Table of Contents[Qari][muuji]
- 1. Waa maxay barasho qoto dheer?
- 2. Maxaa Barashada Qoto dheer ka soocaya Barashada Mashiinka?
- 3. Waa maxay fahamkaaga hadda ee shabakadaha neerfaha?
- 4. Waa maxay xaqiiqadu?
- 5. Waa maxay dhab ahaan shabakad neerfaha qoto dheer?
- 6. Waa maxay Saxa ah Multilayer Perceptron (MLP)?
- 7. Waa maxay ujeedada hawlaha firfircoonidu ka ciyaaraan shabakada neerfaha?
- 8. Waa maxay Dhab ahaan Farriinta Hoosta?
- 9. Waa maxay Dhab ahaan Shaqada Qiimaha?
- 10. Sidee shabakadaha qoto-dheer uga fiicnaan karaan kuwa hoose?
- 11. Sharaxaad ka bixi faafinta hore.
- 12. Waa maxay dib u faafinta?
- 13. Marka la eego macnaha guud ee barashada qoto dheer, sidee baad u fahantay jarista gradient?
- 14. Waa maxay Hawlaha Softmax iyo ReLU?
- 15. Qaabka isku xidhka neerfaha ma lagu tababari karaa dhammaan miisaannada loo dejiyay 0?
- 16. Maxaa ka sooca waayihii dufcada iyo soo noqnoqoshada?
- 17. Waa maxay Caadiyan Dufcaddii iyo Ka-tegidda?
- 18. Maxaa Kala Sooca Farsamaynta Farsamaynta Dhibcaha?
- 19. Maxay muhiim u tahay in lagu daro shabakadaha neural-ka ee aan toosnayn?
- 20. Waa maxay tensor waxbarashada qoto dheer?
- 21. Sideed u dooran lahayd shaqada firfircoonida ee qaabka waxbarashada qoto dheer?
- 22. Maxaad uga jeeddaa CNN?
- 23. Waa maxay lakabyada badan ee CNN?
- 24. Waa maxay saamaynta xad-dhaafka ah iyo ku habboonaanta, sideese uga fogaan kartaa?
- 25. Barashada qoto dheer, waa maxay RNN?
- 26. Sifee Aadam Optimizer
- 27. Autoencoders qoto dheer: maxay yihiin?
- 28. Maxay Tensor uga dhigan tahay Tensorflow?
- 29. Sharaxaada garaaf xisaabeedka
- 30. Generative adversarial networks (GANs): maxay yihiin?
- 31. Sideed u dooran doontaa tirada neerfayaasha iyo lakabyada qarsoon si aad ugu darto shabakada neerfaha markaad naqshadayso dhismaha?
- 32. Waa maxay noocyada shabakadaha neerfaha ee loo isticmaalo barashada xoojinta qoto dheer?
- Ugu Dambeyn
Barashada qoto dheer maaha fikrad cusub. Shabakadaha neerfaha ee macmalka ah waxay u adeegaan sida aasaaska kaliya ee qaybta barashada mashiinka ee loo yaqaan barashada qoto dheer.
Barashada qoto dheer waa maskaxda bini'aadamka oo ku dayato, si la mid ah shabakadaha neerfaha, sida loo abuuray inay ku daydaan maskaxda aadanaha.
Muddo ayaa tan jirtay. Maalmahan, qof kastaa wuu ka hadlayaa maadaama aynaan haysan ku dhawaad awood farsamayneed ama xog sida aan hadda haysanno.
20kii sano ee la soo dhaafay, barashada qoto dheer iyo barashada mashiinka ayaa soo ifbaxday taasoo ka dhalatay kor u kaca baaxada leh ee awooda habaynta.
Si uu kaaga caawiyo inaad u diyaargarowdo su'aalo kasta oo aad la kulmi karto markaad raadinayso shaqadaada riyada, boostadani waxay kugu hagi doontaa tiro su'aalo waraysi ah oo barasho qoto dheer, oo u dhexeeya fudud ilaa kuwa adag.
1. Waa maxay barasho qoto dheer?
Haddii aad ka qayb galayso a waxbarashada qoto dheer waraysiga, waxaad shaki la'aan fahantay waxa ay tahay barashada qoto dheer. Waraysiyuhu, si kastaba ha ahaatee, waxa uu kaa filayaa inaad bixiso jawaab faahfaahsan oo ay weheliso sawir ka jawaabaya su'aashan.
Si loo tababaro shabakadaha neerfaha Barashada qoto dheer, xaddi badan oo xog habaysan ama aan habaysan waa in la isticmaalaa. Si loo helo qaabab iyo astaamo qarsoon, waxay samaysaa habab adag (tusaale ahaan, kala soocidda sawirka bisadda iyo tan eyga).
2. Maxaa Barashada Qoto dheer ka soocaya Barashada Mashiinka?
Sida laan ka mid ah sirdoonka macmal ah oo loo yaqaan barashada mashiinka, waxaan ku tababarnaa kombiyuutarada isticmaalaya xogta iyo farsamada iyo algorithmic si ay u fiicnaadaan waqti ka dib.
Dhinac ahaan barashada mashiinka, Barashada qoto dheer waxay ku dayataa qaab dhismeedka shabakada neerfaha ee lagu arko maskaxda bini'aadamka.
3. Waa maxay fahamkaaga hadda ee shabakadaha neerfaha?
Nidaamyada macmalka ah ee loo yaqaan shabakadaha neerfaha waxay u egyihiin shabakadaha neerfaha dabiiciga ah ee laga helo jidhka bini'aadamka si aad u dhow.
Isticmaalka farsamo u eg sida maskaxda aadanaha Shabakadda neural waa ururinta algorithms kuwaaso ujeedadoodu tahay in la aqoonsado isku xidhka hoose ee qayb xog ah.
Nidaamyadani waxay helayaan aqoon hawleed u gaar ah iyagoo soo bandhigaya xog-ururin iyo tusaaleyaal, halkii ay raaci lahaayeen xeerar hawleed gaar ah.
Fikradda ayaa ah in halkii laga lahaan lahaa faham horay loo sii qorsheeyay oo ku saabsan xog-ururintan, nidaamku wuxuu bartaa astaamaha lagu garto xogta la quudiyo.
Saddexda lakab ee shabakadeed ee inta badan lagu isticmaalo Shabakadaha Neural waa sida soo socota:
- Lakabka galitaanka
- Lakabka qarsoon
- Lakabka wax soo saarka
4. Waa maxay xaqiiqadu?
Neuron-ka bayoolojiga ee laga helo maskaxda bini'aadamka waxa uu la mid yahay garashada. Wax qabadyo badan ayaa helay perceptron-ka, kaaso sameeya isbedelo iyo hawlo badan oo soo saara wax soo saar.
Nashqada toosan ee loo yaqaan 'perceptron' ayaa lagu shaqaaleeyay soocidda binary. Waxay u ekaysiiyaa neuron leh qalabyo kala duwan, mid walbana leh miisaan kala duwan.
Neuron-ku wuxuu xisaabiyaa shaqo isagoo isticmaalaya agabkan miisaanka leh wuxuuna soo saaraa natiijooyinka.
5. Waa maxay dhab ahaan shabakad neerfaha qoto dheer?
Shabakadda neerfaha qoto dheer waa shabakad neural ah oo macmal ah (ANN) oo leh dhowr lakab oo u dhexeeya gelinta iyo lakabyada wax soo saarka (DNN).
Shabakadaha neerfaha ee qoto dheer waa shabakado neural qaabdhismeed qoto dheer. Erayga “qoto dheer” waxa uu tilmaamayaa hawlo leh heerar badan iyo unugyo hal lakab ah. Noocyo sax ah oo badan ayaa la abuuri karaa iyadoo lagu darayo lakabyo badan oo waaweyn si loo qabto heerar waaweyn oo qaabab ah.
6. Waa maxay Saxa ah Multilayer Perceptron (MLP)?
Lakabyada gelinta, qarsoon, iyo wax soo saarka ayaa ku jira MLP-yada, si la mid ah shabakadaha neerfaha. Waxaa loo dhisay si la mid ah hal-dakabka perceptron oo leh hal ama dhowr lakab oo qarsoon.
Soosaarka binary-ga ee hal lakab ee perceptron wuxuu u qaybin karaa oo keliya fasallada toosan ee la kala saari karo (0,1), halka MLP ay u kala saari karto fasallo aan toos ahayn.
7. Waa maxay ujeedada hawlaha firfircoonidu ka ciyaaraan shabakada neerfaha?
Hawlgalka firfircoonida ayaa go'aaminaya in neerfaha uu shaqeynayo iyo in kale. Waxqabad kasta oo hawlgelineed waxa uu aqbali karaa wadarta miisaannada wax-soo-gelinta iyo eexda sida gelinta Hawlaha firfircoonida waxaa ka mid ah shaqada tallaabada, Sigmoid, ReLU, Tanh, iyo Softmax.
8. Waa maxay Dhab ahaan Farriinta Hoosta?
Habka ugu fiican ee lagu yaraynayo shaqada qiimaha ama khaladku waa soo degid tartiib ah. Helitaanka hawl yar-yar ee maxaliga ah-caalamka waa yoolka. Tani waxay qeexaysaa dariiqa loo baahan yahay in la raaco si loo yareeyo khaladka.
9. Waa maxay Dhab ahaan Shaqada Qiimaha?
Hawsha kharashku waa mitir si loo qiimeeyo sida wanaagsan ee moodeelkaagu u shaqeeyo; waxaa mararka qaarkood loo yaqaan "khasaare" ama "qallad." Inta lagu jiro faafinta, waxa loo isticmaalaa in lagu xisaabiyo khaladka lakabka wax soo saarka.
Waxaan uga faa'ideysaneynaa qaladkaas si aan u sii wanaajino hababka tababarka shabakada neerfaha anagoo dib ugu riixnay shabakadda neerfaha.
10. Sidee shabakadaha qoto-dheer uga fiicnaan karaan kuwa hoose?
Lakabyada qarsoon ayaa lagu daraa shabakadaha neerfaha marka lagu daro gelinta iyo lakabyada wax soo saarka. Inta u dhaxaysa lakabyada wax-soo-gelinta iyo soo-saarka, shabakadaha neerfaha ee gacmeed waxay adeegsadaan hal lakab oo qarsoon, halka shabakadaha neerfaha qotodheer ay isticmaalaan heerar badan.
Shabakad-gacmeedku waxay u baahan tahay dhawrbeeg si ay u awooddo inay ku habboonaato hawl kasta. Shabakadaha qoto dheer waxay si fiican ugu habboonaan karaan shaqooyinka xitaa tiro yar oo cabbirro ah maadaama ay ku jiraan dhowr lakab.
Shabakado qoto dheer ayaa hadda la door bidaa sababtoo ah kala duwanaanshahooda la shaqeynta nooc kasta oo xogta qaabeynta ah, hadday ahaan lahayd aqoonsiga hadalka ama sawirka.
11. Sharaxaad ka bixi faafinta hore.
Waxyaalaha la soo geliyo waxa lagu kala qaadaa si la mid ah miisaanka lakabka la aasay iyada oo loo marayo habka loo yaqaan faafinta gudbinta.
Wax-soo-saarka firfircoonida waxa lagu xisaabiyaa mid kasta iyo lakab kasta oo la aasay ka hor inta aan farsamayntu u sii socon lakabka soo socda.
Nidaamku wuxuu ka bilaabmaa lakabka wax-soo-gelinta wuxuuna u gudbayaa lakabka wax-soo-saarka ee ugu dambeeya, sidaas darteed magaca faafinta hore.
12. Waa maxay dib u faafinta?
Marka miisaanka iyo eexda lagu hagaajiyo shabakada neerfaha, dib u faafinta ayaa loo isticmaalaa si loo yareeyo shaqada kharashka iyada oo marka hore la eego sida qiimaha isbeddelayo.
Fahamka jilitaanka lakab kasta oo qarsoon ayaa ka dhigaya xisaabinta isbeddelkan mid fudud.
Habka, oo loo yaqaanno faafinta, wuxuu ka bilaabmaa lakabka wax soo saarka wuxuuna dib ugu guuraa lakabyada wax-gelinta.
13. Marka la eego macnaha guud ee barashada qoto dheer, sidee baad u fahantay jarista gradient?
Goynta gradient waa hab lagu xalliyo arrinta is-qarxinta ee soo ifbaxda xilliga dib-u-soo-celinta (xaalad ay ku urursan yihiin jaangooyooyin aan sax ahayn muddo ka dib, taasoo horseedaysa in wax laga beddelo miisaanka moodeelka neerfaha inta lagu jiro tababarka).
Qarxinta jaranjarooyinka waa arrin soo ifbaxda marka gradients-ku aad u weynaadaan inta lagu jiro tababarka, taasoo ka dhigaysa qaabka mid aan degganayn. Haddii gradient-ku uu ka tallaabay cabbirkii la filayey, qiyamka gradient-ku waxa lagu riixaa curiye-beeraha ilaa ugu yar ama qiimaha ugu sarreeya.
Goynta gradient-ku waxay wanaajisaa xasilloonida nambarada shabakada neerfaha inta lagu jiro tababarka, laakiin waxay ku leedahay saamaynta ugu yar waxqabadka moodeelka.
14. Waa maxay Hawlaha Softmax iyo ReLU?
Hawlaha firfircoonida ee loo yaqaan 'Softmax' waxay soo saartaa wax soo saar inta u dhaxaysa 0 iyo 1. Wax soo saar kasta waa la qaybiyaa si wadarta dhammaan wax soo saarku u noqdaan hal. Lakabyada wax soo saarka, Softmax inta badan waa la shaqeeyaa.
Unug toosan oo la hagaajiyay, oo mararka qaarkood loo yaqaan ReLU, ayaa ah shaqada ugu badan ee la isticmaalo. Haddii X ay togan tahay, waxay soo saartaa X, haddii kale waxay soo saartaa eber. ReLU si joogto ah ayaa loogu dabaqaa lakabyada la aasay.
15. Qaabka isku xidhka neerfaha ma lagu tababari karaa dhammaan miisaannada loo dejiyay 0?
Shabakadda neerfaha waligeed ma baran doonto inay dhamaystirto shaqo la siiyay, markaa suurtogal maaha in la tababaro moodal iyadoo la bilaabayo dhammaan miisaannada ilaa 0.
Soosaarayaashu waxay ahaan doonaan isku mid miisaan kasta oo W [1] ah haddii dhammaan miisaannada lagu bilaabo eber, taas oo keeni doonta in neerfayaasha ay bartaan sifooyin isku mid ah si isdaba joog ah.
Ma aha in si fudud loo bilaabo miisaanka 0, laakiin nooc kasta oo joogto ah waxay u badan tahay inay keento natiijo hoose.
16. Maxaa ka sooca waayihii dufcada iyo soo noqnoqoshada?
Qaababka kala duwan ee habaynta xogta iyo farsamooyinka farcanka hoose waxaa ka mid ah dufcaddii, dib-u-eegis, iyo waagii. Epoch waxay ku lug leedahay hal mar oo la sii maraayo shabakad neerfaha oo leh xog dhamaystiran, hore iyo gadaalba.
Si loo helo natiijooyin la isku halayn karo, xog-ururinta si joogta ah ayaa loo gudbiyaa dhowr jeer maadaama ay aad u weyn tahay in lagu gudbo hal isku day.
Dhaqankan ah in si isdaba joog ah loogu socodsiiyo tiro yar oo xog ah iyada oo loo marayo shabakad neerfaha ayaa loo tixraacaa sida soo noqnoqonaysa. Si loo dammaanad qaado in xogta la dhigay ay si guul leh ugu gudubto shabakadaha neerfaha, waxa loo qaybin karaa tiro dufcadood ama qayb-hoosaadyo, kuwaas oo loo yaqaan batching.
Iyada oo ku xidhan cabbirka xog ururinta, dhammaan saddexda hab-epoch, soo noqnoqoshada, iyo cabbirka dufcadda- ayaa asal ahaan ah siyaabaha loo isticmaalo algorithm descent gradient.
17. Waa maxay Caadiyan Dufcaddii iyo Ka-tegidda?
Ka saariddu waxay ka hortagtaa ku-habboonaanta xogta iyadoo si aan kala sooc lahayn meesha uga saaraysa unugyada shabakadda ee muuqda iyo kuwa qarsoonba (sida caadiga ah hoos u dhaca boqolkiiba 20 ee qanjidhada). Waxay labanlaabtaa tirada soo noqnoqota ee loo baahan yahay si loo helo shabakadu inay isku xidho.
Adiga oo caadi ka dhigaya agabyada lakab kasta si ay u yeeshaan firfircoonida wax soo saarka celceliska eber iyo weecasho halbeeg ah, caadi ahaan Dufcaddii waa istaraatijiyad kor loogu qaadayo waxqabadka iyo xasilloonida shabakadaha neerfaha.
18. Maxaa Kala Sooca Farsamaynta Farsamaynta Dhibcaha?
Soo degista Dufcada:
- Xogta dhamaystiran waxa loo istcmaalay in lagu dhiso gradient-ka dufcada
- Tirada badan ee xogta iyo miisaanka si tartiib tartiib ah loo cusboonaysiinayo ayaa ka dhigaya isku dhafka mid adag.
Hoos-u-dhaca Stochastic Gradient:
- Dhererka stochastic wuxuu isticmaalaa hal muunad si uu u xisaabiyo gradient-ka.
- Sababo la xiriira isbeddellada miisaanka ee soo noqnoqda, waxay si aad ah uga dhaqsiyo badan tahay jaangooyooyinka dufcada.
19. Maxay muhiim u tahay in lagu daro shabakadaha neural-ka ee aan toosnayn?
Si kastaba ha ahaatee inta lakab ee jira, shabakada neural waxay u dhaqmi doontaa sida perceptron marka maqnaanshaha aan toos ahayn, samaynta wax soo saarka si toos ah ugu tiirsan galinta.
Si kale haddii loo dhigo, shabakad neural ah oo leh lakabyo n iyo m unugyo qarsoon iyo hawlaha firfircoonida toosan waxay u dhigantaa shabakad neural ah oo aan lahayn lakabyo qarsoon iyo awood u leh inay ogaadaan xuduudaha kala soocida toosan oo keliya.
La'aanteed aan toos ahayn, shabakadda neerfaha ma awooddo inay xalliso arrimaha murugsan oo si sax ah u kala saarta gelinta.
20. Waa maxay tensor waxbarashada qoto dheer?
Iskudubarid dhinacyo badan leh oo loo yaqaan tensor waxay u adeegtaa sida guud ee matrices iyo vectors. Waa qaab-dhismeedka xogta muhiimka u ah barashada qoto dheer. N-cabbirka noocyada xogta aasaasiga ah ayaa loo isticmaalaa si ay u matalaan kiraystayaasha.
Qayb kasta oo ka mid ah tensor-ku waxay leedahay xog isku mid ah, nooca xogtana mar walba waa la yaqaan. Waxaa suurtogal ah in qayb ka mid ah qaabka - oo ah, inta cabbir ee ay leedahay iyo inta mid walba uu weyn yahay - la yaqaan.
Xaaladaha marka wax-soo-gelinta sidoo kale si buuxda loo yaqaan, badi hawlgallada waxay soo saaraan kiraysteyaal si buuxda loo yaqaan; Xaaladaha kale, qaabka tensorka waxaa la dhisi karaa oo kaliya inta lagu jiro garaaf fulinta.
21. Sideed u dooran lahayd shaqada firfircoonida ee qaabka waxbarashada qoto dheer?
- Waa macno in la shaqaaleeyo hawl toos ah oo toos ah haddii natiijada la filayo ay tahay mid dhab ah.
- Shaqada Sigmoid waa in la isticmaalo haddii wax soo saarka la saadaaliyay ay tahay suurtogalnimada fasalka binary.
- Shaqada Tanh waa la isticmaali karaa haddii wax soo saarka la saadaaliyay uu ka kooban yahay laba qaybood.
- Maaddaama ay fududdahay xisaabinta, shaqada ReLU waxaa lagu dabaqi karaa xaalado kala duwan.
22. Maxaad uga jeeddaa CNN?
Shabakadaha neerfaha qoto dheer ee ku takhasusay qiimaynta sawirka muuqaalka waxa ka mid ah shabakadaha neerfaha ee convolutional (CNN, ama ConvNet). Halkan, halkii ay ka ahaan lahaayeen shabakadaha neerfaha halkaas oo vector uu matalo gelinta, gelinta ayaa ah sawir dhowr kanaal ah.
Multilayer Perceptrons waxaa si gaar ah u isticmaala CNN-yada oo u baahan in la sameeyo horudhac aad u yar.
23. Waa maxay lakabyada badan ee CNN?
Lakabka Convolutional: Lakabka ugu weyn waa lakabka convolutional, kaas oo leh noocyo kala duwan oo filtarrada la baran karo iyo goob la aqbali karo. Lakabkan bilawga ah wuxuu qaadaa xogta galinta wuxuuna soosaaraa sifooyinkiisa.
Lakabka ReLU: Adigoo ka dhigaya shabakadaha kuwo aan toos ahayn, lakabkani wuxuu u beddelaa pixels taban eber.
Lakabka barkadda: Iyada oo la yareynayo habaynta iyo habaynta shabakada, lakabka isku-duwidda ayaa si tartiib tartiib ah u yareynaya cabbirka booska ee matalaadda. Isku geynta ugu badan waa habka ugu badan ee la isticmaalo.
24. Waa maxay saamaynta xad-dhaafka ah iyo ku habboonaanta, sideese uga fogaan kartaa?
Tan waxaa loo yaqaana xad-dhaafka ah marka moodeelku barto qallafsanaanta iyo buuqa xogta tababarka ilaa heer ay si xun u saamayso isticmaalka moodeelka ee xogta cusub.
Waxay u badan tahay inay ku dhacaan moodallo aan toos ahayn oo la qabsan kara marka la baranayo shaqada yoolka. Qaabka ayaa loo tababari karaa inuu ogaado baabuurta iyo baabuurta xamuulka ah, laakiin waxa laga yaabaa inay awoodaan oo kaliya inay aqoonsadaan baabuurta leh foom gaar ah.
Marka la eego in lagu tababaray hal nooc oo xamuul ah, waxa laga yaabaa in aanay awoodin in la ogaado gaadhi fidsan. Xogta tababarka, qaabku si fiican ayuu u shaqeeyaa, laakiin maaha adduunka dhabta ah.
Qaabka aan ku habboonayn waxa loola jeedaa mid aan si ku filan loogu tababarin xogta ama awood u leh in uu xog cusub ku soo koobo. Tani waxay badanaa dhacdaa marka moodal lagu tababaro xog aan ku filnayn ama aan sax ahayn.
Saxnaanta iyo waxqabadka labadaba waxaa wax u dhimaya hoos-u-dhigga.
Dib u qaabaynta xogta si loo qiyaaso saxsanaanta moodeelka (K-laab iskutallaabta ansaxinta) iyo adeegsiga kaydinta xogta si loo qiimeeyo moodeelka ayaa ah laba siyaabood oo looga fogaanayo ku-habboonaanta iyo ku-habboonaanta.
25. Barashada qoto dheer, waa maxay RNN?
Shabakadaha neerfaha ee soo noqnoqda (RNNs), oo ah noocyo kala duwan oo ah shabakadaha neerfaha ee macmalka ah, ayaa loo soo gaabiyaa RNN. Waxay u shaqeeyaan si ay u habeeyaan genome, qoraal-fareedka, qoraalka, iyo xogta xogta, iyo waxyaabo kale. Tababarka lagama maarmaanka ah, RNN-yadu waxay shaqaaleeyaan faafinta.
26. Sifee Aadam Optimizer
Adam optimizer, oo sidoo kale loo yaqaano dardargelinta la qabsiga, waa farsamaynta hagaajinta ee la sameeyay si loogu maareeyo xaaladaha buuqa leh ee jaranjaro yar yar.
Marka laga soo tago bixinta cusboonaysiinta halbeeg kasta ee isku xidhka degdegga ah, Adam optimizer-ku waxa uu wanaajiyaa isku-xidhnaanta iyada oo loo marayo dardar, isaga oo hubinaya in moodelku aanu ku xannibnayn barta kooraha.
27. Autoencoders qoto dheer: maxay yihiin?
Deep autoencoder waa magaca wadajirka ah ee laba shabakadood oo caqiido qoto dheer oo guud ahaan ka kooban afar ama shan lakab oo qoto dheer oo loogu talagalay nuska shabakada iyo qayb kale oo afar ama shan lakab ah oo loogu talagalay nuska dejinta.
Lakabyadani waxay sameeyaan aasaaska shabakadaha rumaysadka qoto dheer waxaana xannibay mashiinnada Boltzmann. RBM kasta ka bacdi, autoencoder qotodheer ayaa ku dabaqaya isbeddelada laba-geesoodka ah ee xogta MNIST.
Waxa kale oo loo isticmaali karaa xog-ururinta kale halkaas oo isbeddellada Gaussian la saxay laga door bidi lahaa RBM.
28. Maxay Tensor uga dhigan tahay Tensorflow?
Tani waa su'aal kale oo barasho qoto dheer oo si joogto ah loo weydiiyo. Tensor-ku waa fikrad xisaabeed oo loo sawiray sida hannaan cabbir sare leh.
Tensors waa xogtan xog ururin ah oo lagu bixiyo gelinta shabakada neural waxayna leeyihiin cabbiro iyo darajooyin kala duwan.
29. Sharaxaada garaaf xisaabeedka
Aasaaska TensorFlow waa dhismaha garaaf xisaabeed. Node kastaa wuxuu ku shaqeeyaa shabakad nood ah, halkaas oo noodhadhku u taagan yihiin hawlaha xisaabta iyo cidhifyada tenorsada.
Waxaa mararka qaarkood loo yaqaan "DataFlow Graph" maadaama xogta ay u socoto qaabka garaafka.
30. Generative adversarial networks (GANs): maxay yihiin?
Barashada qoto dheer, qaabaynta wax-soo-saarka waxa lagu dhammeeyaa iyadoo la isticmaalayo shabakado iska soo horjeeda. Waa shaqo aan laga warhayn halka natiijadu ka soo baxdo iyadoo la aqoonsanayo qaababka xogta wax gelinta.
Takoorka waxaa loo isticmaalaa in lagu kala saaro dhacdooyinka uu soo saaray koronto dhaliyaha, halka koronto-dhaliyaha loo isticmaalo in lagu soo saaro tusaalooyin cusub.
31. Sideed u dooran doontaa tirada neerfayaasha iyo lakabyada qarsoon si aad ugu darto shabakada neerfaha markaad naqshadayso dhismaha?
Marka la eego caqabada ganacsiga, tirada saxda ah ee neurons iyo lakabyada qarsoon ee loo baahan yahay si loo dhiso qaab dhismeedka shabakada neerfaha laguma go'aamin karo xeerar adag oo degdeg ah.
Shabakadda neerfaha, cabbirka lakabka qarsoon waa inuu ku dhacaa meel dhexda u ah cabbirka lakabyada wax-soo-gelinta iyo soo-saarka.
Bilawga bilawga ah ee abuurista naqshadeynta shabakada neerfaha waxaa lagu gaari karaa habab dhowr ah oo toos ah, inkastoo:
Laga bilaabo qaar ka mid ah tijaabooyinka habaysan ee aasaasiga ah si loo arko waxa sida ugu fiican u qaban kara xog kasta oo gaar ah oo ku salaysan waayo-aragnimadii hore ee shabakadaha neerfaha ee goobaha la midka ah ee adduunka dhabta ah waa habka ugu fiican ee wax looga qabto caqabad kasta oo saadaasha saadaasha aduunka dhabta ah ee gaarka ah.
Qaabaynta shabakada waxa lagu dooran karaa iyadoo lagu salaynayo aqoonta qofka ee mawduuca mawduuca iyo khibrada hore ee shabakada neerfaha. Marka la qiimaynayo habaynta shabakada neerfaha, tirada lakabyada iyo neerfaha loo isticmaalo dhibaatooyinka la xidhiidha waa meel fiican oo laga bilaabo.
Kakanaanta shabakada neerfaha waa in si tartiib tartiib ah loo kordhiyaa iyadoo lagu saleynayo wax soo saarka la saadaaliyay iyo saxnaanta, laga bilaabo naqshadeynta shabakada neerfaha ee fudud.
32. Waa maxay noocyada shabakadaha neerfaha ee loo isticmaalo barashada xoojinta qoto dheer?
- Mashiinka barashada jaantuska loo yaqaan xoojinta barashada, moodalku wuxuu u dhaqmaa si uu u kordhiyo fikradda abaalmarinta isugeynta, sida waxyaabaha nool ay sameeyaan.
- Ciyaaraha iyo baabuurta iswada ayaa labaduba lagu tilmaamay inay yihiin dhibaatooyin ku lug leh barashada xoojinta.
- Shaashadda waxa loo isticmaalaa soo gelid ahaan haddii dhibka lagu soo bandhigayaa ay tahay ciyaar. Si loo soo saaro wax soo saarka wejiyada soo socda, algorithm-yadu waxay u qaataan pixels-ka sidii gelinta oo ay uga baaraandegaan lakabyo badan oo ah shabakadaha neerfaha ee convolutional.
- Natiijooyinka ficilka tusaalaha, ha ahaato mid wanaagsan ama mid xun, waxay u dhaqmaan sidii xoojin.
Ugu Dambeyn
Barashada qoto dheer ayaa kor u kacday caannimada sannadihii la soo dhaafay, iyada oo la adeegsanayo ku dhawaad meel kasta oo warshado ah.
Shirkaduhu waxay si isa soo taraysa u raadinayaan khabiiro karti leh kuwaas oo naqshadayn kara moodooyin soo celinaya dabeecadaha aadanaha iyagoo isticmaalaya hababka barashada qoto dheer iyo mashiinka.
Musharixiinta kordhiya xirfadooda xirfadeed oo ilaashada aqoontooda tignoolajiyadan casriga ah waxay heli karaan fursado shaqo oo balaadhan oo leh gunno soo jiidasho leh.
Waxaad hadda ku bilaabi kartaa waraysiyada adiga oo si adag u fahmay sida looga jawaabo qaar ka mid ah su'aalaha waraysiga qotodheer ee inta badan la codsado. Talaabada xigta qaado adiga oo ku salaynayo ujeedooyinkaaga.
Booqo Hashdork's Taxanaha Wareysiga si loo diyaariyo wareysiyo.
Leave a Reply