আপনার প্রশ্নের সুনির্দিষ্ট উত্তর আছে বলে আমি মনে করি না। তবে আমি মনে করি প্রচলিত জ্ঞান নিম্নলিখিত হিসাবে চলেছে:
মূলত, শেখার অ্যালগরিদমের অনুমানের স্থানটি বাড়ার সাথে সাথে অ্যালগরিদম আরও সমৃদ্ধ এবং আরও সমৃদ্ধ কাঠামো শিখতে পারে। তবে একই সময়ে, অ্যালগরিদম অত্যধিক মানানসই প্রবণ হয়ে ওঠে এবং এর সাধারণীকরণের ত্রুটি বাড়ার সম্ভাবনা রয়েছে।
সুতরাং শেষ পর্যন্ত, কোনও প্রদত্ত ডেটাসেটের জন্য, ন্যূনতম মডেলটির সাথে কাজ করার পরামর্শ দেওয়া হয় যা ডেটার আসল কাঠামো শেখার পর্যাপ্ত ক্ষমতা রাখে। তবে এটি একটি খুব হস্ত-avyেউয়ের পরামর্শ, যেহেতু সাধারণত "ডেটার আসল কাঠামো" অজানা, এবং প্রায়শই প্রার্থী মডেলগুলির ক্ষমতা কেবল অস্পষ্টভাবে বোঝা যায়।
যখন নিউরাল নেটওয়ার্কগুলির কথা আসে তখন অনুমানের জায়গার আকার পরামিতিগুলির সংখ্যা দ্বারা নিয়ন্ত্রিত হয়। এবং দেখে মনে হচ্ছে একটি নির্দিষ্ট সংখ্যক প্যারামিটারের জন্য (বা প্রস্থের একটি নির্দিষ্ট ক্রম) আরও গভীরভাবে যাওয়া মডেলগুলিকে আরও সমৃদ্ধ কাঠামো (যেমন এই কাগজটি ) ক্যাপচার করতে দেয় ।
এটি কম প্যারামিটার সহ গভীর মডেলগুলির সাফল্যটিকে আংশিকভাবে ব্যাখ্যা করতে পারে: VGGNet (2014 থেকে) 16 140M পরামিতি সহ 16 স্তর রয়েছে, যখন রেসনেট (2015 থেকে) এটি 152 স্তর সহ পরাজিত করেছে তবে কেবলমাত্র 2M পরামিতি রয়েছে
(একটি দিক হিসাবে, ছোট মডেলগুলি প্রশিক্ষণ করা কম্পিউটারের পক্ষে আরও সহজ হতে পারে - তবে আমি মনে করি না যে এটি নিজেই একটি প্রধান কারণ - কারণ গভীরতা আসলে প্রশিক্ষণকে জটিল করে তোলে)
মনে রাখবেন যে এই প্রবণতা (আরও গভীরতা, কম পরামিতি) বেশিরভাগ দৃষ্টিভঙ্গি সম্পর্কিত কাজ এবং কনভোলজিকাল নেটওয়ার্কগুলিতে উপস্থিত থাকে এবং এটি একটি ডোমেন-নির্দিষ্ট ব্যাখ্যা প্রয়োজন calls সুতরাং এখানে অন্য দৃষ্টিকোণ:
কনভোলজিকাল স্তরের প্রতিটি "নিউরন" এর একটি "গ্রহনযোগ্য ক্ষেত্র" থাকে, যা প্রতিটি আউটপুটকে প্রভাবিত করে এমন ইনপুটগুলির আকার এবং আকার। স্বজ্ঞাতভাবে, প্রতিটি কার্নেল কাছাকাছি ইনপুটগুলির মধ্যে এক ধরণের সম্পর্ককে ক্যাপচার করে। এবং ছোট কার্নেলগুলির (যা সাধারণ এবং পছন্দসই) একটি ছোট গ্রহণযোগ্য ক্ষেত্র রয়েছে, তাই তারা কেবল স্থানীয় সম্পর্ক সম্পর্কিত তথ্য সরবরাহ করতে পারে।
তবে আপনি আরও গভীরতর হতে গেলে, কিছু পূর্বের স্তরের সাথে প্রতিটি নিউরনের গ্রহণযোগ্য ক্ষেত্রটি আরও বড় হয়। কেবলমাত্র ছোট ছোট কার্নেল ব্যবহার করে (যা নেটওয়ার্ক শিখেছে সম্পর্কগুলিকে নিয়মিত করে তোলে এবং এটি রূপান্তরিত করতে এবং সাধারণীকরণে সহায়তা করে) তাই গভীর স্তরগুলি বিশ্বব্যাপী শব্দার্থক অর্থ এবং বিমূর্ত বিশদগুলি (সম্পর্কের সম্পর্কগুলি ... অবজেক্টের সম্পর্কের সাথে সম্পর্কিত বৈশিষ্ট্য) সরবরাহ করতে পারে।
সুতরাং কম্পিউটার দর্শনে গভীর সমঝোতা নেটওয়ার্কগুলির কার্যকারিতা চিত্র এবং ভিডিওগুলির স্থানিক কাঠামো দ্বারা আংশিকভাবে ব্যাখ্যা করা যেতে পারে। এটি সম্ভব যে সময়টি বলে দেবে যে বিভিন্ন ধরণের সমস্যার জন্য, বা অবিশ্বাস্য আর্কিটেকচারের জন্য, গভীরতা আসলে ভালভাবে কাজ করে না।