பொருளடக்கம்[மறை][காட்டு]
"கிராப் நியூரல் நெட்வொர்க்குகள்" (ஜிஎன்என்) எனப்படும் ஆழமான கற்றல் நுட்பங்கள் வரைபட களத்தில் செயல்படுகின்றன. இந்த நெட்வொர்க்குகள் சமீபகாலமாக கணினி பார்வை, பரிந்துரை அமைப்புகள் மற்றும் ஒருங்கிணைந்த தேர்வுமுறை உள்ளிட்ட பல்வேறு துறைகளில் பயன்பாட்டைக் கண்டறிந்துள்ளன.
கூடுதலாக, இந்த நெட்வொர்க்குகள் சமூக வலைப்பின்னல்கள், புரதம்-புரத தொடர்பு நெட்வொர்க்குகள், அறிவு வரைபடங்கள் மற்றும் பல ஆய்வுத் துறைகளில் உள்ள சிக்கலான அமைப்புகளை பிரதிநிதித்துவப்படுத்த பயன்படுத்தப்படலாம்.
யூக்ளிடியன் அல்லாத இடம் என்பது படங்கள் போன்ற பிற வகை தரவுகளுக்கு மாறாக வரைபடத் தரவு செயல்படும் இடமாகும். முனைகளை வகைப்படுத்தவும், இணைப்புகளை கணிக்கவும் மற்றும் கிளஸ்டர் தரவுகளை வகைப்படுத்தவும், வரைபட பகுப்பாய்வு பயன்படுத்தப்படுகிறது.
இந்த கட்டுரையில், வரைபடத்தை ஆராய்வோம் நியூரல் நெட்வொர்க் விரிவாக, அதன் வகைகள், அத்துடன் PyTorch ஐப் பயன்படுத்தி நடைமுறை எடுத்துக்காட்டுகளை வழங்குகின்றன.
எனவே, வரைபடம் என்றால் என்ன?
வரைபடம் என்பது கணுக்கள் மற்றும் செங்குத்துகளால் ஆன ஒரு வகை தரவுக் கட்டமைப்பாகும். பல்வேறு முனைகளுக்கு இடையிலான இணைப்புகள் செங்குத்துகளால் தீர்மானிக்கப்படுகின்றன. முனைகளில் திசை சுட்டிக்காட்டப்பட்டால், வரைபடம் இயக்கப்பட்டதாகக் கூறப்படுகிறது; இல்லையெனில், அது திசைதிருப்பப்படவில்லை.
வரைபடங்களின் ஒரு நல்ல பயன்பாடானது, பல்வேறு நபர்களுக்கு இடையேயான உறவுகளை மாதிரியாக்குவதாகும் சமூக வலைத்தளம். இணைப்புகள் மற்றும் பரிமாற்றங்கள் போன்ற சிக்கலான சூழ்நிலைகளைக் கையாளும் போது, வரைபடங்கள் மிகவும் உதவியாக இருக்கும்.
அவர்கள் பரிந்துரை அமைப்புகள், சொற்பொருள் பகுப்பாய்வு, சமூக வலைப்பின்னல் பகுப்பாய்வு மற்றும் முறை அங்கீகாரம் ஆகியவற்றால் பயன்படுத்தப்படுகிறார்கள்
. வரைபட அடிப்படையிலான தீர்வுகளை உருவாக்குவது என்பது சிக்கலான மற்றும் ஒன்றோடொன்று தொடர்புடைய தரவைப் பற்றிய நுண்ணறிவுப் புரிதலை வழங்கும் புத்தம் புதிய துறையாகும்.
வரைபட நரம்பியல் நெட்வொர்க்
வரைபட நரம்பியல் நெட்வொர்க்குகள் ஒரு வரைபட தரவு வடிவத்தில் செயல்படக்கூடிய சிறப்பு நரம்பியல் நெட்வொர்க் வகைகளாகும். வரைபட உட்பொதித்தல் மற்றும் கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் (சிஎன்என்) அவற்றில் குறிப்பிடத்தக்க தாக்கத்தை ஏற்படுத்துகின்றன.
கிராஃப் நியூரல் நெட்வொர்க்குகள் கணுக்கள், விளிம்புகள் மற்றும் வரைபடங்கள் ஆகியவற்றைக் கணிக்கும் பணிகளில் பயன்படுத்தப்படுகின்றன.
- படங்களை வகைப்படுத்த CNNகள் பயன்படுத்தப்படுகின்றன. இதேபோல், ஒரு வகுப்பைக் கணிக்க, வரைபட அமைப்பைக் குறிக்கும் பிக்சல் கட்டத்திற்கு GNNகள் பயன்படுத்தப்படுகின்றன.
- மறுநிகழ்வு நரம்பியல் நெட்வொர்க்குகளைப் பயன்படுத்தி உரை வகைப்படுத்தல். ஒரு சொற்றொடரில் உள்ள ஒவ்வொரு வார்த்தையும் ஒரு முனையாக இருக்கும் வரைபடக் கட்டமைப்பிலும் GNNகள் பயன்படுத்தப்படுகின்றன.
கணுக்கள், விளிம்புகள் அல்லது முழுமையான வரைபடங்களை முன்னறிவிப்பதற்காக, ஜிஎன்என்களை உருவாக்க நரம்பியல் நெட்வொர்க்குகள் பயன்படுத்தப்படுகின்றன. கணு மட்டத்தில் கணிப்பு, எடுத்துக்காட்டாக, ஸ்பேம் கண்டறிதல் போன்ற சிக்கலை தீர்க்க முடியும்.
இணைப்பு முன்கணிப்பு என்பது பரிந்துரையாளர் அமைப்புகளில் ஒரு பொதுவான நிகழ்வு மற்றும் விளிம்பு வாரியான முன்கணிப்பு சிக்கலுக்கு ஒரு எடுத்துக்காட்டு.
வரைபட நரம்பியல் நெட்வொர்க் வகைகள்
பல நரம்பியல் நெட்வொர்க் வகைகள் உள்ளன, மேலும் அவற்றில் பெரும்பாலானவற்றில் கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் உள்ளன. இந்த பகுதியில் மிகவும் பிரபலமான GNN களைப் பற்றி அறிந்து கொள்வோம்.
வரைபட மாற்றும் நெட்வொர்க்குகள் (GCNs)
அவை கிளாசிக் CNNகளுடன் ஒப்பிடத்தக்கவை. அருகிலுள்ள முனைகளைப் பார்ப்பதன் மூலம் இது பண்புகளைப் பெறுகிறது. முனை திசையன்களை ஒருங்கிணைத்து, வெளியீட்டை அடர்த்தியான அடுக்குக்கு அனுப்பிய பிறகு, நேரியல் அல்லாத தன்மையைச் சேர்க்க, செயல்படுத்தும் செயல்பாடு GNNகளால் பயன்படுத்தப்படுகிறது.
இது வரைபட உருமாற்றம், நேரியல் அடுக்கு மற்றும் கற்றல் அல்லாத செயல்படுத்தல் செயல்பாடு ஆகியவற்றால் ஆனது. GCNகள் இரண்டு முக்கிய வகைகளில் வருகின்றன: ஸ்பெக்ட்ரல் கன்வல்யூஷனல் நெட்வொர்க்குகள் மற்றும் ஸ்பேஷியல் கன்வல்யூஷனல் நெட்வொர்க்குகள்.
வரைபடம் தானியங்கு-குறியாக்கி நெட்வொர்க்குகள்
வரைபடங்களை எவ்வாறு பிரதிநிதித்துவப்படுத்துவது என்பதை அறிய இது ஒரு குறியாக்கியையும் உள்ளீட்டு வரைபடங்களை மறுகட்டமைக்க ஒரு குறிவிலக்கியையும் பயன்படுத்துகிறது. குறியாக்கி மற்றும் குறிவிலக்கியை இணைக்கும் ஒரு இடையூறு அடுக்கு உள்ளது.
தன்னியக்க குறியாக்கிகள் வகுப்பு சமநிலையைக் கையாள்வதில் சிறந்த வேலையைச் செய்வதால், அவை இணைப்புக் கணிப்பில் அடிக்கடி பயன்படுத்தப்படுகின்றன.
தொடர்ச்சியான வரைபட நரம்பியல் நெட்வொர்க்குகள் (RGNNs)
மல்டி-ரிலேஷனல் நெட்வொர்க்குகளில், ஒரு கணு பல உறவுகளைக் கொண்டிருக்கும், அது உகந்த பரவல் வடிவத்தைக் கற்றுக்கொள்கிறது மற்றும் வரைபடங்களை நிர்வகிக்க முடியும். மென்மையை அதிகரிக்கவும், அதிகப்படியான அளவுருவைக் குறைக்கவும், இந்த வரைபட நரம்பியல் வலையமைப்பில் முறைப்படுத்திகள் பயன்படுத்தப்படுகின்றன.
சிறந்த விளைவுகளைப் பெற, RGNNகளுக்கு குறைவான செயலாக்க சக்தி தேவைப்படுகிறது. அவை உரை உருவாக்கம், பேச்சு அங்கீகாரம், இயந்திர மொழிபெயர்ப்பு, பட விளக்கம், வீடியோ குறியிடல் மற்றும் உரை சுருக்கம் ஆகியவற்றிற்குப் பயன்படுத்தப்படுகின்றன.
கேடட் நியூரல் கிராஃப் நெட்வொர்க்குகள் (ஜிஜிஎன்என்)
நீண்ட கால சார்பு பணிகளுக்கு வரும்போது, அவை RGNNகளை விட சிறப்பாக செயல்படுகின்றன. நீண்ட கால சார்புகளில் முனை, விளிம்பு மற்றும் தற்காலிக வாயில்களை சேர்ப்பதன் மூலம், கேடட் கிராஃப் நியூரல் நெட்வொர்க்குகள் மீண்டும் மீண்டும் வரும் வரைபட நரம்பியல் நெட்வொர்க்குகளை மேம்படுத்துகின்றன.
வாயில்கள் பல்வேறு நிலைகளில் தரவை நினைவுபடுத்தவும் மறக்கவும் பயன்படும் Gated Recurrent Units (GRUs) போலவே செயல்படுகின்றன.
Pytorch ஐப் பயன்படுத்தி கிராஃப் நியூரல் நெட்வொர்க்கை செயல்படுத்துதல்
நாங்கள் கவனம் செலுத்தும் குறிப்பிட்ட சிக்கல் பொதுவான முனை வகைப்படுத்தல் சிக்கலாகும். எங்களிடம் ஒரு பெரிய சமூக வலைப்பின்னல் உள்ளது musae-github, இது கிட்ஹப் டெவலப்பர்களுக்காக திறந்த API இலிருந்து தொகுக்கப்பட்டது.
முனைகளுக்கு இடையே உள்ள பரஸ்பர பின்தொடர்பவர் உறவுகளை விளிம்புகள் காட்டுகின்றன, அவை குறைந்தது 10 களஞ்சியங்களில் நடித்த டெவலப்பர்களை (பிளாட்ஃபார்ம் பயனர்கள்) பிரதிநிதித்துவப்படுத்துகின்றன (பரஸ்பர என்ற சொல் திசைதிருப்பப்படாத உறவைக் குறிக்கிறது என்பதை நினைவில் கொள்ளவும்).
முனையின் இருப்பிடம், நட்சத்திரமிட்ட களஞ்சியங்கள், முதலாளி மற்றும் மின்னஞ்சல் முகவரி ஆகியவற்றின் அடிப்படையில், முனை பண்புகள் மீட்டெடுக்கப்படுகின்றன. ஒரு GitHub பயனர் ஒரு வலை உருவாக்குபவரா அல்லது a இயந்திர கற்றல் டெவலப்பர் நமது பணியாகும்.
ஒவ்வொரு பயனரின் பணி தலைப்பும் இந்த இலக்கு செயல்பாட்டிற்கு அடிப்படையாக செயல்பட்டது.
PyTorch ஐ நிறுவுகிறது
தொடங்குவதற்கு, நாம் முதலில் நிறுவ வேண்டும் பைடோர்ச். உங்கள் கணினியின் படி அதை நீங்கள் கட்டமைக்கலாம் இங்கே. இதோ என்னுடையது:
தொகுதிகளை இறக்குமதி செய்கிறது
இப்போது, தேவையான தொகுதிகளை இறக்குமதி செய்கிறோம்
தரவை இறக்குமதி செய்து ஆராயுங்கள்
பின்வரும் படியானது தரவைப் படித்து லேபிள்கள் கோப்பிலிருந்து முதல் ஐந்து வரிசைகளையும் கடைசி ஐந்து வரிசைகளையும் திட்டமிடுவதாகும்.
நான்கு நெடுவரிசைகளில் இரண்டு மட்டுமே—நோடின் ஐடி (அதாவது, பயனர்) மற்றும் ml_target, இது பயனர் இயந்திர கற்றல் சமூகத்தில் உறுப்பினராக இருந்தால் 1 மற்றும் இல்லையெனில் 0—இந்தச் சூழ்நிலையில் நமக்குப் பொருத்தமானது.
இரண்டு வகுப்புகள் மட்டுமே இருப்பதால், எங்கள் பணி ஒரு பைனரி வகைப்பாடு பிரச்சினை என்பதை இப்போது உறுதியாக நம்பலாம்.
குறிப்பிடத்தக்க வர்க்க ஏற்றத்தாழ்வுகளின் விளைவாக, வர்க்கச் சமநிலையை கருத்தில் கொள்ள வேண்டிய மற்றொரு முக்கியமான காரணியாக மாற்றுவதன் மூலம், குறைவான பிரதிநிதித்துவ வகுப்பை மதிப்பிடுவதை விட, எந்த வகுப்பை பெரும்பான்மையாக வகைப்படுத்துபவர் கருத முடியும்.
மற்ற வகுப்புகளை விட இயந்திர கற்றலில் (லேபிள்=1) குறைவான வகுப்புகள் இருப்பதால் ஹிஸ்டோகிராம் (அதிர்வெண் விநியோகம்) சில ஏற்றத்தாழ்வுகளை வெளிப்படுத்துகிறது.
அம்ச குறியாக்கம்
முனைகளின் பண்புகள் ஒவ்வொரு முனையுடனும் தொடர்புடைய அம்சத்தைப் பற்றி நமக்குத் தெரிவிக்கின்றன. தரவை குறியாக்கம் செய்வதற்கான எங்கள் முறையை செயல்படுத்துவதன் மூலம், அந்த பண்புகளை உடனடியாக குறியாக்கம் செய்யலாம்.
நெட்வொர்க்கின் ஒரு சிறிய பகுதியை (60 கணுக்கள்) காட்சிக்காக இணைக்க இந்த முறையைப் பயன்படுத்த விரும்புகிறோம். குறியீடு இங்கே பட்டியலிடப்பட்டுள்ளது.
வரைபடங்களை வடிவமைத்தல் மற்றும் காட்சிப்படுத்துதல்
டார்ச் ஜியோமெட்ரிக்கைப் பயன்படுத்துவோம். எங்கள் வரைபடத்தை உருவாக்க தரவு.
வெவ்வேறு (விரும்பினால்) பண்புகள் கொண்ட ஒரு வரைபடத்தை மாதிரியாக்க, ஒரு எளிய பைதான் பொருளான தரவு பயன்படுத்தப்படுகிறது. இந்த வகுப்பையும் பின்வரும் பண்புக்கூறுகளையும் பயன்படுத்துவதன் மூலம் - இவை அனைத்தும் டார்ச் டென்சர்கள் - நாங்கள் எங்கள் வரைபடப் பொருளை உருவாக்குவோம்.
குறியிடப்பட்ட முனை அம்சங்களுக்கு ஒதுக்கப்படும் மதிப்பு x இன் வடிவம் [முனைகளின் எண்ணிக்கை, அம்சங்களின் எண்ணிக்கை] ஆகும்.
y இன் வடிவம் [முனைகளின் எண்ணிக்கை], மேலும் இது முனை லேபிள்களுக்குப் பயன்படுத்தப்படும்.
விளிம்பு அட்டவணை: திசைதிருப்பப்படாத வரைபடத்தை விவரிக்க, ஒரே இரண்டு முனைகளை இணைக்கும் ஆனால் எதிரெதிர் திசைகளில் சுட்டிக்காட்டும் இரண்டு வேறுபட்ட இயக்கப்பட்ட விளிம்புகளின் இருப்பை அனுமதிக்க அசல் விளிம்பு குறியீடுகளை விரிவுபடுத்த வேண்டும்.
ஒரு ஜோடி விளிம்புகள், ஒன்று முனை 100 முதல் 200 வரை மற்றும் மற்றொன்று 200 முதல் 100 வரை, எடுத்துக்காட்டாக, முனைகள் 100 மற்றும் 200 க்கு இடையில் தேவை. விளிம்பு குறியீடுகள் வழங்கப்பட்டால், திசைதிருப்பப்படாத வரைபடத்தை இவ்வாறு குறிப்பிடலாம். [2,2*அசல் விளிம்புகளின் எண்ணிக்கை] டென்சர் வடிவமாக இருக்கும்.
ஒரு வரைபடத்தைக் காண்பிக்க எங்கள் வரைதல் வரைபட முறையை உருவாக்குகிறோம். எங்கள் ஒரே மாதிரியான நெட்வொர்க்கை NetworkX வரைபடமாக மாற்றுவது முதல் படியாகும், பின்னர் அதை NetworkX.draw ஐப் பயன்படுத்தி வரையலாம்.
எங்கள் GNN மாதிரியை உருவாக்கி அதை பயிற்சி செய்யுங்கள்
ஒளி=False உடன் குறியாக்கத் தரவை இயக்குவதன் மூலம் முழு தரவுத் தொகுப்பையும் குறியாக்கம் செய்வதன் மூலம் தொடங்குகிறோம், பின்னர் முழு வரைபடத்தையும் உருவாக்குவதற்கு ஒளி=False உடன் construct graph ஐ அழைப்போம். இந்த பெரிய வரைபடத்தை வரைய நாங்கள் முயற்சிக்க மாட்டோம், ஏனெனில் நீங்கள் குறைந்த வளங்களைக் கொண்ட உள்ளூர் இயந்திரத்தைப் பயன்படுத்துகிறீர்கள் என்று நினைக்கிறேன்.
0 மற்றும் 1 இலக்கங்களைப் பயன்படுத்தி ஒவ்வொரு குறிப்பிட்ட முகமூடிக்கும் எந்த முனைகள் சொந்தமானது என்பதை அடையாளம் காணும் பைனரி வெக்டார்களான முகமூடிகள், பயிற்சியின் போது எந்த முனைகளைச் சேர்க்க வேண்டும் என்பதை பயிற்சி கட்டத்திற்கு தெரிவிக்கவும், எந்த முனைகள் சோதனைத் தரவு என்பதை அனுமான கட்டத்திற்கு தெரிவிக்கவும் பயன்படுத்தப்படலாம். ஜோதி வடிவியல்.மாற்றங்கள்.
AddTrainValTestMask வகுப்பின் பயிற்சி முகமூடி, வால் மாஸ்க் மற்றும் சோதனை மாஸ்க் பண்புகளைப் பயன்படுத்தி முனை-நிலைப் பிரிவைச் சேர்க்கலாம், இது வரைபடத்தை எடுக்கவும், எங்கள் முகமூடிகள் எவ்வாறு உருவாக்கப்பட வேண்டும் என்பதைக் குறிப்பிடவும் பயன்படுகிறது.
நாங்கள் பயிற்சிக்காக 10% பயன்படுத்துகிறோம், மேலும் 60% தரவை சோதனைத் தொகுப்பாகப் பயன்படுத்துகிறோம், அதே நேரத்தில் 30% சரிபார்ப்பு தொகுப்பாகப் பயன்படுத்துகிறோம்.
இப்போது, நாம் இரண்டு GCNConv அடுக்குகளை அடுக்கி வைப்போம், அதில் முதலாவது வெளியீட்டு அம்ச எண்ணிக்கையைக் கொண்டுள்ளது, அது உள்ளீட்டு அம்சங்களாக எங்கள் வரைபடத்தில் உள்ள அம்சங்களின் எண்ணிக்கைக்கு சமம்.
எங்கள் வகுப்புகளின் எண்ணிக்கைக்கு சமமான வெளியீட்டு முனைகளைக் கொண்ட இரண்டாவது அடுக்கில், நாங்கள் ஒரு relu செயல்படுத்தும் செயல்பாட்டைப் பயன்படுத்துகிறோம் மற்றும் மறைந்திருக்கும் அம்சங்களை வழங்குகிறோம்.
எட்ஜ் இண்டெக்ஸ் மற்றும் எட்ஜ் வெயிட் ஆகியவை முன்னோக்கி செயல்பாட்டில் GCNConv ஏற்றுக்கொள்ளக்கூடிய பல விருப்பங்களில் x ஆகும், ஆனால் எங்கள் சூழ்நிலையில், நமக்கு முதல் இரண்டு மாறிகள் மட்டுமே தேவை.
எங்கள் மாதிரியானது வரைபடத்தில் உள்ள ஒவ்வொரு முனையின் வகுப்பையும் கணிக்க முடியும் என்ற உண்மை இருந்தபோதிலும், கட்டத்தைப் பொறுத்து ஒவ்வொரு தொகுப்பிற்கும் தனித்தனியாக துல்லியம் மற்றும் இழப்பை நாம் இன்னும் தீர்மானிக்க வேண்டும்.
உதாரணமாக, பயிற்சியின் போது, துல்லியம் மற்றும் பயிற்சி இழப்பை தீர்மானிக்க பயிற்சி தொகுப்பை மட்டுமே பயன்படுத்த விரும்புகிறோம், எனவே இங்குதான் எங்கள் முகமூடிகள் பயனுள்ளதாக இருக்கும்.
பொருத்தமான இழப்பு மற்றும் துல்லியத்தை கணக்கிட, முகமூடி இழப்பு மற்றும் முகமூடி துல்லியத்தின் செயல்பாடுகளை வரையறுப்போம்.
மாதிரி பயிற்சி
இப்போது டார்ச் பயன்படுத்தப்படும் பயிற்சி நோக்கத்தை நாங்கள் வரையறுத்துள்ளோம். ஆடம் ஒரு மாஸ்டர் ஆப்டிமைசர்.
சரிபார்ப்புத் துல்லியத்தைக் கண்காணித்து, குறிப்பிட்ட எண்ணிக்கையிலான சகாப்தங்களுக்குப் பயிற்சியை நடத்துவோம்.
வெவ்வேறு சகாப்தங்களில் பயிற்சியின் இழப்புகள் மற்றும் துல்லியங்களை நாங்கள் திட்டமிடுகிறோம்.
கிராஃப் நியூரல் நெட்வொர்க்கின் தீமைகள்
GNNகளைப் பயன்படுத்துவதில் சில குறைபாடுகள் உள்ளன. GNNaவை எப்போது பயன்படுத்த வேண்டும் மற்றும் எங்கள் இயந்திர கற்றல் மாதிரிகளின் செயல்திறனை எவ்வாறு மேம்படுத்துவது என்பதை நாம் நன்கு புரிந்துகொண்ட பிறகு நமக்குத் தெளிவாக்கப்படும்.
- GNNகள் ஆழமற்ற நெட்வொர்க்குகள் என்றாலும், பொதுவாக மூன்று அடுக்குகளைக் கொண்ட, பெரும்பாலான நரம்பியல் நெட்வொர்க்குகள் செயல்திறனை மேம்படுத்த ஆழமாகச் செல்ல முடியும். இந்த வரம்பு காரணமாக பெரிய தரவுத்தொகுப்புகளில் எங்களால் உச்சக்கட்டத்தில் செயல்பட முடியவில்லை.
- வரைபடங்களில் ஒரு மாதிரியைப் பயிற்றுவிப்பது மிகவும் கடினம், ஏனெனில் அவற்றின் கட்டமைப்பு இயக்கவியல் மாறும்.
- இந்த நெட்வொர்க்குகளின் அதிக கணக்கீட்டு செலவுகள் காரணமாக, உற்பத்திக்கான மாதிரியை அளவிடுவது சவால்களை அளிக்கிறது. உங்கள் வரைபட அமைப்பு மிகப்பெரியதாகவும் சிக்கலானதாகவும் இருந்தால், உற்பத்திக்கான GNNகளை அளவிடுவது சவாலானதாக இருக்கும்.
தீர்மானம்
கடந்த சில ஆண்டுகளாக, வரைபட களத்தில் உள்ள இயந்திர கற்றல் சிக்கல்களுக்கான சக்திவாய்ந்த மற்றும் பயனுள்ள கருவிகளாக GNNகள் உருவாகியுள்ளன. வரைபட நரம்பியல் நெட்வொர்க்குகளின் அடிப்படை கண்ணோட்டம் இந்த கட்டுரையில் கொடுக்கப்பட்டுள்ளது.
அதன் பிறகு, மாதிரியைப் பயிற்றுவிக்கவும் சோதிக்கவும் பயன்படுத்தப்படும் தரவுத்தொகுப்பை உருவாக்கத் தொடங்கலாம். இது எவ்வாறு செயல்படுகிறது மற்றும் அதன் திறன் என்ன என்பதைப் புரிந்து கொள்ள, நீங்கள் அதிக தூரம் சென்று வேறு வகையான தரவுத்தொகுப்பைப் பயன்படுத்தி அதைப் பயிற்றுவிக்கலாம்.
இனிய குறியீட்டு முறை!
ஒரு பதில் விடவும்