আমি বুঝতে পারি যে এই প্রশ্নের উত্তর দেওয়া হয়েছে, তবে আমি মনে করি না যে বিদ্যমান উত্তরটি সত্যই প্রশ্নটির বিষয়বস্তু সম্পর্কিত কোনও লিঙ্কের দিকে নির্দেশ না করেই প্রশ্নটিকে জড়িত করে। বিশেষত, লিঙ্কটি প্রোগ্রামেটিক নেটওয়ার্ক কনফিগারেশনের জন্য একটি কৌশল বর্ণনা করে, তবে সেটি নেটওয়ার্ক কনফিগারেশনের জন্য " [a] মানক এবং স্বীকৃত পদ্ধতি " নয়।
একটি স্পষ্ট নিয়মের একটি ছোট সেট অনুসরণ করে, একটি প্রোগ্রামের ভিত্তিতে একটি উপযুক্ত নেটওয়ার্ক আর্কিটেকচার সেট করতে পারেন (যেমন, নিউরোনাল স্তরগুলির সংখ্যা এবং ধরণ এবং প্রতিটি স্তর সমন্বিত নিউরনের সংখ্যা)। এই স্কিমা অনুসরণ করে এটি আপনাকে একটি উপযুক্ত আর্কিটেকচার দেবে তবে সম্ভবত এটি অনুকূল নয়।
তবে একবার এই নেটওয়ার্কটি শুরু হয়ে গেলে, আপনি বেশ কয়েকটি আনুষাঙ্গিক অ্যালগরিদম ব্যবহার করে প্রশিক্ষণের সময় পুনরাবৃত্তভাবে কনফিগারেশনটি টিউন করতে পারেন; এগুলির একটি পরিবার নির্দিষ্ট সংখ্যক প্রশিক্ষণ পর্বের পরে ওজন ভেক্টরের (ছোট) মানগুলির উপর ভিত্তি করে ছাঁটাই করে কাজ করে - অন্য কথায়, অপ্রয়োজনীয় / অপ্রয়োজনীয় নোডগুলি অপসারণ (এর নীচে আরও)।
সুতরাং প্রতিটি এনএন এর তিন ধরণের স্তর থাকে: ইনপুট , লুকানো এবং আউটপুট ।
এনএন আর্কিটেকচার তৈরি করার অর্থ হ'ল প্রতিটি ধরণের স্তরগুলির সংখ্যা এবং এই স্তরগুলির প্রতিটিটিতে নোডের সংখ্যার জন্য মান উপস্থিত হওয়া।
ইনপুট স্তর
সরল - প্রতিটি এনএন এর মধ্যে একটি হ'ল - ব্যতিক্রম যে সম্পর্কে আমি অবগত।
এই স্তরটি নিয়ে গঠিত নিউরনের সংখ্যার প্রতি শ্রদ্ধা জানায়, আপনার প্রশিক্ষণ ডেটার আকারটি জানার পরে এই প্যারামিটারটি সম্পূর্ণ এবং অনন্যভাবে নির্ধারিত হয়। বিশেষত, সেই স্তরটি সমন্বিত নিউরনের সংখ্যাটি আপনার ডেটাতে বৈশিষ্ট্যগুলির (কলাম) সংখ্যার সমান । কিছু এনএন কনফিগারেশন পক্ষপাত শর্তের জন্য একটি অতিরিক্ত নোড যুক্ত করে।
আউটপুট স্তর
ইনপুট স্তরটির মতো, প্রতিটি এনএন-তে ঠিক একটি আউটপুট স্তর থাকে। এর আকার নির্ধারণ (নিউরনের সংখ্যা) সহজ; এটি সম্পূর্ণরূপে নির্বাচিত মডেল কনফিগারেশন দ্বারা নির্ধারিত হয়।
আপনার এনএন কি মেশিন মোড বা রিগ্রেশন মোডে চলছে (এমন একটি শব্দ ব্যবহারের এমএল কনভেনশন যা পরিসংখ্যানেও ব্যবহৃত হয় তবে এটির জন্য আলাদা অর্থ নির্ধারণ করা খুব বিভ্রান্তিকর)। মেশিন মোড: একটি শ্রেণির লেবেল ফেরত দেয় (উদাঃ, "প্রিমিয়াম অ্যাকাউন্ট" / "বেসিক অ্যাকাউন্ট")। রিগ্রেশন মোড একটি মান দেয় (যেমন, দাম)।
যদি এনএন কোনও রেজিস্ট্রার হয় তবে আউটপুট স্তরের একক নোড থাকে।
যদি এনএন একটি শ্রেণিবদ্ধকারী হয়, তবে এতে সফটম্যাক্স ব্যবহার না করা হলে এটির একটি একক নোডও রয়েছে যদি আপনার মডেলটিতে আউটপুট স্তরের প্রতি ক্লাস লেবেলে একটি নোড থাকে।
গোপন স্তরসমূহ
সুতরাং এই কয়েকটি নিয়ম ইনপুট এবং আউটপুট স্তর উভয়ের জন্য স্তর এবং আকারের (নিউরন / স্তর) সংখ্যা নির্ধারণ করে। যা গোপন স্তরগুলিকে ছেড়ে দেয়।
কয়টি লুকানো স্তর? ঠিক আছে যদি আপনার ডেটা লাইনভাবে পৃথকযোগ্য হয় (যা আপনি প্রায়শই এনএন কোডিং শুরু করার মাধ্যমে জানেন) তবে আপনার কোনও হাইড লেয়ারের দরকার নেই। অবশ্যই, আপনার ডেটা সমাধান করার জন্য আপনার কোনও এনএন প্রয়োজন হবে না তবে এটি কাজটি করবে।
এর বাইরেও, যেমন আপনি সম্ভবত জানেন, এনএনএসে লুকানো স্তর কনফিগারেশন সম্পর্কিত প্রশ্নে একটি মন্তব্যের একটি পর্বত রয়েছে (সেই ভাষ্যটির দুর্দান্ত সংক্ষিপ্তসার জন্য অত্যন্ত উন্মত্ত এবং অন্তর্দৃষ্টিপূর্ণ এনএন এফকিউ দেখুন )। এই বিষয়ে যে বিষয়ে একটি whichক্যমত্য রয়েছে তার মধ্যে একটি বিষয় হ'ল অতিরিক্ত আড়াল স্তরগুলি যুক্ত করার পারফরম্যান্সের পার্থক্য: যে পরিস্থিতিতে পরিস্থিতিতে দ্বিতীয় (বা তৃতীয়, ইত্যাদি) গোপন স্তরের সাথে পারফরম্যান্স উন্নতি হয় খুব কম are একটি বৃহত সংখ্যাগরিষ্ঠ সমস্যার জন্য একটি লুকানো স্তর যথেষ্ট।
তাহলে লুকানো স্তর (গুলি) এর আকার সম্পর্কে কী বলা যায় - কতগুলি নিউরন? থাম্ব-অফ-এর কয়েকটি অনুপ্রেরণামূলকভাবে উত্পন্ন নিয়ম রয়েছে, এর মধ্যে সবচেয়ে বেশি নির্ভর করা হয় ' লুকানো স্তরটির সর্বোত্তম আকার সাধারণত আউটপুট স্তরগুলির ইনপুট এবং আকারের মধ্যে থাকে '। জাভাতে নিউরাল নেটওয়ার্কগুলির পরিচিতির লেখক জেফ হিটন আরও কয়েকটি প্রস্তাব দিয়েছেন।
সংক্ষেপে, বেশিরভাগ সমস্যার জন্য, কেবল দুটি নিয়ম ব্যবহার করে লুকানো স্তর কনফিগারেশনটি সেট করে কেউ সম্ভবত শালীন পারফরম্যান্স পেতে পারে (এমনকি দ্বিতীয় অপ্টিমাইজেশন ধাপ ছাড়াই): (i) লুকানো স্তরগুলির সংখ্যা একটির সমান; এবং (ii) সেই স্তরের নিউরনের সংখ্যা হ'ল ইনপুট এবং আউটপুট স্তরগুলিতে নিউরনের গড়।
নেটওয়ার্ক কনফিগারেশন অনুকূলিতকরণ
কেঁটে সাফকম্পিউটেশনাল পারফরম্যান্স এবং কখনও কখনও রেজোলিউশনের কর্মক্ষমতা উন্নত করতে নেটওয়ার্ক আকার (ট্রায়ার নয় নোডগুলি) ছাঁটাইতে কৌশলগুলির একটি সেট বর্ণনা করে। এই কৌশলগুলির সংক্ষেপটি সেই নোডগুলি সনাক্ত করে প্রশিক্ষণের সময় নেটওয়ার্ক থেকে নোডগুলি সরিয়ে দিচ্ছে যা নেটওয়ার্ক থেকে অপসারণ করা থাকলে নেটওয়ার্কের কার্যকারিতাটি (যেমন, ডেটা রেজোলিউশন) লক্ষণীয়ভাবে প্রভাবিত করবে না। (আনুষ্ঠানিকভাবে ছাঁটাই করার কৌশলটি ব্যবহার না করেও, আপনি প্রশিক্ষণের পরে আপনার ওজন ম্যাট্রিক্স দেখে কোন নোডগুলি গুরুত্বপূর্ণ নয় সে সম্পর্কে মোটামুটি ধারণা পেতে পারেন; ওজনকে শূন্যের খুব কাছাকাছি দেখান - এটি সেই ওজনগুলির উভয় প্রান্তে নোড যা প্রায়শই হয় ছাঁটাই করার সময় অপসারণ করা হয়েছে।) স্পষ্টতই, আপনি প্রশিক্ষণের সময় যদি ছাঁটাই অ্যালগরিদম ব্যবহার করেন তবে এমন একটি নেটওয়ার্ক কনফিগারেশন দিয়ে শুরু করুন যার অতিরিক্ত (যেমন, 'ছাঁটাই') নোড হওয়ার সম্ভাবনা বেশি - অন্য কথায়,
আরেকটি উপায় রাখুন, প্রশিক্ষণের সময় আপনার নেটওয়ার্কে ছাঁটাই অ্যালগরিদম প্রয়োগ করে আপনি সর্বোত্তম নেটওয়ার্ক কনফিগারেশনটির কাছে যেতে পারেন; আপনি একক "আপ-ফ্রন্ট" (যেমন জেনেটিক-অ্যালগোরিদম ভিত্তিক অ্যালগরিদম) তে এটি করতে পারেন কিনা তা আমি জানি না, যদিও আমি জানি যে আপাতত এই দ্বি-পদক্ষেপের অপ্টিমাইজেশনটি বেশি সাধারণ।