সম্প্রতি, আমি অটোনকোডারগুলি নিয়ে পড়াশোনা করেছি। যদি আমি সঠিকভাবে বুঝতে পারি তবে একটি স্বয়ংক্রিয়কোডার হ'ল একটি নিউরাল নেটওয়ার্ক যেখানে ইনপুট স্তর আউটপুট স্তরের অনুরূপ। সুতরাং, নিউরাল নেটওয়ার্কটি ইনপুটটিকে সোনার মান হিসাবে ব্যবহার করে ভবিষ্যদ্বাণী করার চেষ্টা করে।
এই মডেলটির দরকারীতা কী? কিছু আউটপুট উপাদান পুনর্নির্মাণের চেষ্টা করার ফলে কী কী সুবিধা পাওয়া যায়, যাতে ইনপুট উপাদানগুলিকে যথাসম্ভব সমান করে তোলে? একই শুরুর পয়েন্টে উঠতে কেন এই সমস্ত যন্ত্রপাতি ব্যবহার করা উচিত?
উত্তর:
অটো এনকোডারগুলির একটি ইনপুট স্তর, লুকানো স্তর এবং একটি আউটপুট স্তর থাকে have ইনপুটটিকে আউটপুট হিসাবে একইরকম হতে বাধ্য করা হয়, তাই এটির গোপন স্তরটি আমরা আগ্রহী।
লুকানো স্তরটি ইনপুটটির এক ধরণের এনকোডিং তৈরি করে। "একটি অটো-এনকোডারটির লক্ষ্য হ'ল ডেটা সেট করার জন্য একটি সংকুচিত, বিতরণ প্রতিনিধিত্ব (এনকোডিং) শিখানো" " যদি ইনপুটটি 100 টি মাত্রিক ভেক্টর হয় এবং আপনার লুকানো স্তরে 60 টি নিউরন থাকে, তবে স্বয়ংক্রিয় এনকোডার আলগোরিদম আউটপুট স্তরে 100 মাত্রিক ভেক্টর হিসাবে ইনপুটটিকে প্রতিলিপি করবে, এমন প্রক্রিয়াতে আপনাকে একটি 60 টি মাত্রিক ভেক্টর দেবে যা আপনার ইনপুটকে এনকোড করে রাখে ।
সুতরাং অন্যান্য অনেকের মধ্যে অটো এনকোডারগুলির উদ্দেশ্যটি মাত্রা হ্রাস many
এটি আপনার জনসংখ্যার মডেলও করতে পারে যাতে আপনি যখন নতুন ভেক্টর ইনপুট করেন, আপনি ইনপুট থেকে আউটপুটটি কতটা আলাদা তা পরীক্ষা করতে পারেন। যদি সেগুলি "বেশ" একই হয় তবে আপনি অনুমান করতে পারেন যে ইনপুটটি জনসংখ্যার সাথে মেলে। যদি তারা "বেশ" আলাদা হয়, তবে ইনপুটটি সম্ভবত আপনার মডেল করা জনসংখ্যার অন্তর্ভুক্ত নয়।
আমি এটিকে এক ধরণের "নিউরাল নেটওয়ার্ক দ্বারা প্রতিরোধ" হিসাবে দেখছি যেখানে আপনি নিজের ডেটা বর্ণনা করার জন্য কোনও ফাংশন রাখার চেষ্টা করছেন: এর আউটপুট ইনপুটটির মতোই।
হতে পারে এই ছবিগুলি আপনাকে কিছু অন্তর্দৃষ্টি দেয়। উপরোক্ত মন্তব্যকারী হিসাবে অটো এনকোডাররা প্রশিক্ষণের উদাহরণ থেকে কিছু উচ্চ স্তরের বৈশিষ্ট্য আহরণের চেষ্টা করে। আপনি দেখতে পাচ্ছেন কীভাবে প্রগনস্টিকেশন অ্যালগরিদম দ্বিতীয় চিত্রের গভীর এনএন এর জন্য প্রতিটি লুকানো স্তরকে আলাদাভাবে প্রশিক্ষণের জন্য ব্যবহৃত হয়।
ছবিগুলি রাশিয়ান উইকিপিডিয়া থেকে তোলা।