فهرست[پټ][ښکاره]
- 1. ژوره زده کړه په حقیقت کې څه ده؟
- 2. ژوره زده کړه د ماشین زده کړې څخه څه توپیر کوي؟
- 3. د عصبي شبکو په اړه ستاسو اوسنۍ پوهه څه ده؟
- 4. په حقیقت کې پرسیپټرون څه شی دی؟
- 5. په حقیقت کې ژوره عصبي شبکه څه ده؟
- 6. په حقیقت کې څو اړخیز پرسیپټرون (MLP) څه شی دی؟
- 7. په عصبي شبکه کې د فعالیت فعالیت کوم هدف ترسره کوي؟
- 8. په حقیقت کې تدریجي نزول څه شی دی؟
- 9. دقیقا د لګښت فعالیت څه شی دی؟
- 10. ژورې شبکې څنګه کولی شي د ټیټو شبکو څخه ښه کار وکړي؟
- 11. مخکینۍ تکثیر تشریح کړئ.
- 12. شاته تبلیغ څه شی دی؟
- 13. د ژورې زده کړې په شرایطو کې، تاسو د تدریجي کلیپنګ څنګه درک کوئ؟
- 14. د Softmax او ReLU دندې څه دي؟
- 15. ایا د عصبي شبکې ماډل د ټولو وزنونو سره روزل کیدی شي چې 0 ته ټاکل شوي؟
- 16. څه شی د یوې دورې او تکرار څخه یو دور توپیر کوي؟
- 17. د بیچ نورمال کول او پریښودل څه دي؟
- 18. څه شی د سټوچاسټیک ګریډینټ نزول له Batch Gradient Descent څخه جلا کوي؟
- 19. ولې دا مهمه ده چې په عصبي شبکو کې غیر خطي شتون شامل کړئ؟
- 20. په ژوره زده کړه کې ټینسر څه شی دی؟
- 21. تاسو د ژورې زده کړې ماډل لپاره د فعالولو فعالیت څنګه غوره کوئ؟
- 22. تاسو د CNN څه معنی لرئ؟
- 23. د CNN ډیری پرتونه کوم دي؟
- 24. د ډیر او کم فټینګ اغیزې څه دي، او تاسو څنګه کولی شئ له دوی څخه مخنیوی وکړئ؟
- 25. په ژوره زده کړه کې، RNN څه شی دی؟
- 26. د ادم اصلاح کوونکی تشریح کړئ
- 27. ژور اتوماتیک کوډر: دوی څه دي؟
- 28. په Tensorflow کې Tensor څه معنی لري؟
- 29. د کمپیوټري ګراف تشریح
- 30. تولیدي مخالفې شبکې (GANs): دوی څه دي؟
- 31. څنګه به تاسو د نیورونونو شمیر او پټ پرتونه غوره کړئ ترڅو په عصبي شبکه کې شامل کړئ لکه څنګه چې تاسو جوړښت ډیزاین کوئ؟
- 32. کوم ډول عصبي شبکې د ژور تقویت زده کړې لخوا ګمارل کیږي؟
- پایله
ژوره زده کړه یو نوی نظر ندی. مصنوعي عصبي شبکې د ماشین زده کړې یوازینۍ بنسټ په توګه کار کوي چې د ژورې زده کړې په نوم پیژندل کیږي.
ژوره زده کړه د انسان د مغز تقلید دی، څومره چې عصبي شبکې دي، لکه څنګه چې دوی د انسان دماغ تقلید لپاره رامینځته شوي.
دا د څه مودې لپاره شتون لري. پدې ورځو کې ، هرڅوک د دې په اړه خبرې کوي ځکه چې موږ د پروسس کولو دومره ځواک یا ډیټا نلرو لکه څنګه چې موږ اوس کوو.
په تیرو 20 کلونو کې، ژوره زده کړه او ماشین زده کړه د پروسس ظرفیت کې د ډراماتیک زیاتوالي په پایله کې راڅرګند شوي.
د دې لپاره چې تاسو سره د هرې پوښتنې لپاره چمتو کولو کې مرسته وکړئ کله چې تاسو د خپل خوب دندې په لټه کې یاست ، دا پوسټ به تاسو ته د یو شمیر ژور زده کړې مرکې پوښتنو له لارې لارښود کړي ، له ساده څخه تر پیچلو پورې.
1. ژوره زده کړه په حقیقت کې څه ده؟
که تاسو ګډون کوئ ژوره زده کړه مرکه، تاسو بې له شکه پوهیږئ چې ژوره زده کړه څه ده. په هرصورت، مرکه کوونکی تمه لري چې تاسو د دې پوښتنې په ځواب کې د مثال په توګه یو مفصل ځواب وړاندې کړئ.
د روزنې لپاره نوریال شبکې د ژورې زده کړې لپاره، د پام وړ منظم یا غیر جوړښت شوي ډاټا باید وکارول شي. د پټو نمونو او ځانګړتیاوو موندلو لپاره، دا پیچلې پروسیجرونه ترسره کوي (د بیلګې په توګه، د سپي څخه د پیشو انځور توپیر کول).
2. ژوره زده کړه د ماشین زده کړې څخه څه توپیر کوي؟
د مصنوعي استخباراتو د یوې څانګې په توګه چې د ماشین زده کړې په نوم پیژندل کیږي، موږ کمپیوټرونه د ډیټا او احصایوي او الګوریتمیک تخنیکونو په کارولو سره روزو ترڅو د وخت په تیریدو سره ښه شي.
د یو اړخ په توګه ماشین زده کړهژوره زده کړه د عصبي شبکې جوړښت تقلید کوي چې د انسان په مغز کې لیدل کیږي.
3. د عصبي شبکو په اړه ستاسو اوسنۍ پوهه څه ده؟
مصنوعي سیسټمونه چې د عصبي شبکو په نوم پیژندل کیږي د عضوي عصبي شبکو سره ورته دي چې د انسان په بدن کې موندل کیږي.
د داسې تخنیک کارول چې ورته ورته وي څنګه انساني دماغ افعال، عصبي شبکه د الګوریتمونو ټولګه ده چې موخه یې د معلوماتو په یوه برخه کې د بنسټیزو اړیکو پیژندل دي.
دا سیسټمونه د دندې ځانګړي پوهه ترلاسه کوي د یو لړ ډیټاسیټونو او مثالونو سره د ځان په څرګندولو سره ، د دې پرځای چې د دندې ځانګړي مقرراتو تعقیب کړي.
نظر دا دی چې د دې ډیټاسیټونو دمخه برنامه شوي پوهه درلودلو پرځای ، سیسټم د هغه ډیټا څخه توپیر لرونکي ځانګړتیاوې زده کوي چې ورته ورکړل شوي.
د شبکې درې پرتونه چې په عام ډول په عصبي شبکو کې کارول کیږي په لاندې ډول دي:
- د ننوتلو طبقه
- پټ پرت
- د محصول پرت
4. په حقیقت کې پرسیپټرون څه شی دی؟
د انسان په مغز کې موندل شوي بیولوژیکي نیورون د پرسیپټرون سره د پرتلې وړ دی. د پرسیپټرون لخوا ډیری داخلونه ترلاسه کیږي، کوم چې بیا ډیری بدلونونه او دندې ترسره کوي او محصول تولیدوي.
یو خطي ماډل چې د پرسیپټرون په نوم یادیږي په بائنري طبقه بندي کې کارول کیږي. دا یو نیورون د بیالبیلو معلوماتو سره، هر یو د مختلف وزن سره سمبالوي.
نیورون د دې وزن لرونکي آخذونو په کارولو سره فعالیت محاسبه کوي او پایلې یې تولیدوي.
5. په حقیقت کې ژوره عصبي شبکه څه ده؟
ژوره عصبي شبکه یو مصنوعي عصبي شبکه (ANN) ده چې د ننوتلو او محصول پرتونو (DNN) ترمینځ څو پرتونه لري.
ژور عصبي شبکې د ژور جوړښت عصبي شبکې دي. د "ژور" کلمه په یوه پرت کې د ډیری کچو او واحدونو سره افعال ته اشاره کوي. ډیر دقیق ماډلونه د ډیرو او لویو پرتونو په اضافه کولو سره رامینځته کیدی شي ترڅو د نمونو لوی کچې ترلاسه کړي.
6. په حقیقت کې څو اړخیز پرسیپټرون (MLP) څه شی دی؟
ان پټ، پټ او د محصول پرتونه په MLPs کې شتون لري، لکه د عصبي شبکو په څیر. دا د یو یا ډیرو پټو پرتونو سره د واحد پرت پرسیپټرون سره ورته جوړ شوی.
د یو واحد پرسیپټرون بائنری محصول یوازې د خطي جلا کولو وړ ټولګیو (0,1) طبقه بندي کولی شي ، پداسې حال کې چې MLP کولی شي غیر خطي ټولګي طبقه بندي کړي.
7. په عصبي شبکه کې د فعالیت فعالیت کوم هدف ترسره کوي؟
د فعالولو فعالیت دا ټاکي چې ایا نیورون باید په خورا اساسي کچه فعال شي یا نه. د فعالولو هر فعالیت کولی شي د آخذو وزن او تعصب د ننوت په توګه ومني. د فعالولو په کارونو کې د ګام فنکشن، سیګمایډ، ReLU، Tanh، او Softmax شامل دي.
8. په حقیقت کې تدریجي نزول څه شی دی؟
د لګښت فعالیت یا غلطی کمولو لپاره غوره لاره د تدریجي نزول دی. د فنکشن د محلي - نړیوال مینیما موندل هدف دی. دا هغه لاره مشخصوي چې ماډل باید د غلطۍ کمولو لپاره تعقیب کړي.
9. دقیقا د لګښت فعالیت څه شی دی؟
د لګښت فعالیت یو میټریک دی ترڅو ارزونه وکړي چې ستاسو ماډل څومره ښه ترسره کوي؛ دا ځینې وختونه د "له لاسه" یا "غلطۍ" په نوم پیژندل کیږي. د بیک پروپیګیشن په جریان کې، دا د محصول پرت غلطی محاسبه کولو لپاره کارول کیږي.
موږ د عصبي شبکې روزنې پروسې ته د عصبي شبکې له لارې بیرته په فشار ورکولو سره د دې غلطۍ څخه ګټه پورته کوو.
10. ژورې شبکې څنګه کولی شي د ټیټو شبکو څخه ښه کار وکړي؟
پټ پرتونه په عصبي شبکو کې د داخل او محصول پرتونو سربیره اضافه شوي. د ننوتو او محصول پرتونو تر مینځ، ټیټ عصبي شبکې یو واحد پټ پرت کاروي، پداسې حال کې چې ژور عصبي شبکې ډیری کچې کاروي.
یوه کمه شبکه څو پیرامیټونو ته اړتیا لري ترڅو وکوالی شي په هر فعالیت کې فټ شي. ژورې شبکې کولی شي د لږ شمیر پیرامیټرو سره حتی د فعالیت ښه تنظیم کړي ځکه چې پدې کې ډیری پرتونه شامل دي.
ژورې شبکې اوس د هر ډول ډیټا ماډلینګ سره کار کولو کې د دوی د استعداد له امله غوره کیږي ، که دا د وینا یا عکس پیژندنې لپاره وي.
11. مخکینۍ تکثیر تشریح کړئ.
آخذې د وزن سره یوځای د دفن شوي پرت ته په یوه پروسه کې لیږدول کیږي چې د فارورډ پروپاګیشن په نوم پیژندل کیږي.
د فعالولو فعالیت محصول په هر دفن شوي پرت کې محاسبه کیږي مخکې لدې چې پروسس شي لاندې پرت ته لاړ شي.
پروسه د ان پټ پرت څخه پیل کیږي او د وروستي محصول پرت ته پرمختګ کوي ، پدې توګه نوم فارورډ تبلیغ کیږي.
12. شاته تبلیغ څه شی دی؟
کله چې وزنونه او تعصبونه په عصبي شبکه کې تنظیم شوي وي ، بیک پروپیګیشن د لګښت فعالیت کمولو لپاره کارول کیږي لومړی د دې لیدلو سره چې ارزښت څنګه بدلیږي.
په هر پټ پرت کې د تدریجي پوهیدل د دې بدلون محاسبه ساده کوي.
دا پروسه چې د بیک پروپیګیشن په نوم پیژندل کیږي، د محصول پرت کې پیل کیږي او د ان پټ پرتونو ته شاته ځي.
13. د ژورې زده کړې په شرایطو کې، تاسو د تدریجي کلیپنګ څنګه درک کوئ؟
ګریډینټ کلپنګ د انفجار شوي تدریجي مسلې حل کولو لپاره یوه میتود دی چې د بیک پروپاګیشن پرمهال رامینځته کیږي (یو داسې حالت چې د پام وړ غلط تدریجي د وخت په تیریدو سره راټولیږي ، چې د روزنې پرمهال د عصبي شبکې ماډل وزنونو کې د پام وړ سمون لامل کیږي).
د ګریډینټونو چاودیدل یوه مسله ده چې رامینځته کیږي کله چې د روزنې پرمهال تدریجي خورا لوی شي ، ماډل بې ثباته کوي. که چیرې تدریجي د متوقع حد څخه تیریږي، د تدریجي ارزښتونه د عنصر په واسطه عنصر له مخکې ټاکل شوي لږترلږه یا اعظمي ارزښت ته لیږدول کیږي.
تدریجي کلیپینګ د روزنې په جریان کې د عصبي شبکې شمیري ثبات ته وده ورکوي ، مګر دا د ماډل فعالیت باندې لږترلږه اغیزه لري.
14. د Softmax او ReLU دندې څه دي؟
د Softmax په نوم د فعالولو فعالیت د 0 او 1 ترمنځ رینج کې محصول تولیدوي. هر محصول ویشل شوی ترڅو د ټولو محصولاتو مجموعه یو وي. د محصول پرتونو لپاره، Softmax په مکرر ډول ګمارل کیږي.
اصالح شوي خطي واحد، کله ناکله د ReLU په نوم پیژندل کیږي، د فعالیت فعالیت خورا کارول کیږي. که X مثبت وي، دا X تولیدوي، که نه دا صفر تولیدوي. ReLU په منظم ډول د ښخ شوي پرتونو لپاره کارول کیږي.
15. ایا د عصبي شبکې ماډل د ټولو وزنونو سره روزل کیدی شي چې 0 ته ټاکل شوي؟
عصبي شبکه به هیڅکله د ورکړل شوي دندې بشپړولو لپاره زده کړه ونه کړي، نو له دې امله دا ممکنه نه ده چې ټول وزنونه 0 ته پیل کړي.
مشتقات به په W [1] کې د هر وزن لپاره یو شان پاتې شي که چیرې ټول وزن صفر ته پیل شي، چې پایله به یې نیورونونه په تکراري ډول ورته ځانګړتیاوې زده کړي.
په ساده ډول د وزن پیل 0 ته نه کوي، مګر د ثابت هرې بڼې لپاره احتمال لري چې د فرعي پایلې پایله ولري.
16. څه شی د یوې دورې او تکرار څخه یو دور توپیر کوي؟
د پروسس کولو مختلف ډولونه ډیټاسیټونه او د تدریجي نزول تخنیکونه شامل دي بیچ، تکرار، او epoch. Epoch د بشپړ ډیټا سیټ سره د عصبي شبکې له لارې یوځل شامل دي ، دواړه مخکی او شاته.
د باور وړ پایلو چمتو کولو لپاره، ډیټاسیټ په مکرر ډول څو ځله تیریږي ځکه چې دا خورا لوی دی چې په یوه هڅه کې تیریږي.
د عصبي شبکې له لارې په مکرر ډول د لږ مقدار ډیټا چلولو دې عمل ته تکرار ویل کیږي. د دې لپاره چې تضمین شي چې ډاټا سیټ په بریالیتوب سره د عصبي شبکو څخه تیریږي، دا په یو شمیر بیچونو یا فرعي سیټونو ویشل کیدی شي، کوم چې د بیچ کولو په نوم پیژندل کیږي.
د معلوماتو راټولولو اندازې پورې اړه لري، ټولې درې میتودونه - د وخت، تکرار، او د بست اندازه - په اصل کې د کارولو لارې دي. تدریجي نزول الګوریتم.
17. د بیچ نورمال کول او پریښودل څه دي؟
ډراپ آوټ په تصادفي ډول د دواړو ښکاره او پټ شبکې واحدونو په لرې کولو سره د ډیټا ډیر مناسب کیدو مخه نیسي (په عموم ډول د نوډونو 20 سلنه راټیټیږي). دا د تکرار شمیر دوه چنده کوي ترڅو د شبکې سره یوځای کیدو لپاره اړین وي.
په هر پرت کې د آخذونو نورمال کولو سره د صفر اوسط تولید فعالولو او د یو معیاري انحراف لپاره ، د بیچ نورمال کول د عصبي شبکو فعالیت او ثبات ته وده ورکولو ستراتیژي ده.
18. څه شی د سټوچاسټیک ګریډینټ نزول له Batch Gradient Descent څخه جلا کوي؟
د بست تدریجي نزول:
- بشپړ ډیټاسیټ د بیچ ګریډینټ لپاره د ګریډینټ جوړولو لپاره کارول کیږي.
- د ډیټا لوی مقدار او ورو ورو تازه کول وزنونه همغږي ستونزمن کوي.
Stochastic Gradient نزول:
- سټوچاسټیک تدریجي د تدریجي محاسبه کولو لپاره یو واحد نمونه کاروي.
- د وزن د ډیری پرله پسې بدلونونو له امله، دا د بستې تدریجي په پرتله د پام وړ ډیر ژر بدلیږي.
19. ولې دا مهمه ده چې په عصبي شبکو کې غیر خطي شتون شامل کړئ؟
مهمه نده چې څومره پرتونه شتون ولري ، عصبي شبکه به د غیر خطي کیدو په نشتوالي کې د پرسیپټرون په څیر چلند وکړي ، او محصول به په لیکه کې په ان پټ پورې اړه ولري.
په بل ډول، یو عصبي شبکه د n پرتونو او m پټ واحدونو او د خطي فعالیت فعالیت سره د خطي عصبي شبکې سره مساوي ده پرته له پټو پرتونو او یوازې د خطي جلا کولو سرحدونو کشف کولو وړتیا سره.
د غیر خطي شرایطو پرته، یو عصبي شبکه نشي کولی پیچلې مسلې حل کړي او په سمه توګه د معلوماتو درجه بندي کړي.
20. په ژوره زده کړه کې ټینسر څه شی دی؟
یو څو اړخیز سرې چې د ټینسر په نوم پیژندل کیږي د میټریکونو او ویکتورونو عمومي کولو په توګه کار کوي. دا د ژورې زده کړې لپاره د ډیټا یو مهم جوړښت دی. د بنسټیز ډیټا ډولونو N-dimensional arrays د ټینسرونو نمایندګۍ لپاره کارول کیږي.
د ټینسر هره برخه د ورته ډیټا ډول لري، او د دې ډاټا ډول تل پیژندل کیږي. دا ممکنه ده چې یوازې د شکل یوه ټوټه - یعنې، څومره ابعاد شتون لري او هر یو څومره لوی دی - پیژندل کیږي.
په داسې حالاتو کې چې آخذې هم په بشپړه توګه پیژندل شوي وي، ډیری عملیات په بشپړ ډول پیژندل شوي ټینسر تولیدوي؛ په نورو قضیو کې، د ټینسر بڼه یوازې د ګراف اجرا کولو پرمهال رامینځته کیدی شي.
21. تاسو د ژورې زده کړې ماډل لپاره د فعالولو فعالیت څنګه غوره کوئ؟
- دا معنی لري چې د خطي فعالیت فعالیت ګمارل که چیرې هغه پایله چې تمه کیږي واقعیا وي.
- د سیګمایډ فعالیت باید وکارول شي که چیرې هغه محصول چې وړاندوینه یې وشي د بائنری ټولګي احتمال وي.
- د تانه فنکشن کارول کیدی شي که چیرې اټکل شوی محصول دوه طبقه بندي ولري.
- د دې د محاسبې د اسانتیا له امله، د ReLU فعالیت په ډیری شرایطو کې د تطبیق وړ دی.
22. تاسو د CNN څه معنی لرئ؟
ژور عصبي شبکې چې د بصري عکس العمل ارزولو کې تخصص لري د کنولوشنال عصبي شبکې (CNN، یا ConvNet) شامل دي. دلته، د عصبي شبکو پر ځای چیرې چې ویکتور د ان پټ استازیتوب کوي، ان پټ یو څو چینل شوی انځور دی.
ملټي لییر پرسیپټرون د CNNs لخوا په ځانګړي ډول کارول کیږي چې خورا لږ دمخه پروسس کولو ته اړتیا لري.
23. د CNN ډیری پرتونه کوم دي؟
قانع کوونکې طبقه: اصلي طبقه قانع کوونکې طبقه ده، چې د زده کړې وړ فلټرونه او د منلو وړ ساحه لري. دا لومړنی پرت د ان پټ ډاټا اخلي او ځانګړتیاوې یې استخراجوي.
ReLU Layer: د شبکو په غیر خطي کولو سره، دا پرت منفي پکسلز په صفر بدلوي.
د حوض کولو طبقه: د پروسس کولو او شبکې ترتیباتو کمولو سره، د حوض کولو پرت په تدریجي ډول د نمایندګۍ ځایی اندازه کموي. میکس پولینګ د پولینګ ترټولو کارول شوی میتود دی.
24. د ډیر او کم فټینګ اغیزې څه دي، او تاسو څنګه کولی شئ له دوی څخه مخنیوی وکړئ؟
دا د اوور فټینګ په نوم پیژندل کیږي کله چې یو ماډل د روزنې ډیټا کې پیچلتیاوې او شور زده کوي تر هغه ځایه چې دا د ماډل تازه معلوماتو کارولو باندې منفي اغیزه کوي.
دا ډیر احتمال لري چې د غیر خطي ماډلونو سره پیښ شي چې د هدف فعالیت زده کولو پرمهال ډیر تطابق وړ وي. یو ماډل د موټرو او ټرکونو کشف کولو لپاره روزل کیدی شي، مګر دا ممکن یوازې د دې توان ولري چې د ځانګړي بکس فارم سره وسایط وپیژني.
دې ته په پام سره چې دا یوازې په یو ډول ټرک کې روزل شوی و، دا ممکن د فلیټ بیډ ټرک کشف نشي. د روزنې معلوماتو کې، ماډل ښه کار کوي، مګر په ریښتینې نړۍ کې نه.
یو زیربنا ماډل هغه ته اشاره کوي چې د معلوماتو په اړه کافي روزل شوي یا نوي معلوماتو ته د عمومي کولو وړ ندي. دا ډیری وختونه پیښیږي کله چې یو ماډل د ناکافي یا غلط معلوماتو سره روزل کیږي.
دقت او فعالیت دواړه د کم فټینګ لخوا جوړ شوي.
د ماډل دقت اټکل کولو لپاره د ډیټا بیا نمونه کول (K-fold cross-validation) او د ماډل ارزولو لپاره د اعتبار ډیټا سیټ کارول دوه لارې دي چې د ډیر فټینګ او کم فټینګ څخه مخنیوی وشي.
25. په ژوره زده کړه کې، RNN څه شی دی؟
تکراري عصبي شبکې (RNNs)، د مصنوعي عصبي شبکو یو عام ډول دی چې د RNN لنډیز لخوا ځي. دوی د نورو شیانو په مینځ کې د جینومونو ، لاسي لیکلو ، متن او ډیټا ترتیبونو پروسس کولو لپاره ګمارل شوي. د اړینې روزنې لپاره، RNNs د بیک پروپیګیشن کار کوي.
26. د ادم اصلاح کوونکی تشریح کړئ
د اډم اصلاح کونکی ، چې د تطبیقي حرکت په نوم هم پیژندل کیږي ، د اصلاح کولو تخنیک دی چې د لږ درجې سره د شور حالتونو اداره کولو لپاره رامینځته شوی.
د ګړندي انسجام لپاره د هر پیرامیټر تازه معلوماتو چمتو کولو سربیره ، د ادم اصلاح کونکی د حرکت له لارې همغږي ته وده ورکوي ، ډاډ ترلاسه کوي چې ماډل په سیډل نقطه کې نه ځړیږي.
27. ژور اتوماتیک کوډر: دوی څه دي؟
ژور اوټوینکوډر د دوه همغږي ژورو باوري شبکو لپاره ډله ایز نوم دی چې په عمومي ډول د شبکې نیمایي کوډ کولو لپاره څلور یا پنځه کم پرتونه او د کوډ کولو نیمایي لپاره د څلورو یا پنځو پرتونو بله سیټ شاملوي.
دا پرتونه د ژور باور شبکې بنسټ جوړوي او د بولټزمان ماشینونو لخوا محدود شوي. د هر RBM وروسته، یو ژور اتوماتیک کوډر د MNIST ډیټاسیټ کې بائنری بدلونونه پلي کوي.
دوی په نورو ډیټاسیټونو کې هم کارول کیدی شي چیرې چې د RBM په پرتله د گاوسیان اصلاح شوي بدلونونه غوره کیږي.
28. په Tensorflow کې Tensor څه معنی لري؟
دا د ژورې زده کړې مرکې یوه بله پوښتنه ده چې په منظمه توګه پوښتل کیږي. ټینسر یو ریاضیاتی مفهوم دی چې د لوړ ابعادي صفونو په توګه لیدل کیږي.
ټینسرونه دا ډیټا اریونه دي چې عصبي شبکې ته د ان پټ په توګه چمتو شوي او مختلف ابعاد او درجه بندي لري.
29. د کمپیوټري ګراف تشریح
د TensorFlow بنسټ د کمپیوټري ګراف جوړول دي. هر نوډ د نوډونو په شبکه کې فعالیت کوي، چیرې چې نوډونه د ریاضیاتي عملیاتو لپاره ولاړ دي او د ټینسرونو لپاره څنډې.
دا ځینې وختونه د "ډاټا فلو ګراف" په نوم یادیږي ځکه چې ډاټا د ګراف په شکل کې تیریږي.
30. تولیدي مخالفې شبکې (GANs): دوی څه دي؟
په ژوره زده کړه کې، تولیدي ماډلینګ د تولیدي مخالفو شبکو په کارولو سره ترسره کیږي. دا یو غیر څارل شوی دنده ده چیرې چې پایله د ان پټ ډیټا کې د نمونو پیژندلو سره تولید کیږي.
تبعیض کونکی د جنراتور لخوا تولید شوي مثالونو طبقه بندي کولو لپاره کارول کیږي پداسې حال کې چې جنراتور د نوي مثالونو تولید لپاره کارول کیږي.
31. څنګه به تاسو د نیورونونو شمیر او پټ پرتونه غوره کړئ ترڅو په عصبي شبکه کې شامل کړئ لکه څنګه چې تاسو جوړښت ډیزاین کوئ؟
د سوداګرۍ ننګونې ته په پام سره، د عصبي شبکې جوړښت جوړولو لپاره اړین د نیورونونو او پټو پرتونو دقیق شمیر د کوم سخت او ګړندي قواعدو لخوا نشي ټاکل کیدی.
په عصبي شبکه کې، د پټ شوي پرت اندازه باید د ان پټ او آوټ پټ پرتونو د اندازې په مینځ کې یو څه راښکته شي.
د عصبي شبکې ډیزاین رامینځته کولو سر پیل په یو څو مستقیم میتودونو کې ترلاسه کیدی شي ، که څه هم:
د ځینې لومړني سیسټمیک ازموینې سره پیل کول ترڅو وګورئ چې د ورته ریښتیني نړۍ ترتیباتو کې د عصبي شبکو سره د مخکینۍ تجربې پراساس د کوم ځانګړي ډیټاسیټ لپاره غوره ترسره کول به د هر ځانګړي ریښتیني نړۍ وړاندوینې ماډلینګ ننګونې سره د مقابلې غوره لاره ده.
د شبکې ترتیب د مسلې ډومین او د عصبي شبکې پخوانۍ تجربې په اړه د یو چا د پوهې پراساس غوره کیدی شي. کله چې د عصبي شبکې تنظیم کول ارزول ، د اړوندو ستونزو په اړه کارول شوي پرتونو او نیورونونو شمیر د پیل کولو لپاره ښه ځای دی.
د عصبي شبکې پیچلتیا باید په تدریجي ډول د اټکل شوي محصول او دقت پراساس لوړه شي ، د ساده عصبي شبکې ډیزاین سره پیل کیږي.
32. کوم ډول عصبي شبکې د ژور تقویت زده کړې لخوا ګمارل کیږي؟
- د ماشین زده کړې په تمثیل کې چې د تقویت زده کړې په نوم یادیږي، ماډل د مجموعي انعام مفکورې اعظمي کولو لپاره عمل کوي، لکه څنګه چې ژوندي شیان ترسره کوي.
- لوبې او د ځان چلولو وسایط دواړه د ستونزو په توګه تشریح شوي د تطبیق زده کړه.
- سکرین د ان پټ په توګه کارول کیږي که چیرې ستونزه د نمایش کولو لوبه وي. د راتلونکو مرحلو لپاره د محصول تولیدولو لپاره، الګوریتم پکسلز د ان پټ په توګه اخلي او د عصبي عصبي شبکو د ډیری پرتونو له لارې پروسس کوي.
- د ماډل د کړنو پایلې، یا هم مناسب یا خراب، د پیاوړتیا په توګه عمل کوي.
پایله
ژوره زده کړه د کلونو په اوږدو کې په شهرت کې لوړه شوې، په حقیقت کې په هر صنعت کې د غوښتنلیکونو سره.
شرکتونه په زیاتیدونکي توګه د وړ متخصصینو په لټه کې دي چې کولی شي ماډلونه ډیزاین کړي چې د ژورې زده کړې او ماشین زده کړې طریقې په کارولو سره د انسان چلند نقل کړي.
هغه نوماندان چې خپل مهارتونه لوړوي او د دې عصري ټیکنالوژیو په اړه خپله پوهه ساتي کولی شي د زړه راښکونکي معاش سره د کاري فرصتونو پراخه لړۍ ومومي.
تاسو اوس د مرکو سره پیل کولی شئ چې تاسو د دې په اړه قوي پوهه لرئ چې څنګه د ژورې زده کړې مرکې پوښتنو ته ځواب ووایی. د خپلو موخو پر بنسټ بل ګام واخلئ.
د Hashdork څخه لیدنه وکړئ د مرکې لړۍ د مرکو لپاره چمتو کول.
یو ځواب ورکړئ ووځي