আপনার যে সংবেদনশীলতা বিশ্লেষণের পরামর্শ দেওয়া হয়েছে তা ইনপুটগুলির সাথে সম্মতভাবে আউটপুটগুলির আংশিক ডেরাইভেটিভগুলি পরীক্ষা করার সাথে মিলে যায়। বলুন আউটপুট ভেক্টর দ্বারা দেওয়া হয়েছে , যেখানে ইনপুট ভেক্টর এবং হল নেটওয়ার্ক প্রয়োগকারী ফাংশন। Jacobian ইনপুট wrt আউটপুট হল:y∈Rmy=f(x)x∈Rdf
Jij(x)=∂∂xjfi(x)
জ্যাকবিয়ান প্রতিটি আউটপুটকে প্রতিটি আউটপুট রিট করার স্থানীয় হার দেয়, সুতরাং এটি আমাদেরকে জানায় যে চূড়ান্ত অনিচ্ছাকৃত প্রতিক্রিয়ার প্রতিক্রিয়াতে আচরণ করবে। আমরা যদি ইনপুট শুরু এবং একটি ক্ষুদ্রাতিক্ষুদ্র মান যোগ থেকে তম ইনপুট, আমরা আশা তম আউটপুট দ্বারা বৃদ্ধি ।fxΔjiΔJij(x)
যদি এর বিশাল পরিমাণ থাকে তবে এর অর্থ হ'ল আউটপুট এর কাছাকাছি ইনপুট সংবেদনশীল । কারণ , সাধারণভাবে, ননলাইনার, সংবেদনশীলতার এই ধারণাটি ইনপুটটির উপর নির্ভর করে; এটি কিছু অঞ্চলে বড় এবং অন্যদের কাছে শূন্যের কাছাকাছি হতে পারে। আউটপুটগুলি ইনপুটগুলির উপর কতটা দৃ strongly়তার সাথে নির্ভর করে তার কোনও ধরণের সংক্ষিপ্ত পরিমাপ আপনি যদি চান তবে আপনাকে একাধিক ইনপুট মানকে সমষ্টি করতে হবে। উদাহরণস্বরূপ, আপনি জ্যাকবীয়ানের নিখুঁত মান নিতে পারেন, প্রশিক্ষণের সেটটির সমস্ত ইনপুটগুলির গড় গড় (যা প্রত্যাশার মানটির অন্তর্নিহিত বিতরণকে প্রত্যাশিত মানটির জন্য একটি সারোগেট হিসাবে কাজ করে)। অবশ্যই, এই ধরণের সংক্ষিপ্তসার তথ্য ত্যাগ করা শেষ হবে, তাই কিছু পরিস্থিতিতে বিভ্রান্তিকর হতে পারে।Jij(x)ijxf
আপনি জ্যাকবীয়দের জন্য একটি অভিব্যক্তি অর্জন করার জন্য চেইন বিধিটি ব্যবহার করতে পারেন, একইভাবে আপনি কীভাবে ক্ষতির ক্রিয়াকলাপের গ্রেডিয়েন্টটি ব্যাকপ্রপ দিয়ে ব্যবহারের জন্য প্যারামিটারগুলি আঁকেন। আপনি থিয়ানো, টেনসরফ্লো ইত্যাদির মতো লাইব্রেরি ব্যবহার করে স্বয়ংক্রিয় পার্থক্য ব্যবহার করে এটিও গণনা করতে পারেন fin যা ক্ষেত্রে জ্যাকবীয়দের অস্তিত্ব নেই)।
একটি দম্পতি সতর্কতা: যদি ইনপুটগুলির একে অপরের চেয়ে আলাদা ইউনিট / স্কেল থাকে তবে সংবেদনশীলতারও আলাদা ইউনিট / আইশ থাকে এবং সরাসরি তুলনা করা যায় না। ইনপুটগুলির মানককরণ / স্কেলিং করা একটি সম্ভাব্য সমাধান। এটা মনে রাখাও গুরুত্বপূর্ণ যে এই ধরণের বিশ্লেষণ আমাদের নিজেরাই মডেল সম্পর্কে বলে, তবে অগত্যা অন্তর্নিহিত বিতরণ যা ডেটা উত্পন্ন করে তা নয়। উদাহরণস্বরূপ, যদি দুটি ইনপুটগুলি পরস্পর সম্পর্কিত হয় তবে মডেলটি প্রথমটি ব্যবহার করে শেষ হতে পারে তবে দ্বিতীয়টি নয়। এই ক্ষেত্রে, আমরা দেখতে পেতাম যে প্রথম ইনপুটটির জন্য সংবেদনশীলতা বেশি এবং দ্বিতীয়টির জন্য কম, তবে সাধারণভাবে আউটপুটটি পূর্বাভাস দেওয়ার জন্য প্রথম ইনপুট সহজাতভাবে আরও গুরুত্বপূর্ণ বলে সিদ্ধান্ত নেওয়া উচিত নয়।
এই নিবন্ধটি আগ্রহী হওয়া উচিত।