একক গভীর নেটওয়ার্কগুলির সাথে সম্পর্কিত পৃথকভাবে প্রশিক্ষিত নেটওয়ার্কগুলির সমন্বিত সিস্টেমগুলির একটি মানদণ্ডের তুলনা সম্ভবত সর্বজনীনভাবে প্রয়োগযোগ্য সেরা পছন্দটি প্রকাশ করে না। 1 আমরা অন্যান্য ধরণের উপাদানগুলির সাথে বেশ কয়েকটি কৃত্রিম নেটওয়ার্ক একত্রিত হওয়া বৃহত সিস্টেমে সংখ্যার বৃদ্ধি সাহিত্যে দেখতে পাচ্ছি। এটা আশা করা যায়। সিস্টেম জটিলতায় বেড়ে ওঠার সাথে সাথে মডুলারাইজেশন এবং কর্মক্ষমতা এবং সক্ষমতা বৃদ্ধির দাবি শিল্পায়নের মতো পুরানো।
আমাদের পরীক্ষাগার রোবোটিক নিয়ন্ত্রণ, তাপবিদ্যুৎ সংক্রান্ত উপকরণ এবং ডেটা বিশ্লেষণ নিয়ে কাজ করে, কৃত্রিম নেটওয়ার্কগুলি বৃহত্তর সিস্টেমের প্রসঙ্গে x আমাদের কাছে কোনও একক এমএলপি বা আরএনএন নেই যা নিজেরাই কোনও কার্যকর ফাংশন সম্পাদন করে।
বহু দশক আগে শ্রেণিবিন্যাস সম্পর্কে অনুমানের বিপরীতে, টপোলজি পদ্ধতির যে বেশিরভাগ ক্ষেত্রে ভাল কাজ করে বলে মনে হচ্ছে পাওয়ার প্লান্ট, স্বয়ংক্রিয় কারখানা, অ্যারোনটিক্স, এন্টারপ্রাইজ তথ্য আর্কিটেকচার এবং অন্যান্য জটিল ইঞ্জিনিয়ারড ক্রিয়েশনে দেখা যায় এমন আরও সাধারণ সিস্টেম মডিউল সম্পর্ক অনুসরণ করে। সংযোগগুলি প্রবাহের মতো এবং যদি সেগুলি ভালভাবে ডিজাইন করা হয় তবে তদারকির কাজগুলি ন্যূনতম। যোগাযোগের জন্য প্রোটোকল জড়িত মডিউলগুলির মধ্যে প্রবাহ ঘটে এবং প্রতিটি মডিউল তার কার্যকারিতাটি ভাল করে সম্পাদন করে, নিম্ন স্তরের জটিলতা এবং কার্যকরী বিশদকে আবদ্ধ করে। এটি এমন একটি নেটওয়ার্ক নয় যা অন্যটির তদারকি করে যা প্রকৃত অনুশীলনে সর্বাধিক কার্যকর বলে মনে হয় তবে ভারসাম্য এবং সিম্বিওসিস। মানব মস্তিষ্কে পরিষ্কার মাস্টার-স্লেভ ডিজাইনের সনাক্তকরণ সমান পিচ্ছিল বলে মনে হয়।
চ্যালেঞ্জটি তথ্য সম্পর্কিত টপোলজি তৈরি করে এমন তথ্য পাথগুলি খুঁজে পাচ্ছে না। সমস্যা বিশ্লেষণের পরে তথ্য প্রবাহ প্রায়শই সুস্পষ্ট is এই স্বাধীন নেটওয়ার্কগুলিকে প্রশিক্ষণের জন্য কৌশলগুলির সেরা আবিষ্কার করতে অসুবিধা হচ্ছে। প্রশিক্ষণের নির্ভরতা সাধারণ এবং প্রায়শই সমালোচনামূলক, যেখানে প্রাণীদের মধ্যে প্রশিক্ষণটি সিটুতে ঘটে বা হয় না। আমরা এমন শর্তগুলি আবিষ্কার করছি যার অধীনে আমাদের সিস্টেমে এই জাতীয় শিক্ষাগত ব্যবহারিক এবং এটি কীভাবে অর্জন করা যায়। এই লাইনগুলি সহ আমাদের বেশিরভাগ গবেষণার উদ্দেশ্য এটির জন্য গবেষণার সময়গুলির ক্ষেত্রে উচ্চতর নির্ভরযোগ্যতা এবং কম বোঝা অর্জনের উপায়গুলি আবিষ্কার করা।
উচ্চ কার্যকারিতা সবসময় উপকারী হয় না। এটি প্রায়শই কম নির্ভরযোগ্যতা উত্পাদন করে এবং সামান্য রিটার্নের সাথে অতিরিক্ত বিকাশ সংস্থান গ্রহণ করে। একটি বিকাশের প্রক্রিয়াতে উচ্চ স্তরের অটোমেশন, রিসোর্স থ্রিফট এবং নির্ভরযোগ্যতার সাথে বিবাহ করার একটি উপায় সন্ধান করুন এবং আপনি ওয়েবের চারপাশে একটি পুরষ্কার এবং সম্মানজনক উল্লেখ জিতে পাবেন।
সমান্তরাল সিস্টেমগুলির একই উদ্দেশ্য হ'ল একটি ভাল ধারণা, তবে নতুন নয়। একটি অ্যারোনটিক্স সিস্টেমে নয়টি সমান্তরাল সিস্টেমে তিনটির দলে একই উদ্দেশ্য রয়েছে। প্রতিটি গ্রুপ একটি পৃথক কম্পিউটিং পদ্ধতির ব্যবহার করে। যদি দুটি পদ্ধতির একই পদ্ধতির ব্যবহার করে একই আউটপুট সরবরাহ করা হয় এবং তৃতীয়টি পৃথক হয়, তবে মিলে যাওয়া আউটপুট ব্যবহার করা হয় এবং তৃতীয়টির পার্থক্যটি সিস্টেম ত্রুটি হিসাবে রিপোর্ট করা হয়। যদি দুটি ভিন্ন পদ্ধতির মধ্যে দুটি একইরকম ফলাফল সরবরাহ করে এবং তৃতীয়টি যথেষ্ট পরিমাণে পৃথক হয়, তবে দুটি অনুরূপ ফলাফলের একটি মার্জ ব্যবহার করা হয় এবং তৃতীয়টি ভিন্নমত পোষণের পদ্ধতির বিকাশের জন্য ব্যবহারের ক্ষেত্রে হিসাবে রিপোর্ট করা হয়।
উন্নত ত্রুটি সহনশীলতার একটি ব্যয়, আরও আটটি সিস্টেম এবং সংযুক্ত কম্পিউটিং সংস্থান এবং সংযোগকারী প্লাস লেজের তুলনাকারী রয়েছে, তবে যে সিস্টেমগুলি জীবন এবং মৃত্যুর বিষয়, সেখানে অতিরিক্ত ব্যয় দেওয়া হয় এবং নির্ভরযোগ্যতা সর্বাধিক হয়।
ডায়নামিক টপোলজিকাল অভিযোজন রিয়ंडান্ট সিস্টেম এবং ফল্ট সহনশীলতার সাথে সম্পর্কিত তবে কিছু উপায়ে এটি বেশ স্বতন্ত্র। বিকাশের সেই ক্ষেত্রে, অনুসরণ করার প্রযুক্তিটি হল নিউরোমর্ফিক কম্পিউটারিং, যা আংশিকভাবে নিউরোপ্লাস্টিটি দ্বারা অনুপ্রাণিত।
বিবেচনা করার জন্য একটি শেষ পার্থক্য হ'ল প্রক্রিয়া টোকোলজি, ডেটা টপোলজি এবং হার্ডওয়্যার টপোলজির মধ্যে। এই তিনটি জ্যামিতিক ফ্রেম একত্রে আরও বেশি দক্ষতা তৈরি করতে পারে যদি নির্দিষ্ট উপায়ে সংযুক্ত থাকে যা প্রবাহ, প্রতিনিধিত্ব এবং যান্ত্রিকতার মধ্যে সম্পর্কের মধ্যে আরও সরাসরি ম্যাপিং তৈরি করে। এগুলি অবশ্য স্বতন্ত্র টোপোলজিস। এই ধারণাগুলি এবং নির্দিষ্ট পণ্য বা পরিষেবা উদ্দেশ্যগুলির জন্য উত্থাপিত বিশদে গভীরভাবে ডুব দেওয়া ছাড়া প্রান্তিককরণের অর্থ স্পষ্ট নয়।
পাদটিকা
[1] গভীর নেটওয়ার্কগুলি যা একটি একক হিসাবে প্রশিক্ষিত হয় এবং অন্যান্য কৃত্রিম নেটওয়ার্কগুলির সাথে সংযোগ ছাড়াই ফাংশন করে সেগুলি অবিচ্ছিন্ন নয়। বেশিরভাগ ব্যবহারিক গভীর নেটওয়ার্কগুলিতে তাদের অ্যাক্টিভেশন ফাংশন এবং প্রায়শই তাদের ঘরের ধরণের ক্ষেত্রে স্তরগুলির ভিন্ন ভিন্ন ক্রম থাকে।