প্রচুর গভীর শেখার কাগজপত্র পড়ার পরে, এক ধরণের রুক্ষ অনুভূতিটি হ'ল স্বাভাবিকের চেয়ে ভাল পারফরম্যান্স পাওয়ার জন্য নেটওয়ার্ককে প্রশিক্ষণের জন্য অনেক কৌশল রয়েছে। শিল্প প্রয়োগের দৃষ্টিকোণ থেকে, বড় প্রযুক্তি সংস্থাগুলি যেমন গুগল বা ফেসবুকের অভিজাত গবেষণা দলগুলি বাদে এই ধরণের কৌশলগুলি বিকাশ করা খুব শক্ত। তাহলে অনুশীলনে গভীর শেখার অ্যালগরিদম প্রয়োগ করার সর্বোত্তম উপায় কী। যে কোনও চিন্তাভাবনা এবং পরামর্শগুলি অত্যন্ত প্রশংসা করবে।
উত্তর:
সত্য, কার্যকারিতা উন্নতির জন্য ব্যবহৃত কিছু বিশদ কৌশল হিসাবে বিবেচিত হয় এবং আপনি সর্বদা জানতে পারবেন না যে এই কৌশলগুলি আপনার ডেটা এবং আপনার নেটওয়ার্কের জন্য একই উন্নতি করে।
আপনার অবশ্যই কিছু জিনিস প্রয়োজন হবে:
এখানে একটি আকর্ষণীয় বই নিউরাল নেটওয়ার্কস: ট্রিক্স অফ ট্রেড , বইটির একটি আপডেট করা 2012 সংস্করণ। নিউরাল নেটওয়ার্কের কিছু অগ্রগামীদের প্রচুর নিবন্ধ।
ypx প্রশিক্ষণের মাধ্যমে প্রচুর ব্যবহারিক ইস্যুতে খুব সুন্দরভাবে স্পর্শ করেছে, তাই আপনার উত্থাপিত অন্যান্য ইস্যুগুলিকে স্পর্শ করার জন্য: অভিজাত শিল্প ল্যাবগুলির অনেকগুলি এখনও তাদের ফলাফল প্রকাশ করে। উদাহরণস্বরূপ মাইক্রোসফ্ট রিসার্চের দল সবেমাত্র ইমেজনেট 2015 জিতেছে এবং তারা তাদের নতুন গভীর নেট মডিউল বর্ণনা করে একটি প্রযুক্তিগত প্রতিবেদন প্রকাশ করেছে: চিত্র স্বীকৃতির জন্য ডিপ রেসিডুয়াল লার্নিং , গুগলের দল তাদের উদ্বোধন স্থাপত্যও প্রকাশ করেছে, কনভলিউশনের সাথে আরও গভীরতর হচ্ছে । একটি অপ্রয়োজনীয় ডিগ্রীতে এখনও বড় উদ্ভাবনগুলি ভাগ করে নেওয়ার জন্য মেশিন লার্নিংয়ে (বর্তমানে জন্য) একটি সংস্কৃতি রয়েছে। সম্ভবত তথ্যটি অ্যাক্সেসের কারণে কী। গুগল এবং ফেসবুকের কেবল আমাদের কাছে নেই এমন ডেটাতে অ্যাক্সেস রয়েছে। কাঁচা অ্যালগরিদমিক উদ্ভাবনে কত ক্রেডিট যায় এবং বিপুল পরিমাণে ডেটাতে কত যায় তা বলা শক্ত Hard
ভবিষ্যতে কি ঘটবে সে সম্পর্কে? বলা কঠিন. এটি এমন একটি সমস্যা যা এই ডেটাচালিত সংস্থাগুলি কতটা মূল্যবান হয়ে উঠেছে এবং বাজারটি কতটা প্রতিযোগিতামূলক তা প্রদানে প্রচুর লোক উত্থাপিত হয়েছে। তবে আপাতত, আমি মনে করি যে শিল্প গবেষণা ল্যাবগুলি কী ভাগ করে এবং ভাগ করে না দেয় তার যথেষ্ট পরিমাণে ভারসাম্য রয়েছে। আমি বুঝতে পারি তাদের সঠিক কোড বাস্তবায়ন ভাগ করে নিচ্ছি না। তবে তারা কিছু অভিনব উদ্ভাবন ভাগ করে না।
যারা গুরুত্বপূর্ণ ফলাফল প্রকাশ করেন এবং পড়েন, পড়েন, পড়েন এমন গবেষকরা সন্ধান করুন। আমি রেডডিটে ইয়ান লেকুনের এএমএ-তে বিশ্বাস করি যে তিনি উল্লেখ করেছিলেন যে তিনি একজন খাঁটি পাঠক। আমি বিশ্বাস করি এটি সবচেয়ে গুরুত্বপূর্ণ জিনিস। এবং যে পরিমাণে এটি ব্যবহারিক কার্যকর, তাদের বেঞ্চমার্কগুলি পুনরায় তৈরি করার চেষ্টা করুন বা আপনার বাজেটের মধ্যে থাকা কোনও ডেটাসেটে তাদের পদ্ধতিটি প্রয়োগ করুন।
আপনি যেখানেই থাকুন না কেন বা জীবনে আপনার স্টেশনটি নির্বিশেষে আমি মনে করি, তীক্ষ্ণ থাকার এবং আপনার দক্ষতার বিকাশ চালিয়ে যাওয়ার এই সেরা উপায়। একজন উদাসীন পাঠক হোন এবং জিনিসগুলি বাস্তবায়ন করুন এবং অন্তর্দৃষ্টি তৈরি করুন। আমার কাছে ব্যক্তিগতভাবে ইমেজনেট প্রতিযোগিতায় অংশ নেওয়ার সংস্থান নেই তবে শীর্ষস্থানীয় সমস্ত পারফর্মিং ইমেজনেট গ্রুপের নিবন্ধগুলি পড়ার ফলে আমাকে ব্যাপকভাবে সহায়তা করেছে helped