আমার উপলব্ধি থেকে, সিএনএন দুটি অংশ নিয়ে গঠিত। প্রথম অংশ (রূপান্তর / পুল স্তর) যা বৈশিষ্ট্য নিষ্কাশন এবং দ্বিতীয় অংশ (এফসি স্তর) যা বৈশিষ্ট্যগুলি থেকে শ্রেণিবিন্যাস করে।
যেহেতু পুরোপুরি সংযুক্ত নিউরাল নেটগুলি সর্বোত্তম শ্রেণিবদ্ধকারী নয় (যেমন তারা বেশিরভাগ সময় এসভিএম এবং আরএফ দ্বারা ছাপিয়ে যায়), তাই কোনও এসভিএম বা আরএফ বলার পরিবর্তে সিএনএন কেন এফসি স্তরগুলির সাথে সমাপ্ত হয়?
উত্তর:
এটা এত সহজ নয়। প্রথমত, একটি এসভিএম হ'ল এক উপায়ে এক ধরণের নিউরাল নেটওয়ার্ক (আপনি ব্যাকপ্রসারণের মাধ্যমে একটি এসভিএম সমাধান শিখতে পারেন)। দেখুন * একটি কৃত্রিম নিউরাল নেটওয়ার্ক কি? । দ্বিতীয়ত, আপনি কোন মডেলটি আরও ভাল কাজ করতে পারবেন তা আপনি আগেই জানতে পারবেন না, তবে জিনিসটি সম্পূর্ণ নিউরোমর্ফিক আর্কিটেকচারের সাথে আপনি ওজন প্রান্ত থেকে শেষ শিখতে পারবেন, যখন কোনও সিএনএন-এর শেষ লুকানো স্তর সক্রিয়করণের সাথে কোনও এসভিএম বা আরএফ সংযুক্ত করার সময় হয় is কেবলমাত্র একটি অ্যাডহক পদ্ধতি। এটি আরও ভাল পারফর্ম করতে পারে, এবং এটি নাও হতে পারে, আমরা পরীক্ষা না করে জানতে পারি না।
গুরুত্বপূর্ণ অংশটি হ'ল একটি সম্পূর্ণ সমঝোতামূলক স্থাপত্যটি উপস্থাপনা শেখার পক্ষে সক্ষম, যা অগণিত কারণে কার্যকর। একবারের জন্য, এটি আপনার সমস্যাটিতে ফিচার ইঞ্জিনিয়ারিং পুরোপুরি হ্রাস করতে বা অপসারণ করতে পারে।
এফসি স্তরগুলি সম্পর্কে, তারা গাণিতিকভাবে 1x1 কনভোলিউশনাল স্তরগুলির সমতুল্য। দেখুন Yann Lecun এর পোস্ট , নীচের যা আমি প্রতিলিপি:
কনভলিউশনাল নেটগুলিতে, "সম্পূর্ণ-সংযুক্ত স্তরগুলি" বলে কোনও জিনিস নেই। এখানে কেবল 1x1 কনভ্যুশনাল কার্নেল এবং সম্পূর্ণ সংযোগ টেবিলের সাথে কনভলিউশন স্তর রয়েছে।
এটি খুব কমই বোঝা যায় যে কনভনেটসের কোনও নির্দিষ্ট-আকারের ইনপুট লাগবে না। আপনি তাদের ইনপুটগুলিতে প্রশিক্ষণ দিতে পারেন যা কোনও একক আউটপুট ভেক্টর (কোনও স্থানিক পরিমাণ ছাড়াই) উত্পাদনের জন্য ঘটে এবং তারপরে এগুলি বড় চিত্রগুলিতে প্রয়োগ করে। একক আউটপুট ভেক্টরের পরিবর্তে, আপনি তারপরে আউটপুট ভেক্টরগুলির একটি স্থানিক মানচিত্র পান। প্রতিটি ভেক্টর ইনপুটটিতে বিভিন্ন স্থানে ইনপুট উইন্ডো দেখতে পান।
সেই পরিস্থিতিতে, "সম্পূর্ণ সংযুক্ত স্তরগুলি" সত্যই 1x1 কনভোলিউশন হিসাবে কাজ করে।
আপনি যদি নো-ফ্রি লাঞ্চের উপপাদ্য (ওলপার্ট এবং ম্যাকডিয়ার) জানতেন , তবে আপনি একজন শ্রেণিবদ্ধের সাথে ঝাঁপিয়ে পড়বেন না এবং কেন এটি সেরা নয় তা জিজ্ঞাসা করবেন না। এনএফএল উপপাদ্যটি মূলত বলেছে যে "সমস্ত ব্যয়ের কাজগুলির মহাবিশ্বে সেরা শ্রেণিবদ্ধার কেউ নেই।" দ্বিতীয়ত, শ্রেণিবদ্ধ কর্মক্ষমতা সর্বদা "ডেটার উপর নির্ভর করে।"
অরুপ হংসশাবক উপপাদ্য (Watanabe) মূলত যুক্তরাষ্ট্রের "সমস্ত বৈশিষ্ট্য সেট মহাবিশ্বের কোন এক বৈশিষ্ট্য শ্রেষ্ঠ সেট।" যে
কভারের উপপাদ্যটিতে বলা হয়েছে যে যদি , অর্থাত্, ডেটার মাত্রিকতা নমুনার আকারের চেয়ে বড় হয়, তবে বাইনারি শ্রেণিবদ্ধকরণের সমস্যাটি সর্বদা রৈখিকভাবে পৃথকযোগ্য।
উপরের আলোকে, পাশাপাশি ওসাকের রেজার হিসাবে , ডেটা এবং ব্যয় কার্যকারিতা ব্যতীত অন্য কোনও কিছুর চেয়ে ভাল আর কিছুই নেই।
আমি সর্বদা যুক্তি দিয়ে এসেছি যে সিএনএনগুলি নিজেরাই শ্রেণিবদ্ধের অন্তর্ভুক্ত নয় যার জন্য বৈচিত্র্য (কপা বনাম ত্রুটি) মূল্যায়ন করা যেতে পারে।