আমি ফিড-ফরোয়ার্ড এনএন ব্যবহার করছি। আমি ধারণাটি বুঝতে পারি, তবে আমার প্রশ্ন ওজন সম্পর্কে। আপনি কীভাবে তাদের ব্যাখ্যা করতে পারেন, অর্থাত্ তারা কী উপস্থাপন করবেন বা কীভাবে তারা আনস্ট্রোড হতে পারে (কেবলমাত্র ক্রিয়াকলাপের সহগ)? আমি "স্পেস অফ ওজন" নামে কিছু পেয়েছি, তবে এর অর্থ কী তা আমি যথেষ্ট নিশ্চিত নই।
উত্তর:
পৃথক ওজন ইউনিটগুলির মধ্যে সংযোগের শক্তি উপস্থাপন করে। ইউনিট এ থেকে ইউনিট বি-তে ওজনটির পরিমাণ আরও বেশি হলে (সমস্ত কিছুই সমান হচ্ছে), এর মানে হল যে বি এর উপর এ এর বেশি প্রভাব রয়েছে (অর্থাত্ বি এর সক্রিয়করণের স্তর বৃদ্ধি বা হ্রাস করতে)।
আপনি যে ইউনিটটি 'কীভাবে যত্নশীল' তা পরিমাপ হিসাবে একটি ইউনিটে আগত ওজনের সেট সম্পর্কেও ভাবতে পারেন। এটি প্রথম স্তরে দেখতে সবচেয়ে সহজ। বলুন আমাদের একটি ইমেজ প্রসেসিং নেটওয়ার্ক রয়েছে। প্রাথমিক ইউনিটগুলি ইনপুট পিক্সেল থেকে ওজনযুক্ত সংযোগ গ্রহণ করে। প্রতিটি ইউনিটের সক্রিয়করণ হ'ল পিক্সেল তীব্রতার মানগুলির একটি ওজনযুক্ত যোগফল, যা একটি অ্যাক্টিভেশন ফাংশনটির মধ্য দিয়ে যায়। অ্যাক্টিভেশন ফাংশন একঘেয়েমি হওয়ায়, যখন ইনপুট পিক্সেলগুলি unit ইউনিটের আগত ওজনের সাথে মিলিত হয় (একটি বড় ডট পণ্য থাকার অর্থে) একটি নির্দিষ্ট ইউনিটের সক্রিয়করণ বেশি হয়। সুতরাং, আপনি চিত্রের বৈশিষ্ট্যটি নির্ধারণ করে ফিল্টার সহগের সেট হিসাবে ওজন সম্পর্কে ভাবতে পারেন। উচ্চ স্তরের ইউনিটগুলির জন্য (একটি ফিডফোরওয়ার্ড নেটওয়ার্কে) ইনপুটগুলি পিক্সেল থেকে আর নয়, নিম্ন স্তরগুলির ইউনিটগুলি থেকে। সুতরাং, আগত ওজনগুলি আরও বেশি '
আপনার আসল উত্স সম্পর্কে নিশ্চিত নন, তবে আমি যদি 'ওজন স্পেস' সম্পর্কে কথা বলি, তবে আমি নেটওয়ার্কের সমস্ত ওজনের সমস্ত সম্ভাব্য মানগুলির সেটটি উল্লেখ করব।
ঠিক আছে, এটি কোনও নেটওয়ার্ক আর্কিটেকচার এবং নির্দিষ্ট স্তরের উপর নির্ভর করে। সাধারণভাবে এনএনগুলি ব্যাখ্যাযোগ্য নয়, বাণিজ্যিক ডেটা বিশ্লেষণে এটি তাদের প্রধান ব্যর্থতা (যেখানে আপনার লক্ষ্যটি আপনার মডেল থেকে ক্রিয়াযোগ্য অন্তর্দৃষ্টি উন্মোচন করা)।
তবে আমি কনসিওশনাল নেটওয়ার্কগুলি পছন্দ করি কারণ তারা আলাদা! যদিও তাদের উপরের স্তরগুলি খুব বিমূর্ত ধারণাগুলি শিখেছে, স্থানান্তর শিখন এবং শ্রেণিবিন্যাসের জন্য ব্যবহারযোগ্য, যা সহজে বোঝা যায় না, তাদের নীচের স্তরগুলি কাঁচা ডেটা থেকে সরাসরি গ্যাবার ফিল্টারগুলি শেখে (এবং এই জাতীয় ফিল্টার হিসাবে ব্যাখ্যাযোগ্য)। লে কুন লেকচার থেকে উদাহরণটি দেখুন:
এছাড়াও, এম জেইলার ( পিডিএফ ) এবং আরও অনেক গবেষক কনফ্যান্টকে "বোঝার" জন্য এবং এটি ডেকনভোলিউশনাল নেটওয়ার্কগুলির ডাবডভলিউশনাল নেটওয়ার্কগুলির দরকারী কিছু শিখেছে তা নিশ্চিত করার জন্য খুব সৃজনশীল পদ্ধতি আবিষ্কার করেছিলেন , যাতে তারা ইনপুট ছবিগুলিকে ফরোয়ার্ড পাস করে কিছু কনফেন্টকে 'ট্রেস' করে এবং কোনটি মনে করে নিউরনের সবচেয়ে অ্যাক্টিভেশন ছিল যার জন্য ছবিগুলি। এটি এটির মতো অত্যাশ্চর্য অন্তর্দৃষ্টি দেয় (কয়েকটি স্তর নীচে দেখানো হয়েছিল):
বামদিকে ধূসর চিত্রগুলি হ'ল ডানদিকে রঙিন ছবি দ্বারা নিউরন অ্যাক্টিভেশনগুলি (আরও তীব্রতা - বৃহত্তর অ্যাক্টিভেশন)। আমরা দেখতে পাচ্ছি যে এই সক্রিয়করণগুলি বাস্তব চিত্রগুলির কঙ্কালের উপস্থাপনা, যেমন, সক্রিয়করণগুলি এলোমেলো নয়। সুতরাং, আমাদের একটি দৃ hope় আশা, আমাদের প্রত্যয়টি সত্যিকার অর্থে দরকারী কিছু শিখেছে এবং অদেখা ছবিগুলিতে শালীন জেনারেলাইজেশন পাবে।
আমি মনে করি আপনি যে মডেলটির খুব বেশি ব্যাখ্যাযোগ্যতা রাখেন না তার জন্য খুব চেষ্টা করছেন। নিউরাল নেটওয়ার্ক (এনএন) একটি ব্ল্যাক বক্স মডেল যা আপনাকে আরও ভাল পারফরম্যান্স দেবে, তবে ভিতরে কী চলছে তা বোঝা শক্ত। এছাড়াও, এনএন এর ভিতরে হাজার হাজার এমনকি কয়েক মিলিয়ন ওজন থাকা খুব সম্ভব very
এনএন একটি খুব বড় অ-লিনিয়ার নন-উত্তল ফাংশন যার মধ্যে স্থানীয় মিনিমা প্রচুর পরিমাণে থাকতে পারে। আপনি যদি বিভিন্ন স্টার্ট পয়েন্ট সহ একাধিকবার প্রশিক্ষণ দেন তবে ওজন আলাদা হবে। অভ্যন্তরীণ ওজনগুলি কল্পনা করার জন্য আপনি কয়েকটি উপায় নিয়ে আসতে পারেন তবে এটি আপনাকে খুব বেশি অন্তর্দৃষ্টি দেয় না।
এমএনআইএসটি ডেটার জন্য এনএন ভিজ্যুয়ালাইজেশনের একটি উদাহরণ এখানে । উপরের ডান চিত্রটি (নীচে পুনরুত্পাদন করা) ওজন প্রয়োগের পরে রুপান্তরিত বৈশিষ্ট্যগুলি দেখায়।
সাধারণ ওজন সম্ভাবনা।
কোনও সংযোগ কীভাবে সঠিক বা ভুল উত্তর দেবে সম্ভবত। এমনকি মাল্টিলেয়ার নেটগুলিতেও ভুল ফলাফল কার্যকর হতে পারে। এমন কিছু বলার অপেক্ষা রাখে না যে ..