பொருளடக்கம்[மறை][காட்டு]
- 1. ஆழமான கற்றல் என்றால் என்ன?
- 2. மெஷின் லேர்னிங்கிலிருந்து ஆழ்ந்த கற்றலை வேறுபடுத்துவது எது?
- 3. நரம்பியல் நெட்வொர்க்குகள் பற்றிய உங்கள் தற்போதைய புரிதல்கள் என்ன?
- 4. பெர்செப்ட்ரான் என்றால் என்ன?
- 5. ஆழமான நரம்பு வலையமைப்பு என்றால் என்ன?
- 6. மல்டிலேயர் பெர்செப்ட்ரான் (எம்எல்பி) என்றால் என்ன?
- 7. நரம்பியல் நெட்வொர்க்கில் செயல்படுத்தும் செயல்பாடுகள் என்ன நோக்கத்திற்காக விளையாடுகின்றன?
- 8. கிரேடியன்ட் டிசென்ட் என்றால் என்ன?
- 9. செலவு செயல்பாடு சரியாக என்ன?
- 10. ஆழமான நெட்வொர்க்குகள் ஆழமற்ற நெட்வொர்க்குகளை எவ்வாறு விஞ்சிவிடும்?
- 11. முன்னோக்கி பரப்புதலை விவரிக்கவும்.
- 12. பின் பரப்புதல் என்றால் என்ன?
- 13. ஆழ்ந்த கற்றலின் சூழலில், கிரேடியன்ட் கிளிப்பிங்கை நீங்கள் எவ்வாறு புரிந்துகொள்கிறீர்கள்?
- 14. Softmax மற்றும் ReLU செயல்பாடுகள் என்றால் என்ன?
- 15. ஒரு நரம்பியல் வலையமைப்பு மாதிரியை அனைத்து எடைகளையும் 0 என அமைக்க முடியுமா?
- 16. ஒரு சகாப்தத்தை ஒரு தொகுதி மற்றும் மறு செய்கையில் இருந்து வேறுபடுத்துவது எது?
- 17. தொகுதி இயல்பாக்கம் மற்றும் டிராப்அவுட் என்றால் என்ன?
- 18. ஸ்டோகாஸ்டிக் கிரேடியன்ட் டிசென்ட் மற்றும் பேட்ச் கிரேடியன்ட் டிஸென்ட்டை எது பிரிக்கிறது?
- 19. நரம்பியல் நெட்வொர்க்குகளில் நேரியல் அல்லாதவற்றைச் சேர்ப்பது ஏன் முக்கியமானது?
- 20. ஆழ்ந்த கற்றலில் டென்சர் என்றால் என்ன?
- 21. ஆழமான கற்றல் மாதிரிக்கான செயல்படுத்தும் செயல்பாட்டை எவ்வாறு தேர்ந்தெடுப்பீர்கள்?
- 22. CNN என்றால் என்ன?
- 23. பல CNN அடுக்குகள் யாவை?
- 24. அதிகப்படியான மற்றும் குறைவான பொருத்தத்தின் விளைவுகள் என்ன, அவற்றை நீங்கள் எவ்வாறு தவிர்க்கலாம்?
- 25. ஆழ்ந்த கற்றலில், RNN என்றால் என்ன?
- 26. ஆடம் ஆப்டிமைசரை விவரிக்கவும்
- 27. டீப் ஆட்டோஎன்கோடர்கள்: அவை என்ன?
- 28. டென்சர் ஃப்ளோவில் டென்சர் என்றால் என்ன?
- 29. கணக்கீட்டு வரைபடத்தின் விளக்கம்
- 30. ஜெனரேட்டிவ் அட்வர்சரியல் நெட்வொர்க்குகள் (GANs): அவை என்ன?
- 31. நீங்கள் கட்டிடக்கலையை வடிவமைக்கும்போது நியூரான்களின் எண்ணிக்கை மற்றும் மறைக்கப்பட்ட அடுக்குகளை நரம்பியல் வலையமைப்பில் சேர்க்க எப்படி தேர்வு செய்வீர்கள்?
- 32. ஆழமான வலுவூட்டல் கற்றல் மூலம் என்ன வகையான நரம்பியல் நெட்வொர்க்குகள் பயன்படுத்தப்படுகின்றன?
- தீர்மானம்
ஆழ்ந்த கற்றல் என்பது ஒரு புதிய யோசனை அல்ல. செயற்கை நரம்பியல் நெட்வொர்க்குகள் ஆழ்ந்த கற்றல் எனப்படும் இயந்திர கற்றல் துணைக்குழுவின் ஒரே அடித்தளமாக செயல்படுகின்றன.
ஆழமான கற்றல் என்பது மனித மூளையைப் பிரதிபலிக்கிறது, நரம்பியல் நெட்வொர்க்குகள் மனித மூளையைப் பின்பற்றுவதற்காக உருவாக்கப்பட்டன.
கொஞ்ச நாளாக இது இருக்கிறது. இந்த நாட்களில், எங்களிடம் இப்போது இருப்பதைப் போல அதிக செயலாக்க சக்தி அல்லது தரவு இல்லாததால் எல்லோரும் அதைப் பற்றி பேசுகிறார்கள்.
கடந்த 20 ஆண்டுகளில், செயலாக்கத் திறனின் வியத்தகு உயர்வின் விளைவாக ஆழ்ந்த கற்றல் மற்றும் இயந்திரக் கற்றல் வெளிப்பட்டுள்ளன.
உங்கள் கனவு வேலையைத் தேடும் போது நீங்கள் எதிர்கொள்ளக்கூடிய எந்தவொரு விசாரணைக்கும் நீங்கள் தயாராவதற்கு உதவுவதற்காக, எளிமையானது முதல் சிக்கலானது வரையிலான ஆழமான கற்றல் நேர்காணல் கேள்விகள் மூலம் இந்த இடுகை உங்களுக்கு வழிகாட்டும்.
1. ஆழமான கற்றல் என்றால் என்ன?
நீங்கள் கலந்து கொண்டால் ஏ ஆழமான கற்றல் நேர்காணலில், ஆழ்ந்த கற்றல் என்றால் என்ன என்பதை நீங்கள் சந்தேகத்திற்கு இடமின்றி புரிந்துகொள்கிறீர்கள். எவ்வாறாயினும், நேர்காணல் செய்பவர், இந்தக் கேள்விக்கு பதிலளிக்கும் வகையில் ஒரு விளக்கத்துடன் விரிவான பதிலை நீங்கள் வழங்க வேண்டும் என்று எதிர்பார்க்கிறார்.
பயிற்சி செய்வதற்காக நரம்பியல் வலையமைப்புகள் ஆழ்ந்த கற்றலுக்கு, குறிப்பிடத்தக்க அளவு ஒழுங்கமைக்கப்பட்ட அல்லது கட்டமைக்கப்படாத தரவு பயன்படுத்தப்பட வேண்டும். மறைக்கப்பட்ட வடிவங்கள் மற்றும் குணாதிசயங்களைக் கண்டறிய, அது சிக்கலான நடைமுறைகளைச் செய்கிறது (உதாரணமாக, பூனையின் உருவத்தை நாயின் உருவத்திலிருந்து வேறுபடுத்துவது).
2. மெஷின் லேர்னிங்கிலிருந்து ஆழ்ந்த கற்றலை வேறுபடுத்துவது எது?
இயந்திர கற்றல் எனப்படும் செயற்கை நுண்ணறிவின் ஒரு பிரிவாக, தரவு மற்றும் புள்ளியியல் மற்றும் அல்காரிதம் நுட்பங்களைப் பயன்படுத்தி கணினிகளைப் பயிற்றுவிக்கிறோம், இதனால் அவை காலப்போக்கில் சிறப்பாக இருக்கும்.
ஒரு அம்சமாக இயந்திர கற்றல், ஆழ்ந்த கற்றல் மனித மூளையில் காணப்படும் நரம்பியல் நெட்வொர்க் கட்டமைப்பைப் பின்பற்றுகிறது.
3. நரம்பியல் நெட்வொர்க்குகள் பற்றிய உங்கள் தற்போதைய புரிதல்கள் என்ன?
நரம்பியல் நெட்வொர்க்குகள் எனப்படும் செயற்கை அமைப்புகள் மனித உடலில் காணப்படும் கரிம நரம்பியல் நெட்வொர்க்குகளை மிக நெருக்கமாக ஒத்திருக்கின்றன.
எப்படி ஒத்த ஒரு நுட்பத்தை பயன்படுத்தி மனித மூளை செயல்பாடுகள், ஒரு நரம்பியல் நெட்வொர்க் என்பது ஒரு தரவுத் துண்டில் உள்ள அடிப்படை தொடர்புகளை அடையாளம் காணும் வழிமுறைகளின் தொகுப்பாகும்.
இந்த அமைப்புகள் எந்தவொரு பணி சார்ந்த விதிகளையும் பின்பற்றாமல், தரவுத்தொகுப்புகள் மற்றும் எடுத்துக்காட்டுகளின் வரம்பிற்கு தங்களை வெளிப்படுத்துவதன் மூலம் பணி சார்ந்த அறிவைப் பெறுகின்றன.
யோசனை என்னவென்றால், இந்தத் தரவுத்தொகுப்புகளைப் பற்றிய முன்-திட்டமிடப்பட்ட புரிதலைப் பெறுவதற்குப் பதிலாக, கணினி அது அளிக்கப்பட்ட தரவிலிருந்து பண்புகளை வேறுபடுத்திக் கற்றுக்கொள்கிறது.
நியூரல் நெட்வொர்க்குகளில் பொதுவாகப் பயன்படுத்தப்படும் மூன்று பிணைய அடுக்குகள் பின்வருமாறு:
- உள்ளீட்டு அடுக்கு
- மறைக்கப்பட்ட அடுக்கு
- வெளியீட்டு அடுக்கு
4. பெர்செப்ட்ரான் என்றால் என்ன?
மனித மூளையில் காணப்படும் உயிரியல் நியூரான் ஒரு பெர்செப்ட்ரானுடன் ஒப்பிடத்தக்கது. பெர்செப்ட்ரான் மூலம் பல உள்ளீடுகள் பெறப்படுகின்றன, பின்னர் அது பல மாற்றங்கள் மற்றும் செயல்பாடுகளைச் செய்து ஒரு வெளியீட்டை உருவாக்குகிறது.
பெர்செப்ட்ரான் எனப்படும் நேரியல் மாதிரி பைனரி வகைப்பாட்டில் பயன்படுத்தப்படுகிறது. இது ஒரு நியூரானை பல்வேறு உள்ளீடுகளுடன் உருவகப்படுத்துகிறது, ஒவ்வொன்றும் வெவ்வேறு எடையுடன்.
நியூரான் இந்த எடையுள்ள உள்ளீடுகளைப் பயன்படுத்தி ஒரு செயல்பாட்டைக் கணக்கிட்டு முடிவுகளை வெளியிடுகிறது.
5. ஆழமான நரம்பு வலையமைப்பு என்றால் என்ன?
ஆழமான நரம்பியல் நெட்வொர்க் என்பது உள்ளீடு மற்றும் வெளியீட்டு அடுக்குகளுக்கு (DNN) இடையே பல அடுக்குகளைக் கொண்ட ஒரு செயற்கை நரம்பியல் வலையமைப்பு (ANN).
ஆழமான நரம்பியல் நெட்வொர்க்குகள் ஆழமான கட்டிடக்கலை நரம்பியல் நெட்வொர்க்குகள். "ஆழமான" என்ற சொல் ஒரு அடுக்கில் பல நிலைகள் மற்றும் அலகுகளைக் கொண்ட செயல்பாடுகளைக் குறிக்கிறது. அதிக அளவிலான வடிவங்களைப் பிடிக்க, மேலும் பெரிய அடுக்குகளைச் சேர்ப்பதன் மூலம் மிகவும் துல்லியமான மாதிரிகளை உருவாக்க முடியும்.
6. மல்டிலேயர் பெர்செப்ட்ரான் (எம்எல்பி) என்றால் என்ன?
உள்ளீடு, மறைக்கப்பட்ட மற்றும் வெளியீடு அடுக்குகள் நரம்பியல் நெட்வொர்க்குகளைப் போலவே MLP களிலும் உள்ளன. இது ஒன்று அல்லது அதற்கு மேற்பட்ட மறைக்கப்பட்ட அடுக்குகளைக் கொண்ட ஒற்றை அடுக்கு பெர்செப்ட்ரானைப் போலவே கட்டமைக்கப்பட்டுள்ளது.
ஒற்றை அடுக்கு பெர்செப்ட்ரானின் பைனரி வெளியீடு நேரியல் பிரிக்கக்கூடிய வகுப்புகளை (0,1) மட்டுமே வகைப்படுத்த முடியும், அதேசமயம் MLP ஆனது நேரியல் அல்லாத வகுப்புகளை வகைப்படுத்த முடியும்.
7. நரம்பியல் நெட்வொர்க்கில் செயல்படுத்தும் செயல்பாடுகள் என்ன நோக்கத்திற்காக விளையாடுகின்றன?
ஒரு நியூரான் மிகவும் அடிப்படை மட்டத்தில் செயல்பட வேண்டுமா இல்லையா என்பதை ஒரு செயல்படுத்தும் செயல்பாடு தீர்மானிக்கிறது. எந்தவொரு செயல்படுத்தும் செயல்பாடும் உள்ளீடுகளின் எடையுள்ள தொகை மற்றும் சார்பு உள்ளீடாக ஏற்றுக்கொள்ளலாம். செயல்படுத்தும் செயல்பாடுகளில் படி செயல்பாடு, சிக்மாய்டு, ReLU, Tanh மற்றும் Softmax ஆகியவை அடங்கும்.
8. கிரேடியன்ட் டிசென்ட் என்றால் என்ன?
செலவு செயல்பாடு அல்லது பிழையைக் குறைப்பதற்கான சிறந்த அணுகுமுறை சாய்வு வம்சாவளியாகும். ஒரு செயல்பாட்டின் உள்ளூர்-உலகளாவிய மினிமாவைக் கண்டறிவதே குறிக்கோள். பிழையைக் குறைக்க மாதிரி பின்பற்ற வேண்டிய பாதையை இது குறிப்பிடுகிறது.
9. செலவு செயல்பாடு சரியாக என்ன?
உங்கள் மாடல் எவ்வளவு சிறப்பாக செயல்படுகிறது என்பதை மதிப்பிடுவதற்கான ஒரு அளவீடு செலவுச் செயல்பாடு ஆகும்; இது சில நேரங்களில் "இழப்பு" அல்லது "பிழை" என்று அறியப்படுகிறது. பின் பரப்புதலின் போது, வெளியீட்டு அடுக்கின் பிழையைக் கணக்கிட இது பயன்படுகிறது.
நரம்பியல் வலையமைப்பின் பயிற்சி செயல்முறைகளை நரம்பியல் நெட்வொர்க் மூலம் பின்னுக்குத் தள்ளுவதன் மூலம் அந்தத் துல்லியமின்மையை நாங்கள் பயன்படுத்துகிறோம்.
10. ஆழமான நெட்வொர்க்குகள் ஆழமற்ற நெட்வொர்க்குகளை எவ்வாறு விஞ்சிவிடும்?
உள்ளீடு மற்றும் வெளியீட்டு அடுக்குகளுக்கு கூடுதலாக நரம்பியல் நெட்வொர்க்குகளில் மறைக்கப்பட்ட அடுக்குகள் சேர்க்கப்படுகின்றன. உள்ளீடு மற்றும் வெளியீட்டு அடுக்குகளுக்கு இடையில், ஆழமற்ற நரம்பியல் நெட்வொர்க்குகள் ஒரு மறைக்கப்பட்ட அடுக்கைப் பயன்படுத்துகின்றன, அதேசமயம் ஆழமான நரம்பியல் நெட்வொர்க்குகள் பல நிலைகளைப் பயன்படுத்துகின்றன.
ஒரு ஆழமற்ற பிணையத்திற்கு எந்தச் செயல்பாட்டிலும் பொருந்துவதற்கு பல அளவுருக்கள் தேவை. ஆழமான நெட்வொர்க்குகள் பல அடுக்குகளை உள்ளடக்கியிருப்பதால், குறைந்த எண்ணிக்கையிலான அளவுருக்களுடன் கூட செயல்பாடுகளைச் சிறப்பாகச் செய்ய முடியும்.
டீப் நெட்வொர்க்குகள், பேச்சு அல்லது படம் அங்கீகாரம் என எந்த வகை டேட்டா மாடலிங்கிலும் வேலை செய்வதில் அவற்றின் பல்துறைத்திறன் காரணமாக இப்போது விரும்பப்படுகிறது.
11. முன்னோக்கி பரப்புதலை விவரிக்கவும்.
பகிர்தல் பரப்புதல் எனப்படும் செயல்பாட்டில் உள்ளீடுகள் எடையுடன் சேர்ந்து புதைக்கப்பட்ட அடுக்குக்கு அனுப்பப்படுகின்றன.
செயல்படுத்தும் செயல்பாட்டின் வெளியீடு ஒவ்வொரு புதைக்கப்பட்ட அடுக்கிலும் கணக்கிடப்படுகிறது, பின்னர் செயலாக்கம் பின்வரும் லேயருக்குச் செல்லும்.
செயல்முறை உள்ளீட்டு அடுக்கில் தொடங்கி இறுதி வெளியீட்டு அடுக்குக்கு முன்னேறும், இதனால் முன்னோக்கி பரப்புதல் என்று பெயர்.
12. பின் பரப்புதல் என்றால் என்ன?
நரம்பியல் வலையமைப்பில் எடைகள் மற்றும் சார்புகள் சரிசெய்யப்படும்போது, மதிப்பு எவ்வாறு மாறுகிறது என்பதை முதலில் கவனிப்பதன் மூலம் செலவு செயல்பாட்டைக் குறைக்க பேக் ப்ரோபேகேஷன் பயன்படுத்தப்படுகிறது.
ஒவ்வொரு மறைக்கப்பட்ட அடுக்கிலும் உள்ள சாய்வைப் புரிந்துகொள்வது இந்த மாற்றத்தைக் கணக்கிடுவதை எளிதாக்குகிறது.
பேக் ப்ரோபேகேஷன் எனப்படும் செயல்முறை, வெளியீட்டு அடுக்கில் தொடங்கி உள்ளீட்டு அடுக்குகளுக்கு பின்னோக்கி நகர்கிறது.
13. ஆழ்ந்த கற்றலின் சூழலில், கிரேடியன்ட் கிளிப்பிங்கை நீங்கள் எவ்வாறு புரிந்துகொள்கிறீர்கள்?
கிரேடியன்ட் கிளிப்பிங் என்பது பேக் ப்ரோபேகேஷனின் போது எழும் சரிவுகளை வெடிக்கும் சிக்கலைத் தீர்ப்பதற்கான ஒரு முறையாகும் (இந்த நிலையில் குறிப்பிடத்தக்க தவறான சாய்வுகள் காலப்போக்கில் குவிந்து, பயிற்சியின் போது நரம்பியல் நெட்வொர்க் மாதிரி எடைகளில் குறிப்பிடத்தக்க மாற்றங்களுக்கு வழிவகுக்கும்).
சரிவுகளை வெடிப்பது என்பது பயிற்சியின் போது சாய்வுகள் பெரிதாகி, மாதிரியை நிலையற்றதாக மாற்றும் போது எழும் ஒரு சிக்கலாகும். சாய்வு எதிர்பார்த்த வரம்பை தாண்டியிருந்தால், சாய்வு மதிப்புகள் உறுப்பு-மூலம் முன் வரையறுக்கப்பட்ட குறைந்தபட்ச அல்லது அதிகபட்ச மதிப்புக்கு தள்ளப்படும்.
கிரேடியன்ட் கிளிப்பிங் பயிற்சியின் போது நரம்பியல் வலையமைப்பின் எண் நிலைத்தன்மையை மேம்படுத்துகிறது, ஆனால் இது மாதிரியின் செயல்திறனில் குறைந்த தாக்கத்தை ஏற்படுத்துகிறது.
14. Softmax மற்றும் ReLU செயல்பாடுகள் என்றால் என்ன?
Softmax எனப்படும் செயல்படுத்தும் செயல்பாடு 0 மற்றும் 1 க்கு இடையில் ஒரு வெளியீட்டை உருவாக்குகிறது. ஒவ்வொரு வெளியீடும் அனைத்து வெளியீடுகளின் கூட்டுத்தொகை ஒன்றாக இருக்கும் வகையில் பிரிக்கப்படுகிறது. வெளியீடு அடுக்குகளுக்கு, Softmax அடிக்கடி பயன்படுத்தப்படுகிறது.
ரெக்டிஃபைட் லீனியர் யூனிட், சில நேரங்களில் ReLU என அழைக்கப்படுகிறது, இது மிகவும் பயன்படுத்தப்படும் செயல்படுத்தும் செயல்பாடு ஆகும். X நேர்மறையாக இருந்தால், அது X ஐ வெளியிடுகிறது, இல்லையெனில் அது பூஜ்ஜியங்களை வெளியிடுகிறது. புதைக்கப்பட்ட அடுக்குகளுக்கு ReLU தொடர்ந்து பயன்படுத்தப்படுகிறது.
15. ஒரு நரம்பியல் வலையமைப்பு மாதிரியை அனைத்து எடைகளையும் 0 என அமைக்க முடியுமா?
கொடுக்கப்பட்ட வேலையை முடிக்க நரம்பியல் வலையமைப்பு ஒருபோதும் கற்றுக்கொள்ளாது, எனவே அனைத்து எடைகளையும் 0 க்கு துவக்குவதன் மூலம் ஒரு மாதிரியைப் பயிற்றுவிக்க முடியாது.
அனைத்து எடைகளும் பூஜ்ஜியத்திற்கு துவக்கப்பட்டால், W [1] இல் உள்ள ஒவ்வொரு எடைக்கும் டெரிவேடிவ்கள் ஒரே மாதிரியாக இருக்கும், இதன் விளைவாக நியூரான்கள் அதே அம்சங்களை மீண்டும் மீண்டும் கற்றுக் கொள்ளும்.
எடைகளை 0 க்கு தொடங்குவது அல்ல, ஆனால் எந்த வகை மாறிலிக்கும் துணை முடிவு ஏற்பட வாய்ப்புள்ளது.
16. ஒரு சகாப்தத்தை ஒரு தொகுதி மற்றும் மறு செய்கையில் இருந்து வேறுபடுத்துவது எது?
செயலாக்க தரவுத்தொகுப்புகளின் வெவ்வேறு வடிவங்கள் மற்றும் சாய்வு வம்சாவளி நுட்பங்கள் தொகுதி, மறு செய்கை மற்றும் சகாப்தம் ஆகியவை அடங்கும். சகாப்தம் முன்னோக்கி மற்றும் பின்தங்கிய ஒரு முழு தரவுத்தொகுப்புடன் ஒரு நரம்பியல் வலையமைப்பை ஒருமுறை உள்ளடக்கியது.
நம்பகமான முடிவுகளை வழங்குவதற்காக, தரவுத்தொகுப்பு அடிக்கடி பல முறை அனுப்பப்படுகிறது, ஏனெனில் இது ஒரே முயற்சியில் கடந்து செல்ல முடியாத அளவுக்கு அதிகமாக உள்ளது.
ஒரு நரம்பியல் நெட்வொர்க் மூலம் ஒரு சிறிய அளவிலான தரவை மீண்டும் மீண்டும் இயக்கும் இந்த நடைமுறை மறு செய்கை என குறிப்பிடப்படுகிறது. தரவுத் தொகுப்பு வெற்றிகரமாக நரம்பியல் நெட்வொர்க்குகளை கடந்து செல்கிறது என்பதற்கு உத்தரவாதம் அளிக்க, அதை பல தொகுதிகள் அல்லது துணைக்குழுக்களாகப் பிரிக்கலாம், இது பேச்சிங் என அழைக்கப்படுகிறது.
தரவு சேகரிப்பு அளவைப் பொறுத்து, சகாப்தம், மறு செய்கை மற்றும் தொகுதி அளவு ஆகிய மூன்று முறைகளும் அடிப்படையில் பயன்படுத்துவதற்கான வழிகளாகும். சாய்வு வம்சாவளி அல்காரிதம்.
17. தொகுதி இயல்பாக்கம் மற்றும் டிராப்அவுட் என்றால் என்ன?
டிராப்அவுட், காணக்கூடிய மற்றும் மறைக்கப்பட்ட பிணைய அலகுகளை (பொதுவாக 20 சதவீத முனைகளைக் குறைக்கும்) தோராயமாக அகற்றுவதன் மூலம் தரவு மிகைப்படுத்தலைத் தடுக்கிறது. பிணையத்தை ஒன்றிணைக்க தேவையான மறு செய்கைகளின் எண்ணிக்கையை இது இரட்டிப்பாக்குகிறது.
ஒவ்வொரு அடுக்கிலும் உள்ள உள்ளீடுகளை பூஜ்ஜியத்தின் சராசரி வெளியீட்டுச் செயல்படுத்தல் மற்றும் ஒன்றின் நிலையான விலகல் ஆகியவற்றை இயல்பாக்குவதன் மூலம், தொகுதி இயல்பாக்கம் என்பது நரம்பியல் நெட்வொர்க்குகளின் செயல்திறன் மற்றும் நிலைத்தன்மையை மேம்படுத்துவதற்கான ஒரு உத்தி ஆகும்.
18. ஸ்டோகாஸ்டிக் கிரேடியன்ட் டிசென்ட் மற்றும் பேட்ச் கிரேடியன்ட் டிஸென்ட்டை எது பிரிக்கிறது?
தொகுதி சாய்வு இறங்கு:
- தொகுதி சாய்வுக்கான சாய்வை உருவாக்க முழுமையான தரவுத்தொகுப்பு பயன்படுத்தப்படுகிறது.
- அபரிமிதமான தரவு மற்றும் மெதுவாக புதுப்பிக்கும் எடைகள் ஒன்றிணைவதை கடினமாக்குகிறது.
சீரான சாய்வு இறங்கு:
- ஸ்டோகாஸ்டிக் கிரேடியன்ட் சாய்வைக் கணக்கிட ஒற்றை மாதிரியைப் பயன்படுத்துகிறது.
- அடிக்கடி ஏற்படும் எடை மாற்றங்கள் காரணமாக, இது தொகுதி சாய்வை விட கணிசமாக விரைவாக ஒன்றிணைகிறது.
19. நரம்பியல் நெட்வொர்க்குகளில் நேரியல் அல்லாதவற்றைச் சேர்ப்பது ஏன் முக்கியமானது?
எத்தனை அடுக்குகள் இருந்தாலும், ஒரு நரம்பியல் வலையமைப்பு நேரியல் அல்லாதவற்றில் ஒரு பெர்செப்ட்ரான் போல செயல்படும், இதனால் வெளியீட்டை உள்ளீட்டை நேரியல் சார்ந்ததாக மாற்றும்.
வேறு விதமாகச் சொல்வதென்றால், n அடுக்குகள் மற்றும் m மறைக்கப்பட்ட அலகுகள் மற்றும் நேரியல் செயல்படுத்தும் செயல்பாடுகளைக் கொண்ட ஒரு நரம்பியல் வலையமைப்பு மறைக்கப்பட்ட அடுக்குகள் இல்லாத நேரியல் நரம்பியல் வலையமைப்பிற்குச் சமமானது மற்றும் நேரியல் பிரிப்பு எல்லைகளை மட்டுமே கண்டறியும் திறன் கொண்டது.
நேரியல் அல்லாத, ஒரு நரம்பியல் வலையமைப்பு சிக்கலான சிக்கல்களைத் தீர்க்கவும், உள்ளீட்டைத் துல்லியமாக வகைப்படுத்தவும் முடியாது.
20. ஆழ்ந்த கற்றலில் டென்சர் என்றால் என்ன?
டென்சர் எனப்படும் பல பரிமாண வரிசையானது மெட்ரிக்குகள் மற்றும் திசையன்களின் பொதுமைப்படுத்தலாக செயல்படுகிறது. இது ஆழமான கற்றலுக்கான முக்கியமான தரவுக் கட்டமைப்பாகும். டென்சர்களைக் குறிக்க அடிப்படை தரவு வகைகளின் N- பரிமாண வரிசைகள் பயன்படுத்தப்படுகின்றன.
டென்சரின் ஒவ்வொரு கூறுகளும் ஒரே தரவு வகையைக் கொண்டுள்ளன, மேலும் இந்த தரவு வகை எப்போதும் அறியப்படுகிறது. வடிவத்தின் ஒரு பகுதி மட்டுமே-அதாவது, எத்தனை பரிமாணங்கள் உள்ளன மற்றும் ஒவ்வொன்றும் எவ்வளவு பெரியது என்பது-தெரிந்திருக்கலாம்.
உள்ளீடுகளும் முழுமையாக அறியப்படும் சூழ்நிலைகளில், பெரும்பாலான செயல்பாடுகள் முழுமையாக அறியப்பட்ட டென்சர்களை உருவாக்குகின்றன; மற்ற சந்தர்ப்பங்களில், ஒரு டென்சரின் வடிவத்தை வரைபட செயலாக்கத்தின் போது மட்டுமே நிறுவ முடியும்.
21. ஆழமான கற்றல் மாதிரிக்கான செயல்படுத்தும் செயல்பாட்டை எவ்வாறு தேர்ந்தெடுப்பீர்கள்?
- எதிர்பார்க்கப்பட வேண்டிய விளைவு உண்மையானதாக இருந்தால், நேரியல் செயல்படுத்தும் செயல்பாட்டைப் பயன்படுத்துவது அர்த்தமுள்ளதாக இருக்கும்.
- கணிக்கப்பட வேண்டிய வெளியீடு பைனரி கிளாஸ் நிகழ்தகவு எனில், சிக்மாய்டு செயல்பாடு பயன்படுத்தப்பட வேண்டும்.
- திட்டமிடப்பட்ட வெளியீடு இரண்டு வகைப்பாடுகளைக் கொண்டிருந்தால், ஒரு Tanh செயல்பாட்டைப் பயன்படுத்தலாம்.
- கணக்கீட்டின் எளிமை காரணமாக, ReLU செயல்பாடு பரந்த அளவிலான சூழ்நிலைகளில் பொருந்தும்.
22. CNN என்றால் என்ன?
காட்சிப் படங்களை மதிப்பிடுவதில் நிபுணத்துவம் பெற்ற ஆழமான நரம்பியல் வலையமைப்புகளில் கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் (CNN, அல்லது ConvNet) அடங்கும். இங்கே, ஒரு திசையன் உள்ளீட்டைக் குறிக்கும் நரம்பியல் நெட்வொர்க்குகளைக் காட்டிலும், உள்ளீடு பல சேனல்கள் கொண்ட படம்.
மல்டிலேயர் பெர்செப்ட்ரான்கள் சிஎன்என்களால் சிறப்பான முறையில் பயன்படுத்தப்படுகின்றன, அவை மிகக் குறைந்த முன்செயலாக்கம் தேவைப்படும்.
23. பல CNN அடுக்குகள் யாவை?
கன்வல்யூஷனல் லேயர்: முக்கிய அடுக்கு என்பது கன்வல்யூஷனல் லேயர் ஆகும், இதில் பலவகையான கற்கக்கூடிய வடிப்பான்கள் மற்றும் ஏற்றுக்கொள்ளும் புலம் உள்ளது. இந்த ஆரம்ப அடுக்கு உள்ளீட்டு தரவை எடுத்து அதன் பண்புகளை பிரித்தெடுக்கிறது.
ReLU அடுக்கு: நெட்வொர்க்குகளை நேரியல் அல்லாததாக்குவதன் மூலம், இந்த அடுக்கு எதிர்மறை பிக்சல்களை பூஜ்ஜியமாக மாற்றுகிறது.
பூலிங் லேயர்: செயலாக்கம் மற்றும் நெட்வொர்க் அமைப்புகளைக் குறைப்பதன் மூலம், பூலிங் லேயர் பிரதிநிதித்துவத்தின் இடஞ்சார்ந்த அளவை படிப்படியாகக் குறைக்கிறது. மேக்ஸ் பூலிங் என்பது பூலிங் செய்வதில் அதிகம் பயன்படுத்தப்படும் முறையாகும்.
24. அதிகப்படியான மற்றும் குறைவான பொருத்தத்தின் விளைவுகள் என்ன, அவற்றை நீங்கள் எவ்வாறு தவிர்க்கலாம்?
ஒரு மாதிரியானது, பயிற்சித் தரவில் உள்ள நுணுக்கங்கள் மற்றும் சத்தத்தை மாடலின் புதிய தரவைப் பயன்படுத்துவதை எதிர்மறையாகப் பாதிக்கும் அளவிற்குக் கற்றுக் கொள்ளும்போது இது ஓவர் ஃபிட்டிங் என அழைக்கப்படுகிறது.
இலக்கு செயல்பாட்டைக் கற்கும் போது மிகவும் தகவமைக்கக்கூடிய நேரியல் அல்லாத மாதிரிகளில் இது நிகழும் வாய்ப்பு அதிகம். ஆட்டோமொபைல்கள் மற்றும் டிரக்குகளைக் கண்டறிய ஒரு மாடலுக்குப் பயிற்சியளிக்க முடியும், ஆனால் அது ஒரு குறிப்பிட்ட பெட்டி வடிவத்தைக் கொண்ட வாகனங்களை மட்டுமே அடையாளம் காண முடியும்.
இது ஒரு வகை டிரக்கில் மட்டுமே பயிற்சியளிக்கப்பட்டதால், அது பிளாட்பெட் டிரக்கைக் கண்டறிய முடியாமல் போகலாம். பயிற்சி தரவுகளில், மாதிரி நன்றாக வேலை செய்கிறது, ஆனால் உண்மையான உலகில் இல்லை.
பொருத்தப்படாத மாதிரி என்பது தரவுகளில் போதுமான பயிற்சி பெறாத அல்லது புதிய தகவலைப் பொதுமைப்படுத்தக்கூடிய ஒன்றைக் குறிக்கிறது. ஒரு மாதிரி போதிய அல்லது தவறான தரவுகளுடன் பயிற்சியளிக்கப்படும்போது இது அடிக்கடி நிகழ்கிறது.
துல்லியம் மற்றும் செயல்திறன் இரண்டும் குறைவான பொருத்தத்தால் சமரசம் செய்யப்படுகின்றன.
மாதிரி துல்லியத்தை மதிப்பிடுவதற்கு தரவை மறு மாதிரி செய்வது (K-fold cross-validation) மற்றும் மாதிரியை மதிப்பிடுவதற்கு ஒரு சரிபார்ப்பு தரவுத்தொகுப்பைப் பயன்படுத்துதல் ஆகியவை மிகைப்படுத்தல் மற்றும் குறைவான பொருத்தத்தைத் தவிர்ப்பதற்கான இரண்டு வழிகள்.
25. ஆழ்ந்த கற்றலில், RNN என்றால் என்ன?
தொடர்ச்சியான நரம்பியல் நெட்வொர்க்குகள் (RNNs), ஒரு பொதுவான வகையான செயற்கை நரம்பியல் நெட்வொர்க்குகள், RNN என்ற சுருக்கத்தின் மூலம் செல்கின்றன. மரபணுக்கள், கையெழுத்து, உரை மற்றும் தரவு வரிசைகள் போன்றவற்றைச் செயலாக்க அவை பயன்படுத்தப்படுகின்றன. தேவையான பயிற்சிக்காக, RNNகள் பேக் ப்ரோபேகேஷனைப் பயன்படுத்துகின்றன.
26. ஆடம் ஆப்டிமைசரை விவரிக்கவும்
ஆடம் ஆப்டிமைசர், அடாப்டிவ் மொமெண்டம் என்றும் அழைக்கப்படுகிறது, இது ஒரு உகப்பாக்கம் நுட்பமாகும், இது அரிதான சாய்வுகளுடன் சத்தமில்லாத சூழ்நிலைகளைக் கையாளுகிறது.
விரைவான ஒருங்கிணைப்புக்கு ஒரு அளவுரு புதுப்பிப்புகளை வழங்குவதோடு, ஆடம் ஆப்டிமைசர் வேகத்தின் மூலம் ஒருங்கிணைப்பை மேம்படுத்துகிறது, ஒரு மாதிரி சேணம் புள்ளியில் சிக்காமல் இருப்பதை உறுதி செய்கிறது.
27. டீப் ஆட்டோஎன்கோடர்கள்: அவை என்ன?
டீப் ஆட்டோஎன்கோடர் என்பது இரண்டு சமச்சீர் ஆழமான நம்பிக்கை நெட்வொர்க்குகளின் கூட்டுப் பெயராகும், இது பொதுவாக நெட்வொர்க்கின் குறியாக்கப் பாதிக்கு நான்கு அல்லது ஐந்து ஆழமற்ற அடுக்குகளையும், டிகோடிங் பாதிக்கு நான்கு அல்லது ஐந்து அடுக்குகளின் மற்றொரு தொகுப்பையும் உள்ளடக்கியது.
இந்த அடுக்குகள் ஆழமான நம்பிக்கை நெட்வொர்க்குகளின் அடித்தளத்தை உருவாக்குகின்றன மற்றும் போல்ட்ஸ்மேன் இயந்திரங்களால் கட்டுப்படுத்தப்படுகின்றன. ஒவ்வொரு RBM க்குப் பிறகு, MNIST தரவுத்தொகுப்பில் ஒரு ஆழமான ஆட்டோஎன்கோடர் பைனரி மாற்றங்களைப் பயன்படுத்துகிறது.
RBM ஐ விட காஸியன் திருத்தப்பட்ட மாற்றங்கள் விரும்பப்படும் பிற தரவுத்தொகுப்புகளிலும் அவை பயன்படுத்தப்படலாம்.
28. டென்சர் ஃப்ளோவில் டென்சர் என்றால் என்ன?
இது மற்றொரு ஆழமான கற்றல் நேர்காணல் கேள்வி, இது தொடர்ந்து கேட்கப்படுகிறது. ஒரு டென்சர் என்பது ஒரு கணிதக் கருத்தாகும், இது உயர் பரிமாண வரிசைகளாக காட்சிப்படுத்தப்படுகிறது.
டென்சர்கள் என்பது நரம்பியல் நெட்வொர்க்கிற்கு உள்ளீடாக வழங்கப்படும் இந்தத் தரவு வரிசைகள் மற்றும் பல்வேறு பரிமாணங்கள் மற்றும் தரவரிசைகளைக் கொண்டுள்ளன.
29. கணக்கீட்டு வரைபடத்தின் விளக்கம்
ஒரு டென்சர்ஃப்ளோவின் அடித்தளம் ஒரு கணக்கீட்டு வரைபடத்தின் கட்டுமானமாகும். ஒவ்வொரு முனையும் கணுக்களின் வலையமைப்பில் செயல்படுகிறது, அங்கு கணுக்கள் கணித செயல்பாடுகளையும், டென்சர்களுக்கான விளிம்புகளையும் குறிக்கும்.
தரவு ஒரு வரைபடத்தின் வடிவத்தில் பாய்வதால் இது சில நேரங்களில் "டேட்டாஃப்ளோ கிராஃப்" என்று குறிப்பிடப்படுகிறது.
30. ஜெனரேட்டிவ் அட்வர்சரியல் நெட்வொர்க்குகள் (GANs): அவை என்ன?
டீப் லேர்னிங்கில், ஜெனரேட்டிவ் அட்வெர்சரியல் நெட்வொர்க்குகளைப் பயன்படுத்தி உருவாக்கும் மாதிரியாக்கம் செய்யப்படுகிறது. உள்ளீட்டுத் தரவில் உள்ள வடிவங்களைக் கண்டறிவதன் மூலம் முடிவுகளை உருவாக்குவது மேற்பார்வை செய்யப்படாத பணியாகும்.
ஜெனரேட்டரால் உற்பத்தி செய்யப்படும் நிகழ்வுகளை வகைப்படுத்துவதற்கு பாகுபாடு பயன்படுத்தப்படுகிறது, அதேசமயம் புதிய உதாரணங்களை உருவாக்க ஜெனரேட்டர் பயன்படுத்தப்படுகிறது.
31. நீங்கள் கட்டிடக்கலையை வடிவமைக்கும்போது நியூரான்களின் எண்ணிக்கை மற்றும் மறைக்கப்பட்ட அடுக்குகளை நரம்பியல் வலையமைப்பில் சேர்க்க எப்படி தேர்வு செய்வீர்கள்?
ஒரு வணிகச் சவாலைக் கருத்தில் கொண்டு, ஒரு நரம்பியல் நெட்வொர்க் கட்டமைப்பை உருவாக்கத் தேவையான நியூரான்கள் மற்றும் மறைக்கப்பட்ட அடுக்குகளின் துல்லியமான எண்ணிக்கையை எந்த கடினமான மற்றும் வேகமான விதிகளாலும் தீர்மானிக்க முடியாது.
ஒரு நரம்பியல் வலையமைப்பில், உள்ளீடு மற்றும் வெளியீட்டு அடுக்குகளின் அளவின் நடுவில் மறைக்கப்பட்ட அடுக்கின் அளவு எங்காவது விழ வேண்டும்.
ஒரு நரம்பியல் நெட்வொர்க் வடிவமைப்பை உருவாக்குவதற்கான ஒரு தொடக்கத்தை சில நேரடியான முறைகளில் அடையலாம், இருப்பினும்:
இதேபோன்ற நிஜ உலக அமைப்புகளில் உள்ள நரம்பியல் நெட்வொர்க்குகளுடன் முந்தைய அனுபவத்தின் அடிப்படையில் எந்தவொரு குறிப்பிட்ட தரவுத்தொகுப்பிற்கும் எது சிறப்பாகச் செயல்படும் என்பதைப் பார்க்க சில அடிப்படை முறையான சோதனைகளைத் தொடங்குவது ஒவ்வொரு தனித்துவமான நிஜ-உலக முன்கணிப்பு மாடலிங் சவாலைச் சமாளிப்பதற்கான சிறந்த வழியாகும்.
சிக்கல் களம் மற்றும் முந்தைய நரம்பியல் நெட்வொர்க் அனுபவத்தைப் பற்றிய ஒருவரின் அறிவின் அடிப்படையில் பிணைய உள்ளமைவைத் தேர்ந்தெடுக்கலாம். நரம்பியல் வலையமைப்பின் அமைப்பை மதிப்பிடும்போது, தொடர்புடைய சிக்கல்களில் பயன்படுத்தப்படும் அடுக்குகள் மற்றும் நியூரான்களின் எண்ணிக்கை தொடங்குவதற்கு ஒரு நல்ல இடம்.
ஒரு எளிய நரம்பியல் நெட்வொர்க் வடிவமைப்பில் தொடங்கி, திட்டமிடப்பட்ட வெளியீடு மற்றும் துல்லியத்தின் அடிப்படையில் நரம்பியல் நெட்வொர்க்கின் சிக்கலானது படிப்படியாக அதிகரிக்கப்பட வேண்டும்.
32. ஆழமான வலுவூட்டல் கற்றல் மூலம் என்ன வகையான நரம்பியல் நெட்வொர்க்குகள் பயன்படுத்தப்படுகின்றன?
- வலுவூட்டல் கற்றல் எனப்படும் இயந்திர கற்றல் முன்னுதாரணத்தில், நேரடி விஷயங்களைப் போலவே ஒட்டுமொத்த வெகுமதியின் யோசனையை அதிகரிக்க மாதிரி செயல்படுகிறது.
- விளையாட்டு மற்றும் சுய-ஓட்டுநர் வாகனங்கள் இரண்டும் சம்பந்தப்பட்ட பிரச்சனைகளாக விவரிக்கப்படுகின்றன வலுவூட்டல் கற்றல்.
- பிரதிநிதித்துவப்படுத்தப்படும் சிக்கல் விளையாட்டாக இருந்தால் திரை உள்ளீடாகப் பயன்படுத்தப்படும். அடுத்த கட்டங்களுக்கான வெளியீட்டை உருவாக்க, அல்காரிதம் பிக்சல்களை உள்ளீடாக எடுத்து, அவற்றை பல அடுக்குகளில் மாற்றும் நரம்பியல் நெட்வொர்க்குகள் வழியாக செயலாக்குகிறது.
- மாதிரியின் செயல்களின் முடிவுகள், சாதகமாகவோ அல்லது மோசமாகவோ, வலுவூட்டலாக செயல்படுகின்றன.
தீர்மானம்
ஆழமான கற்றல் பல ஆண்டுகளாக பிரபலமடைந்து வருகிறது, கிட்டத்தட்ட ஒவ்வொரு தொழில் துறையிலும் பயன்பாடுகள் உள்ளன.
ஆழ்ந்த கற்றல் மற்றும் இயந்திர கற்றல் அணுகுமுறைகளைப் பயன்படுத்தி மனித நடத்தையைப் பிரதிபலிக்கும் மாதிரிகளை வடிவமைக்கக்கூடிய திறமையான நிபுணர்களை நிறுவனங்கள் அதிகளவில் தேடுகின்றன.
இந்த அதிநவீன தொழில்நுட்பங்களைப் பற்றிய அறிவைப் பேணுவதன் மூலம் தங்கள் திறமையை அதிகரித்துக் கொள்ளும் விண்ணப்பதாரர்கள் கவர்ச்சிகரமான ஊதியத்துடன் பரந்த அளவிலான வேலை வாய்ப்புகளைக் காணலாம்.
அடிக்கடி கேட்கப்படும் ஆழமான கற்றல் நேர்காணல் கேள்விகளுக்கு எவ்வாறு பதிலளிப்பது என்பது குறித்து உங்களுக்கு வலுவான புரிதல் இருப்பதால், இப்போது நீங்கள் நேர்காணல்களுடன் தொடங்கலாம். உங்கள் இலக்குகளின் அடிப்படையில் அடுத்த படியை எடுங்கள்.
Hashdork's ஐப் பார்வையிடவும் நேர்காணல் தொடர் நேர்காணல்களுக்கு தயார் செய்ய.
ஒரு பதில் விடவும்