ ਡੇਟਾ ਨੂੰ ਬਦਲਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਲੁਕਵੇਂ ਲੇਅਰਾਂ ਰਾਹੀਂ ਦੂਜੀ ਪਰਤ ਨੂੰ ਪਾਸ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਆਉਟਪੁੱਟ ਪਰਤ ਅੰਤਮ ਨਤੀਜਾ ਬਣਾਉਣ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹੈ। ਇਨਪੁਟਸ ਅਤੇ ਵਜ਼ਨ ਨੂੰ ਗੁਣਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਨਤੀਜਾ ਇੱਕ ਜੋੜ ਦੇ ਰੂਪ ਵਿੱਚ ਲੁਕਵੀਂ ਪਰਤ ਨਿਊਰੋਨਸ ਨੂੰ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ। ਹਰੇਕ ਨਿਊਰੋਨ ਨੂੰ ਇੱਕ ਪੱਖਪਾਤ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ। ਕੁੱਲ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ, ਹਰੇਕ ਨਿਊਰੋਨ ਪ੍ਰਾਪਤ ਕੀਤੇ ਇਨਪੁਟਸ ਨੂੰ ਜੋੜਦਾ ਹੈ।
ਉਸ ਤੋਂ ਬਾਅਦ, ਮੁੱਲ ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ ਦੁਆਰਾ ਲੰਘਦਾ ਹੈ. ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ ਦਾ ਨਤੀਜਾ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਕਿ ਇੱਕ ਨਿਊਰੋਨ ਸਰਗਰਮ ਹੈ ਜਾਂ ਨਹੀਂ। ਜਦੋਂ ਇੱਕ ਨਿਊਰੋਨ ਕਿਰਿਆਸ਼ੀਲ ਹੁੰਦਾ ਹੈ, ਇਹ ਦੂਜੀਆਂ ਪਰਤਾਂ ਨੂੰ ਜਾਣਕਾਰੀ ਭੇਜਦਾ ਹੈ। ਇਸ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਨਿਊਰੋਨ ਆਉਟਪੁੱਟ ਪਰਤ ਤੱਕ ਪਹੁੰਚਣ ਤੱਕ ਨੈਟਵਰਕ ਵਿੱਚ ਡੇਟਾ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ। ਫਾਰਵਰਡ ਪ੍ਰਸਾਰ ਇਸ ਲਈ ਇਕ ਹੋਰ ਸ਼ਬਦ ਹੈ।
ਇੱਕ ਇਨਪੁਟ ਨੋਡ ਵਿੱਚ ਡੇਟਾ ਨੂੰ ਫੀਡ ਕਰਨ ਅਤੇ ਆਉਟਪੁੱਟ ਨੋਡ ਦੁਆਰਾ ਆਉਟਪੁੱਟ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਤਕਨੀਕ ਨੂੰ ਫੀਡ-ਫਾਰਵਰਡ ਪ੍ਰਸਾਰ ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ। ਜਦੋਂ ਇਨਪੁਟ ਡੇਟਾ ਲੁਕਵੀਂ ਪਰਤ ਦੁਆਰਾ ਸਵੀਕਾਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਫੀਡ-ਅੱਗੇ ਪ੍ਰਸਾਰ ਹੁੰਦਾ ਹੈ। ਇਸ ਨੂੰ ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ ਦੇ ਅਨੁਸਾਰ ਪ੍ਰੋਸੈਸ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਫਿਰ ਆਉਟਪੁੱਟ ਨੂੰ ਪਾਸ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
ਨਤੀਜਾ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਨਾ ਦੇ ਨਾਲ ਆਉਟਪੁੱਟ ਪਰਤ ਵਿੱਚ ਨਿਊਰੋਨ ਦੁਆਰਾ ਪੇਸ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਬੈਕਪ੍ਰੋਪੈਗੇਸ਼ਨ ਉਦੋਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਆਉਟਪੁੱਟ ਗਲਤ ਹੁੰਦੀ ਹੈ। ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਬਣਾਉਂਦੇ ਸਮੇਂ ਹਰੇਕ ਇਨਪੁਟ ਲਈ ਵਜ਼ਨ ਸ਼ੁਰੂ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਬੈਕਪ੍ਰੋਪੈਗੇਸ਼ਨ ਗਲਤੀਆਂ ਨੂੰ ਘਟਾਉਣ ਅਤੇ ਵਧੇਰੇ ਸਹੀ ਆਉਟਪੁੱਟ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਹਰੇਕ ਇਨਪੁਟ ਦੇ ਵਜ਼ਨ ਨੂੰ ਮੁੜ-ਅਵਸਥਾ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ।
ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੀਆਂ ਕਿਸਮਾਂ
1. ਪਰਸੈਪਟਰੋਨ
ਮਿਨਸਕੀ-ਪੇਪਰਟ ਪਰਸੈਪਟਰਨ ਮਾਡਲ ਸਭ ਤੋਂ ਸਰਲ ਅਤੇ ਸਭ ਤੋਂ ਪੁਰਾਣੇ ਨਿਊਰੋਨ ਮਾਡਲਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਇਹ ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੀ ਸਭ ਤੋਂ ਛੋਟੀ ਇਕਾਈ ਹੈ ਜੋ ਆਉਣ ਵਾਲੇ ਡੇਟਾ ਵਿੱਚ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਜਾਂ ਵਪਾਰਕ ਬੁੱਧੀ ਨੂੰ ਖੋਜਣ ਲਈ ਕੁਝ ਗਣਨਾਵਾਂ ਕਰਦੀ ਹੈ। ਇਹ ਵਜ਼ਨਦਾਰ ਇਨਪੁਟਸ ਲੈਂਦਾ ਹੈ ਅਤੇ ਅੰਤਮ ਨਤੀਜਾ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ ਨੂੰ ਲਾਗੂ ਕਰਦਾ ਹੈ। TLU (ਥ੍ਰੈਸ਼ਹੋਲਡ ਲੌਜਿਕ ਯੂਨਿਟ) ਪਰਸੈਪਟਰਨ ਦਾ ਇੱਕ ਹੋਰ ਨਾਮ ਹੈ।
ਪਰਸੇਪਟ੍ਰੋਨ ਇੱਕ ਬਾਈਨਰੀ ਵਰਗੀਕਰਣ ਹੈ ਜੋ ਇੱਕ ਨਿਰੀਖਣ ਕੀਤੀ ਸਿਖਲਾਈ ਪ੍ਰਣਾਲੀ ਹੈ ਜੋ ਡੇਟਾ ਨੂੰ ਦੋ ਸਮੂਹਾਂ ਵਿੱਚ ਵੰਡਦਾ ਹੈ। ਤਰਕ ਗੇਟਸ ਜਿਵੇਂ ਕਿ AND, OR, ਅਤੇ NAND ਨੂੰ ਪਰਸੈਪਟਰਨ ਨਾਲ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
2. ਫੀਡ-ਫਾਰਵਰਡ ਨਿਊਰਲ ਨੈੱਟਵਰਕ
ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਦਾ ਸਭ ਤੋਂ ਬੁਨਿਆਦੀ ਸੰਸਕਰਣ, ਜਿਸ ਵਿੱਚ ਇਨਪੁਟ ਡੇਟਾ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਇੱਕ ਦਿਸ਼ਾ ਵਿੱਚ ਵਹਿੰਦਾ ਹੈ, ਨਕਲੀ ਨਿਊਰਲ ਨੋਡਾਂ ਵਿੱਚੋਂ ਲੰਘਦਾ ਹੈ ਅਤੇ ਆਉਟਪੁੱਟ ਨੋਡਾਂ ਰਾਹੀਂ ਬਾਹਰ ਨਿਕਲਦਾ ਹੈ। ਇਨਪੁਟ ਅਤੇ ਆਉਟਪੁੱਟ ਲੇਅਰ ਉਹਨਾਂ ਥਾਵਾਂ 'ਤੇ ਮੌਜੂਦ ਹਨ ਜਿੱਥੇ ਲੁਕੀਆਂ ਪਰਤਾਂ ਮੌਜੂਦ ਹੋ ਸਕਦੀਆਂ ਹਨ ਜਾਂ ਨਹੀਂ ਵੀ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਹਨਾਂ ਨੂੰ ਇਸਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਸਿੰਗਲ-ਲੇਅਰਡ ਜਾਂ ਮਲਟੀ-ਲੇਅਰਡ ਫੀਡ-ਫਾਰਵਰਡ ਨਿਊਰਲ ਨੈਟਵਰਕ ਵਜੋਂ ਦਰਸਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।
ਵਰਤੀਆਂ ਗਈਆਂ ਲੇਅਰਾਂ ਦੀ ਗਿਣਤੀ ਫੰਕਸ਼ਨ ਦੀ ਗੁੰਝਲਤਾ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਹ ਕੇਵਲ ਇੱਕ ਦਿਸ਼ਾ ਵਿੱਚ ਅੱਗੇ ਵਧਦਾ ਹੈ ਅਤੇ ਪਿੱਛੇ ਵੱਲ ਪ੍ਰਚਾਰ ਨਹੀਂ ਕਰਦਾ। ਇੱਥੇ, ਵਜ਼ਨ ਸਥਿਰ ਰਹਿੰਦਾ ਹੈ. ਇੱਕ ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ ਨੂੰ ਫੀਡ ਕਰਨ ਲਈ ਇਨਪੁਟਸ ਨੂੰ ਵਜ਼ਨ ਨਾਲ ਗੁਣਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਅਜਿਹਾ ਕਰਨ ਲਈ ਇੱਕ ਵਰਗੀਕਰਨ ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ ਜਾਂ ਸਟੈਪ ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
3. ਮਲਟੀ-ਲੇਅਰ ਪਰਸੈਪਟਰੋਨ
ਸੂਝਵਾਨ ਦੀ ਜਾਣ-ਪਛਾਣ ਤੰਤੂ ਜਾਲ, ਜਿਸ ਵਿੱਚ ਇਨਪੁਟ ਡੇਟਾ ਨਕਲੀ ਨਿਊਰੋਨਸ ਦੀਆਂ ਕਈ ਪਰਤਾਂ ਰਾਹੀਂ ਰੂਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਾਲ ਜੁੜਿਆ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਹੈ, ਕਿਉਂਕਿ ਹਰ ਨੋਡ ਹੇਠਲੀ ਪਰਤ ਦੇ ਸਾਰੇ ਨਿਊਰੋਨਸ ਨਾਲ ਜੁੜਿਆ ਹੋਇਆ ਹੈ। ਇਨਪੁਟ ਅਤੇ ਆਉਟਪੁੱਟ ਲੇਅਰਾਂ ਵਿੱਚ ਕਈ ਛੁਪੀਆਂ ਪਰਤਾਂ, ਭਾਵ, ਘੱਟੋ-ਘੱਟ ਤਿੰਨ ਜਾਂ ਵੱਧ ਲੇਅਰਾਂ ਮੌਜੂਦ ਹੁੰਦੀਆਂ ਹਨ।
ਇਸ ਵਿੱਚ ਦੋ-ਦਿਸ਼ਾਵੀ ਪ੍ਰਸਾਰ ਹੈ, ਜਿਸਦਾ ਅਰਥ ਹੈ ਕਿ ਇਹ ਅੱਗੇ ਅਤੇ ਪਿੱਛੇ ਦੋਨੋ ਪ੍ਰਸਾਰ ਕਰ ਸਕਦਾ ਹੈ। ਇਨਪੁਟਸ ਨੂੰ ਵਜ਼ਨ ਨਾਲ ਗੁਣਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ ਨੂੰ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ, ਜਿੱਥੇ ਉਹਨਾਂ ਨੂੰ ਨੁਕਸਾਨ ਨੂੰ ਘੱਟ ਕਰਨ ਲਈ ਬੈਕਪ੍ਰੋਪੈਗੇਸ਼ਨ ਦੁਆਰਾ ਬਦਲਿਆ ਜਾਂਦਾ ਹੈ।
ਵਜ਼ਨ ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਤੋਂ ਮਸ਼ੀਨ-ਸਿੱਖਿਆ ਮੁੱਲ ਹਨ, ਇਸਨੂੰ ਸਧਾਰਨ ਰੂਪ ਵਿੱਚ ਕਹਿਣ ਲਈ। ਸੰਭਾਵਿਤ ਆਉਟਪੁੱਟ ਅਤੇ ਸਿਖਲਾਈ ਇਨਪੁਟਸ ਵਿਚਕਾਰ ਅਸਮਾਨਤਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹੋਏ, ਉਹ ਸਵੈ-ਵਿਵਸਥਿਤ ਕਰਦੇ ਹਨ। ਸੌਫਟਮੈਕਸ ਦੀ ਵਰਤੋਂ ਨਾਨਲਾਈਨਰ ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨਾਂ ਤੋਂ ਬਾਅਦ ਇੱਕ ਆਉਟਪੁੱਟ ਲੇਅਰ ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ ਵਜੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
4. ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ
ਪਰੰਪਰਾਗਤ ਦੋ-ਅਯਾਮੀ ਐਰੇ ਦੇ ਉਲਟ, ਇੱਕ ਕਨਵੋਲਿਊਸ਼ਨ ਨਿਊਰਲ ਨੈਟਵਰਕ ਵਿੱਚ ਨਿਊਰੋਨਸ ਦੀ ਇੱਕ ਤਿੰਨ-ਅਯਾਮੀ ਸੰਰਚਨਾ ਹੁੰਦੀ ਹੈ। ਪਹਿਲੀ ਪਰਤ ਨੂੰ ਕਨਵੋਲਿਊਸ਼ਨਲ ਪਰਤ ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ। ਕਨਵੋਲਿਊਸ਼ਨਲ ਪਰਤ ਵਿੱਚ ਹਰੇਕ ਨਿਊਰੋਨ ਕੇਵਲ ਵਿਜ਼ੂਅਲ ਫੀਲਡ ਦੇ ਇੱਕ ਸੀਮਤ ਹਿੱਸੇ ਤੋਂ ਜਾਣਕਾਰੀ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਦਾ ਹੈ। ਫਿਲਟਰ ਵਾਂਗ, ਇਨਪੁਟ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਬੈਚ ਮੋਡ ਵਿੱਚ ਲਿਆ ਜਾਂਦਾ ਹੈ।
ਨੈਟਵਰਕ ਤਸਵੀਰਾਂ ਨੂੰ ਭਾਗਾਂ ਵਿੱਚ ਸਮਝਦਾ ਹੈ ਅਤੇ ਪੂਰੀ ਚਿੱਤਰ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਕਈ ਵਾਰ ਇਹਨਾਂ ਕਾਰਵਾਈਆਂ ਨੂੰ ਕਰ ਸਕਦਾ ਹੈ।
ਪ੍ਰੋਸੈਸਿੰਗ ਦੌਰਾਨ ਤਸਵੀਰ ਨੂੰ RGB ਜਾਂ HSI ਤੋਂ ਗ੍ਰੇਸਕੇਲ ਵਿੱਚ ਬਦਲਿਆ ਜਾਂਦਾ ਹੈ। ਪਿਕਸਲ ਮੁੱਲ ਵਿੱਚ ਹੋਰ ਭਿੰਨਤਾਵਾਂ ਕਿਨਾਰਿਆਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰੇਗੀ, ਅਤੇ ਤਸਵੀਰਾਂ ਨੂੰ ਕਈ ਸਮੂਹਾਂ ਵਿੱਚ ਕ੍ਰਮਬੱਧ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਯੂਨੀਡਾਇਰੈਕਸ਼ਨਲ ਪ੍ਰਸਾਰ ਉਦੋਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਇੱਕ CNN ਵਿੱਚ ਇੱਕ ਜਾਂ ਇੱਕ ਤੋਂ ਵੱਧ ਕਨਵੋਲਿਊਸ਼ਨਲ ਪਰਤਾਂ ਸ਼ਾਮਲ ਹੁੰਦੀਆਂ ਹਨ ਜਿਸ ਤੋਂ ਬਾਅਦ ਪੂਲਿੰਗ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਦੋ-ਦਿਸ਼ਾਵੀ ਪ੍ਰਸਾਰ ਉਦੋਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਕਨਵੋਲਿਊਸ਼ਨ ਲੇਅਰ ਦੇ ਆਉਟਪੁੱਟ ਨੂੰ ਚਿੱਤਰ ਵਰਗੀਕਰਨ ਲਈ ਇੱਕ ਪੂਰੀ ਤਰ੍ਹਾਂ ਜੁੜੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਨੂੰ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ।
ਕਿਸੇ ਚਿੱਤਰ ਦੇ ਕੁਝ ਤੱਤਾਂ ਨੂੰ ਕੱਢਣ ਲਈ, ਫਿਲਟਰਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। MLP ਵਿੱਚ, ਇਨਪੁੱਟਾਂ ਨੂੰ ਵੇਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ ਵਿੱਚ ਸਪਲਾਈ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। RELU ਦੀ ਵਰਤੋਂ ਕਨਵੋਲਿਊਸ਼ਨ ਵਿੱਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਜਦੋਂ ਕਿ MLP ਇੱਕ ਨਾਨਲਾਈਨਰ ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ ਨੂੰ ਨਿਯੁਕਤ ਕਰਦਾ ਹੈ ਜਿਸ ਤੋਂ ਬਾਅਦ softmax ਹੁੰਦਾ ਹੈ। ਤਸਵੀਰ ਅਤੇ ਵੀਡੀਓ ਮਾਨਤਾ, ਅਰਥ ਪਾਰਸਿੰਗ, ਅਤੇ ਪੈਰਾਫ੍ਰੇਜ਼ ਖੋਜ ਵਿੱਚ, ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈਟਵਰਕ ਸ਼ਾਨਦਾਰ ਨਤੀਜੇ ਪੈਦਾ ਕਰਦੇ ਹਨ।
5. ਰੇਡੀਅਲ ਬਿਆਸ ਨੈੱਟਵਰਕ
ਇੱਕ ਰੈਡੀਅਲ ਬੇਸਿਸ ਫੰਕਸ਼ਨ ਨੈਟਵਰਕ ਵਿੱਚ ਹਰੇਕ ਸ਼੍ਰੇਣੀ ਲਈ ਇੱਕ ਨੋਡ ਦੇ ਨਾਲ ਇੱਕ ਇਨਪੁਟ ਵੈਕਟਰ RBF ਨਿਊਰੋਨਸ ਦੀ ਇੱਕ ਪਰਤ ਅਤੇ ਇੱਕ ਆਉਟਪੁੱਟ ਪਰਤ ਦੁਆਰਾ ਮਗਰ ਹੈ। ਇੰਪੁੱਟ ਨੂੰ ਸਿਖਲਾਈ ਸੈੱਟ ਦੇ ਡੇਟਾ ਪੁਆਇੰਟਾਂ ਨਾਲ ਤੁਲਨਾ ਕਰਕੇ ਵਰਗੀਕ੍ਰਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜਿੱਥੇ ਹਰੇਕ ਨਿਊਰੋਨ ਇੱਕ ਪ੍ਰੋਟੋਟਾਈਪ ਰੱਖਦਾ ਹੈ। ਇਹ ਸਿਖਲਾਈ ਸੈੱਟ ਦੀਆਂ ਉਦਾਹਰਣਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ।
ਹਰੇਕ ਨਿਊਰੋਨ ਇਨਪੁਟ ਅਤੇ ਇਸਦੇ ਪ੍ਰੋਟੋਟਾਈਪ ਦੇ ਵਿਚਕਾਰ ਯੂਕਲੀਡੀਅਨ ਦੂਰੀ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ ਜਦੋਂ ਇੱਕ ਤਾਜ਼ਾ ਇਨਪੁਟ ਵੈਕਟਰ [ਐਨ-ਡਾਇਮੈਨਸ਼ਨਲ ਵੈਕਟਰ ਜਿਸ ਨੂੰ ਤੁਸੀਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹੋ] ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨਾ ਹੁੰਦਾ ਹੈ। ਜੇਕਰ ਸਾਡੇ ਕੋਲ ਦੋ ਕਲਾਸਾਂ ਹਨ, ਕਲਾਸ A ਅਤੇ ਕਲਾਸ B, ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਨਵੇਂ ਇਨਪੁਟ ਕਲਾਸ B ਪ੍ਰੋਟੋਟਾਈਪਾਂ ਨਾਲੋਂ ਕਲਾਸ A ਪ੍ਰੋਟੋਟਾਈਪਾਂ ਦੇ ਸਮਾਨ ਹਨ।
ਨਤੀਜੇ ਵਜੋਂ, ਇਸ ਨੂੰ ਕਲਾਸ A ਵਜੋਂ ਲੇਬਲ ਜਾਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
6. ਆਵਰਤੀ ਨਿਊਰਲ ਨੈੱਟਵਰਕ
ਆਵਰਤੀ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਇੱਕ ਲੇਅਰ ਦੇ ਆਉਟਪੁੱਟ ਨੂੰ ਬਚਾਉਣ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ ਅਤੇ ਫਿਰ ਇਸ ਨੂੰ ਪਰਤ ਦੇ ਨਤੀਜੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਨ ਲਈ ਇਨਪੁਟ ਵਿੱਚ ਵਾਪਸ ਫੀਡ ਕਰਦੇ ਹਨ। ਇੱਕ ਫੀਡ-ਅੱਗੇ ਨਿਊਰਲ ਨੈਟਵਰਕ ਆਮ ਤੌਰ 'ਤੇ ਸ਼ੁਰੂਆਤੀ ਪਰਤ ਹੁੰਦੀ ਹੈ, ਜਿਸ ਤੋਂ ਬਾਅਦ ਇੱਕ ਆਵਰਤੀ ਨਿਊਰਲ ਨੈਟਵਰਕ ਲੇਅਰ ਹੁੰਦੀ ਹੈ, ਜਿੱਥੇ ਇੱਕ ਮੈਮੋਰੀ ਫੰਕਸ਼ਨ ਉਸ ਜਾਣਕਾਰੀ ਦੇ ਹਿੱਸੇ ਨੂੰ ਯਾਦ ਰੱਖਦਾ ਹੈ ਜੋ ਇਸ ਦੇ ਪਿਛਲੇ ਸਮੇਂ ਦੇ ਪੜਾਅ ਵਿੱਚ ਸੀ।
ਇਹ ਦ੍ਰਿਸ਼ ਅੱਗੇ ਪ੍ਰਸਾਰ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਇਹ ਭਵਿੱਖ ਵਿੱਚ ਲੋੜੀਂਦੇ ਡੇਟਾ ਨੂੰ ਬਚਾਉਂਦਾ ਹੈ. ਭਵਿੱਖਬਾਣੀ ਗਲਤ ਹੋਣ ਦੀ ਸਥਿਤੀ ਵਿੱਚ, ਸਿੱਖਣ ਦੀ ਦਰ ਨੂੰ ਮਾਮੂਲੀ ਵਿਵਸਥਾ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਨਤੀਜੇ ਵਜੋਂ, ਜਿਵੇਂ-ਜਿਵੇਂ ਬੈਕਪ੍ਰੋਪੈਗੇਸ਼ਨ ਵਧਦਾ ਜਾਵੇਗਾ, ਇਹ ਤੇਜ਼ੀ ਨਾਲ ਸਹੀ ਹੁੰਦਾ ਜਾਵੇਗਾ।
ਐਪਲੀਕੇਸ਼ਨ
ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਦੀ ਵਰਤੋਂ ਵੱਖ-ਵੱਖ ਵਿਸ਼ਿਆਂ ਵਿੱਚ ਡਾਟਾ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਸੰਭਾਲਣ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ; ਕੁਝ ਉਦਾਹਰਣਾਂ ਹੇਠਾਂ ਦਿੱਤੀਆਂ ਗਈਆਂ ਹਨ।
- ਚਿਹਰੇ ਦੀ ਪਛਾਣ - ਚਿਹਰੇ ਦੀ ਪਛਾਣ ਕਰਨ ਵਾਲੇ ਹੱਲ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਨਿਗਰਾਨੀ ਪ੍ਰਣਾਲੀਆਂ ਵਜੋਂ ਕੰਮ ਕਰਦੇ ਹਨ। ਮਾਨਤਾ ਪ੍ਰਣਾਲੀਆਂ ਡਿਜੀਟਲ ਫੋਟੋਆਂ ਨੂੰ ਮਨੁੱਖੀ ਚਿਹਰਿਆਂ ਨਾਲ ਜੋੜਦੀਆਂ ਹਨ। ਉਹ ਚੋਣਵੇਂ ਦਾਖਲੇ ਲਈ ਦਫਤਰਾਂ ਵਿੱਚ ਵਰਤੇ ਜਾਂਦੇ ਹਨ। ਇਸ ਤਰ੍ਹਾਂ, ਸਿਸਟਮ ਮਨੁੱਖੀ ਚਿਹਰੇ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦੇ ਹਨ ਅਤੇ ਇਸਦੇ ਡੇਟਾਬੇਸ ਵਿੱਚ ਸਟੋਰ ਕੀਤੇ ਆਈਡੀ ਦੀ ਸੂਚੀ ਨਾਲ ਤੁਲਨਾ ਕਰਦੇ ਹਨ।
- ਸਟਾਕ ਪੂਰਵ-ਅਨੁਮਾਨ - ਨਿਵੇਸ਼ਾਂ ਨੂੰ ਮਾਰਕੀਟ ਦੇ ਜੋਖਮਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ। ਬਹੁਤ ਅਸਥਿਰ ਸਟਾਕ ਮਾਰਕੀਟ ਵਿੱਚ ਭਵਿੱਖ ਦੇ ਵਿਕਾਸ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਵਿਹਾਰਕ ਤੌਰ 'ਤੇ ਮੁਸ਼ਕਲ ਹੈ. ਤੰਤੂ ਨੈੱਟਵਰਕਾਂ ਤੋਂ ਪਹਿਲਾਂ, ਲਗਾਤਾਰ ਬਦਲ ਰਹੇ ਬੁਲਿਸ਼ ਅਤੇ ਬੇਅਰਿਸ਼ ਪੜਾਅ ਅਣਪਛਾਤੇ ਸਨ। ਪਰ, ਕੀ ਸਭ ਕੁਝ ਬਦਲ ਗਿਆ? ਬੇਸ਼ੱਕ, ਅਸੀਂ ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਬਾਰੇ ਗੱਲ ਕਰ ਰਹੇ ਹਾਂ... ਇੱਕ ਮਲਟੀਲੇਅਰ ਪਰਸੈਪਟਰੋਨ MLP (ਫੀਡਫੋਰਡ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਸਿਸਟਮ ਦੀ ਇੱਕ ਕਿਸਮ) ਦੀ ਵਰਤੋਂ ਅਸਲ-ਸਮੇਂ ਵਿੱਚ ਇੱਕ ਸਫਲ ਸਟਾਕ ਪੂਰਵ ਅਨੁਮਾਨ ਬਣਾਉਣ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
- ਸੋਸ਼ਲ ਮੀਡੀਆ - ਚਾਹੇ ਇਹ ਕਿੰਨਾ ਵੀ ਮਾੜਾ ਕਿਉਂ ਨਾ ਹੋਵੇ, ਸੋਸ਼ਲ ਮੀਡੀਆ ਨੇ ਹੋਂਦ ਦੇ ਦੁਨਿਆਵੀ ਮਾਰਗ ਨੂੰ ਬਦਲ ਦਿੱਤਾ ਹੈ। ਆਰਟੀਫਿਸ਼ੀਅਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸੋਸ਼ਲ ਮੀਡੀਆ ਉਪਭੋਗਤਾਵਾਂ ਦੇ ਵਿਵਹਾਰ ਦਾ ਅਧਿਐਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਪ੍ਰਤੀਯੋਗੀ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ, ਵਰਚੁਅਲ ਪਰਸਪਰ ਕ੍ਰਿਆਵਾਂ ਦੁਆਰਾ ਰੋਜ਼ਾਨਾ ਸਪਲਾਈ ਕੀਤੇ ਗਏ ਡੇਟਾ ਨੂੰ ਢੇਰ ਅਤੇ ਜਾਂਚਿਆ ਜਾਂਦਾ ਹੈ। ਸੋਸ਼ਲ ਮੀਡੀਆ ਉਪਭੋਗਤਾਵਾਂ ਦੀਆਂ ਕਾਰਵਾਈਆਂ ਨੂੰ ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੁਆਰਾ ਦੁਹਰਾਇਆ ਜਾਂਦਾ ਹੈ. ਇੱਕ ਵਾਰ ਸੋਸ਼ਲ ਮੀਡੀਆ ਨੈਟਵਰਕਸ ਦੁਆਰਾ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਤੋਂ ਬਾਅਦ ਵਿਅਕਤੀਆਂ ਦੇ ਵਿਵਹਾਰ ਨੂੰ ਲੋਕਾਂ ਦੇ ਖਰਚੇ ਪੈਟਰਨ ਨਾਲ ਜੋੜਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਸੋਸ਼ਲ ਮੀਡੀਆ ਐਪਲੀਕੇਸ਼ਨਾਂ ਤੋਂ ਡੇਟਾ ਮਲਟੀਲੇਅਰ ਪਰਸੈਪਟਰੋਨ ਏਐਨਐਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਾਈਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
- ਹੈਲਥਕੇਅਰ - ਅੱਜ ਦੇ ਸੰਸਾਰ ਵਿੱਚ ਵਿਅਕਤੀ ਸਿਹਤ ਸੰਭਾਲ ਉਦਯੋਗ ਵਿੱਚ ਤਕਨਾਲੋਜੀ ਦੇ ਲਾਭਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹਨ। ਹੈਲਥਕੇਅਰ ਕਾਰੋਬਾਰ ਵਿੱਚ, ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਦੀ ਵਰਤੋਂ ਐਕਸ-ਰੇ ਖੋਜ, ਸੀਟੀ ਸਕੈਨ, ਅਤੇ ਅਲਟਰਾਸਾਊਂਡ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਉਪਰੋਕਤ ਟੈਸਟਾਂ ਤੋਂ ਪ੍ਰਾਪਤ ਮੈਡੀਕਲ ਇਮੇਜਿੰਗ ਡੇਟਾ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਨਿਊਰਲ ਨੈਟਵਰਕ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ CNN ਨੂੰ ਚਿੱਤਰ ਪ੍ਰੋਸੈਸਿੰਗ ਵਿੱਚ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਆਵਾਜ਼ ਪਛਾਣ ਪ੍ਰਣਾਲੀਆਂ ਦੇ ਵਿਕਾਸ ਵਿੱਚ, ਆਵਰਤੀ ਨਿਊਰਲ ਨੈਟਵਰਕ (ਆਰਐਨਐਨ) ਦੀ ਵਰਤੋਂ ਵੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
- ਮੌਸਮ ਦੀ ਰਿਪੋਰਟ - ਨਕਲੀ ਬੁੱਧੀ ਨੂੰ ਲਾਗੂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਮੌਸਮ ਵਿਭਾਗ ਦੇ ਅਨੁਮਾਨ ਕਦੇ ਵੀ ਸਟੀਕ ਨਹੀਂ ਸਨ। ਮੌਸਮ ਦੀ ਭਵਿੱਖਬਾਣੀ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਭਵਿੱਖ ਵਿੱਚ ਹੋਣ ਵਾਲੀਆਂ ਮੌਸਮੀ ਸਥਿਤੀਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਆਧੁਨਿਕ ਦੌਰ ਵਿੱਚ ਕੁਦਰਤੀ ਆਫ਼ਤਾਂ ਦੀ ਸੰਭਾਵਨਾ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਮੌਸਮ ਦੀ ਭਵਿੱਖਬਾਣੀ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ। ਮੌਸਮ ਦੀ ਭਵਿੱਖਬਾਣੀ ਮਲਟੀਲੇਅਰ ਪਰਸੈਪਟਰਨ (MLP), ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ (CNN), ਅਤੇ ਆਵਰਤੀ ਨਿਊਰਲ ਨੈੱਟਵਰਕ (RNN) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
- ਰੱਖਿਆ - ਲੌਜਿਸਟਿਕਸ, ਹਥਿਆਰਬੰਦ ਹਮਲੇ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ, ਅਤੇ ਆਈਟਮ ਟਿਕਾਣਾ ਸਾਰੇ ਨਿਊਰਲ ਨੈਟਵਰਕ ਨੂੰ ਨਿਯੁਕਤ ਕਰਦੇ ਹਨ। ਉਹ ਹਵਾਈ ਅਤੇ ਸਮੁੰਦਰੀ ਗਸ਼ਤ ਦੇ ਨਾਲ-ਨਾਲ ਖੁਦਮੁਖਤਿਆਰ ਡਰੋਨਾਂ ਦੇ ਪ੍ਰਬੰਧਨ ਲਈ ਵੀ ਕੰਮ ਕਰਦੇ ਹਨ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਰੱਖਿਆ ਉਦਯੋਗ ਨੂੰ ਆਪਣੀ ਤਕਨਾਲੋਜੀ ਨੂੰ ਵਧਾਉਣ ਲਈ ਲੋੜੀਂਦਾ ਹੁਲਾਰਾ ਦੇ ਰਹੀ ਹੈ। ਪਾਣੀ ਦੇ ਅੰਦਰ ਖਾਣਾਂ ਦੀ ਹੋਂਦ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ, ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ (CNN) ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
ਫਾਇਦੇ
- ਭਾਵੇਂ ਇੱਕ ਨਿਊਰਲ ਨੈਟਵਰਕ ਵਿੱਚ ਕੁਝ ਨਿਊਰੋਨ ਸਹੀ ਢੰਗ ਨਾਲ ਕੰਮ ਨਹੀਂ ਕਰ ਰਹੇ ਹਨ, ਨਿਊਰਲ ਨੈਟਵਰਕ ਅਜੇ ਵੀ ਆਉਟਪੁੱਟ ਪੈਦਾ ਕਰਨਗੇ।
- ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਵਿੱਚ ਅਸਲ-ਸਮੇਂ ਵਿੱਚ ਸਿੱਖਣ ਅਤੇ ਉਹਨਾਂ ਦੀਆਂ ਬਦਲਦੀਆਂ ਸੈਟਿੰਗਾਂ ਦੇ ਅਨੁਕੂਲ ਹੋਣ ਦੀ ਸਮਰੱਥਾ ਹੁੰਦੀ ਹੈ।
- ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਕੰਮ ਕਰਨਾ ਸਿੱਖ ਸਕਦੇ ਹਨ। ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ ਡੇਟਾ ਦੇ ਅਧਾਰ ਤੇ ਸਹੀ ਨਤੀਜਾ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ.
- ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਵਿੱਚ ਇੱਕੋ ਸਮੇਂ ਕਈ ਕਾਰਜਾਂ ਨੂੰ ਸੰਭਾਲਣ ਦੀ ਤਾਕਤ ਅਤੇ ਸਮਰੱਥਾ ਹੁੰਦੀ ਹੈ।
ਨੁਕਸਾਨ
- ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਹ "ਕਿਉਂ ਅਤੇ ਕਿਵੇਂ" ਦੇ ਪਿੱਛੇ ਸਪੱਸ਼ਟੀਕਰਨ ਦਾ ਖੁਲਾਸਾ ਨਹੀਂ ਕਰਦਾ ਹੈ ਕਿ ਇਸ ਨੇ ਨੈੱਟਵਰਕਾਂ ਦੀ ਪੇਚੀਦਗੀ ਦੇ ਕਾਰਨ ਜੋ ਨਿਰਣੇ ਕੀਤੇ ਹਨ। ਨਤੀਜੇ ਵਜੋਂ, ਨੈੱਟਵਰਕ ਭਰੋਸਾ ਖਤਮ ਹੋ ਸਕਦਾ ਹੈ।
- ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੇ ਹਿੱਸੇ ਇੱਕ ਦੂਜੇ 'ਤੇ ਨਿਰਭਰ ਹੁੰਦੇ ਹਨ। ਕਹਿਣ ਦਾ ਭਾਵ ਹੈ, ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਕਾਫੀ ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ ਵਾਲੇ ਕੰਪਿਊਟਰਾਂ ਦੀ ਮੰਗ ਕਰਦੇ ਹਨ (ਜਾਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਨਿਰਭਰ ਹਨ)।
- ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਪ੍ਰਕਿਰਿਆ ਦਾ ਕੋਈ ਖਾਸ ਨਿਯਮ (ਜਾਂ ਅੰਗੂਠੇ ਦਾ ਨਿਯਮ) ਨਹੀਂ ਹੁੰਦਾ। ਇੱਕ ਅਜ਼ਮਾਇਸ਼-ਅਤੇ-ਤਰੁੱਟੀ ਤਕਨੀਕ ਵਿੱਚ, ਅਨੁਕੂਲ ਨੈੱਟਵਰਕ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਕੇ ਇੱਕ ਸਹੀ ਨੈੱਟਵਰਕ ਢਾਂਚਾ ਸਥਾਪਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਇੱਕ ਅਜਿਹੀ ਪ੍ਰਕਿਰਿਆ ਹੈ ਜਿਸ ਲਈ ਬਹੁਤ ਵਧੀਆ ਟਿਊਨਿੰਗ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
ਸਿੱਟਾ
ਦਾ ਖੇਤਰ ਦਿਮਾਗੀ ਨੈਟਵਰਕ ਤੇਜ਼ੀ ਨਾਲ ਫੈਲ ਰਿਹਾ ਹੈ. ਉਹਨਾਂ ਨਾਲ ਨਜਿੱਠਣ ਦੇ ਯੋਗ ਹੋਣ ਲਈ ਇਸ ਸੈਕਟਰ ਵਿੱਚ ਸੰਕਲਪਾਂ ਨੂੰ ਸਿੱਖਣਾ ਅਤੇ ਸਮਝਣਾ ਮਹੱਤਵਪੂਰਨ ਹੈ।
ਇਸ ਲੇਖ ਵਿੱਚ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਨੂੰ ਕਵਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਇਸ ਅਨੁਸ਼ਾਸਨ ਬਾਰੇ ਹੋਰ ਸਿੱਖਦੇ ਹੋ ਤਾਂ ਤੁਸੀਂ ਦੂਜੇ ਖੇਤਰਾਂ ਵਿੱਚ ਡਾਟਾ ਸਮੱਸਿਆਵਾਂ ਨਾਲ ਨਜਿੱਠਣ ਲਈ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ।
ਕੋਈ ਜਵਾਬ ਛੱਡਣਾ