আমি কুয়াশার অবস্থার (3 শ্রেণি) চিত্রগুলিকে শ্রেণিবদ্ধ করার জন্য একটি কনভোলশনাল নিউরাল নেটওয়ার্ক প্রশিক্ষণ দিচ্ছি। যাইহোক, প্রায় প্রতিটি 150.000 চিত্রের জন্য আমার কাছে চারটি আবহাওয়া সংক্রান্ত পরিবর্তনশীলও পাওয়া যায় যা চিত্রগুলির ক্লাস পূর্বাভাস দিতে সহায়তা করতে পারে। আমি ভাবছিলাম যে কীভাবে আমি বিদ্যমান সিএনএন কাঠামোর সাথে আবহাওয়া পরিবর্তনগুলি (যেমন তাপমাত্রা, বাতাসের গতি) যুক্ত করতে পারি যাতে এটি শ্রেণিবদ্ধকরণে সহায়তা করতে পারে।
আমি ইতিমধ্যে যা ভাবতে পারি তার মধ্যে সিএনএন পাশাপাশি আরও একটি (ছোট) ফিডফর্ডার নিউরাল নেট তৈরি করা এবং তারপরে সিএনএন স্তরগুলির আউটপুট এবং ঘন স্তরে নন-ইমেজ নিউরাল নেট এর লুকানো স্তরগুলি একে অপরের সাথে সংযুক্ত করা হয়।
দ্বিতীয় উপায়টি সম্পর্কে আমি ভাবতে পারি কেবল এই বৈশিষ্ট্যগুলিকে ঘন স্তরের সাথে যোগাযোগ করা। তবে, এক্ষেত্রে অ-চিত্রের ভেরিয়েবলগুলি (আমার মনে হয়) কেবল রৈখিক ভবিষ্যদ্বাণী করতে সক্ষম হবে।
মডেলটিতে নন-ইমেজ বৈশিষ্ট্যগুলি অন্তর্ভুক্ত করার জন্য অন্য কোনও (আরও ভাল) উপায় আছে? এবং আমার কাছে থাকা পরিমাণের পরিমাণ বিবেচনা করে পরামর্শমূলক পদ্ধতি কী হবে?
আমার আর একটি প্রশ্ন হ'ল এই নন-ইমেজ বৈশিষ্ট্যগুলির সাথে প্রশিক্ষণ নেওয়ার সময় আমার কি কনভোলশনাল স্তরগুলি জমাতে হবে? রেসনেট -১ 18 এর এই স্তরগুলি (যা ইমেজনেটে প্রাক-প্রশিক্ষিত হিসাবে শুরু করা হয়েছিল) ইমেজগুলি ব্যবহার করে ইতিমধ্যে সূক্ষ্ম সুর করা হয়েছে। আমার ধারণা হ'ল আমার এগুলি হিমশীতল রাখা উচিত এবং কেবল ঘন স্তরকে হিমায়িত করা উচিত, কারণ এখানে কেবলমাত্র নন-চিত্র বৈশিষ্ট্যগুলি চিত্রের বৈশিষ্ট্যগুলির সাথে 'যোগাযোগ' করতে আসে (আগে সিএনএন-তে নয়)। আমি যদি এতে ভুল হয়ে থাকি তবে দয়া করে তাই বলুন!