গভীর নিউরাল নেটওয়ার্কগুলি - কেবল চিত্র শ্রেণিবদ্ধের জন্য?

Question

গভীর বিশ্বাস বা কনভোলশনাল নিউরাল নেটওয়ার্কগুলি ব্যবহার করে আমি যে সমস্ত উদাহরণ পেয়েছি সেগুলি তাদের চিত্রের শ্রেণিবদ্ধকরণ, চ্যাট্যাক্টর সনাক্তকরণ বা বক্তৃতা স্বীকৃতির জন্য ব্যবহার করে।

উচ্চতর নিউরাল নেটওয়ার্কগুলি কি ধ্রুপদী পুনর্বিবেচনামূলক কাজের জন্যও কার্যকর, যেখানে বৈশিষ্ট্যগুলি কাঠামোগত নয় (উদাহরণস্বরূপ, ক্রম বা গ্রিডে সাজানো নয়)? যদি হ্যাঁ, আপনি একটি উদাহরণ দিতে পারেন?

Comments

আপনার প্রথম বাক্যটি কনভোলশনাল নিউরাল নেটওয়ার্ক নিয়ে আসে। মনে হয় আপনি গভীর বিশ্বাস নেটওয়ার্কগুলির সাথে তাদের বিভ্রান্ত করছেন। এগুলি একই নয়, যদিও উভয়ই নিউরাল নেটওয়ার্কের ফর্ম।

— এমসাল্টারস

আমি @ ম্যাসাটারদের সাথে একমত হব, তবে আমি বলব যে গভীর বিশ্বাস নেটওয়ার্কগুলি সত্যই গভীর নেটওয়ার্ক, এবং এর সীমিত সাফল্য পেয়েছে, যেখানে কনভোলজেশনাল জালগুলি হাইব্রিড-এর মতো অবিচ্ছিন্ন ইমেজ ফিল্টারগুলির সাথে অবিচ্ছিন্ন স্তরগুলির পরে অগভীর এনএন হয়।

— seanv507

"পর্যবেক্ষণ" "কাঠামোগত নয় (ক্রম বা গ্রিডে সাজানো নয়)" বলতে কী বোঝায়? আপনি কি চিত্রগুলিকে "কাঠামোগত" অর্থে বোঝাচ্ছেন যে পৃথক পিক্সেলগুলি গ্রিডে সাজানো হয়েছে? তবে তারপরে এটি এমন বৈশিষ্ট্যগুলি যা "কাঠামোগত", "পর্যবেক্ষণ" নয় (সেগুলি পৃথক চিত্র হবে)?

— অ্যামিবা

আমি বলব যে সমস্ত কনভলিউশন নেটওয়ার্কগুলি গভীর, সবগুলিই গভীর নেটওয়ার্কগুলি দৃ conv়বিশ্বাস নয়, একইভাবে সমস্ত গভীর বিশ্বাসের নেটওয়ার্ক গভীর, সমস্ত গভীর নেটওয়ার্ক গভীর বিশ্বাস নেটওয়ার্ক নয়। প্রকৃতপক্ষে আপনার কাছে এমন গভীর নেটওয়ার্ক থাকতে পারে যা গভীর বা সংশ্লেষাত্মক নয়, তাদের প্রশিক্ষণের জন্য কেবল শক্ত হতে থাকে। যদিও পরিভাষা নিয়ে অর্থহীন বিতর্কের অবশ্যই অবকাশ আছে।

— লন্ডন হোয়াইট

আপনি ননস্ট্রাকচার্ড (ক্রম / গ্রিড ইত্যাদিতে নয়) ডেটাতে কনভ্যুশনাল নেটওয়ার্ক প্রয়োগ করতে পারবেন না। এটি মূলত কোনও মানে করে না। একটি কনভোলজিকাল নেটওয়ার্ক আপনার ইনপুটটির ফুরিয়ার রূপান্তর নেওয়ার সাথে ঘনিষ্ঠভাবে সম্পর্কিত - যেমন সময় ডোমেন থেকে ফ্রিকোয়েন্সি ডোমেনে রূপান্তর করার ক্রমগুলির জন্য।

— লিন্ডন হোয়াইট

Answer 1

চিত্রগুলির বৈশিষ্ট্যগুলি যা তাদের গভীর নিউরাল নেটওয়ার্কের সাথে শ্রেণিবদ্ধকরণে সহায়ক করে তোলে সেগুলির মধ্যে অনেকগুলি বৈশিষ্ট্য রয়েছে (সম্ভবত কয়েক মিলিয়ন পিক্সেল আরজিবি, তীব্রতা ইত্যাদি নয়) এবং আপনার যদি সঠিক লেবেল থাকে তবে এটি গোলমাল তথ্য নয়। আজকাল ক্যামেরাগুলি খুব ভাল এবং তারা কোনও কিছুর ভুল-মাপার নয়। ইন্টারনেটকে ধন্যবাদ, আমাদের কাছে এখন অনেকগুলি সঠিক লেবেলযুক্ত চিত্র রয়েছে। একটি গভীর নেটওয়ার্ক নির্বিচারে জটিল ফাংশনগুলি প্রকাশ করতে পারে, যা গোলমাল সংক্রান্ত ডেটা নিয়ে একটি সমস্যা কারণ আপনি খুব সহজেই গোলমালকে পরাভূত করতে পারেন, তাই কেন অনেক শিক্ষণ পদ্ধতি জটিল মডেলগুলিকে শাস্তি দেয়। চিত্র স্বীকৃতি দেওয়ার ক্ষেত্রে, তবে, সত্যিকারের ফাংশনটি আসলে খুব জটিল বলে মনে হচ্ছে, কার্যকরী ফর্মটি দেখতে কেমন তা আমাদের কোনও ধারণা নেই, এবং অনেক ক্ষেত্রে প্রাসঙ্গিক বৈশিষ্ট্যগুলি কী তা আমরা জানি না।

এর অর্থ এই নয় যে আপনি চিত্রগুলির সাথে কোনও সম্পর্কযুক্ত ফাংশন শিখতে গভীর নেটওয়ার্কগুলি ব্যবহার করতে পারবেন না। ডাউনসাইড সম্পর্কে আপনার খুব যত্নশীল হওয়া দরকার, বেশিরভাগ ক্ষেত্রে এটি অত্যধিক মানানসই প্রবণ, তবে এটি গণনার দিক থেকে ব্যয়বহুল এবং প্রশিক্ষণের জন্য অনেক দিন সময় নিতে পারে (এই দিনে সমান্তরাল এসজিডি এবং জিপিইউ সহ কোনও সমস্যা নয়)। অন্যটি নেতিবাচক দিকটি হ'ল আপনার কাছে কোনও মডেলের ব্যাখ্যাযোগ্যতা খুব কম নয়, যা চিত্রের শ্রেণিবদ্ধকরণের পক্ষে আসলেই গুরুত্বপূর্ণ নয়। আমরা কেবল একটি চিম্প এবং ওরেঙ্গুতানের পার্থক্য সনাক্ত করার জন্য কম্পিউটারগুলি পাওয়ার চেষ্টা করছি। সূত্রটি সম্পর্কে মানুষের বোঝাপড়া কোনও বিষয় নয়। অন্যান্য ডোমেনগুলির জন্য, বিশেষত মেডিকেল ডায়াগনস্টিকস, নীতি গবেষণা ইত্যাদি ইত্যাদির জন্য আপনি মানুষের বোঝার প্রয়োজন বা এমনকি পেতে পারেন।

Answer 2

নিশ্চয়ই আপনি চিত্র বা বক্তৃতা স্বীকৃতি বাদে অনেক সমস্যার জন্য গভীর স্নায়বিক নেটওয়ার্ক ব্যবহার করতে পারেন। সমস্যাটি যদি আপনার সত্যই প্রয়োজন হয়।

ডিপ নিউরাল নেটওয়ার্কগুলি একটি সাধারণ এমএলপির চেয়ে অনেক বেশি শক্তিশালী তবে তারা আরও সংস্থান গ্রহণ করে এবং বিকাশ করা আরও কঠিন। সুতরাং এগুলি সত্যই জটিল ডোমেনগুলিতে ব্যবহৃত হয়। আপনি এগুলি সহজে সমস্যাগুলি সমাধান করতে ব্যবহার করতে পারেন তবে সাধারণ মডেলগুলি খুব ভাল ফলাফলও পান।

সহজ সমস্যার জন্য গভীর স্নায়বিক নেটওয়ার্কগুলি ব্যবহার করা যেমন বাজুকার সাথে মাছি মারার মতো হবে, আপনি তাদের মেরে ফেলবেন তবে এর থেকে সহজ উপায় আপনি খুঁজে পাচ্ছেন না?

Comments

এটি একটি উত্তর নেই। সহজ কি কি কঠিন? শেয়ার বাজারের পূর্বাভাস / সীমিত উদাহরণগুলি থেকে এক্সট্রাপোলেটিং / ... এখানে কি অনেকগুলি গভীর সমস্যা গভীর এনএনএস এ সব ভাল?

— seanv507

আমি বলিনি যে গভীর স্নায়বিক নেটওয়ার্কগুলি যে কোনও কিছু সমাধান করতে পারে। আমার অর্থ হ'ল এগুলি জটিল ডোমেনগুলিতে ব্যবহৃত হয় যেখানে আপনার বিশাল সংখ্যক এন্ট্রি রয়েছে। আমি জানি যে তারা প্রতিটি সমস্যা সমাধান করতে পারে না তবে এই প্রশ্নের মূল বিষয় এটি নয়। বিন্দুটি বোঝানো হচ্ছে যে তারা চিত্র / বক্তৃতা স্বীকৃতি বাদে অন্যান্য সমস্যার ক্ষেত্রে প্রয়োগ করতে পারে তবে অন্যান্য মডেলগুলি প্রয়োগ করা যেতে পারে এমন ক্ষেত্রে তাদের বিবেচনার মতো মূল্য রয়েছে।

— দবিদিবাদ

Answer 3

আমি ডেভিডিবাদের উত্তরের সাথে একমত তবে আমিও মনে করি যে চিত্রগুলিতে গভীর স্নায়বিক নেটওয়ার্কগুলির প্রয়োগ হ'ল চিত্রগুলি (এবং আরও গুরুত্বপূর্ণভাবে, লেবেলযুক্ত চিত্রগুলি) তুলনামূলকভাবে সস্তা are অন্যান্য ডোমেনে, বিশেষত একটি সাধারণ শিল্প বা সরকারী উদ্যোগের সীমাবদ্ধতার মধ্যে বৃহত আকারে ডেটা সংগ্রহ করা খুব ব্যয়বহুল হতে পারে। এই বিষয়টিকে আরও জটিল করে তুলতে হবে যে অনেক অ্যাপ্লিকেশনগুলিতে, আগ্রহের ঘটনাটি তুলনামূলকভাবে বিরল, তাই শিখতে মূল্যবান কয়েকটি উদাহরণ থাকবে, তাই অপেক্ষাকৃত বড় আকারের ডেটা সংগ্রহের প্রচেষ্টাও কিছু শ্রেণির সদস্যদের সংখ্যক সংখ্যক উপার্জন করতে পারে।