উত্তর:
কনভোলশনাল স্তরগুলি থেকে আউটপুট ডেটাতে উচ্চ-স্তরের বৈশিষ্ট্যগুলি উপস্থাপন করে। যে আউটপুটটি সমতল এবং আউটপুট স্তরের সাথে সংযুক্ত করা যেতে পারে, ততক্ষণ একটি সম্পূর্ণ-সংযুক্ত স্তর যুক্ত করা হ'ল (সাধারণত) এই বৈশিষ্ট্যগুলির অ-রৈখিক সংমিশ্রণগুলি শেখার সস্তা উপায়।
মূলত কনভোলশনাল স্তরগুলি একটি অর্থবহ, নিম্ন-মাত্রিক এবং কিছুটা অদম্য বৈশিষ্ট্যযুক্ত স্থান সরবরাহ করে এবং সম্পূর্ণভাবে সংযুক্ত স্তরটি সেই স্থানটিতে একটি (সম্ভবত অ-রৈখিক) ফাংশন শিখছে।
দ্রষ্টব্য: FC স্তর থেকে কনভ স্তরগুলিতে রূপান্তর করা তুচ্ছ। এই পৃষ্ঠার বর্ণনা অনুসারে শীর্ষস্থানীয় এফসি স্তরগুলি কনভ স্তরগুলিতে রূপান্তর করা সহায়ক হতে পারে ।
আমি এই উত্তর পাওয়া অনিল-শর্মা উপর কুয়োরা সহায়ক।
আমরা পুরো নেটওয়ার্ককে (শ্রেণিবিন্যাসের জন্য) দুটি ভাগে ভাগ করতে পারি:
বৈশিষ্ট্য নিষ্কাশন : প্রচলিত শ্রেণিবদ্ধকরণ অ্যালগরিদমগুলিতে, এসভিএমগুলির মতো আমরা শ্রেণিবদ্ধকরণের কাজটি করার জন্য ডেটা থেকে বৈশিষ্ট্যগুলি বের করতাম। কনভোলশনাল স্তরগুলি বৈশিষ্ট্য নিষ্কাশনের একই উদ্দেশ্যে পরিবেশন করছে। সিএনএনগুলি তথ্যের আরও ভাল উপস্থাপনা ক্যাপচার করে এবং তাই আমাদের ফিচার ইঞ্জিনিয়ারিং করার দরকার নেই।
শ্রেণিবিন্যাস : বৈশিষ্ট্য আহরণের পরে আমাদের বিভিন্ন শ্রেণিতে ডেটা শ্রেণিবদ্ধ করা দরকার, এটি সম্পূর্ণ সংযুক্ত (এফসি) নিউরাল নেটওয়ার্ক ব্যবহার করে করা যেতে পারে। সম্পূর্ণ সংযুক্ত স্তরগুলির জায়গায়, আমরা এসভিএমের মতো একটি প্রচলিত শ্রেণিবদ্ধও ব্যবহার করতে পারি। তবে আমরা সাধারণত মডেলকে শেষ থেকে শেষের প্রশিক্ষণযোগ্য করে তুলতে এফসি স্তর যুক্ত করি।