বিভিন্ন ধরণের নিউরাল নেটওয়ার্কগুলির জন্য কী ব্যবহার করা হয়?


11

আমি নীচের নিউরাল নেটওয়ার্কের চিট শীটটি পেয়েছি ( এআই, নিউরাল নেটওয়ার্কস, মেশিন লার্নিং, ডিপ লার্নিং এবং বড় ডেটাগুলির জন্য চিট শিট )।

এখানে চিত্র বর্ণনা লিখুন

এই সমস্ত ধরণের নিউরাল নেটওয়ার্কগুলির জন্য কী ব্যবহার করা হয়? উদাহরণস্বরূপ, কোন নিউরাল নেটওয়ার্কগুলি রিগ্রেশন বা শ্রেণিবিন্যাসের জন্য ব্যবহার করা যেতে পারে, যা সিকোয়েন্স জেনারেশন ইত্যাদির জন্য ব্যবহার করা যেতে পারে? আমার কেবল তাদের অ্যাপ্লিকেশনগুলির একটি সংক্ষিপ্ত ওভারভিউ (1-2 টি লাইন) প্রয়োজন।

উত্তর:


9

আমি সম্মতি দিচ্ছি যে এটি খুব বিস্তৃত, তবে তাদের বেশিরভাগের জন্য এখানে 1 টি বাক্য উত্তর রয়েছে। আমি বাদ দিয়েছি (চার্টের নীচে থেকে) খুব আধুনিক, এবং খুব বিশেষজ্ঞ। আমি তাদের সম্পর্কে খুব বেশি জানি না, তাই সম্ভবত যে কেউ এই উত্তরটি উন্নত করতে পারে।

  • পারসেপ্ট্রন: লিনিয়ার বা লজিস্টিক-জাতীয় রিগ্রেশন (এবং এভাবে শ্রেণিবিন্যাস)।
  • ফিড ফরোয়ার্ড: সাধারণত সিগময়েডাল অ্যাক্টিভেশন সহ অ-লিনিয়ার রিগ্রেশন বা শ্রেণিবিন্যাস। মূলত একটি মাল্টি-লেয়ার পার্সেপেট্রন।
  • র‌্যাডিয়াল বেসিস নেটওয়ার্ক: রেডিয়াল বেসিস অ্যাক্টিভেশন ফাংশন সহ ফরোয়ার্ড নেটওয়ার্ক ফিড করুন। শ্রেণিবদ্ধকরণ এবং কিছু ধরণের ভিডিও / অডিও ফিল্টারিংয়ের জন্য ব্যবহৃত
  • ডিপ ফিড ফরোয়ার্ড: 1 টিরও বেশি লুকানো স্তর সহ ফিড ফরোড করুন। শ্রেণিবদ্ধকরণ বা প্রতিরোধের আরও জটিল নিদর্শনগুলি শিখতে ব্যবহৃত হয়, সম্ভবত পুনর্বহালনের শেখা।

  • পুনরাবৃত্ত নিউরাল নেটওয়ার্ক: একটি ডিপ ফিড ফরোয়ার্ড নেটওয়ার্ক যেখানে কিছু নোড পূর্বের স্তরগুলির সাথে সংযুক্ত থাকে । শক্তিবৃদ্ধি শেখার ক্ষেত্রে এবং পাঠ্য বা অডিওর মতো ক্রমানুসারে ডেটাগুলিতে নিদর্শনগুলি শিখতে ব্যবহৃত হয়।
  • এলএসটিএম: বিশেষায়িত কন্ট্রোল নিউরনস (কখনও কখনও গেটস নামে পরিচিত) সহ একটি পুনরাবৃত্ত নিউরাল নেটওয়ার্ক যা সংকেতগুলিকে দীর্ঘ সময়ের জন্য স্মরণে রাখতে বা নির্বাচিতভাবে ভুলে যায়। যে কোনও আরএনএন অ্যাপ্লিকেশনটিতে ব্যবহৃত হয় এবং প্রায়শই এমন দীর্ঘক্রমের পুনরাবৃত্তি সময় থাকে এমন ক্রমগুলি শিখতে সক্ষম।
  • জিআরইউ: অনেকটা এলএসটিএমের মতো, বিশেষায়িত কন্ট্রোল নিউরনের সাথে আরও একটি ধরণের গেটেড আরএনএন।

  • অটো এনকোডার: ডেটা সংকুচিত করতে এবং তারপরে এটি সংক্ষেপিত করতে শেখে। এই মডেলটি শিখার পরে, এটি দুটি দরকারী উপ-বিভাগে বিভক্ত করা যেতে পারে: ইনপুট স্থান থেকে একটি নিম্ন-মাত্রিক বৈশিষ্ট্য স্পেসে ম্যাপিং, এটি ব্যাখ্যা বা বুঝতে সহজ হতে পারে; এবং জটিল সংখ্যায় সাধারণ সংখ্যার একটি ছোট মাত্রিক উপ-স্থান থেকে একটি ম্যাপিং যা সেই জটিল নিদর্শনগুলি তৈরি করতে ব্যবহার করা যেতে পারে। দৃষ্টি, ভাষা এবং অডিও প্রক্রিয়াকরণে অনেক আধুনিক কাজের ভিত্তি।
  • ভিএই, ডিএই, SAE: অটো এনকোডার বিশেষীকরণ।

  • মার্কভ চেইন: একটি মার্কভ চেইনের একটি নিউরাল নেটওয়ার্ক প্রতিনিধিত্ব: সক্রিয় স্নায়ুতোষের সংস্থায় রাজ্যটি এনকোড করা হয়, এবং উত্তরণের সম্ভাবনাগুলি এইভাবে ওজন দ্বারা সংজ্ঞায়িত হয়। অন্যান্য অ্যাপ্লিকেশনগুলির জন্য রূপান্তর সম্ভাবনা এবং নিরীক্ষণযোগ্য বৈশিষ্ট্য শেখার জন্য ব্যবহৃত।
  • এইচএন, বিএম, আরবিএম, ডিবিএম: মার্কোভ চেইন আইডিয়া ভিত্তিক বিশেষায়িত স্থাপত্যগুলি অন্যান্য অ্যাপ্লিকেশনগুলির জন্য স্বয়ংক্রিয়ভাবে দরকারী বৈশিষ্ট্যগুলি শিখতে ব্যবহৃত হয়।

  • ডিপ কনভোলিউশনাল নেটওয়ার্ক: ফিড-ফরোয়ার্ড নেটওয়ার্কের মতো তবে প্রতিটি নোড হ'ল একটি নোডের ব্যাংক যা তার আগে স্তর থেকে একটি কনভলিউশন শিখছে। এটি এটিকে মূলত ফিল্টার, প্রান্ত সনাক্তকারী এবং ভিডিও এবং অডিও প্রক্রিয়াকরণে আগ্রহের অন্যান্য নিদর্শনগুলি শিখতে দেয়।

  • ডিপ ডিকনভোলিউশনাল নেটওয়ার্ক: কোনও অর্থে কনভোলিউশনাল নেটওয়ার্কের বিপরীতে। এমন বৈশিষ্ট্যগুলি থেকে ম্যাপিং শিখুন যা প্রান্ত বা কিছু অদেখা চিত্রের অন্যান্য উচ্চ স্তরের বৈশিষ্ট্যগুলি উপস্থাপন করে, পিক্সেল স্পেসে ফিরে। সংক্ষিপ্তসারগুলি থেকে চিত্রগুলি তৈরি করুন।

  • ডিসিআইজিএন: মূলত ডিসিএন এবং একটি ডিএন দিয়ে তৈরি একটি অটো-এনকোডার এক সাথে আটকে থাকে। মুখের মতো জটিল চিত্রগুলির জন্য জেনারেটাল মডেলগুলি শিখতে ব্যবহৃত হয়।

  • জেনারেটর অ্যাডভারসিয়াল নেটওয়ার্ক: যখন কোনও ডিসিআইজিএন-এর জন্য পর্যাপ্ত প্রশিক্ষণের ডেটা উপলব্ধ না হয় তখন জটিল চিত্রগুলির (বা অন্যান্য ডেটা ধরণের) জেনারেটাল মডেলগুলি শিখতে ব্যবহৃত হয়। একটি মডেল এলোমেলো গোলমাল থেকে ডেটা উত্পন্ন করতে শেখে, এবং অন্যটি প্রথম নেটওয়ার্কের আউটপুটটিকে প্রশিক্ষণ ডেটা উপলভ্য যে কোনও তথ্য থেকে পৃথক হিসাবে শ্রেণীবদ্ধ করতে শেখে।

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.