පටුන[සඟවන්න][පෙන්වන්න]
- 1. ඇත්තටම ගැඹුරු ඉගෙනීම යනු කුමක්ද?
- 2. ගැඹුරු ඉගෙනීම යන්ත්ර ඉගෙනීම වෙන්කර හඳුනා ගන්නේ කුමක් ද?
- 3. ස්නායු ජාල පිළිබඳ ඔබගේ වර්තමාන අවබෝධය කුමක්ද?
- 4. ඇත්තටම මොකක්ද perceptron කියන්නේ?
- 5. ගැඹුරු ස්නායු ජාලයක් යනු කුමක්ද?
- 6. හරියටම Multilayer Perceptron (MLP) යනු කුමක්ද?
- 7. ස්නායුක ජාලයක සක්රීය කිරීමේ කාර්යයන් ඉටු කරන්නේ කුමන අරමුණකින්ද?
- 8. Gradient Descent යනු හරියටම කුමක්ද?
- 9. පිරිවැය කාර්යය හරියටම කුමක්ද?
- 10. ගැඹුරු ජාල නොගැඹුරු ජාල අභිබවා යා හැක්කේ කෙසේද?
- 11. ඉදිරි ප්රචාරණය විස්තර කරන්න.
- 12. backpropagation යනු කුමක්ද?
- 13. ගැඹුරු ඉගෙනීමේ සන්දර්භය තුළ, ඔබ ශ්රේණිගත කැපීම තේරුම් ගන්නේ කෙසේද?
- 14. Softmax සහ ReLU කාර්යයන් මොනවාද?
- 15. සියලුම බර 0 ලෙස සකසා ස්නායුක ජාල ආකෘතියක් පුහුණු කළ හැකිද?
- 16. යුගයක් කණ්ඩායමකින් සහ පුනරාවර්තනයකින් වෙන්කර හඳුනා ගන්නේ කුමක් ද?
- 17. Batch Normalization සහ Dropout යනු මොනවාද?
- 18. Stochastic Gradient Descent Batch Gradient Descent වලින් වෙන් කරන්නේ කුමක් ද?
- 19. ස්නායුක ජාල තුළ රේඛීය නොවන දේ ඇතුළත් කිරීම තීරණාත්මක වන්නේ ඇයි?
- 20. ගැඹුරු ඉගෙනීමේ ආතතියක් යනු කුමක්ද?
- 21. ගැඹුරු ඉගෙනුම් ආකෘතියක් සඳහා ඔබ සක්රිය කිරීමේ කාර්යය තෝරා ගන්නේ කෙසේද?
- 22. CNN යන්නෙන් ඔබ අදහස් කරන්නේ කුමක්ද?
- 23. බොහෝ CNN ස්ථර මොනවාද?
- 24. වැඩිපුර හා අඩුවෙන් ගැලපීමෙන් ඇති වන බලපෑම් මොනවාද, ඔබට ඒවා වළක්වා ගත හැක්කේ කෙසේද?
- 25. ගැඹුරු ඉගෙනීමේදී, RNN යනු කුමක්ද?
- 26. Adam Optimizer විස්තර කරන්න
- 27. ගැඹුරු ස්වයංක්රීය සංකේත: ඒවා මොනවාද?
- 28. Tensorflow හි Tensor යන්නෙන් අදහස් කරන්නේ කුමක්ද?
- 29. පරිගණක ප්රස්ථාරයක පැහැදිලි කිරීමක්
- 30. උත්පාදක විරුද්ධවාදී ජාල (GANs): ඒවා මොනවාද?
- 31. ඔබ ගෘහ නිර්මාණ ශිල්පය සැලසුම් කරන විට ස්නායු ජාලයට ඇතුළත් කිරීමට නියුරෝන සහ සැඟවුණු ස්ථර ගණන තෝරා ගන්නේ කෙසේද?
- 32. ගැඹුරු ශක්තිමත් කිරීමේ ඉගෙනීම මගින් භාවිතා කරන ස්නායුක ජාල මොනවාද?
- නිගමනය
ගැඹුරු ඉගෙනීම යනු අලුත්ම අදහසක් නොවේ. ගැඹුරු ඉගෙනීම ලෙස හඳුන්වන යන්ත්ර ඉගෙනුම් උපකුලකයේ එකම පදනම ලෙස කෘත්රිම ස්නායුක ජාල ක්රියා කරයි.
ගැඹුරු ඉගෙනීම යනු මිනිස් මොළය අනුකරණය කිරීම සඳහා නිර්මාණය කරන ලද ස්නායුක ජාල මෙන්ම, මිනිස් මොළය අනුකරණය කිරීමකි.
මේක කාලයක් තිස්සෙ තියෙනවා. මේ දවස්වල හැමෝම ඒ ගැන කතා කරන්නේ අපිට දැන් තරම් සැකසුම් බලයක් හෝ දත්තයක් නැති නිසා.
පසුගිය වසර 20 තුළ, සැකසුම් ධාරිතාවේ නාටකාකාර ලෙස ඉහළ යාමේ ප්රතිඵලයක් ලෙස ගැඹුරු ඉගෙනීම සහ යන්ත්ර ඉගෙනීම මතු වී ඇත.
ඔබේ සිහින රැකියාව සොයන විට ඔබට මුහුණ දිය හැකි ඕනෑම විමසීමක් සඳහා සූදානම් වීමට ඔබට සහාය වීම සඳහා, මෙම ලිපිය සරල සිට සංකීර්ණ දක්වා ගැඹුරු ඉගෙනුම් සම්මුඛ පරීක්ෂණ ප්රශ්න ගණනාවක් හරහා ඔබට මග පෙන්වනු ඇත.
1. ඇත්තටම ගැඹුරු ඉගෙනීම යනු කුමක්ද?
ඔබ සහභාගී වන්නේ නම් ඒ ගැඹුරු ඉගෙනුම සම්මුඛ පරීක්ෂණයේදී, ගැඹුරු ඉගෙනීම යනු කුමක්දැයි ඔබට නිසැකවම වැටහේ. කෙසේ වෙතත්, සම්මුඛ පරීක්ෂකවරයා, මෙම ප්රශ්නයට ප්රතිචාර වශයෙන් නිදර්ශනයක් සමඟ සවිස්තරාත්මක ප්රතිචාරයක් ලබා දීමට ඔබෙන් අපේක්ෂා කරයි.
පුහුණු කිරීම සඳහා ස්නායු ජාල ගැඹුරු ඉගෙනීම සඳහා, සංවිධානාත්මක හෝ ව්යුහගත නොවූ දත්ත සැලකිය යුතු ප්රමාණයක් භාවිතා කළ යුතුය. සැඟවුණු රටා සහ ලක්ෂණ සොයා ගැනීම සඳහා, එය සංකීර්ණ ක්රියා පටිපාටි සිදු කරයි (උදාහරණයක් ලෙස, බල්ලෙකුගේ රූපයෙන් බළලෙකුගේ රූපය වෙන්කර හඳුනා ගැනීම).
2. ගැඹුරු ඉගෙනීම යන්ත්ර ඉගෙනීම වෙන්කර හඳුනා ගන්නේ කුමක් ද?
යන්ත්ර ඉගෙනීම ලෙස හඳුන්වන කෘතිම බුද්ධියේ ශාඛාවක් ලෙස, අපි දත්ත සහ සංඛ්යානමය සහ ඇල්ගොරිතම ශිල්පීය ක්රම භාවිතා කරමින් පරිගණක පුහුණු කරන අතර එමඟින් ඒවා කාලයත් සමඟ වඩා හොඳ වේ.
අංගයක් ලෙස යන්ත්ර ඉගෙනීම, ගැඹුරු ඉගෙනීම මිනිස් මොළයේ දක්නට ලැබෙන ස්නායුක ජාල ගෘහ නිර්මාණ ශිල්පය අනුකරණය කරයි.
3. ස්නායු ජාල පිළිබඳ ඔබගේ වර්තමාන අවබෝධය කුමක්ද?
ස්නායුක ජාල ලෙස හඳුන්වන කෘතිම පද්ධති මිනිස් සිරුරේ ඇති කාබනික ස්නායු ජාලයට ඉතා සමීපව සමාන වේ.
කෙසේද යන්නට සමාන තාක්ෂණයක් භාවිතා කිරීම මිනිස් මොළය ශ්රිත, ස්නායුක ජාලයක් යනු දත්ත කැබැල්ලක යටින් පවතින සහසම්බන්ධතා හඳුනා ගැනීම අරමුණු කරගත් ඇල්ගොරිතම එකතුවකි.
මෙම පද්ධති කිසියම් කාර්ය-විශේෂිත රීතියක් අනුගමනය කිරීමෙන් නොව, දත්ත කට්ටල සහ උදාහරණ පරාසයකට නිරාවරණය වීමෙන් කාර්ය-විශේෂිත දැනුම ලබා ගනී.
අදහස නම්, මෙම දත්ත කට්ටල පිළිබඳ පූර්ව-වැඩසටහන් කළ අවබෝධයක් ලබා ගැනීම වෙනුවට, පද්ධතිය එය පෝෂණය කරන දත්ත වලින් වෙන්කර හඳුනා ගැනීමට ඉගෙන ගන්නා බවයි.
Neural Network වල බහුලව භාවිතා වන ජාල ස්ථර තුන පහත පරිදි වේ:
- ආදාන ස්ථරය
- සැඟවුණු ස්ථරය
- ප්රතිදාන ස්ථරය
4. ඇත්තටම මොකක්ද perceptron කියන්නේ?
මිනිස් මොළයේ ඇති ජීව විද්යාත්මක නියුරෝනය perceptron එකකට සැසඳිය හැකිය. perceptron මගින් බහු ආදාන ලබා ගන්නා අතර, එය විවිධ පරිවර්තන සහ කාර්යයන් සිදු කර ප්රතිදානයක් නිපදවයි.
ද්විමය වර්ගීකරණයේදී perceptron ලෙස හඳුන්වන රේඛීය ආකෘතියක් භාවිතා වේ. එය විවිධ ආදාන සහිත නියුරෝනයක් අනුකරණය කරයි, එක් එක් බර වෙනස් වේ.
නියුරෝනය මෙම බර යෙදවුම් භාවිතයෙන් ශ්රිතයක් ගණනය කර ප්රතිඵල ප්රතිදානය කරයි.
5. ගැඹුරු ස්නායු ජාලයක් යනු කුමක්ද?
ගැඹුරු ස්නායු ජාලයක් යනු ආදාන සහ ප්රතිදාන ස්ථර (DNN) අතර ස්ථර කිහිපයක් සහිත කෘතිම ස්නායු ජාලයකි (ANN).
ගැඹුරු ස්නායුක ජාල යනු ගැඹුරු ගෘහ නිර්මාණ ශිල්පීය ස්නායු ජාල වේ. "ගැඹුරු" යන වචනයෙන් අදහස් කරන්නේ එක් ස්ථරයක බොහෝ මට්ටම් සහ ඒකක සහිත කාර්යයන් ය. වැඩි මට්ටම් රටා ග්රහණය කර ගැනීම සඳහා තව තවත් විශාල ස්ථර එකතු කිරීමෙන් වඩාත් නිවැරදි ආකෘති නිර්මාණය කළ හැක.
6. හරියටම Multilayer Perceptron (MLP) යනු කුමක්ද?
ස්නායුක ජාල වල මෙන් MLP වල ආදාන, සැඟවුණු සහ ප්රතිදාන ස්ථර පවතී. එය සැගවුණු ස්ථර එකක් හෝ කිහිපයක් සහිත තනි ස්ථර perceptron එකකට සමානව ගොඩනගා ඇත.
තනි ස්ථර perceptron හි ද්විමය නිමැවුමට රේඛීය වෙන් කළ හැකි පන්ති (0,1) පමණක් වර්ග කළ හැකි අතර, MLP හට රේඛීය නොවන පන්ති වර්ගීකරණය කළ හැක.
7. ස්නායුක ජාලයක සක්රීය කිරීමේ කාර්යයන් ඉටු කරන්නේ කුමන අරමුණකින්ද?
සක්රීය කිරීමේ ශ්රිතයක් මගින් නියුරෝනයක් වඩාත් මූලික මට්ටමින් ක්රියාත්මක විය යුතුද නැද්ද යන්න තීරණය කරයි. ඕනෑම සක්රිය කිරීමේ ශ්රිතයකට ආදානවල බරිත එකතුව සහ නැඹුරුව ආදානය ලෙස පිළිගත හැක. සක්රිය කිරීමේ ශ්රිතවලට පියවර ශ්රිතය, Sigmoid, ReLU, Tanh සහ Softmax ඇතුළත් වේ.
8. Gradient Descent යනු හරියටම කුමක්ද?
පිරිවැය ශ්රිතයක් හෝ දෝෂයක් අවම කිරීම සඳහා හොඳම ප්රවේශය වන්නේ ශ්රේණියේ බැසයාමයි. ශ්රිතයක දේශීය-ගෝලීය අවම අගය සොයා ගැනීම ඉලක්කයයි. දෝෂය අවම කිරීම සඳහා ආකෘතිය අනුගමනය කළ යුතු මාර්ගය මෙය සඳහන් කරයි.
9. පිරිවැය කාර්යය හරියටම කුමක්ද?
පිරිවැය ශ්රිතය ඔබේ ආකෘතිය කෙතරම් හොඳින් ක්රියා කරයිද යන්න තක්සේරු කිරීමට මෙට්රික් එකකි; එය සමහර විට "අහිමි" හෝ "දෝෂය" ලෙස හැඳින්වේ. පසු ප්රචාරණය අතරතුර, ප්රතිදාන ස්ථරයේ දෝෂය ගණනය කිරීමට එය භාවිතා වේ.
ස්නායු ජාලය හරහා එය පසුපසට තල්ලු කිරීමෙන් ස්නායු ජාලයේ පුහුණු ක්රියාවලීන් තවදුරටත් ඉදිරියට ගෙන යාමට අපි එම සාවද්යභාවය ප්රයෝජනයට ගනිමු.
10. ගැඹුරු ජාල නොගැඹුරු ජාල අභිබවා යා හැක්කේ කෙසේද?
ආදාන සහ ප්රතිදාන ස්ථර වලට අමතරව සැඟවුණු ස්ථර ස්නායු ජාල වලට එකතු වේ. ආදාන සහ ප්රතිදාන ස්ථර අතර, නොගැඹුරු ස්නායු ජාල තනි සැඟවුණු ස්ථරයක් භාවිතා කරන අතර ගැඹුරු ස්නායුක ජාල මට්ටම් ගණනාවක් භාවිතා කරයි.
නොගැඹුරු ජාලයකට ඕනෑම කාර්යයකට ගැලපෙන පරිදි පරාමිති කිහිපයක් අවශ්ය වේ. ගැඹුරු ජාලවලට ස්ථර කිහිපයක් ඇතුළත් වන බැවින් පරාමිති කුඩා සංඛ්යාවක් සමඟ වුවද ක්රියාකාරීත්වයට වඩා හොඳින් ගැලපේ.
කථන හෝ පින්තූර හඳුනාගැනීම සඳහා ඕනෑම ආකාරයක දත්ත ආකෘතිකරණයක් සමඟ වැඩ කිරීමේ බහුකාර්යතාව නිසා ගැඹුරු ජාල දැන් වඩාත් කැමති වේ.
11. ඉදිරි ප්රචාරණය විස්තර කරන්න.
ප්රවර්ධක ප්රචාරණය ලෙස හැඳින්වෙන ක්රියාවලියකදී ආදාන බර සමඟ තැන්පත් කරන ලද ස්ථරයට සම්ප්රේෂණය වේ.
සක්රීය කිරීමේ ශ්රිතයේ ප්රතිදානය සැකසීමට පෙර සෑම තැන්පත් කළ ස්ථරයකම ගණනය කරනු ලැබේ.
ක්රියාවලිය ආදාන ස්ථරයෙන් ආරම්භ වන අතර අවසාන ප්රතිදාන ස්තරය දක්වා ප්රගතියක් ලබයි, ඒ අනුව ඉදිරි ප්රචාරණය ලෙස හැඳින්වේ.
12. backpropagation යනු කුමක්ද?
ස්නායුක ජාලයේ බර සහ පක්ෂග්රාහීව සකස් කරන විට, අගය වෙනස් වන ආකාරය පළමුව නිරීක්ෂණය කිරීමෙන් පිරිවැය ක්රියාකාරිත්වය අඩු කිරීමට backpropagation භාවිතා කරයි.
සෑම සැඟවුණු ස්ථරයකම අනුක්රමණය තේරුම් ගැනීම මෙම වෙනස ගණනය කිරීම සරල කරයි.
backpropagation ලෙස හඳුන්වන ක්රියාවලිය ප්රතිදාන ස්ථරයෙන් ආරම්භ වන අතර ආදාන ස්ථර වෙත පසුපසට ගමන් කරයි.
13. ගැඹුරු ඉගෙනීමේ සන්දර්භය තුළ, ඔබ ශ්රේණිගත කැපීම තේරුම් ගන්නේ කෙසේද?
Gradient Clipping යනු backpropagation වලදී පැන නගින අනුක්රමික පිපිරුම් ගැටළුව විසඳීම සඳහා වන ක්රමයකි (කාලයත් සමඟ සැලකිය යුතු වැරදි අනුක්රමික සමුච්චය වන තත්වයක්, පුහුණුව අතරතුර ස්නායුක ජාල ආකෘති බරට සැලකිය යුතු ගැලපීම් වලට තුඩු දෙයි).
පිපිරුම් අනුක්රමය යනු පුහුණුව අතරතුර අනුක්රමණය ඉතා විශාල වන විට පැන නගින ගැටළුවක් වන අතර එමඟින් ආකෘතිය අස්ථායී වේ. අනුක්රමණය අපේක්ෂිත පරාසය ඉක්මවා ඇත්නම්, අනුක්රමණ අගයන් මූලද්රව්යයෙන් මූලද්රව්ය පෙර නිශ්චිත අවම හෝ උපරිම අගයකට තල්ලු කරනු ලැබේ.
Gradient clipping පුහුණුව අතරතුර ස්නායුක ජාලයක සංඛ්යාත්මක ස්ථායීතාවය වැඩි දියුණු කරයි, නමුත් එය ආකෘතියේ ක්රියාකාරිත්වයට අවම බලපෑමක් ඇති කරයි.
14. Softmax සහ ReLU කාර්යයන් මොනවාද?
Softmax නම් සක්රීය කිරීමේ ශ්රිතයක් මඟින් 0 සහ 1 අතර පරාසයක ප්රතිදානයක් නිපදවයි. සෑම ප්රතිදානයක්ම බෙදනු ලබන අතර එමඟින් සියලුම ප්රතිදානයන්ගේ එකතුව එකක් වේ. නිමැවුම් ස්ථර සඳහා, Softmax නිතර භාවිතා වේ.
Rectified Linear Unit, සමහර විට ReLU ලෙස හඳුන්වනු ලබන්නේ, වැඩිපුරම භාවිතා වන සක්රීය කිරීමේ කාර්යයයි. X ධනාත්මක නම්, එය X ප්රතිදානය කරයි, නැතහොත් එය ශුන්ය ප්රතිදානය කරයි. ReLU නිතිපතා තැන්පත් කරන ලද ස්ථර සඳහා යොදනු ලැබේ.
15. සියලුම බර 0 ලෙස සකසා ස්නායුක ජාල ආකෘතියක් පුහුණු කළ හැකිද?
ස්නායුක ජාලය කිසි විටෙකත් ලබා දී ඇති කාර්යයක් සම්පූර්ණ කිරීමට ඉගෙන නොගනු ඇත, එබැවින් බර සියල්ල 0 දක්වා ආරම්භ කිරීමෙන් ආකෘතියක් පුහුණු කළ නොහැක.
සියලුම බර බිංදුවට ආරම්භ කළහොත් W [1] හි සෑම බරක් සඳහාම ව්යුත්පන්නයන් එලෙසම පවතිනු ඇත, එහි ප්රතිඵලයක් ලෙස නියුරෝන එම ලක්ෂණම පුනරාවර්තන ලෙස ඉගෙන ගනී.
සරලව බර 0 ට ආරම්භ කිරීම නොව, ඕනෑම ආකාරයක නියතයකට උප සම ප්රතිඵලයක් ලබා දීමට ඉඩ ඇත.
16. යුගයක් කණ්ඩායමකින් සහ පුනරාවර්තනයකින් වෙන්කර හඳුනා ගන්නේ කුමක් ද?
දත්ත කට්ටල සැකසීමේ විවිධ ආකාරයන් සහ ශ්රේණිගත අවරෝහණ ශිල්පීය ක්රමවලට කාණ්ඩය, පුනරාවර්තනය සහ යුගය ඇතුළත් වේ. Epoch යනු සම්පූර්ණ දත්ත කට්ටලයක් සහිත ස්නායු ජාලයක් හරහා ඉදිරියට සහ පසුපසට එක් වරක් ඇතුළත් වේ.
විශ්වාසදායක ප්රතිඵල ලබා දීම සඳහා, දත්ත කට්ටලය එක් උත්සාහයකින් සමත් වීමට නොහැකි තරම් විශාල බැවින් නිතර කිහිප වතාවක් සම්මත කරනු ලැබේ.
ස්නායුක ජාලයක් හරහා කුඩා දත්ත ප්රමාණයක් නැවත නැවත ධාවනය කිරීමේ මෙම පුරුද්ද පුනරාවර්තනය ලෙස හැඳින්වේ. දත්ත කට්ටලය ස්නායුක ජාල හරහා සාර්ථකව ගමන් කරන බව සහතික කිරීම සඳහා, එය කාණ්ඩ හෝ උප කුලක ගණනාවකට බෙදිය හැකිය, එය batching ලෙස හැඳින්වේ.
දත්ත එකතු කිරීමේ ප්රමාණය අනුව, යුග, පුනරාවර්තනය සහ කණ්ඩායම් ප්රමාණය යන ක්රම තුනම අත්යවශ්යයෙන්ම භාවිතා කිරීමේ ක්රම වේ. අනුක්රමණ බැසීමේ ඇල්ගොරිතම.
17. Batch Normalization සහ Dropout යනු මොනවාද?
Dropout මඟින් දෘශ්ය සහ සැඟවුණු ජාල ඒකක දෙකම අහඹු ලෙස ඉවත් කිරීමෙන් (සාමාන්යයෙන් නෝඩ් වලින් සියයට 20ක් පහත වැටීම) දත්ත අධික ලෙස ගැලපීම වළක්වයි. එය ජාලය අභිසාරී වීමට අවශ්ය පුනරාවර්තන සංඛ්යාව දෙගුණ කරයි.
ශුන්යයේ මධ්යන්ය ප්රතිදාන සක්රීය කිරීමක් සහ එකක සම්මත අපගමනයක් ඇති කිරීම සඳහා එක් එක් ස්ථරයේ යෙදවුම් සාමාන්යකරණය කිරීමෙන්, කණ්ඩායම් සාමාන්යකරණය යනු ස්නායුක ජාලවල ක්රියාකාරීත්වය සහ ස්ථායීතාවය වැඩි දියුණු කිරීමේ උපාය මාර්ගයකි.
18. Stochastic Gradient Descent Batch Gradient Descent වලින් වෙන් කරන්නේ කුමක් ද?
කාණ්ඩ අනුක්රමික අවරෝහණය:
- සම්පූර්ණ දත්ත කට්ටලය කණ්ඩායම් අනුක්රමය සඳහා අනුක්රමණය සෑදීමට භාවිතා කරයි.
- අතිවිශාල දත්ත ප්රමාණයක් සහ සෙමෙන් යාවත්කාලීන වන බර අභිසාරී වීම අපහසු කරයි.
ස්ටෝචස්ටික් ශ්රේණිගත බැස්ම:
- ස්ටෝචස්ටික් අනුක්රමය අනුක්රමණය ගණනය කිරීම සඳහා තනි නියැදියක් භාවිතා කරයි.
- නිතර නිතර බර වෙනස්වීම් හේතුවෙන්, එය කාණ්ඩ අනුක්රමයට වඩා සැලකිය යුතු ලෙස ඉක්මනින් අභිසාරී වේ.
19. ස්නායුක ජාල තුළ රේඛීය නොවන දේ ඇතුළත් කිරීම තීරණාත්මක වන්නේ ඇයි?
ස්ථර කීයක් තිබුණත්, ස්නායු ජාලයක් රේඛීය නොවන අවස්ථාවල ප්රත්යක්ෂයක් සේ හැසිරෙන අතර එමඟින් ප්රතිදානය රේඛීයව ආදානය මත රඳා පවතී.
එය වෙනත් ආකාරයකින් පැවසුවහොත්, n ස්ථර සහ m සැඟවුණු ඒකක සහ රේඛීය සක්රීය කිරීමේ ශ්රිත සහිත ස්නායු ජාලයක් සැඟවුණු ස්ථර නොමැති රේඛීය ස්නායුක ජාලයකට සමාන වන අතර රේඛීය වෙන් කිරීමේ මායිම් තනිකරම හඳුනා ගැනීමේ හැකියාව ඇත.
රේඛීය නොවන බවකින් තොරව, ස්නායුක ජාලයකට සංකීර්ණ ගැටළු විසඳීමට සහ ආදානය නිවැරදිව වර්ග කිරීමට නොහැකි වේ.
20. ගැඹුරු ඉගෙනීමේ ආතතියක් යනු කුමක්ද?
ටෙන්සර් ලෙස හඳුන්වන බහුමාන අරාවක් න්යාස සහ දෛශික සාමාන්යකරණයක් ලෙස ක්රියා කරයි. එය ගැඹුරු ඉගෙනීම සඳහා තීරණාත්මක දත්ත ව්යුහයකි. ටෙන්සර් නියෝජනය කිරීම සඳහා මූලික දත්ත වර්ගවල N-මාන අරා භාවිතා වේ.
ටෙන්සරයේ සෑම සංරචකයක්ම එකම දත්ත වර්ගයක් ඇති අතර, මෙම දත්ත වර්ගය සෑම විටම දන්නා වේ. හැඩයේ කොටසක් පමණක් - එනම්, මානයන් කීයක් තිබේද සහ ඒ සෑම එකක්ම කොතරම් විශාලද යන්න දැන ගත හැකිය.
යෙදවුම් සම්පූර්ණයෙන් දන්නා අවස්ථා වලදී, බහුතර මෙහෙයුම් සම්පූර්ණයෙන්ම දන්නා ටෙන්සර් නිපදවයි; වෙනත් අවස්ථාවල දී, ටෙන්සරයක ස්වරූපය ස්ථාපිත කළ හැක්කේ ප්රස්ථාර ක්රියාත්මක කිරීමේදී පමණි.
21. ගැඹුරු ඉගෙනුම් ආකෘතියක් සඳහා ඔබ සක්රිය කිරීමේ කාර්යය තෝරා ගන්නේ කෙසේද?
- අපේක්ෂා කළ යුතු ප්රතිඵලය සත්ය නම් රේඛීය සක්රීය කිරීමේ ශ්රිතයක් භාවිතා කිරීම අර්ථවත් කරයි.
- පුරෝකථනය කළ යුතු ප්රතිදානය ද්විමය පන්ති සම්භාවිතාවක් නම් Sigmoid ශ්රිතයක් භාවිතා කළ යුතුය.
- ප්රක්ෂේපිත ප්රතිදානයේ වර්ගීකරණයන් දෙකක් තිබේ නම් Tanh ශ්රිතයක් භාවිතා කළ හැක.
- එහි ගණනය කිරීමේ පහසුව හේතුවෙන්, ReLU ශ්රිතය පුළුල් පරාසයක අවස්ථා සඳහා අදාළ වේ.
22. CNN යන්නෙන් ඔබ අදහස් කරන්නේ කුමක්ද?
දෘෂ්ය නිරූපණ ඇගයීම සඳහා විශේෂීකරණය වූ ගැඹුරු ස්නායුක ජාලවලට සංකෝචන ස්නායුක ජාල (CNN, හෝ ConvNet) ඇතුළත් වේ. මෙහිදී, දෛශිකයක් ආදානය නියෝජනය කරන ස්නායුක ජාල වල නොව, ආදානය බහු නාලිකා පින්තූරයකි.
බහු ස්ථර ප්රත්යක්ෂ CNN මගින් විශේෂ ආකාරයකින් භාවිතා කරනු ලබන අතර ඒ සඳහා ඉතා සුළු පෙර සැකසුම් අවශ්ය වේ.
23. බොහෝ CNN ස්ථර මොනවාද?
Convolutional Layer: ප්රධාන ස්තරය වන්නේ convolutional ස්ථරය වන අතර එහි විවිධ ඉගෙන ගත හැකි පෙරහන් සහ ප්රතිග්රාහක ක්ෂේත්රයක් ඇත. මෙම ආරම්භක ස්තරය ආදාන දත්ත ගෙන එහි ලක්ෂණ උකහා ගනී.
ReLU ස්ථරය: ජාල රේඛීය නොවන බවට පත් කිරීමෙන්, මෙම ස්තරය සෘණ පික්සල ශුන්ය බවට පත් කරයි.
සංචිත ස්තරය: සැකසුම් සහ ජාල සැකසීම් අවම කිරීම මගින්, සංචිත ස්ථරය ක්රමයෙන් නිරූපණයේ අවකාශීය ප්රමාණය අවම කරයි. Max pooling යනු සංචිතයේ වැඩිපුරම භාවිතා කරන ක්රමයයි.
24. වැඩිපුර හා අඩුවෙන් ගැලපීමෙන් ඇති වන බලපෑම් මොනවාද, ඔබට ඒවා වළක්වා ගත හැක්කේ කෙසේද?
නිරූපිකාවක් පුහුණු දත්තවල ඇති සංකීර්ණතා සහ ඝෝෂාව ආකෘතියේ නැවුම් දත්ත භාවිතයට අහිතකර ලෙස බලපාන මට්ටමට ඉගෙන ගන්නා විට මෙය අධික ලෙස ගැලපීම ලෙස හැඳින්වේ.
ඉලක්ක කාර්යයක් ඉගෙන ගන්නා අතරතුර වඩා අනුවර්තනය කළ හැකි රේඛීය නොවන ආකෘති සමඟ එය සිදුවීමට වැඩි සම්භාවිතාවක් ඇත. මෝටර් රථ සහ ට්රක් රථ හඳුනා ගැනීමට ආකෘතියක් පුහුණු කළ හැකි නමුත් එයට විශේෂිත පෙට්ටි ආකෘතියක් සහිත වාහන පමණක් හඳුනාගත හැකිය.
එය එක් වර්ගයක ට්රක් රථ මත පමණක් පුහුණු කර ඇති බැවින්, එයට පැතලි ට්රක් රථයක් හඳුනා ගැනීමට නොහැකි විය හැකිය. පුහුණු දත්ත මත, ආකෘතිය හොඳින් ක්රියා කරයි, නමුත් සැබෑ ලෝකයේ නොවේ.
අඩු සවි කර ඇති ආකෘතියක් යනු දත්ත පිළිබඳ ප්රමාණවත් පුහුණුවක් නොමැති හෝ නව තොරතුරු වෙත සාමාන්යකරණය කළ හැකි එකකි. මෙය බොහෝ විට සිදුවන්නේ ආකෘතියක් ප්රමාණවත් නොවන හෝ සාවද්ය දත්ත සමඟ පුහුණු කරන විටය.
නිරවද්යතාවය සහ කාර්ය සාධනය යන දෙකම අඩුවෙන් ගැලපීම මගින් අවදානමට ලක් වේ.
ආදර්ශ නිරවද්යතාව තක්සේරු කිරීම සඳහා දත්ත නැවත නියැදීම (K-fold cross-validation) සහ ආකෘතිය තක්සේරු කිරීම සඳහා වලංගුකරණ දත්ත කට්ටලයක් භාවිතා කිරීම වැඩිපුර ගැළපීම සහ අඩුවෙන් ගැලපීම වළක්වා ගැනීමට ක්රම දෙකකි.
25. ගැඹුරු ඉගෙනීමේදී, RNN යනු කුමක්ද?
පුනරාවර්තන ස්නායුක ජාල (RNNs), කෘතිම ස්නායු ජාල වල පොදු ප්රභේදයක්, RNN යන කෙටි යෙදුමෙන් ගමන් කරයි. ජෙනෝම, අත් අකුරු, පෙළ සහ දත්ත අනුපිළිවෙල, වෙනත් දේවල් සැකසීමට ඔවුන් යොදා ගනී. අවශ්ය පුහුණුව සඳහා RNNs backpropagation භාවිතා කරයි.
26. Adam Optimizer විස්තර කරන්න
ඇඩම් ප්රශස්තිකරණය, අනුවර්තන ගම්යතාවය ලෙසද හැඳින්වේ, විරල අනුක්රමික සමඟ ඝෝෂාකාරී අවස්ථාවන් හැසිරවීමට සංවර්ධනය කරන ලද ප්රශස්තකරණ තාක්ෂණයකි.
ඉක්මන් අභිසාරීතාව සඳහා එක් පරාමිතියකට යාවත්කාලීන සැපයීමට අමතරව, Adam optimizer ගම්යතාව හරහා අභිසාරීතාව වැඩි දියුණු කරයි, ආකෘතියක් සෑදල ලක්ෂ්යයේ සිර නොවන බව සහතික කරයි.
27. ගැඹුරු ස්වයංක්රීය සංකේත: ඒවා මොනවාද?
ගැඹුරු ස්වයංක්රීය කේතකය යනු ජාලයේ කේතීකරණ භාගය සඳහා සාමාන්යයෙන් නොගැඹුරු ස්ථර හතරක් හෝ පහක් සහ විකේතන අර්ධය සඳහා තවත් ස්ථර හතරක් හෝ පහක් ඇතුළත් වන සමමිතික ගැඹුරු විශ්වාස ජාල දෙකක සාමූහික නාමයයි.
මෙම ස්ථර ගැඹුරු විශ්වාස ජාල වල පදනම වන අතර ඒවා Boltzmann යන්ත්ර මගින් සීමා කෙරේ. එක් එක් RBM වලට පසුව, ගැඹුරු ස්වයංක්රීය කේතකයක් MNIST දත්ත කට්ටලයට ද්විමය වෙනස්කම් යොදයි.
RBM වලට වඩා Gaussian නිවැරදි කරන ලද පරිවර්තනයන් වඩාත් කැමති වෙනත් දත්ත කට්ටලවලද ඒවා භාවිතා කළ හැක.
28. Tensorflow හි Tensor යන්නෙන් අදහස් කරන්නේ කුමක්ද?
මෙය නිතිපතා අසනු ලබන තවත් ගැඹුරු ඉගෙනුම් සම්මුඛ පරීක්ෂණයකි. ටෙන්සරයක් යනු ඉහළ මාන අරාවක් ලෙස දර්ශනය වන ගණිතමය සංකල්පයකි.
ටෙන්සර් යනු ස්නායු ජාලයට ආදානය ලෙස සපයනු ලබන සහ විවිධ මානයන් සහ ශ්රේණිගත කිරීම් ඇති මෙම දත්ත අරා වේ.
29. පරිගණක ප්රස්ථාරයක පැහැදිලි කිරීමක්
TensorFlow එකක පදනම වන්නේ පරිගණක ප්රස්ථාරයක් තැනීමයි. සෑම නෝඩයක්ම නෝඩ් ජාලයක් තුළ ක්රියා කරයි, එහිදී නෝඩ් ගණිතමය ක්රියාවන් සහ ටෙන්සර් සඳහා දාර නියෝජනය කරයි.
දත්ත ප්රස්ථාරයක හැඩයෙන් ගලා යන බැවින් එය සමහර විට "DataFlow Graph" ලෙස හැඳින්වේ.
30. උත්පාදක විරුද්ධවාදී ජාල (GANs): ඒවා මොනවාද?
ගැඹුරු ඉගෙනීමේදී, උත්පාදක ආකෘතීන් උත්පාදක විරුද්ධවාදී ජාල භාවිතයෙන් සිදු කෙරේ. එය ආදාන දත්තවල රටා හඳුනා ගැනීමෙන් ප්රතිඵලය නිපදවන අධීක්ෂණය නොකළ කාර්යයකි.
උත්පාදක යන්ත්රය මඟින් නිපදවන අවස්ථා වර්ගීකරණය කිරීමට වෙනස්කම් කරන්නා භාවිතා කරන අතර නව උදාහරණ නිෂ්පාදනය කිරීමට උත්පාදක යන්ත්රය භාවිතා කරයි.
31. ඔබ ගෘහ නිර්මාණ ශිල්පය සැලසුම් කරන විට ස්නායු ජාලයට ඇතුළත් කිරීමට නියුරෝන සහ සැඟවුණු ස්ථර ගණන තෝරා ගන්නේ කෙසේද?
ව්යාපාරික අභියෝගයක් අනුව, ස්නායුක ජාල ගෘහ නිර්මාණ ශිල්පයක් ගොඩනැගීමට අවශ්ය නියුරෝන සහ සැඟවුණු ස්තරවල නිශ්චිත සංඛ්යාව කිසිදු දැඩි හා වේගවත් රීතියකින් තීරණය කළ නොහැක.
ස්නායුක ජාලයක, සැඟවුණු ස්ථරයේ විශාලත්වය ආදාන සහ ප්රතිදාන ස්ථරවල ප්රමාණයේ මධ්යයේ කොහේ හරි වැටිය යුතුය.
ස්නායුක ජාල සැලසුමක් නිර්මාණය කිරීමේ මූලික ආරම්භයක් සරල ක්රම කිහිපයකින් ලබා ගත හැක, කෙසේ වෙතත්:
සමාන තත්ය-ලෝක සැකසුම් තුළ ස්නායු ජාල සමඟ පූර්ව අත්දැකීම් මත පදනම්ව ඕනෑම නිශ්චිත දත්ත කට්ටලයක් සඳහා වඩාත් හොඳින් ක්රියා කරන්නේ කුමක් දැයි බැලීමට මූලික ක්රමානුකූල පරීක්ෂාවකින් ආරම්භ කිරීම සෑම අද්විතීය තත්ය-ලෝක අනාවැකි ආකෘති අභියෝගයකට මුහුණ දීමට හොඳම ක්රමයයි.
නිකුතු වසම පිළිබඳ කෙනෙකුගේ දැනුම සහ පූර්ව ස්නායු ජාල අත්දැකීම් මත පදනම්ව ජාල වින්යාසය තෝරා ගත හැක. ස්නායුක ජාලයක සැකසුම තක්සේරු කිරීමේදී, අදාළ ගැටළු සඳහා භාවිතා කරන ස්ථර සහ නියුරෝන ගණන ආරම්භ කිරීමට හොඳ ස්ථානයකි.
සරල ස්නායුක ජාල සැලසුමකින් පටන් ගෙන ප්රක්ෂේපිත ප්රතිදානය සහ නිරවද්යතාවය මත පදනම්ව ස්නායු ජාලයේ සංකීර්ණත්වය ක්රමයෙන් වැඩි කළ යුතුය.
32. ගැඹුරු ශක්තිමත් කිරීමේ ඉගෙනීම මගින් භාවිතා කරන ස්නායුක ජාල මොනවාද?
- reinforcement learning ලෙස හැඳින්වෙන යන්ත්ර ඉගෙනීමේ ආදර්ශය තුළ, සජීවී දේවල් මෙන් සමුච්චිත විපාක පිළිබඳ අදහස උපරිම කිරීමට ආකෘතිය ක්රියා කරයි.
- ක්රීඩා සහ ස්වයංක්රීය වාහන යන දෙකම සම්බන්ධ ගැටළු ලෙස විස්තර කෙරේ ශක්තිමත් කිරීමේ ඉගෙනීම.
- නිරූපණය කළ යුතු ගැටළුව ක්රීඩාවක් නම් තිරය ආදානය ලෙස භාවිතා කරයි. මීළඟ අදියර සඳහා ප්රතිදානයක් නිපදවීම සඳහා, ඇල්ගොරිතම මඟින් පික්සෙල් ආදානය ලෙස ගෙන ඒවා සංයුති ස්නායු ජාල ස්ථර ගණනාවක් හරහා සකසයි.
- ආකෘතියේ ක්රියාවන්ගේ ප්රතිඵල, හිතකර හෝ නරක, ශක්තිමත් කිරීමක් ලෙස ක්රියා කරයි.
නිගමනය
සෑම කර්මාන්ත ක්ෂේත්රයකම පාහේ යෙදුම් සමඟ ගැඹුරු ඉගෙනීම වසර ගණනාවක් පුරා ජනප්රියත්වයට පත්ව ඇත.
ගැඹුරු ඉගෙනුම් සහ යන්ත්ර ඉගෙනීමේ ප්රවේශයන් භාවිතා කරමින් මිනිස් හැසිරීම් ප්රතිනිර්මාණය කරන ආකෘති නිර්මාණය කළ හැකි දක්ෂ විශේෂඥයින් සමාගම් වැඩි වැඩියෙන් සොයමින් සිටිති.
තම නිපුණතා කට්ටලය වැඩි කර ගන්නා සහ මෙම අති නවීන තාක්ෂණයන් පිළිබඳ දැනුම පවත්වා ගන්නා අපේක්ෂකයින්ට ආකර්ශනීය වේතනයක් සහිත පුළුල් පරාසයක රැකියා අවස්ථා සොයා ගත හැකිය.
බොහෝ විට ඉල්ලා සිටින ගැඹුරු ඉගෙනුම් සම්මුඛ පරීක්ෂණ ප්රශ්න කිහිපයකට ප්රතිචාර දැක්විය යුතු ආකාරය පිළිබඳව ඔබට දැඩි අවබෝධයක් ඇති බැවින් ඔබට දැන් සම්මුඛ සාකච්ඡා සමඟ ආරම්භ කළ හැකිය. ඔබේ අරමුණු මත පදනම්ව ඊළඟ පියවර ගන්න.
Hashdork's වෙත පිවිසෙන්න සම්මුඛ පරීක්ෂණ මාලාව සම්මුඛ පරීක්ෂණ සඳහා සූදානම් වීමට.
ඔබමයි