எதிர்காலம் இங்கே உள்ளது. மேலும், இந்த எதிர்காலத்தில் இயந்திரங்கள் தங்களைச் சுற்றியுள்ள உலகத்தை மக்கள் புரிந்துகொள்வதைப் போலவே புரிந்துகொள்கின்றன. கணினிகள் ஆட்டோமொபைல்களை ஓட்டவும், நோய்களைக் கண்டறியவும், எதிர்காலத்தைத் துல்லியமாகக் கணிக்கவும் முடியும்.
இது அறிவியல் புனைகதை போல் தோன்றலாம், ஆனால் ஆழ்ந்த கற்றல் மாதிரிகள் அதை உண்மையாக்குகின்றன.
இந்த அதிநவீன வழிமுறைகள் இரகசியங்களை வெளிப்படுத்துகின்றன செயற்கை நுண்ணறிவு, கணினிகள் சுய-கற்ற மற்றும் அபிவிருத்தி செய்ய அனுமதிக்கிறது. இந்த இடுகையில், ஆழ்ந்த கற்றல் மாதிரிகளின் மண்டலத்தை ஆராய்வோம்.
மேலும், நம் வாழ்வில் புரட்சியை ஏற்படுத்த அவர்களுக்கு இருக்கும் மகத்தான சாத்தியக்கூறுகளை நாங்கள் ஆராய்வோம். மனிதகுலத்தின் எதிர்காலத்தை மாற்றும் அதிநவீன தொழில்நுட்பத்தைப் பற்றி அறிய தயாராகுங்கள்.
ஆழமான கற்றல் மாதிரிகள் சரியாக என்ன?
நீங்கள் எப்போதாவது ஒரு விளையாட்டை விளையாடியிருக்கிறீர்களா, அதில் இரண்டு படங்களுக்கிடையேயான வேறுபாடுகளை அடையாளம் காண வேண்டும்?
இது வேடிக்கையாக இருந்தாலும், கடினமாகவும் இருக்கலாம், இல்லையா? ஒவ்வொரு முறையும் அந்த விளையாட்டை விளையாடுவதற்கும் வெற்றி பெறுவதற்கும் ஒரு கணினியைக் கற்பிக்க முடியும் என்று கற்பனை செய்து பாருங்கள். ஆழ்ந்த கற்றல் மாதிரிகள் அதை நிறைவேற்றுகின்றன!
ஆழ்ந்த கற்றல் மாதிரிகள் சூப்பர்-ஸ்மார்ட் இயந்திரங்களைப் போலவே இருக்கின்றன, அவை அதிக எண்ணிக்கையிலான படங்களை ஆய்வு செய்து அவற்றிற்கு பொதுவானவை என்ன என்பதை தீர்மானிக்க முடியும். படங்களை பிரித்து ஒவ்வொன்றையும் தனித்தனியாக படிப்பதன் மூலம் அவர்கள் இதை நிறைவேற்றுகிறார்கள்.
வடிவங்களை அடையாளம் காணவும், இதுவரை பார்த்திராத புதிய படங்களைப் பற்றிய கணிப்புகளைச் செய்யவும் அவர்கள் கற்றுக்கொண்டவற்றைப் பயன்படுத்துகிறார்கள்.
ஆழமான கற்றல் மாதிரிகள் என்பது செயற்கையான நரம்பியல் நெட்வொர்க்குகள் ஆகும், அவை பாரிய தரவுத்தொகுப்புகளிலிருந்து சிக்கலான வடிவங்கள் மற்றும் பண்புகளைக் கற்றுக் கொள்ளலாம். இந்த மாதிரிகள் இணைக்கப்பட்ட முனைகள் அல்லது நியூரான்களின் பல அடுக்குகளால் ஆனவை, அவை வெளியீட்டை உருவாக்க உள்வரும் தரவை பகுப்பாய்வு செய்து மாற்றுகின்றன.
பட அடையாளம், பேச்சு அங்கீகாரம், இயற்கை மொழி செயலாக்கம் மற்றும் ரோபாட்டிக்ஸ் போன்ற சிறந்த துல்லியம் மற்றும் துல்லியம் தேவைப்படும் வேலைகளுக்கு ஆழமான கற்றல் மாதிரிகள் மிகவும் பொருத்தமானவை.
சுய-ஓட்டுநர் கார்கள் முதல் மருத்துவ நோயறிதல், பரிந்துரை அமைப்புகள் மற்றும் அனைத்திலும் அவை பயன்படுத்தப்பட்டுள்ளன. கணிப்பு பகுப்பாய்வு.
ஆழமான கற்றல் மாதிரியில் தரவு ஓட்டத்தை விளக்குவதற்கு காட்சிப்படுத்தலின் எளிமைப்படுத்தப்பட்ட பதிப்பு இதோ.
உள்ளீட்டுத் தரவு மாதிரியின் உள்ளீட்டு அடுக்கில் பாய்கிறது, இது வெளியீட்டு முன்னறிவிப்பை வழங்குவதற்கு முன் பல மறைக்கப்பட்ட அடுக்குகள் மூலம் தரவை அனுப்புகிறது.
ஒவ்வொரு மறைக்கப்பட்ட அடுக்கும் உள்ளீட்டுத் தரவை அடுத்த லேயருக்கு அனுப்பும் முன் அதன் மீது கணித செயல்பாடுகளின் வரிசையைச் செய்கிறது, இது இறுதிக் கணிப்பை வழங்குகிறது.
இப்போது, ஆழமான கற்றல் மாதிரிகள் என்ன, அவற்றை நம் வாழ்வில் எவ்வாறு பயன்படுத்தலாம் என்பதைப் பார்ப்போம்.
1. கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் (சிஎன்என்)
CNNகள் ஒரு ஆழ்ந்த கற்றல் மாதிரியாகும், இது கணினி பார்வையின் பகுதியை மாற்றியுள்ளது. சிஎன்என்கள் படங்களை வகைப்படுத்தவும், பொருள்களை அடையாளம் காணவும், படங்களைப் பிரிக்கவும் பயன்படுத்தப்படுகின்றன. மனித காட்சிப் புறணியின் அமைப்பும் செயல்பாடும் CNNகளின் வடிவமைப்பைத் தெரிவித்தன.
அவை எவ்வாறு செயல்படுகின்றன?
ஒரு CNN ஆனது பல கன்வல்யூஷனல் அடுக்குகள், பூலிங் லேயர்கள் மற்றும் முழுமையாக இணைக்கப்பட்ட அடுக்குகளால் ஆனது. உள்ளீடு என்பது ஒரு படம், மற்றும் வெளியீடு என்பது படத்தின் கிளாஸ் லேபிளின் கணிப்பாகும்.
உள்ளீட்டுப் படத்திற்கும் வடிப்பான்களின் தொகுப்பிற்கும் இடையில் ஒரு புள்ளித் தயாரிப்பைச் செய்வதன் மூலம் ஒரு சிஎன்என் கன்வல்யூஷனல் லேயர்கள் ஒரு அம்ச வரைபடத்தை உருவாக்குகின்றன. பூலிங் அடுக்குகள் அம்ச வரைபடத்தின் அளவைக் குறைப்பதன் மூலம் குறைக்கின்றன.
இறுதியாக, படத்தின் வகுப்பு லேபிளைக் கணிக்க, அம்ச வரைபடம் முழுமையாக இணைக்கப்பட்ட அடுக்குகளால் பயன்படுத்தப்படுகிறது.
சிஎன்என்கள் ஏன் முக்கியம்?
CNN கள் அவசியமானவை, ஏனென்றால் மக்கள் கவனிக்க கடினமாக இருக்கும் படங்களில் உள்ள வடிவங்கள் மற்றும் பண்புகளைக் கண்டறிய அவர்கள் கற்றுக்கொள்ள முடியும். பெரிய தரவுத்தொகுப்புகளைப் பயன்படுத்தி விளிம்புகள், மூலைகள் மற்றும் இழைமங்கள் போன்ற குணாதிசயங்களை அடையாளம் காண CNNகளுக்குக் கற்பிக்க முடியும். இந்த பண்புகளை அறிந்த பிறகு, புதிய புகைப்படங்களில் உள்ள பொருட்களை அடையாளம் காண CNN அவற்றைப் பயன்படுத்தலாம். CNNகள் பல்வேறு பட அடையாள பயன்பாடுகளில் அதிநவீன செயல்திறனை வெளிப்படுத்தியுள்ளன.
சிஎன்என்களை எங்கே பயன்படுத்துகிறோம்
ஹெல்த்கேர், வாகனத் தொழில் மற்றும் சில்லறை வணிகம் ஆகியவை சிஎன்என்களைப் பயன்படுத்தும் சில துறைகளாகும். சுகாதாரத் துறையில், நோய் கண்டறிதல், மருந்து மேம்பாடு மற்றும் மருத்துவப் படப் பகுப்பாய்வு ஆகியவற்றுக்கு அவை பயனுள்ளதாக இருக்கும்.
ஆட்டோமொபைல் துறையில், அவை லேன் கண்டறிதலுக்கு உதவுகின்றன, பொருள் கண்டறிதல், மற்றும் தன்னாட்சி ஓட்டுநர். காட்சித் தேடல், பட அடிப்படையிலான தயாரிப்பு பரிந்துரை மற்றும் சரக்குக் கட்டுப்பாடு ஆகியவற்றிற்காக சில்லறை விற்பனையிலும் அவை பெரிதும் பயன்படுத்தப்படுகின்றன.
உதாரணத்திற்கு; உட்பட பல்வேறு பயன்பாடுகளில் கூகுள் CNNகளைப் பயன்படுத்துகிறது Google லென்ஸ், நன்கு விரும்பப்பட்ட பட அடையாளக் கருவி. புகைப்படங்களை மதிப்பீடு செய்வதற்கும் பயனர்களுக்கு தகவல்களை வழங்குவதற்கும் நிரல் CNNகளைப் பயன்படுத்துகிறது.
உதாரணமாக, கூகுள் லென்ஸ் ஒரு படத்தில் உள்ள விஷயங்களை அடையாளம் கண்டு, அவற்றைப் பற்றிய விவரங்களை, அதாவது பூ வகை போன்றவற்றை வழங்க முடியும்.
இது ஒரு படத்திலிருந்து பிரித்தெடுக்கப்பட்ட உரையை பல மொழிகளில் மொழிபெயர்க்கலாம். பொருட்களை துல்லியமாக அடையாளம் காணவும், புகைப்படங்களிலிருந்து பண்புகளை பிரித்தெடுக்கவும் CNNகளின் உதவியால், Google Lens ஆனது நுகர்வோருக்கு பயனுள்ள தகவல்களை வழங்க முடிகிறது.
2. நீண்ட குறுகிய கால நினைவகம் (LSTM) நெட்வொர்க்குகள்
நீண்ட குறுகிய கால நினைவகம் (LSTM) நெட்வொர்க்குகள் வழக்கமான தொடர்ச்சியான நரம்பியல் நெட்வொர்க்குகளின் (RNNs) குறைபாடுகளை நிவர்த்தி செய்ய உருவாக்கப்படுகின்றன. எல்எஸ்டிஎம் நெட்வொர்க்குகள் காலப்போக்கில் தரவு வரிசைகளின் செயலாக்கத்தைக் கோரும் பணிகளுக்கு ஏற்றதாக இருக்கும்.
ஒரு குறிப்பிட்ட நினைவக செல் மற்றும் மூன்று கேட்டிங் வழிமுறைகளைப் பயன்படுத்துவதன் மூலம் அவை செயல்படுகின்றன.
அவை கலத்திற்கு உள்ளேயும் வெளியேயும் தகவல் ஓட்டத்தை ஒழுங்குபடுத்துகின்றன. உள்ளீட்டு வாயில், மறந்து வாயில் மற்றும் வெளியீடு வாயில் ஆகியவை மூன்று வாயில்கள்.
உள்ளீட்டு வாயில் நினைவக கலத்தில் தரவு ஓட்டத்தை ஒழுங்குபடுத்துகிறது, மறந்து வாயில் செல்லில் இருந்து தரவை நீக்குவதை ஒழுங்குபடுத்துகிறது, மற்றும் வெளியீட்டு வாயில் செல்லின் தரவு ஓட்டத்தை ஒழுங்குபடுத்துகிறது.
அவற்றின் முக்கியத்துவம் என்ன?
LSTM நெட்வொர்க்குகள் பயனுள்ளதாக இருக்கும், ஏனெனில் அவை நீண்ட கால உறவுகளுடன் தரவுத் தொடர்களை வெற்றிகரமாகப் பிரதிநிதித்துவப்படுத்தவும் கணிக்கவும் முடியும். அவர்கள் முந்தைய உள்ளீடுகளைப் பற்றிய தகவல்களைப் பதிவுசெய்து தக்கவைத்துக்கொள்ளலாம், எதிர்கால உள்ளீடுகளைப் பற்றிய துல்லியமான கணிப்புகளைச் செய்ய அனுமதிக்கிறது.
பேச்சு அறிதல், கையெழுத்து அறிதல், இயற்கை மொழி செயலாக்கம் மற்றும் படத் தலைப்புகள் ஆகியவை LSTM நெட்வொர்க்குகளைப் பயன்படுத்திய சில பயன்பாடுகள் ஆகும்.
LSTM நெட்வொர்க்குகளை நாம் எங்கே பயன்படுத்துகிறோம்?
பல மென்பொருள் மற்றும் தொழில்நுட்ப பயன்பாடுகள் LSTM நெட்வொர்க்குகளைப் பயன்படுத்துகின்றன, இதில் பேச்சு அங்கீகார அமைப்புகள், இயற்கை மொழி செயலாக்க கருவிகள் போன்றவை அடங்கும். உணர்வு பகுப்பாய்வு, இயந்திர மொழிபெயர்ப்பு அமைப்புகள் மற்றும் உரை மற்றும் படத்தை உருவாக்கும் அமைப்புகள்.
சுய-ஓட்டுநர் கார்கள் மற்றும் ரோபோக்களை உருவாக்குவதிலும், நிதித் துறையிலும் மோசடிகளைக் கண்டறிந்து எதிர்நோக்குவதற்கு அவை பயன்படுத்தப்படுகின்றன. பங்குச் சந்தை இயக்கங்கள்.
3. ஜெனரேட்டிவ் அட்வர்ஸரியல் நெட்வொர்க்குகள் (GANs)
GANகள் ஏ ஆழமான கற்றல் கொடுக்கப்பட்ட தரவுத்தொகுப்பைப் போன்ற புதிய தரவு மாதிரிகளை உருவாக்கப் பயன்படுத்தப்படும் நுட்பம். GAN கள் இரண்டால் ஆனவை நரம்பியல் வலையமைப்புகள்: ஒன்று புதிய மாதிரிகளை உருவாக்க கற்றுக்கொள்கிறது மற்றும் உண்மையான மற்றும் உருவாக்கப்பட்ட மாதிரிகளை வேறுபடுத்தி அறிய கற்றுக்கொள்கிறது.
இதேபோன்ற அணுகுமுறையில், ஜெனரேட்டர் உண்மையானவற்றிலிருந்து பிரித்தறிய முடியாத மாதிரிகளை உருவாக்கும் வரை இந்த இரண்டு நெட்வொர்க்குகளும் ஒன்றாகப் பயிற்றுவிக்கப்படுகின்றன.
நாம் ஏன் GAN களை பயன்படுத்துகிறோம்
உயர்தரத்தை உற்பத்தி செய்யும் திறன் காரணமாக GANகள் குறிப்பிடத்தக்கவை செயற்கை தரவு படம் மற்றும் வீடியோ தயாரிப்பு, உரை உருவாக்கம் மற்றும் இசை உருவாக்கம் உட்பட பல்வேறு பயன்பாடுகளுக்குப் பயன்படுத்தப்படலாம்.
GAN கள் தரவு பெருக்கத்திற்கும் பயன்படுத்தப்படுகின்றன, இது தலைமுறையாகும் செயற்கை தரவு நிஜ உலகத் தரவைச் சேர்க்க மற்றும் இயந்திரக் கற்றல் மாதிரிகளின் செயல்திறனை மேம்படுத்த.
மேலும், மாதிரிகளைப் பயிற்றுவிப்பதற்கும், சோதனைகளைப் பின்பற்றுவதற்கும் பயன்படுத்தக்கூடிய செயற்கைத் தரவை உருவாக்குவதன் மூலம், GAN கள் மருத்துவம் மற்றும் மருந்து மேம்பாடு போன்ற துறைகளை மாற்றும் ஆற்றலைக் கொண்டுள்ளன.
GAN களின் பயன்பாடுகள்
GAN கள் தரவுத்தொகுப்புகளை சேர்க்கலாம், புதிய படங்கள் அல்லது திரைப்படங்களை உருவாக்கலாம் மற்றும் அறிவியல் உருவகப்படுத்துதல்களுக்கான செயற்கைத் தரவை உருவாக்கலாம். மேலும், GAN கள் பொழுதுபோக்கு முதல் மருத்துவம் வரையிலான பல்வேறு பயன்பாடுகளில் பணியமர்த்தப்படுவதற்கான சாத்தியக்கூறுகள் உள்ளன.
வயது மற்றும் வீடியோக்கள். NVIDIA இன் StyleGAN2, எடுத்துக்காட்டாக, பிரபலங்கள் மற்றும் கலைப்படைப்புகளின் உயர்தர புகைப்படங்களை உருவாக்கப் பயன்படுத்தப்பட்டது.
4. ஆழமான நம்பிக்கை நெட்வொர்க்குகள் (DBNs)
ஆழமான நம்பிக்கை நெட்வொர்க்குகள் (DBNs) ஆகும் செயற்கை நுண்ணறிவு தரவுகளில் வடிவங்களைக் கண்டறியக் கற்றுக்கொள்ளக்கூடிய அமைப்புகள். தரவை சிறிய மற்றும் சிறிய பகுதிகளாகப் பிரிப்பதன் மூலம் அவர்கள் இதைச் செய்கிறார்கள், ஒவ்வொரு மட்டத்திலும் அதை முழுமையாகப் புரிந்துகொள்கிறார்கள்.
DBNகள் தரவு என்னவென்று தெரியாமல் இருந்து கற்றுக்கொள்ளலாம் (இது "கண்காணிக்கப்படாத கற்றல்" என்று குறிப்பிடப்படுகிறது). ஒரு நபர் கண்டறிய கடினமாக அல்லது சாத்தியமற்றதாக இருக்கும் தரவுகளில் உள்ள வடிவங்களைக் கண்டறிவதற்கு இது மிகவும் மதிப்புமிக்கதாக ஆக்குகிறது.
DBNகளை முக்கியத்துவம் வாய்ந்ததாக ஆக்குவது எது?
படிநிலை தரவுப் பிரதிநிதித்துவங்களைக் கற்கும் திறன் காரணமாக DBNகள் குறிப்பிடத்தக்கவை. இந்தப் பிரதிநிதித்துவங்கள் வகைப்பாடு, ஒழுங்கின்மை கண்டறிதல் மற்றும் பரிமாணத்தைக் குறைத்தல் போன்ற பல்வேறு பயன்பாடுகளுக்குப் பயன்படுத்தப்படலாம்.
DBNகள் மேற்பார்வை செய்யப்படாத முன் பயிற்சியை மேற்கொள்ளும் திறன், குறைந்த லேபிளிடப்பட்ட தரவுகளுடன் ஆழமான கற்றல் மாதிரிகளின் செயல்திறனை அதிகரிக்கக்கூடியது, இது ஒரு குறிப்பிடத்தக்க நன்மையாகும்.
DBNகளின் பயன்பாடுகள் என்ன?
மிகவும் குறிப்பிடத்தக்க பயன்பாடுகளில் ஒன்றாகும் பொருள் கண்டறிதல், இதில் விமானங்கள், பறவைகள் மற்றும் மனிதர்கள் போன்ற சில வகையான விஷயங்களை அடையாளம் காண DBNகள் பயன்படுத்தப்படுகின்றன. அவை பட உருவாக்கம் மற்றும் வகைப்பாடு, திரைப்படங்களில் இயக்கத்தைக் கண்டறிதல் மற்றும் குரல் செயலாக்கத்திற்கான இயல்பான மொழிப் புரிதல் ஆகியவற்றிற்கும் பயன்படுத்தப்படுகின்றன.
மேலும், மனித தோரணையை மதிப்பிடுவதற்கு DBNகள் பொதுவாக தரவுத்தொகுப்புகளில் பயன்படுத்தப்படுகின்றன. சுகாதாரம் மற்றும் வங்கி மற்றும் தொழில்நுட்பம் உள்ளிட்ட பல்வேறு தொழில்களுக்கு DBNகள் சிறந்த கருவியாகும்.
5. ஆழமான வலுவூட்டல் கற்றல் நெட்வொர்க்குகள் (DRLs)
ஆழமான வலுவூட்டல் கற்றல் நெட்வொர்க்குகள் (டிஆர்எல்) ஆழமான நரம்பியல் நெட்வொர்க்குகளை வலுவூட்டல் கற்றல் நுட்பங்களுடன் ஒருங்கிணைத்து, சோதனை மற்றும் பிழை மூலம் சிக்கலான சூழலில் முகவர்கள் கற்றுக்கொள்ள அனுமதிக்கின்றன.
DRLகள் முகவர்களுக்கு அவர்களின் சுற்றுப்புறங்களுடன் தொடர்புகொண்டு, அவர்களின் தவறுகளில் இருந்து கற்றுக்கொள்வதன் மூலம் வெகுமதி சிக்னலை எவ்வாறு மேம்படுத்துவது என்பதை அவர்களுக்குக் கற்பிக்கப் பயன்படுகிறது.
எது அவர்களை குறிப்பிடத்தக்கதாக ஆக்குகிறது?
கேமிங், ரோபாட்டிக்ஸ் மற்றும் தன்னாட்சி ஓட்டுதல் உள்ளிட்ட பல்வேறு பயன்பாடுகளில் அவை திறம்பட பயன்படுத்தப்பட்டுள்ளன. DRLகள் முக்கியமானவை, ஏனெனில் அவை மூல உணர்வு உள்ளீட்டிலிருந்து நேரடியாகக் கற்றுக்கொள்ள முடியும், முகவர்கள் சுற்றுச்சூழலுடனான அவர்களின் தொடர்புகளின் அடிப்படையில் முடிவுகளை எடுக்க அனுமதிக்கிறது.
முக்கியமான பயன்பாடுகள்
டிஆர்எல்கள் நிஜ உலக சூழ்நிலைகளில் பயன்படுத்தப்படுகின்றன, ஏனெனில் அவை கடினமான சிக்கல்களைக் கையாள முடியும்.
ஓபன்ஏஐயின் ஜிம் உட்பட பல முக்கிய மென்பொருள் மற்றும் தொழில்நுட்ப தளங்களில் DRLகள் சேர்க்கப்பட்டுள்ளன. யூனிட்டியின் எம்எல்-ஏஜெண்டுகள், மற்றும் கூகுளின் டீப் மைண்ட் லேப். AlphaGo, கூகுள் மூலம் கட்டப்பட்டது Deepmind, எடுத்துக்காட்டாக, உலக சாம்பியன் மட்டத்தில் Go என்ற பலகை விளையாட்டை விளையாட DRLஐப் பயன்படுத்துகிறது.
DRL இன் மற்றொரு பயன்பாடு ரோபாட்டிக்ஸில் உள்ளது, அங்கு இது பொருட்களைப் பிடிப்பது அல்லது தொகுதிகளை அடுக்கி வைப்பது போன்ற பணிகளைச் செய்ய ரோபோ கைகளின் இயக்கங்களைக் கட்டுப்படுத்தப் பயன்படுகிறது. DRLகள் பல பயன்பாடுகளைக் கொண்டுள்ளன மற்றும் அவை ஒரு பயனுள்ள கருவியாகும் கற்றுக்கொள்ள பயிற்சி முகவர்கள் மற்றும் சிக்கலான அமைப்புகளில் முடிவுகளை எடுக்கவும்.
6. ஆட்டோஎன்கோடர்கள்
ஆட்டோஎன்கோடர்கள் ஒரு சுவாரஸ்யமான வகை நரம்பு நெட்வொர்க் இது அறிஞர்கள் மற்றும் தரவு விஞ்ஞானிகளின் ஆர்வத்தை ஈர்த்துள்ளது. தரவுகளை எவ்வாறு சுருக்கி மீட்டெடுப்பது என்பதை அறிய அவை அடிப்படையில் வடிவமைக்கப்பட்டுள்ளன.
உள்ளீட்டுத் தரவு, உள்ளீடு மற்றும் வெளியீட்டு அடுக்குகளைக் காட்டிலும் குறைவான முனைகளைக் கொண்ட ஒரு இடையூறு அடுக்கில் சுருக்கப்படும் வரை, தரவின் பரிமாணத்தை படிப்படியாகக் குறைக்கும் அடுக்குகளின் வரிசையின் மூலம் அளிக்கப்படுகிறது.
இந்த சுருக்கப்பட்ட பிரதிநிதித்துவமானது, அதன் அசல் வடிவத்திற்கு படிப்படியாக தரவின் பரிமாணத்தை உயர்த்தும் அடுக்குகளின் வரிசையைப் பயன்படுத்தி அசல் உள்ளீட்டுத் தரவை மீண்டும் உருவாக்கப் பயன்படுகிறது.
இது ஏன் முக்கியமானது?
ஆட்டோஎன்கோடர்கள் ஒரு முக்கிய அங்கமாகும் ஆழமான கற்றல் ஏனெனில் அவை அம்சம் பிரித்தெடுத்தல் மற்றும் தரவு குறைப்பு ஆகியவற்றை சாத்தியமாக்குகின்றன.
அவர்கள் உள்வரும் தரவின் முக்கிய கூறுகளை அடையாளம் கண்டு அவற்றை சுருக்கப்பட்ட வடிவத்தில் மொழிபெயர்க்க முடியும், பின்னர் அவை வகைப்படுத்துதல், குழுவாக்கம் அல்லது புதிய தரவை உருவாக்குதல் போன்ற பிற பணிகளுக்குப் பயன்படுத்தப்படலாம்.
ஆட்டோஎன்கோடர்களை நாம் எங்கே பயன்படுத்துகிறோம்?
ஒழுங்கின்மை கண்டறிதல், இயற்கை மொழி செயலாக்கம் மற்றும் கணினி பார்வை ஆட்டோஎன்கோடர்கள் பயன்படுத்தப்படும் சில துறைகள் மட்டுமே. ஆட்டோஎன்கோடர்கள், எடுத்துக்காட்டாக, படத்தை சுருக்கவும், படத்தை நீக்கவும் மற்றும் கணினி பார்வையில் படத்தொகுப்புக்காகவும் பயன்படுத்தப்படலாம்.
இயற்கையான மொழிச் செயலாக்கத்தில் உரை உருவாக்கம், உரை வகைப்படுத்தல் மற்றும் உரை சுருக்கம் போன்ற பணிகளில் நாம் தானியங்கு குறியீட்டு எண்களைப் பயன்படுத்தலாம். ஒழுங்கின்மை அடையாளத்தில் உள்ள விதிமுறையிலிருந்து விலகும் தரவுகளில் உள்ள ஒழுங்கற்ற செயல்பாட்டை இது அடையாளம் காண முடியும்.
7. கேப்சூல் நெட்வொர்க்குகள்
கேப்சூல் நெட்வொர்க்குகள் என்பது ஒரு புதிய ஆழமான கற்றல் கட்டமைப்பாகும், இது கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகளுக்கு (சிஎன்என்) மாற்றாக உருவாக்கப்பட்டது.
கேப்சூல் நெட்வொர்க்குகள் காப்ஸ்யூல்கள் எனப்படும் மூளை அலகுகளைக் குழுவாக்கும் கருத்தை அடிப்படையாகக் கொண்டவை, அவை ஒரு படத்தில் ஒரு குறிப்பிட்ட பொருளின் இருப்பை அங்கீகரிப்பதற்கும், நோக்குநிலை மற்றும் நிலை போன்ற அதன் பண்புகளை அவற்றின் வெளியீட்டு திசையன்களில் குறியாக்கம் செய்வதற்கும் பொறுப்பாகும். எனவே கேப்சூல் நெட்வொர்க்குகள் CNNகளை விட இடஞ்சார்ந்த இடைவினைகள் மற்றும் முன்னோக்கு ஏற்ற இறக்கங்களை சிறப்பாக நிர்வகிக்க முடியும்.
CNN களை விட கேப்சூல் நெட்வொர்க்குகளை நாம் ஏன் தேர்வு செய்கிறோம்?
கேப்சூல் நெட்வொர்க்குகள் பயனுள்ளதாக இருக்கும், ஏனெனில் அவை படத்தில் உள்ள உருப்படிகளுக்கு இடையே உள்ள படிநிலை உறவுகளைப் படம்பிடிப்பதில் CNN இன் சிரமங்களை சமாளிக்கின்றன. CNNகள் பல்வேறு அளவுகளில் உள்ள விஷயங்களை அடையாளம் காண முடியும், ஆனால் இந்த உருப்படிகள் எவ்வாறு ஒன்றோடொன்று இணைக்கப்படுகின்றன என்பதைப் புரிந்துகொள்ள போராடுகிறது.
மறுபுறம், கேப்சூல் நெட்வொர்க்குகள், பொருட்களையும் அவற்றின் துண்டுகளையும் அடையாளம் காண கற்றுக்கொள்ளலாம், மேலும் அவை எவ்வாறு ஒரு படத்தில் இடஞ்சார்ந்த முறையில் வைக்கப்படுகின்றன, அவற்றை கணினி பார்வை பயன்பாடுகளுக்கு சாத்தியமான போட்டியாளராக மாற்றுகிறது.
பயன்பாடுகளின் பகுதிகள்
கேப்சூல் நெட்வொர்க்குகள் ஏற்கனவே பல்வேறு பயன்பாடுகளில் நம்பிக்கைக்குரிய முடிவுகளை நிரூபித்துள்ளன, இதில் பட வகைப்பாடு, பொருள் அடையாளம் மற்றும் படப் பிரிவு ஆகியவை அடங்கும்.
மருத்துவப் புகைப்படங்களில் உள்ள விஷயங்களை வேறுபடுத்தவும், படங்களில் உள்ளவர்களை அடையாளம் காணவும், 3D படங்களிலிருந்து 2D மாதிரிகளை உருவாக்கவும் அவை பயன்படுத்தப்பட்டுள்ளன.
அவற்றின் செயல்திறனை அதிகரிக்க, கேப்ஸ்யூல் நெட்வொர்க்குகள் பிற ஆழமான கற்றல் கட்டமைப்புகளான ஜெனரேட்டிவ் அட்வர்ஸரியல் நெட்வொர்க்குகள் (ஜிஏஎன்) மற்றும் மாறுபட்ட ஆட்டோஎன்கோடர்கள் (விஏஇக்கள்) ஆகியவற்றுடன் இணைக்கப்பட்டுள்ளன. கேப்சூல் நெட்வொர்க்குகள் கணினி பார்வை தொழில்நுட்பங்களை மேம்படுத்துவதில் முக்கிய பங்கு வகிக்கும் என கணிக்கப்பட்டுள்ளது.
உதாரணமாக; நிபாபெல் நியூரோஇமேஜிங் கோப்பு வகைகளைப் படிக்கவும் எழுதவும் நன்கு அறியப்பட்ட பைதான் கருவியாகும். படத்தைப் பிரிப்பதற்கு, இது கேப்சூல் நெட்வொர்க்குகளைப் பயன்படுத்துகிறது.
8. கவனம் சார்ந்த மாதிரிகள்
கவனத்தை அடிப்படையாகக் கொண்ட மாதிரிகள் எனப்படும் ஆழ்ந்த கற்றல் மாதிரிகள், கவனம் செலுத்தும் வழிமுறைகள் என்றும் அறியப்படுகின்றன, துல்லியத்தை அதிகரிக்க முயற்சி செய்கின்றன. இயந்திர கற்றல் மாதிரிகள். இந்த மாதிரிகள் உள்வரும் தரவின் சில அம்சங்களில் கவனம் செலுத்துவதன் மூலம் செயல்படுகின்றன, இதன் விளைவாக மிகவும் திறமையான மற்றும் பயனுள்ள செயலாக்கம் கிடைக்கும்.
இயந்திர மொழிபெயர்ப்பு மற்றும் உணர்வுப் பகுப்பாய்வு போன்ற இயல்பான மொழி செயலாக்கப் பணிகளில், கவனம் செலுத்தும் முறைகள் மிகவும் வெற்றிகரமானதாகக் காட்டப்பட்டுள்ளன.
அவற்றின் முக்கியத்துவம் என்ன?
கவனத்தை அடிப்படையாகக் கொண்ட மாதிரிகள் பயனுள்ளதாக இருக்கும், ஏனெனில் அவை சிக்கலான தரவை மிகவும் பயனுள்ள மற்றும் திறமையான செயலாக்கத்தை செயல்படுத்துகின்றன.
பாரம்பரிய நரம்பியல் நெட்வொர்க்குகள் அனைத்து உள்ளீட்டுத் தரவையும் சமமாக முக்கியமானதாக மதிப்பிடவும், இதன் விளைவாக மெதுவான செயலாக்கம் மற்றும் துல்லியம் குறைகிறது. கவனம் செலுத்தும் செயல்முறைகள் உள்ளீட்டுத் தரவின் முக்கிய அம்சங்களில் கவனம் செலுத்துகிறது, இது விரைவான மற்றும் துல்லியமான கணிப்புகளை அனுமதிக்கிறது.
பயன்பாட்டு பகுதிகள்
செயற்கை நுண்ணறிவுத் துறையில், இயற்கையான மொழி செயலாக்கம், படம் மற்றும் ஆடியோ அறிதல், மற்றும் ஓட்டுநர் இல்லாத வாகனங்கள் உட்பட, கவனம் செலுத்தும் வழிமுறைகள் பரந்த அளவிலான பயன்பாடுகளைக் கொண்டுள்ளன.
கவன முறைகள், எடுத்துக்காட்டாக, சூழலுக்கு இன்றியமையாத சில சொற்கள் அல்லது சொற்றொடர்களில் கவனம் செலுத்த கணினியை அனுமதிப்பதன் மூலம் இயற்கை மொழி செயலாக்கத்தில் இயந்திர மொழிபெயர்ப்பை மேம்படுத்துவதற்குப் பயன்படுத்தலாம்.
தன்னியக்க கார்களில் கவனம் செலுத்தும் முறைகள், அதன் சுற்றுப்புறங்களில் உள்ள சில பொருட்கள் அல்லது சவால்களில் கவனம் செலுத்துவதில் கணினிக்கு உதவுவதற்குப் பயன்படுத்தப்படலாம்.
9. மின்மாற்றி நெட்வொர்க்குகள்
டிரான்ஸ்ஃபார்மர் நெட்வொர்க்குகள் ஆழமான கற்றல் மாதிரிகள் ஆகும், அவை தரவு வரிசைகளை ஆய்வு செய்து உருவாக்குகின்றன. உள்ளீட்டு வரிசையை ஒரு நேரத்தில் ஒரு உறுப்பைச் செயலாக்குவதன் மூலமும் அதே அல்லது வெவ்வேறு நீளங்களின் வெளியீட்டு வரிசையை உருவாக்குவதன் மூலமும் அவை செயல்படுகின்றன.
டிரான்ஸ்ஃபார்மர் நெட்வொர்க்குகள், நிலையான வரிசை-க்கு-வரிசை மாதிரிகள் போலல்லாமல், தொடர்ச்சியான நரம்பியல் நெட்வொர்க்குகளை (RNNs) பயன்படுத்தி வரிசைமுறைகளை செயலாக்குவதில்லை. அதற்கு பதிலாக, அவர்கள் வரிசையின் துண்டுகளுக்கு இடையிலான இணைப்புகளை அறிய சுய-கவனம் செயல்முறைகளைப் பயன்படுத்துகின்றனர்.
டிரான்ஸ்பார்மர் நெட்வொர்க்குகளின் முக்கியத்துவம் என்ன?
டிரான்ஸ்ஃபார்மர் நெட்வொர்க்குகள், இயல்பான மொழி செயலாக்க வேலைகளில் சிறந்த செயல்பாட்டின் விளைவாக சமீபத்திய ஆண்டுகளில் பிரபலமடைந்துள்ளன.
மொழி பெயர்ப்பு, உரை சுருக்கம் மற்றும் உரையாடல் தயாரிப்பு போன்ற உரை உருவாக்கும் பணிகளுக்கு அவை மிகவும் பொருத்தமானவை.
டிரான்ஸ்ஃபார்மர் நெட்வொர்க்குகள் RNN-அடிப்படையிலான மாடல்களை விட கணக்கீட்டு ரீதியாக மிகவும் திறமையானவை, அவை பெரிய அளவிலான பயன்பாடுகளுக்கு விருப்பமான தேர்வாக அமைகின்றன.
டிரான்ஸ்பார்மர் நெட்வொர்க்குகளை எங்கே காணலாம்?
டிரான்ஸ்ஃபார்மர் நெட்வொர்க்குகள் பரந்த அளவிலான பயன்பாடுகளில் பரவலாகப் பயன்படுத்தப்படுகின்றன, குறிப்பாக இயற்கை மொழி செயலாக்கம்.
GPT (ஜெனரேட்டிவ் ப்ரீ-ட்ரெய்ன்டு டிரான்ஸ்ஃபார்மர்) தொடர் என்பது ஒரு முக்கிய மின்மாற்றி அடிப்படையிலான மாதிரியாகும், இது மொழி மொழிபெயர்ப்பு, உரை சுருக்கம் மற்றும் சாட்போட் உருவாக்கம் போன்ற பணிகளுக்குப் பயன்படுத்தப்பட்டது.
BERT (டிரான்ஸ்ஃபார்மர்களில் இருந்து இருதரப்பு குறியாக்க பிரதிநிதித்துவம்) என்பது மற்றொரு பொதுவான மின்மாற்றி அடிப்படையிலான மாதிரியாகும், இது கேள்வி பதில் மற்றும் உணர்வு பகுப்பாய்வு போன்ற இயற்கையான மொழி புரிதல் பயன்பாடுகளுக்குப் பயன்படுத்தப்படுகிறது.
இரண்டு GPT மற்றும் BERT உடன் உருவாக்கப்பட்டது பைடோர்ச், ஒரு திறந்த மூல ஆழமான கற்றல் கட்டமைப்பானது, மின்மாற்றி அடிப்படையிலான மாதிரிகளை உருவாக்குவதற்கு பிரபலமாக உள்ளது.
10. கட்டுப்படுத்தப்பட்ட போல்ட்ஸ்மேன் இயந்திரங்கள் (ஆர்பிஎம்கள்)
கட்டுப்படுத்தப்பட்ட போல்ட்ஸ்மேன் இயந்திரங்கள் (RBMs) என்பது ஒரு வகையான மேற்பார்வை செய்யப்படாத நரம்பியல் வலையமைப்பு ஆகும். உயர் பரிமாணத் தரவுகளிலிருந்து அத்தியாவசியப் பண்புகளைக் கற்றுக்கொள்வதற்கும் பிரித்தெடுப்பதற்கும் அவர்களின் திறன் காரணமாக, அவர்கள் இயந்திரக் கற்றல் மற்றும் ஆழமான கற்றல் ஆகிய துறைகளில் பரவலாகப் பணியாற்றி வருகின்றனர்.
RBMகள் இரண்டு அடுக்குகளால் ஆனவை, தெரியும் மற்றும் மறைக்கப்பட்டவை, ஒவ்வொரு அடுக்கிலும் எடையுள்ள விளிம்புகளால் இணைக்கப்பட்ட நியூரான்களின் குழு உள்ளது. உள்ளீட்டுத் தரவை விவரிக்கும் நிகழ்தகவு பரவலை அறிய RBMகள் வடிவமைக்கப்பட்டுள்ளன.
கட்டுப்படுத்தப்பட்ட போல்ட்ஸ்மேன் இயந்திரங்கள் என்றால் என்ன?
RBMகள் ஒரு உருவாக்கும் கற்றல் உத்தியைப் பயன்படுத்துகின்றன. RBMகளில், புலப்படும் அடுக்கு உள்ளீட்டுத் தரவைப் பிரதிபலிக்கிறது, அதே சமயம் புதைக்கப்பட்ட அடுக்கு உள்ளீட்டுத் தரவின் பண்புகளை குறியாக்குகிறது. காணக்கூடிய மற்றும் மறைக்கப்பட்ட அடுக்குகளின் எடைகள் அவற்றின் இணைப்பின் வலிமையைக் காட்டுகின்றன.
கான்ட்ராஸ்டிவ் டைவர்ஜென்ஸ் எனப்படும் நுட்பத்தைப் பயன்படுத்தி பயிற்சியின் போது அடுக்குகளுக்கு இடையே உள்ள எடைகள் மற்றும் சார்புகளை RBMகள் சரிசெய்கிறது. கான்ட்ராஸ்டிவ் டைவர்ஜென்ஸ் என்பது மேற்பார்வை செய்யப்படாத கற்றல் உத்தி ஆகும், இது மாதிரியின் முன்கணிப்பு வாய்ப்பை அதிகரிக்கிறது.
கட்டுப்படுத்தப்பட்ட போல்ட்ஸ்மேன் இயந்திரங்களின் முக்கியத்துவம் என்ன?
RBMகள் குறிப்பிடத்தக்கவை இயந்திர கற்றல் மற்றும் ஆழமான கற்றல், ஏனெனில் அவர்கள் பெரிய அளவிலான தரவுகளிலிருந்து தொடர்புடைய பண்புகளைக் கற்றுக் கொள்ளலாம் மற்றும் பிரித்தெடுக்கலாம்.
அவை படம் மற்றும் பேச்சு அங்கீகாரத்திற்கு மிகவும் பயனுள்ளதாக இருக்கும், மேலும் அவை பரிந்துரை அமைப்புகள், ஒழுங்கின்மை கண்டறிதல் மற்றும் பரிமாணத்தைக் குறைத்தல் போன்ற பல்வேறு பயன்பாடுகளில் பயன்படுத்தப்படுகின்றன. RBMகள் பரந்த தரவுத்தொகுப்புகளில் வடிவங்களைக் கண்டறிய முடியும், இதன் விளைவாக சிறந்த கணிப்புகள் மற்றும் நுண்ணறிவுகள் கிடைக்கும்.
கட்டுப்படுத்தப்பட்ட போல்ட்ஸ்மேன் இயந்திரங்களை எங்கு பயன்படுத்தலாம்?
RBMகளுக்கான பயன்பாடுகளில் பரிமாணக் குறைப்பு, ஒழுங்கின்மை கண்டறிதல் மற்றும் பரிந்துரை அமைப்புகள் ஆகியவை அடங்கும். ஆர்பிஎம்கள் உணர்வுப் பகுப்பாய்வு மற்றும் குறிப்பாக உதவியாக இருக்கும் தலைப்பு மாதிரியாக்கம் இயற்கை மொழி செயலாக்கத்தின் சூழலில்.
ஆழ்ந்த நம்பிக்கை நெட்வொர்க்குகள், குரல் மற்றும் பட அங்கீகாரத்திற்காகப் பயன்படுத்தப்படும் ஒரு வகையான நரம்பியல் நெட்வொர்க், RBM களையும் பயன்படுத்துகின்றன. ஆழமான நம்பிக்கை நெட்வொர்க் கருவிப்பெட்டி, TensorFlow, மற்றும் தியானோ RBMகளைப் பயன்படுத்தும் மென்பொருள் அல்லது தொழில்நுட்பத்தின் சில குறிப்பிட்ட உதாரணங்கள்.
மடக்கு
பேச்சு அங்கீகாரம், இயற்கை மொழி செயலாக்கம் மற்றும் கணினி பார்வை உள்ளிட்ட பல்வேறு தொழில்களில் ஆழமான கற்றல் மாதிரிகள் மேலும் மேலும் முக்கியமானதாகி வருகிறது.
கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் (CNNs) மற்றும் Recurrent Neural Networks (RNNs) ஆகியவை மிகவும் உறுதியளிக்கின்றன மற்றும் பல பயன்பாடுகளில் பரவலாகப் பயன்படுத்தப்படுகின்றன, இருப்பினும், அனைத்து ஆழ்ந்த கற்றல் மாதிரிகளும் அவற்றின் நன்மைகள் மற்றும் தீமைகளைக் கொண்டுள்ளன.
இருப்பினும், ஆராய்ச்சியாளர்கள் இன்னும் கட்டுப்படுத்தப்பட்ட போல்ட்ஸ்மேன் இயந்திரங்கள் (RBMs) மற்றும் ஆழ்ந்த கற்றல் மாதிரிகளின் பிற வகைகளை ஆராய்ந்து வருகின்றனர், ஏனெனில் அவைகளும் சிறப்பு நன்மைகளைக் கொண்டுள்ளன.
புதிய மற்றும் ஆக்கப்பூர்வமான மாதிரிகள் உருவாக்கப்படும் என எதிர்பார்க்கப்படுகிறது, ஏனெனில் கடினமான சிக்கல்களைக் கையாளும் பொருட்டு ஆழ்ந்த கற்றலின் பகுதி தொடர்ந்து முன்னேறுகிறது.
ஒரு பதில் விடவும்