Lisi o Mataupu[Natia][Fa'aali]
- 1. O le a tonu le a'oa'oga loloto?
- 2. O le a le mea e ese ai le aʻoaʻoina loloto mai le aʻoaʻoina o masini?
- 3. O a ni ou malamalama i le taimi nei i neural networks?
- 4. O le a tonu lava le perceptron?
- 5. O le a tonu le mea e ta'u o le deep neural network?
- 6. O le a tonu le Multilayer Perceptron (MLP)?
- 7. O le a le fa'amoemoega o lo'o fa'agaoioia ai galuega i totonu ole neural network?
- 8. O le a tonu le Tulaga Fa'asolo?
- 9. O le a tonu le aoga o le tau?
- 10. E mafai faapefea e fesoʻotaʻiga loloto ona sili atu nai lo mea papaʻu?
- 11. Fa'amatala le fa'asalalauina i luma.
- 12. O le ā le backpropagation?
- 13. I le tulaga o le loloto o le aʻoaʻoina, e faapefea ona e malamalama i le kilipa gradient?
- 14. O a galuega a Softmax ma ReLU?
- 15. E mafai ona a'oa'oina se fa'ata'ita'iga feso'ota'iga neural ma fa'atutu uma le mamafa i le 0?
- 16. O le ā e faaesea ai se vaitaimi mai se vaega ma se faasologa?
- 17. O le a le Batch Normalization ma le Pa'u?
- 18. O le a le mea e tu'u'ese'ese ai le fa'asologa fa'ama'i o le Stochastic mai le fa'asologa fa'ameamea?
- 19. Aiseā e tāua ai le aofia ai o mea e lē laina i totonu o neural networks?
- 20. O le ā le tensor i le aʻoaʻoina loloto?
- 21. E fa'apefea ona e filifilia le fa'agaioiga galuega mo se fa'ata'ita'iga loloto a'oa'oga?
- 22. O le a le uiga o lau tala ia CNN?
- 23. O a le tele o le CNN layers?
- 24. O ā āuga o le soona fai, ma e faapefea ona e ʻalofia?
- 25. I a'oa'oga loloto, o le a le RNN?
- 26. Faamatala le Adam Optimizer
- 27. Deep autoencoders: o a ia mea?
- 28. O le a le uiga o le Tensor i le Tensorflow?
- 29. O se fa'amatalaga o se kalafi fa'atatau
- 30. Generative adversarial networks (GANs): o a ia mea?
- 31. E fa'afefea ona e filifilia le aofa'i o neu ma fa'a natia e fa'aaofia i totonu ole neural network a'o e mamanuina le fausaga?
- 32. O a ituaiga o fesoʻotaʻiga neura o loʻo faʻaaogaina e ala i aʻoaʻoga faʻamalosia loloto?
- iʻuga
O le a'oa'oina loloto e le o se manatu fou. O feso'ota'iga neural fa'akomepiuta e na'o le pau lea o le fa'avae o le vaega o a'oa'oga masini e ta'ua o le a'oa'oga loloto.
O le a'oa'oina loloto o se fa'ata'ita'iga o le fai'ai o le tagata, e pei lava o feso'ota'iga neural, aua na faia e fa'ata'ita'i ai le fai'ai o le tagata.
Sa i ai lenei mea mo sina taimi. O nei aso, o loʻo talanoa tagata uma e uiga i ai talu ai e le o toeititi lava le tele o le gaosiga o le malosiaga poʻo le faʻamaumauga e pei o le taimi nei.
I le 20 tausaga ua tuanaʻi, o aʻoaʻoga loloto ma aʻoaʻoga masini ua aliaʻe mai ona o le faʻatupulaia tele o le gaosiga gafatia.
Ina ia fesoasoani ia te oe e sauniuni mo soʻo se suʻesuʻega e mafai ona e feagai pe a suʻeina lau galuega miti, o lenei pou o le a taʻitaʻia oe i le tele o fesili faʻatalanoaga loloto aʻoaʻoga, mai le faigofie i le lavelave.
1. O le a tonu le a'oa'oga loloto?
Afai o e auai i se loloto aʻoaʻoga faatalanoaga, e mautinoa lava e te malamalama i le aʻoaʻoga loloto. Ae ui i lea, o le tagata fai faatalanoaga, o loʻo faʻamoemoeina oe e tuʻuina atu se tali auiliili faʻatasi ma se faʻataʻitaʻiga e tali atu ai i lenei fesili.
Ina ia mafai ona aoaoina fesoʻotaiga i tua mo a'oa'oga loloto, e tatau ona fa'aoga le tele o fa'amaumauga fa'atulagaina pe le'i fa'atulagaina. Mo le su'eina o mamanu ma uiga natia, e faia ni faiga lavelave (mo se fa'ata'ita'iga, o le fa'avasegaina o le ata o le pusi mai le ata o le taifau).
2. O le a le mea e ese ai le aʻoaʻoina loloto mai le aʻoaʻoina o masini?
I le avea ai o se lala o le atamai faʻapitoa e taʻua o le masini aʻoaʻoga, matou te aʻoaʻoina komepiuta e faʻaaoga ai faʻamaumauga ma fuainumera ma algorithmic techniques ina ia sili atu le lelei i le taimi.
E pei o se itu o masini suʻesuʻe, o aʻoaʻoga loloto e faʻataʻitaʻiina le fausaga o fesoʻotaʻiga neural o loʻo vaʻaia i le faiʻai o le tagata.
3. O a ni ou malamalama i le taimi nei i neural networks?
O faiga fa'akomepiuta ua ta'ua o neural networks e pei o le organic neural networks o lo'o maua i totonu o le tino o le tagata.
Fa'aaogaina o se metotia e pei o le auala o le mafaufau tagata galuega, o se neural network o se aofaʻiga o algorithms e faʻamoemoe e faʻamaonia faʻatasiga faʻavae i totonu o se vaega o faʻamatalaga.
O nei faiga e maua ai le poto fa'apitoa i galuega e ala i le fa'aalia oi latou i le tele o fa'amaumauga ma fa'ata'ita'iga, nai lo le mulimulita'i i so'o se tulafono fa'apitoa.
O le manatu e faapea nai lo le i ai o se malamalama muamua-polokalameina o nei datasets, o le faiga e aʻoaʻoina uiga iloga mai faʻamaumauga o loʻo fafagaina.
O laupepa fesoʻotaʻiga e tolu e masani ona faʻaaogaina i Neural Networks e faʻapea:
- Fa'aulufale
- Papa natia
- Fa'aulufalega
4. O le a tonu lava le perceptron?
O le neuron olaola o loʻo maua i le faiʻai o le tagata e faʻatusatusa i se perceptron. E tele mea fa'aoga e maua mai e le perceptron, ona fa'atinoina lea o le tele o suiga ma galuega ma maua ai se galuega.
O se faʻataʻitaʻiga laina e taʻua o le perceptron o loʻo faʻaaogaina i le faʻavasegaina binary. E fa'ata'ita'iina se neu fa'atasi ai ma mea fa'aoga eseese, e tofu ma le mamafa eseese.
E fa'atatau e le neu se galuega e fa'aaoga ai nei mea mamafa ma fa'ai'uga i'uga.
5. O le a tonu le mea e ta'u o le deep neural network?
O se feso'ota'iga neural loloto o se feso'ota'iga neural fa'akomepiuta (ANN) fa'atasi ai ma le tele o laulau i le va o le fa'aogaina ma le fa'aulufale (DNN).
O feso'ota'iga neural loloto o feso'ota'iga neural loloto. O le upu "loloto" e faasino i galuega ma le tele o tulaga ma iunite i se laulau e tasi. E mafai ona faia ni fa'ata'ita'iga sili atu sa'o e ala i le fa'aopoopoina ma le tele o fa'apalapala e pu'e ai le tele o fa'ata'ita'iga.
6. O le a tonu le Multilayer Perceptron (MLP)?
O mea fa'aoga, natia, ma fa'asologa o mea o lo'o i ai i MLPs, pei o feso'ota'iga neural. O lo'o fausia fa'apei i se tasi-layer perceptron fa'atasi ma se tasi pe sili atu fo'i fa'apa natia.
Ole fua fa'alua ole fa'avasegaga e tasi e mafai ona fa'avasegaina vasega tu'ufa'atasi laina (0,1), a'o le MLP e mafai ona fa'avasega vasega e le'o laina.
7. O le a le fa'amoemoega o lo'o fa'agaoioia ai galuega i totonu ole neural network?
O se galuega fa'agaoioiga e fuafua pe tatau pe leai se neuron e fa'agaoioi i le tulaga sili ona taua. So'o se galuega fa'agaoioiga e mafai ona talia le aofa'i o mea e fai fa'atasi ma le fa'aituau e fai ma fa'aoga. O galuega fa'agaoioia e aofia ai le laasaga, le Sigmoid, le ReLU, le Tanh, ma le Softmax.
8. O le a tonu le Tulaga Fa'asolo?
O le auala sili mo le faʻaitiitia o se tau o galuega poʻo se mea sese o le faʻasolosolo malie. Ole su'eina ole fa'alotoifale-lalolagi minima ole fa'amoemoe. O loʻo faʻamaoti mai ai le ala e tatau ona mulimuli ai le faʻataʻitaʻiga e faʻaitiitia ai mea sese.
9. O le a tonu le aoga o le tau?
O le tau o se fua fa'atatau e iloilo ai le lelei o lau fa'ata'ita'iga; e ta'ua i nisi taimi o le “toilalo” po o le “sese”. I le taimi o backpropagation, e faʻaaogaina e faʻatatau le sese o le laulau faʻapipiʻi.
Matou te fa'aogaina le le sa'o e fa'alautele ai le fa'agasologa o a'oa'oga a le neural network e ala i le tuleia i tua i le neural network.
10. E mafai faapefea e fesoʻotaʻiga loloto ona sili atu nai lo mea papaʻu?
Ua fa'aopoopoina fa'amau fa'alilolilo i feso'ota'iga neural fa'aopoopo i fa'aulufale ma fa'aulu. I le va o le fa'aogaina ma le fa'aogaina o mea, o feso'ota'iga neural papa'u e fa'aogaina ai se vaega e tasi natia, ae o feso'ota'iga neural loloto e fa'aogaina le tele o tulaga.
Ole feso'ota'iga papa'u e mana'omia le tele o ta'otoga ina ia mafai ona fa'aoga i so'o se galuega. O feso'ota'iga loloto e mafai ona fetaui lelei ma galuega e tusa lava pe itiiti se numera o tapula'a talu ai o lo'o aofia ai le tele o laulau.
O feso'ota'iga loloto ua sili atu nei ona o lo latou agava'a i le galulue ma so'o se ituaiga fa'ata'ita'iga fa'amaumauga, pe mo le tautala po'o le fa'ailoaina o ata.
11. Fa'amatala le fa'asalalauina i luma.
E tu'uina atu fa'aulu fa'atasi ma le mamafa i le fa'apa'aga o lo'o tanumia i se fa'agasologa e ta'ua o le fa'asolo atu o le fa'asalalauina.
Ole galuega fa'agaioiga e fa'atatau ile fa'afanua ta'itasi a'o le'i fa'agasolo atu ile vaega o lo'o mulimuli mai.
O le fa'agasologa e amata i le vaega fa'aoga ma aga'i i luma i le vaega pito sili ona lelei, ma fa'apea le igoa fa'asalalauina i luma.
12. O le ā le backpropagation?
Pe a fetuutuunai le mamafa ma le faʻaituau i le neural network, e faʻaaogaina le backpropagation e faʻaitiitia ai le tau o galuega e ala i le mataʻituina muamua pe faʻafefea ona suia le tau.
O le malamalama i le gradient i vaega natia ta'itasi e faigofie ai le fa'atatauina o lenei suiga.
O le fa'agasologa, ua ta'ua o le backpropagation, e amata i le vaega fa'apipi'i ma aga'i i tua i le fa'aulufale.
13. I le tulaga o le loloto o le aʻoaʻoina, e faapefea ona e malamalama i le kilipa gradient?
Gradient Clipping o se metotia mo le foia o le mataupu o le paʻu gradients e tulaʻi mai i tua i tua (o se tulaga e faʻaputuina ai le tele o gradients sese i le aluga o taimi, e oʻo atu ai i suiga taua i le mamafa o fesoʻotaʻiga neural i le taimi o toleniga).
O le fa'asa'o fa'alili ose fa'afitauli e tula'i mai pe a o'o ina lapo'a tele fa'a'ai i le taimi o toleniga, ma fa'aletonu ai le fa'ata'ita'iga. Afai ua laasia e le fa'alili le vaega fa'amoemoeina, e tuleia le fa'alili o le fa'ale-le-elemene i se tau fa'aitiitiga po'o le maualuga.
O le kilipa gradient e faʻaleleia ai le mautu numera o se neural network i le taimi o toleniga, ae e itiiti sona aʻafiaga i le faʻatinoga o le faʻataʻitaʻiga.
14. O a galuega a Softmax ma ReLU?
O se galuega fa'agaoioia e ta'ua o le Softmax e maua ai se gaioiga i le va o le 0 ma le 1. E vaevaeina galuega ta'itasi ina ia tasi le aofa'i o galuega uma. Mo fa'asologa o galuega, Softmax e fa'aaoga soo.
Fa'asa'o Linear Unit, o nisi taimi e ta'ua o le ReLU, o le galuega fa'agaoioia sili ona fa'aaogaina. Afai o le X e lelei, e maua mai ai le X, a leai e maua ai le zero. E masani ona faʻaoga le ReLU i faʻamalama tanumia.
15. E mafai ona a'oa'oina se fa'ata'ita'iga feso'ota'iga neural ma fa'atutu uma le mamafa i le 0?
Ole neural network e le mafai ona aʻoaʻoina e faʻamaeʻa se galuega, o le mea lea e le mafai ai ona aʻoaʻoina se faʻataʻitaʻiga e ala i le amataina o mamafa uma i le 0.
O mea e maua mai o le a tumau pea mo mamafa uma i le W [1] pe afai e amata uma le mamafa i le zero, lea o le a iu ai i neu e aʻoaʻoina tutusa foliga tutusa.
E le na'o le amataina o le mamafa i le 0, ae i so'o se ituaiga o fa'amautu e ono i'u ai i se fa'ai'uga la'ititi.
16. O le ā e faaesea ai se vaitaimi mai se vaega ma se faasologa?
O ituaiga eseese o le fa'agaioina o fa'amaumauga ma le fa'asolosolo fa'asolosolo auala e aofia ai le fa'aputuga, fa'asologa, ma le taimi. Epoch e aofia ai le tasi-e ala i se neural network ma se faʻamaumauga atoa, i luma ma tua.
Ina ia maua ai fa'ai'uga fa'atuatuaina, e masani ona pasi fa'atele taimi ona e telē tele e pasi i se taumafaiga e tasi.
O lenei faiga o le fa'aauau pea ona fa'agasolo sina vaega itiiti o fa'amaumauga e ala i se neural network e ta'ua o le fa'asologa. Ina ia faʻamautinoa o faʻamaumauga o faʻamaumauga o loʻo faʻatautaia ma le manuia fesoʻotaʻiga neural, e mafai ona vaevaeina i ni vaega poʻo ni vaega laiti, lea e taʻua o le batching.
Faʻalagolago i le aofaʻi o le aoina o faʻamaumauga, o auala uma e tolu-epoch, iteration, ma le batch size-o auala tonu ia e faʻaaoga ai le fa'asolosolo fa'asologa algorithm.
17. O le a le Batch Normalization ma le Pa'u?
Fa'amuta e taofia ai le fa'aogaina o fa'amaumauga e ala i le aveese fa'afuase'i o vaega o feso'otaiga va'aia ma natia (e masani ona pa'u i lalo le 20 pasene o pona). E fa'aluaina le numera o fa'asologa e mana'omia ina ia fa'afeso'ota'i le feso'otaiga.
E ala i le faʻavasegaina o mea faʻaoga i totonu o laulau taʻitasi e maua ai le faʻagasologa o galuega faatino o le zero ma se faʻasologa masani o le tasi, o le faʻavasegaina o vaega o se taʻiala e faʻaleleia ai le faʻatinoga ma le mautu o fesoʻotaʻiga neural.
18. O le a le mea e tu'u'ese'ese ai le fa'asologa fa'ama'i o le Stochastic mai le fa'asologa fa'ameamea?
Tu'u Fa'asologa Fa'asolo:
- O fa'amaumauga atoa e fa'aoga e fau ai le fa'alili mo le fa'alili o vaega.
- O le tele o fa'amaumauga ma le fa'afou lemu o mamafa e faigata ai le fa'atasi.
Stochastic Gradient Descent:
- E fa'aaoga e le gradient stochastic se fa'ata'ita'iga e tasi e fa'atatau ai le fa'alili.
- Ona o le tele o suiga o le mamafa, e sili atu le vave faʻafeiloaʻi nai lo le faʻasolosolo faʻasolosolo.
19. Aiseā e tāua ai le aofia ai o mea e lē laina i totonu o neural networks?
E tusa lava po o le a le tele o laupepa o loʻo i ai, o le neural network o le a amio e pei o se perceptron i le leai o ni laina laina, ma faʻalagolago le gaioiga i luga ole mea e tuʻuina atu.
I se isi itu, o se neural network ma n layers ma m iunite natia ma linear activation functions e tutusa ma se laina neural network e aunoa ma ni mea natia ma faatasi ai ma le mafai ona iloa laina vavaeese tuaoi na o.
A aunoa ma ni laina laina, e le mafai e se neural network ona foia mataupu lavelave ma faʻavasega saʻo le faʻaoga.
20. O le ā le tensor i le aʻoaʻoina loloto?
O se fa'asologa tele e ta'ua o le tensor e avea o se fa'asalalauga lautele o matrices ma vectors. Ose fa'amaumauga taua tele mo a'oa'oga loloto. O fa'asologa N-dimensional o ituaiga fa'amaumauga autu e fa'aaogaina e fai ma sui o tensors.
O vaega uma o le tensor e tutusa le ituaiga faʻamatalaga, ma o lenei ituaiga faʻamatalaga e iloa i taimi uma. E mafai ona na o se vaega o foliga—o lona uiga, pe fia le tele o i ai ma pe o le a le tele o ia—e iloa.
I tulaga e iloa atoa ai mea e fai, o le tele o gaioiga e maua ai le tensors iloa atoatoa; i isi tulaga, o le foliga o se tensor e mafai ona faʻamautuina i le taimi o le faʻatinoina o le kalafa.
21. E fa'apefea ona e filifilia le fa'agaioiga galuega mo se fa'ata'ita'iga loloto a'oa'oga?
- E talafeagai le fa'aaogaina o se galuega fa'agaoioi laina pe afai o le taunuuga e tatau ona fa'amoemoe e moni.
- E tatau ona fa'aogaina se galuega Sigmoid pe a fai o le gaioiga e tatau ona va'aia o se tulaga fa'alua.
- E mafai ona fa'aogaina se galuega a Tanh pe a fai o le galuega fa'atino e lua fa'avasegaga.
- Ona o le faigofie o le faʻatulagaina, o le ReLU galuega e faʻaaogaina i le tele o tulaga.
22. O le a le uiga o lau tala ia CNN?
O feso'ota'iga neural loloto e fa'apitoa i le iloiloina o ata va'aia e aofia ai feso'ota'iga neural convolutional (CNN, po'o ConvNet). Iinei, nai lo i totonu o fesoʻotaʻiga neural lea e faʻatusalia ai e le vector le faʻaoga, o le faʻaoga o se ata e tele-channeled.
Multilayer perceptrons o loʻo faʻaogaina i se auala faʻapitoa e CNNs e manaʻomia ai sina faʻasologa muamua.
23. O a le tele o le CNN layers?
Layer Convolutional: O le vaega autu o le convolutional layer, lea e iai le tele o filiga e mafai ona aʻoaʻoina ma se avanoa e talia ai. O le vaega muamua lea e ave ai fa'amaumauga o lo'o tu'uina atu ma maua mai ai ona uiga.
ReLU Layer: E ala i le faia o fesoʻotaʻiga e le o laina, o lenei laulau e liliu ai pika le lelei i le zero.
Fa'ato'a fa'aputuga: I le fa'aitiitiga o fa'agaioiga ma feso'otaiga feso'ota'iga, o le fa'aputuga fa'aputu fa'aitiitiga fa'aitiitiga le tele fa'afanua o le fa'atusa. Max pooling o le auala sili ona faʻaaogaina o le faʻaputuina.
24. O ā āuga o le soona fai, ma e faapefea ona e ʻalofia?
E ta'ua lea o le overfitting pe a a'oa'oina e se fa'ata'ita'iga le lavelave ma le pisapisao i fa'amaumauga a'oa'oga e o'o i le tulaga e a'afia ai le fa'aogaina o fa'amatalaga fou a le fa'ata'ita'iga.
E sili atu le fa'amoemoe e tupu i fa'ata'ita'iga e le'i laina e sili atu ona fetu'una'i a'o a'oa'oina se galuega sini. E mafai ona a'oa'oina se fa'ata'ita'iga e su'esu'e ai ta'avale ma ta'avale, ae atonu e na'o ta'avale e iai se pusa fa'apitoa e mafai ona iloa ai.
Talu ai e na o le tasi le ituaiga o loli na aʻoaʻoina, atonu e le mafai ona iloa se loli mafolafola. I luga o faʻamatalaga aʻoaʻoga, e lelei le faʻataʻitaʻiga, ae le o le lalolagi moni.
O se fa'ata'ita'iga e le'i fa'aogaina e fa'atatau i se fa'ata'ita'iga e le'o lava le a'oa'oina i fa'amaumauga pe mafai fo'i ona fa'asalalau i fa'amatalaga fou. E masani ona tupu lenei mea pe a aʻoaʻoina se faʻataʻitaʻiga e le lava pe le saʻo faʻamatalaga.
O le sa'o ma le fa'atinoga o lo'o fa'aletonu uma e ala i le fa'aletonu.
Toe fa'avasegaina o fa'amaumauga e fa'atatau i le sa'o o le fa'ata'ita'iga (K-fold cross-validation) ma le fa'aogaina o se fa'amaumauga fa'amaonia e iloilo ai le fa'ata'ita'iga o auala ia e lua e 'alofia ai le fa'asili ma le fa'aogaina.
25. I a'oa'oga loloto, o le a le RNN?
Feso'ota'iga neural faifaipea (RNNs), o se ituaiga masani o feso'ota'iga neural fa'akomepiuta, alu i le fa'apu'upu'u RNN. O loʻo faʻafaigaluegaina i latou e faʻatautaia genomes, tusilima, tusitusiga, ma faʻasologa o faʻamaumauga, ma isi mea. Mo aʻoaʻoga manaʻomia, e faʻaaogaina e RNNs le backpropagation.
26. Faamatala le Adam Optimizer
O le Adam optimizer, e ta'ua foi o le adaptive momentum, ose metotia fa'ata'ita'i ua atia'e e fa'atautaia ai tulaga pisapisao ma fa'asolo malie.
E le gata i le saunia o fa'afouga ta'i-parameter mo le fa'avave vave, o le Adam optimizer e fa'aleleia atili le fe'avea'i e ala i le malosi, ma fa'amautinoa e le saisaitia se fa'ata'ita'iga i le tulaga nofoa nofoa.
27. Deep autoencoders: o a ia mea?
Deep autoencoder o le igoa tu'ufa'atasi mo feso'ota'iga talitonuga loloto e lua e masani ona aofia ai fa'apapa papa'u se fa pe lima mo le fa'ailoga o le 'afa o le feso'otaiga ma le isi seti o fa pe lima laulau mo le fa'avasegaina afa.
O nei faʻavae e fausia ai le faavae o fesoʻotaʻiga talitonuga loloto ma faʻamalosia e masini Boltzmann. A maeʻa RBM taʻitasi, e faʻaogaina e le autoencoder loloto suiga binary i le dataset MNIST.
E mafai fo'i ona fa'aoga i isi fa'amaumauga e sili atu ai suiga fa'asa'o Gaussian nai lo le RBM.
28. O le a le uiga o le Tensor i le Tensorflow?
O le isi lea fesili faʻatalanoaga loloto aʻoaʻoga e masani ona fesiligia. O le tensor o se manatu fa'a-matematika o lo'o va'aia o ni fa'asologa maualuga.
Tensors o nei faʻamaumauga faʻamaumauga o loʻo tuʻuina atu e fai ma faʻaoga i le neural network ma e eseese itu ma tulaga.
29. O se fa'amatalaga o se kalafi fa'atatau
O le faavae o le TensorFlow o le fausiaina lea o se kalafi faʻatusatusa. O node ta'itasi e galue i se feso'ota'iga o nodes, lea e tu ai nodes mo galuega fa'a-matematika ma pito mo tensors.
O nisi taimi e ta'ua o le "DataFlow Graph" talu ai o fa'amaumauga e tafe i foliga o se kalafi.
30. Generative adversarial networks (GANs): o a ia mea?
I le Aʻoaʻoga loloto, faʻataʻitaʻiga faʻatupuina e faʻataunuʻuina e faʻaaoga ai fesoʻotaʻiga faʻalavelave faʻatupu. Ose galuega e le'i va'aia e maua ai le fa'ai'uga e ala i le fa'ailoaina o fa'ata'ita'iga i fa'amaumauga tu'ufa'atasi.
O le fa'aituau e fa'aaogaina e fa'avasega ai mea na gaosia e le afi, ae o le afi e fa'aaogaina e maua ai fa'ata'ita'iga fou.
31. E fa'afefea ona e filifilia le aofa'i o neu ma fa'a natia e fa'aaofia i totonu ole neural network a'o e mamanuina le fausaga?
Tuuina atu se luʻitau pisinisi, o le numera saʻo o neu ma mea natia e manaʻomia e fausia ai se fausaga fesoʻotaʻiga neural e le mafai ona fuafuaina e soʻo se tulafono faigata ma vave.
I totonu o se fesoʻotaʻiga neural, o le tele o le laupepa natia e tatau ona paʻu i se mea i le ogatotonu o le tele o le faʻaogaina ma le gaosiga o mea.
O se ulu amata i le fatuina o se neural network design e mafai ona ausia i ni nai auala tuusao, e ui lava:
Amata i ni su'ega fa'avae fa'avae e iloa ai po'o le a le mea e sili ona lelei mo so'o se fa'amaumauga fa'apitoa e fa'avae i luga o le poto masani i neural networks i fa'atusa fa'atusa o le lalolagi, o le auala sili lea e fo'ia ai lu'itau fa'ata'ita'iga fa'ata'ita'i fa'atusa.
E mafai ona filifilia le fetuutuunaiga o feso'ota'iga e fa'atatau i le malamalama o se tasi i le fa'afitauli ma le poto masani o feso'otaiga neural muamua. Pe a su'esu'eina le seti o feso'ota'iga neural, o le aofa'i o laulau ma neu o lo'o fa'aogaina i fa'afitauli fa'atatau o se nofoaga lelei e amata ai.
Ole lavelave ole feso'ota'iga neural e tatau ona fa'atupula'ia malie e fa'atatau i galuega fa'atino ma le sa'o, e amata i se mamanu faigofie feso'ota'iga neural.
32. O a ituaiga o fesoʻotaʻiga neura o loʻo faʻaaogaina e ala i aʻoaʻoga faʻamalosia loloto?
- I se faʻataʻitaʻiga aʻoaʻoga masini e taʻua o le faʻamalosia o aʻoaʻoga, o le faʻataʻitaʻiga e galue e faʻateleina le manatu o taui faʻaopoopo, e pei lava o mea ola e fai.
- Ta'aloga ma ta'avale ta'avale e fa'amatalaina uma o ni fa'afitauli e a'afia ai aʻoaʻoga faʻamalosi.
- O le lau e fa'aaogaina e fai ma fa'aoga pe afai o le fa'afitauli e fa'atusaina o se ta'aloga. Ina ia mafai ona maua se gaioiga mo isi vaega, o le algorithm e ave pixels e fai ma faʻaoga ma faʻagasolo i latou e ala i le tele o laulau o fesoʻotaʻiga neural convolutional.
- O fa'ai'uga a le fa'ata'ita'iga, pe lelei pe leaga, e fai ma fa'amalosia.
iʻuga
O le a'oa'oga loloto ua si'itia i le ta'uta'ua i le tele o tausaga, fa'atasi ai ma fa'aoga i le toetoe lava o vaega uma o alamanuia.
Kamupani o loʻo faʻateleina le suʻeina o tagata tomai faʻapitoa e mafai ona mamanuina faʻataʻitaʻiga e faʻataʻitaʻia amioga a tagata e faʻaaoga ai aʻoaʻoga loloto ma auala e aʻoaʻo ai masini.
O sui e fa'atuputeleina lo latou tomai ma fa'atumauina lo latou malamalama i nei tekonolosi fa'aonaponei e mafai ona maua le tele o avanoa faigaluega ma totogi matagofie.
E mafai ona e amata i faatalanoaga i le taimi nei ua e maua se malamalama malosi i le auala e tali atu ai i nisi o fesili faʻatalanoaga loloto e masani ona talosagaina. Fai le isi laasaga e fa'atatau i au sini.
Asiasi i Hashdork's Fa'asologa o Fa'atalanoaga e saunia ai mo faatalanoaga.
Tuua se tali