நரம்பியல் நெட்வொர்க்குகள் மர்மமாகத் தோன்றும் வரை அவை ஒலிக்கின்றன. AI இல் நரம்பியல் நெட்வொர்க் என்றால் என்ன? அது வெறும் கணிதமா, அது ஒரு ஆடம்பரமான தொப்பியா என்று நீங்கள் எப்போதாவது யோசித்திருந்தால், நீங்கள் சரியான இடத்தில் இருக்கிறீர்கள். நாங்கள் அதை நடைமுறைக்கு ஏற்றதாக வைத்திருப்போம், சிறிய மாற்றுப்பாதைகளில் தெளிப்போம், ஆம் - ஒரு சில எமோஜிகள். இந்த அமைப்புகள் என்ன, அவை ஏன் வேலை செய்கின்றன, அவை எங்கு தோல்வியடைகின்றன, கையை அசைக்காமல் அவற்றைப் பற்றி எப்படிப் பேசுவது என்பதை நீங்கள் அறிந்து கொள்வீர்கள்.
இதற்குப் பிறகு நீங்கள் படிக்க விரும்பக்கூடிய கட்டுரைகள்:
🔗 AI சார்பு என்றால் என்ன?
நியாயத்தை உறுதி செய்வதற்கான AI அமைப்புகள் மற்றும் உத்திகளில் சார்புகளைப் புரிந்துகொள்வது.
🔗 முன்னறிவிப்பு AI என்றால் என்ன?
எதிர்கால விளைவுகளை முன்னறிவிக்க AI எவ்வாறு முன்கணிப்பு வடிவங்களைப் பயன்படுத்துகிறது.
🔗 AI பயிற்சியாளர் என்றால் என்ன?
AI பயிற்சி அளிக்கும் நிபுணர்களின் பங்கு மற்றும் பொறுப்புகளை ஆராய்தல்.
🔗 AI-யில் கணினி பார்வை என்றால் என்ன?
கணினி பார்வை மூலம் காட்சித் தரவை AI எவ்வாறு விளக்குகிறது மற்றும் பகுப்பாய்வு செய்கிறது.
AI-யில் நரம்பியல் வலையமைப்பு என்றால் என்ன? 10 வினாடி பதில் ⏱️
ஒரு நரம்பியல் வலையமைப்பு என்பது நியூரான்கள் எனப்படும் எளிய கணக்கீட்டு அலகுகளின் தொகுப்பாகும், அவை எண்களை முன்னோக்கி அனுப்புகின்றன, பயிற்சியின் போது அவற்றின் இணைப்பு வலிமையை சரிசெய்கின்றன, மேலும் படிப்படியாக தரவுகளில் வடிவங்களைக் கற்றுக்கொள்கின்றன. ஆழமான கற்றல் , அது பொதுவாக பல அடுக்கப்பட்ட அடுக்குகளைக் கொண்ட ஒரு நரம்பியல் வலையமைப்பைக் குறிக்கிறது, நீங்கள் அவற்றை கையால் குறியிடுவதற்குப் பதிலாக கற்றல் அம்சங்கள் தானாகவே இருக்கும். வேறு வார்த்தைகளில் கூறுவதானால்: நிறைய சிறிய கணிதத் துண்டுகள், புத்திசாலித்தனமாக ஒழுங்கமைக்கப்பட்டு, தரவு பயனுள்ளதாக இருக்கும் வரை பயிற்சி அளிக்கப்படுகின்றன [1].
ஒரு நரம்பியல் வலையமைப்பை பயனுள்ளதாக்குவது எது? ✅
-
பிரதிநிதித்துவ சக்தி : சரியான கட்டமைப்பு மற்றும் அளவுடன், நெட்வொர்க்குகள் மிகவும் சிக்கலான செயல்பாடுகளை தோராயமாக மதிப்பிட முடியும் (உலகளாவிய தோராய தேற்றத்தைப் பார்க்கவும்) [4].
-
முழுமையான கற்றல் : கையால் பொறியியல் அம்சங்களுக்குப் பதிலாக, மாதிரி அவற்றைக் கண்டுபிடிக்கிறது [1].
-
பொதுமைப்படுத்தல் : நன்கு ஒழுங்குபடுத்தப்பட்ட நெட்வொர்க் வெறும் மனப்பாடம் செய்வதில்லை - அது புதிய, காணப்படாத தரவுகளில் செயல்படுகிறது [1].
-
அளவிடுதல் : பெரிய தரவுத்தொகுப்புகள் மற்றும் பெரிய மாதிரிகள் பெரும்பாலும் முடிவுகளை மேம்படுத்துகின்றன... கணக்கீடு மற்றும் தரவு தரம் போன்ற நடைமுறை வரம்புகள் வரை [1].
-
மாற்றத்தக்க தன்மை : ஒரு பணியில் கற்றுக்கொண்ட அம்சங்கள் மற்றொரு பணியில் (கற்றலை மாற்றுதல் மற்றும் நன்றாகச் சரிசெய்தல்) உதவும் [1].
சிறிய புலக் குறிப்பு (உதாரண சூழ்நிலை): ஒரு சிறிய தயாரிப்பு வகைப்பாடு குழு, கையால் கட்டமைக்கப்பட்ட அம்சங்களை ஒரு சிறிய CNN க்கு மாற்றுகிறது, எளிய பெருக்கங்களைச் சேர்க்கிறது (ஃபிளிப்ஸ்/க்ராப்ஸ்), மற்றும் சரிபார்ப்பு பிழை வீழ்ச்சியைக் கவனிக்கிறது - நெட்வொர்க் "மாயாஜாலம்" என்பதால் அல்ல, மாறாக அது பிக்சல்களிலிருந்து நேரடியாக மிகவும் பயனுள்ள அம்சங்களைக் கற்றுக்கொண்டதால்.
"AI-யில் நியூரல் நெட்வொர்க் என்றால் என்ன?" என்று எளிய ஆங்கிலத்தில், ஒரு குழப்பமான உருவகத்துடன் 🍞
ஒரு பேக்கரி வரிசையை கற்பனை செய்து பாருங்கள். பொருட்கள் உள்ளே செல்கின்றன, தொழிலாளர்கள் செய்முறையை மாற்றியமைக்கிறார்கள், சுவை சோதனையாளர்கள் புகார் செய்கிறார்கள், மேலும் குழு மீண்டும் செய்முறையைப் புதுப்பிக்கிறது. ஒரு நெட்வொர்க்கில், உள்ளீடுகள் அடுக்குகள் வழியாகப் பாய்கின்றன, இழப்பு செயல்பாடு வெளியீட்டை தரப்படுத்துகிறது, மேலும் சாய்வுகள் அடுத்த முறை சிறப்பாகச் செய்ய எடைகளைத் தூண்டுகின்றன. ஒரு உருவகமாக சரியானதல்ல - ரொட்டி வேறுபடுத்தக்கூடியது அல்ல - ஆனால் அது ஒட்டிக்கொண்டிருக்கிறது [1].
ஒரு நரம்பியல் வலையமைப்பின் உடற்கூறியல் 🧩
-
நியூரான்கள் : எடையிடப்பட்ட தொகை மற்றும் செயல்படுத்தும் செயல்பாட்டைப் பயன்படுத்தும் சிறிய கால்குலேட்டர்கள்.
-
எடைகள் & சார்புகள் : சமிக்ஞைகள் எவ்வாறு இணைகின்றன என்பதை வரையறுக்கும் சரிசெய்யக்கூடிய கைப்பிடிகள்.
-
அடுக்குகள் : உள்ளீட்டு அடுக்கு தரவைப் பெறுகிறது, மறைக்கப்பட்ட அடுக்குகள் அதை மாற்றுகின்றன, வெளியீட்டு அடுக்கு கணிப்பை உருவாக்குகிறது.
-
செயல்படுத்தல் செயல்பாடுகள் : ReLU, sigmoid, tanh மற்றும் softmax போன்ற நேரியல் அல்லாத திருப்பங்கள் கற்றலை நெகிழ்வானதாக ஆக்குகின்றன.
-
இழப்புச் செயல்பாடு : கணிப்பு எவ்வளவு தவறானது என்பதற்கான மதிப்பெண் (வகைப்பாட்டிற்கு குறுக்கு-என்ட்ரோபி, பின்னடைவுக்கு MSE).
-
உகப்பாக்கி : SGD அல்லது Adam போன்ற வழிமுறைகள் எடைகளைப் புதுப்பிக்க சாய்வுகளைப் பயன்படுத்துகின்றன.
-
ஒழுங்குபடுத்தல் : மாதிரியை அதிகமாகப் பொருத்துவதைத் தடுக்க, கைவிடுதல் அல்லது எடை சிதைவு போன்ற நுட்பங்கள்.
நீங்கள் முறையான விளக்கத்தை விரும்பினால் (ஆனால் இன்னும் படிக்கக்கூடியதாக இருந்தால்), திறந்த பாடப்புத்தகம் ஆழமான கற்றல் முழு அடுக்கையும் உள்ளடக்கியது: கணித அடித்தளங்கள், உகப்பாக்கம் மற்றும் பொதுமைப்படுத்தல் [1].
செயல்படுத்தல் செயல்பாடுகள், சுருக்கமாக ஆனால் உதவிகரமாக ⚡
-
ReLU : எதிர்மறைகளுக்கு பூஜ்ஜியம், நேர்மறைகளுக்கு நேரியல். எளிமையானது, வேகமானது, பயனுள்ளது.
-
சிக்மாய்டு : 0 முதல் 1 வரையிலான மதிப்புகளை ஸ்குவாஷ் செய்கிறது - பயனுள்ளதாக இருக்கும் ஆனால் நிறைவுற்றதாக இருக்கும்.
-
தான் : சிக்மாய்டு போல ஆனால் பூஜ்ஜியத்தைச் சுற்றி சமச்சீராக இருக்கும்.
-
Softmax : மூல மதிப்பெண்களை வகுப்புகளுக்கு இடையே நிகழ்தகவுகளாக மாற்றுகிறது.
ஒவ்வொரு வளைவு வடிவத்தையும் நீங்கள் மனப்பாடம் செய்ய வேண்டியதில்லை - சமரசங்கள் மற்றும் பொதுவான இயல்புநிலைகளை அறிந்து கொள்ளுங்கள் [1, 2].
கற்றல் உண்மையில் எப்படி நடக்கிறது: பின்னணி, ஆனால் பயமாக இல்லை 🔁
-
முன்னோக்கி அனுப்புதல் : ஒரு கணிப்பைத் தயாரிக்க தரவு அடுக்கடுக்காக பாய்கிறது.
-
இழப்பைக் கணக்கிடுங்கள் : கணிப்பை உண்மையுடன் ஒப்பிடுங்கள்.
-
பின்பரவல் : சங்கிலி விதியைப் பயன்படுத்தி ஒவ்வொரு எடைக்கும் இழப்பின் சாய்வுகளைக் கணக்கிடுங்கள்.
-
புதுப்பிப்பு : ஆப்டிமைசர் எடையை சிறிது மாற்றுகிறது.
-
மீண்டும் மீண்டும் : பல சகாப்தங்கள். மாதிரி படிப்படியாகக் கற்றுக்கொள்கிறது.
காட்சிகள் மற்றும் குறியீட்டை ஒட்டிய விளக்கங்களுடன் கூடிய நேரடி உள்ளுணர்வுக்கு, பேக்ப்ராப் மற்றும் உகப்பாக்கம் [2] பற்றிய கிளாசிக் CS231n குறிப்புகளைப் பார்க்கவும்.
நரம்பியல் வலையமைப்புகளின் முக்கிய குடும்பங்கள், ஒரு பார்வையில் 🏡
-
ஃபீட்ஃபார்வர்டு நெட்வொர்க்குகள் (MLPகள்) : எளிமையான வகை. தரவு மட்டுமே முன்னோக்கி நகரும்.
-
கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் (CNNகள்) : விளிம்புகள், இழைமங்கள், வடிவங்களைக் கண்டறியும் இடஞ்சார்ந்த வடிப்பான்களுக்கு நன்றி, படங்களுக்கு சிறந்தது [2].
-
தொடர்ச்சியான நரம்பியல் நெட்வொர்க்குகள் (RNNகள்) & வகைகள் : உரை அல்லது நேரத் தொடர் போன்ற வரிசைமுறைகளுக்காக ஒழுங்கு உணர்வைப் பேணுவதன் மூலம் கட்டமைக்கப்பட்டது [1].
-
மின்மாற்றிகள் : ஒரே நேரத்தில் ஒரு வரிசையில் நிலைகளுக்கு இடையேயான மாதிரி உறவுகளுக்கு கவனம் செலுத்துங்கள்; மொழியிலும் அதற்கு அப்பாலும் ஆதிக்கம் செலுத்துங்கள் [3].
-
வரைபட நரம்பியல் வலையமைப்புகள் (GNNகள்) : ஒரு வரைபடத்தின் முனைகள் மற்றும் விளிம்புகளில் செயல்படுகின்றன - மூலக்கூறுகள், சமூக வலைப்பின்னல்கள், பரிந்துரை [1] ஆகியவற்றிற்கு பயனுள்ளதாக இருக்கும்.
-
தானியங்கு குறியாக்கிகள் & VAEகள் : சுருக்கப்பட்ட பிரதிநிதித்துவங்களைக் கற்றுக்கொண்டு மாறுபாடுகளை உருவாக்குங்கள் [1].
-
உருவாக்க மாதிரிகள் : GAN-கள் முதல் பரவல் மாதிரிகள் வரை, படங்கள், ஆடியோ, இரட்டைக் குறியீடு [1] ஆகியவற்றிற்குப் பயன்படுத்தப்படுகிறது.
CS231n குறிப்புகள் CNN-களுக்கு மிகவும் உகந்தவை, அதே நேரத்தில் டிரான்ஸ்ஃபார்மர் காகிதம் கவனத்தை அடிப்படையாகக் கொண்ட மாதிரிகளுக்கு [2, 3] முதன்மை ஆதாரமாக உள்ளது.
ஒப்பீட்டு அட்டவணை: பொதுவான நரம்பியல் நெட்வொர்க் வகைகள், அவை யாருக்கானவை, விலை அதிர்வுகள் மற்றும் அவை ஏன் வேலை செய்கின்றன 📊
| கருவி / வகை | பார்வையாளர்கள் | விலை அதிகம் | இது ஏன் வேலை செய்கிறது |
|---|---|---|---|
| ஃபீட்ஃபார்வர்டு (MLP) | தொடக்கநிலையாளர்கள், ஆய்வாளர்கள் | குறைந்த-நடுத்தரம் | எளிமையான, நெகிழ்வான, ஒழுக்கமான அடிப்படைகள் |
| சிஎன்என் | விஷன் குழுக்கள் | நடுத்தரம் | உள்ளூர் வடிவங்கள் + அளவுரு பகிர்வு |
| ஆர்என்என் / எல்எஸ்டிஎம் / ஜிஆர்யு | வரிசை நண்பர்களே | நடுத்தரம் | தற்காலிக நினைவாற்றல்... ஒழுங்கைப் பிடிக்கிறது |
| மின்மாற்றி | NLP, மல்டிமாடல் | நடுத்தர-உயர் | தொடர்புடைய உறவுகளில் கவனம் செலுத்துகிறது. |
| ஜிஎன்என் | விஞ்ஞானிகள், ஆராய்ச்சிகள் | நடுத்தரம் | வரைபடங்களில் செய்தி அனுப்புவது கட்டமைப்பை வெளிப்படுத்துகிறது |
| தானியங்கு குறியாக்கி / VAE | ஆராய்ச்சியாளர்கள் | குறைந்த-நடுத்தரம் | சுருக்கப்பட்ட பிரதிநிதித்துவங்களைக் கற்றுக்கொள்கிறது. |
| GAN / பரவல் | படைப்பு ஆய்வகங்கள் | நடுத்தர-உயர் | விரோதமான அல்லது மீண்டும் மீண்டும் சத்தத்தை நீக்கும் மந்திரம் |
குறிப்புகள்: விலை நிர்ணயம் என்பது கணக்கீடு மற்றும் நேரத்தைப் பற்றியது; உங்கள் மைலேஜ் மாறுபடும். ஒன்று அல்லது இரண்டு செல்போன்கள் வேண்டுமென்றே வேண்டுமென்றே பேசுகின்றன.
"AI-யில் நியூரல் நெட்வொர்க் என்றால் என்ன?" vs கிளாசிக்கல் ML வழிமுறைகள் ⚖️
-
அம்ச பொறியியல் : கிளாசிக் ML பெரும்பாலும் கையேடு அம்சங்களை நம்பியுள்ளது. நரம்பியல் வலைகள் தானாகவே அம்சங்களைக் கற்றுக்கொள்கின்றன - சிக்கலான தரவுகளுக்கு ஒரு பெரிய வெற்றி [1].
-
தரவுப் பஞ்சம் : நெட்வொர்க்குகள் பெரும்பாலும் அதிக தரவுகளுடன் பிரகாசிக்கின்றன; சிறிய தரவு எளிமையான மாதிரிகளுக்கு சாதகமாக இருக்கலாம் [1].
-
கணக்கீடு : நெட்வொர்க்குகள் GPUகள் போன்ற முடுக்கிகளை விரும்புகின்றன [1].
-
செயல்திறன் உச்சவரம்பு : கட்டமைக்கப்படாத தரவுகளுக்கு (படங்கள், ஆடியோ, உரை), ஆழமான வலைகள் ஆதிக்கம் செலுத்துகின்றன [1, 2].
நடைமுறையில் உண்மையில் செயல்படும் பயிற்சி பணிப்பாய்வு 🛠️
-
குறிக்கோளை வரையறுக்கவும் : வகைப்பாடு, பின்னடைவு, தரவரிசை, தலைமுறை - பொருந்தக்கூடிய இழப்பைத் தேர்ந்தெடுக்கவும்.
-
தரவு மோதல் : பயிற்சி/சரிபார்ப்பு/சோதனை எனப் பிரிக்கவும். அம்சங்களை இயல்பாக்கவும். சமநிலை வகுப்புகள். படங்களுக்கு, புரட்டுதல்கள், பயிர்கள், சிறிய சத்தம் போன்ற பெருக்கத்தைக் கருத்தில் கொள்ளவும்.
-
கட்டிடக்கலை தேர்வு : எளிமையாகத் தொடங்குங்கள். தேவைப்படும்போது மட்டும் திறனைச் சேர்க்கவும்.
-
பயிற்சி வளையம் : தரவைத் தொகுக்கவும். முன்னோக்கி அனுப்பவும். இழப்பைக் கணக்கிடவும். பின்தொடர். புதுப்பிப்பு. அளவீடுகளைப் பதிவு செய்யவும்.
-
ஒழுங்குபடுத்துதல் : இடைநிறுத்தம், எடை இழப்பு, சீக்கிரமாக நிறுத்துதல்.
-
மதிப்பிடு : ஹைப்பர் அளவுருக்களுக்கான சரிபார்ப்பு தொகுப்பைப் பயன்படுத்தவும். இறுதி சரிபார்ப்புக்காக ஒரு சோதனைத் தொகுப்பை நீட்டிப் பிடிக்கவும்.
-
கவனமாக அனுப்புங்கள் : நகர்வைக் கண்காணிக்கவும், சார்புகளைச் சரிபார்க்கவும், பின்வாங்கல்களைத் திட்டமிடவும்.
முழுமையான கோட்பாடு கொண்ட, குறியீடு சார்ந்த பயிற்சிகளுக்கு, திறந்த பாடப்புத்தகம் மற்றும் CS231n குறிப்புகள் நம்பகமான ஆதாரங்களாகும் [1, 2].
ஓவர்ஃபிட்டிங், பொதுமைப்படுத்தல் மற்றும் பிற கிரெம்லின்கள் 👀
-
ஓவர்ஃபிட்டிங் : இந்த மாடல் பயிற்சி வினோதங்களை மனப்பாடம் செய்கிறது. அதிக தரவு, வலுவான ஒழுங்குமுறைப்படுத்தல் அல்லது எளிமையான கட்டமைப்புகளுடன் சரிசெய்யவும்.
-
பொருத்தம் அண்டர்ஃபிட்டிங் : இந்த மாடல் மிகவும் எளிமையானது அல்லது பயிற்சி மிகவும் கூச்ச சுபாவமுள்ளதாக உள்ளது. திறனை அதிகரிக்கவும் அல்லது நீண்ட நேரம் பயிற்சி செய்யவும்.
-
தரவு கசிவு : சோதனைத் தொகுப்பிலிருந்து வரும் தகவல்கள் பயிற்சிக்குள் ஊடுருவுகின்றன. உங்கள் பிளவுகளை மூன்று முறை சரிபார்க்கவும்.
-
மோசமான அளவுத்திருத்தம் : நம்பிக்கையுடன் இருந்தாலும் தவறாக இருக்கும் மாதிரி ஆபத்தானது. அளவுத்திருத்தம் அல்லது வேறு இழப்பு எடையைக் கருத்தில் கொள்ளுங்கள்.
-
பரவல் மாற்றம் : நிஜ உலக தரவு நகர்வுகள். கண்காணித்து மாற்றியமைத்தல்.
பொதுமைப்படுத்தல் மற்றும் முறைப்படுத்தலின் பின்னணியில் உள்ள கோட்பாட்டிற்கு, நிலையான குறிப்புகளை [1, 2] சார்ந்திருங்கள்.
பாதுகாப்பு, விளக்கம் மற்றும் பொறுப்பான பயன்பாடு 🧭
நரம்பியல் நெட்வொர்க்குகள் அதிக பங்கு முடிவுகளை எடுக்க முடியும். அவை ஒரு லீடர்போர்டில் சிறப்பாகச் செயல்படுவது மட்டும் போதாது. வாழ்க்கைச் சுழற்சி முழுவதும் உங்களுக்கு நிர்வாகம், அளவீடு மற்றும் தணிப்பு படிகள் தேவை. வடிவமைப்பு மற்றும் பயன்பாட்டில் அணிகள் இடர் மேலாண்மையை ஒருங்கிணைக்க உதவும் நடைமுறை செயல்பாடுகளை NIST AI இடர் மேலாண்மை கட்டமைப்பு கோடிட்டுக் காட்டுகிறது - GOVERN, MAP, MEASURE, MANAGE - [5].
சில விரைவான குறிப்புகள்:
-
சார்பு சரிபார்ப்புகள் : பொருத்தமான மற்றும் சட்டபூர்வமான இடங்களில் மக்கள்தொகை பிரிவுகளை மதிப்பீடு செய்யவும்.
-
பொருள் விளக்கம் : சிறப்பு அல்லது அம்ச பண்புக்கூறுகள் போன்ற நுட்பங்களைப் பயன்படுத்தவும். அவை அபூரணமானவை, ஆனால் பயனுள்ளவை.
-
கண்காணிப்பு : திடீர் மெட்ரிக் வீழ்ச்சிகள் அல்லது தரவு சறுக்கலுக்கான எச்சரிக்கைகளை அமைக்கவும்.
-
மனித மேற்பார்வை : தாக்கத்தை ஏற்படுத்தும் கடுமையான முடிவுகளுக்கு மனிதர்களை உடனுக்குடன் கண்காணிக்கவும். வீரதீரச் செயல்கள் வேண்டாம், சுகாதாரம் மட்டும் போதும்.
உங்களிடம் ரகசியமாக அடிக்கடி கேட்கப்படும் கேள்விகள் 🙋
ஒரு நரம்பியல் வலையமைப்பு அடிப்படையில் ஒரு மூளையா?
மூளைகளால் ஈர்க்கப்பட்டது, ஆம் - ஆனால் எளிமைப்படுத்தப்பட்டது. நெட்வொர்க்குகளில் உள்ள நியூரான்கள் கணித செயல்பாடுகள்; உயிரியல் நியூரான்கள் சிக்கலான இயக்கவியல் கொண்ட உயிருள்ள செல்கள். ஒத்த அதிர்வுகள், மிகவும் மாறுபட்ட இயற்பியல் [1].
எனக்கு எத்தனை அடுக்குகள் தேவை?
சிறியதாகத் தொடங்குங்கள். நீங்கள் குறைவாகப் பொருத்தினால், அகலம் அல்லது ஆழத்தைச் சேர்க்கவும். நீங்கள் அதிகமாகப் பொருத்தினால், திறனை ஒழுங்குபடுத்தவும் அல்லது குறைக்கவும். எந்த மாய எண்ணும் இல்லை; சரிபார்ப்பு வளைவுகள் மற்றும் பொறுமை மட்டுமே உள்ளது [1].
எனக்கு எப்போதும் GPU தேவையா?
எப்போதும் இல்லை. மிதமான தரவுகளில் சிறிய மாதிரிகள் CPUகளில் பயிற்சி பெறலாம், ஆனால் படங்கள், பெரிய உரை மாதிரிகள் அல்லது பெரிய தரவுத்தொகுப்புகளுக்கு, முடுக்கிகள் டன் நேரத்தை மிச்சப்படுத்துகின்றன [1].
கவனம் சக்தி வாய்ந்தது என்று மக்கள் ஏன் கூறுகிறார்கள்?
ஏனெனில் கவனம் மாதிரிகள் கண்டிப்பாக வரிசையில் செல்லாமல் உள்ளீட்டின் மிகவும் பொருத்தமான பகுதிகளில் கவனம் செலுத்த அனுமதிக்கிறது. இது உலகளாவிய உறவுகளைப் பிடிக்கிறது, இது மொழி மற்றும் மல்டிமாடல் பணிகளுக்கு ஒரு பெரிய விஷயமாகும் [3].
“AI-யில் நரம்பியல் வலையமைப்பு என்றால் என்ன?” என்பது “ஆழமான கற்றல் என்றால் என்ன” என்பதிலிருந்து வேறுபட்டதா?
ஆழ்ந்த கற்றல் என்பது ஆழமான நரம்பியல் வலையமைப்புகளைப் பயன்படுத்தும் பரந்த அணுகுமுறையாகும். எனவே AI இல் நரம்பியல் வலையமைப்பு என்றால் என்ன என்று முக்கிய கதாபாத்திரத்தைப் பற்றி கேட்பது போன்றது; ஆழ்ந்த கற்றல் என்பது முழு திரைப்படமாகும் [1].
நடைமுறைக்கு ஏற்ற, சற்று கருத்தியல் ரீதியான குறிப்புகள் 💡
-
எளிய அடிப்படைகளை விரும்புங்கள் . ஒரு சிறிய பல அடுக்கு பெர்செப்ட்ரான் கூட தரவு கற்றுக்கொள்ளக்கூடியதா என்பதை உங்களுக்குச் சொல்லும்.
-
உங்கள் தரவு குழாய்வழியை மீண்டும் உருவாக்கக்கூடியதாக . அதை மீண்டும் இயக்க முடியாவிட்டால், அதை நம்ப முடியாது.
-
நீங்கள் நினைப்பதை விட கற்றல் விகிதம்
-
தொகுதி அளவு சமரசங்கள் உள்ளன. பெரிய தொகுதிகள் சாய்வுகளை நிலைப்படுத்துகின்றன, ஆனால் அவை வித்தியாசமாக பொதுமைப்படுத்தப்படலாம்.
-
குழப்பமடையும்போது, சதி இழப்பு வளைவுகள் மற்றும் எடை விதிமுறைகள் . சதித்திட்டங்களில் பதில் எவ்வளவு அடிக்கடி இருக்கிறது என்பதை நீங்கள் ஆச்சரியப்படுவீர்கள்.
-
ஆவண அனுமானங்கள். எதிர்காலம் - நீங்கள் விஷயங்களை மறந்துவிடுவீர்கள் - வேகமாக [1, 2].
ஆழமான மாற்றுப்பாதை: தரவின் பங்கு, அல்லது குப்பை ஏன் இன்னும் குப்பையை வெளியே கொண்டு வருகிறது 🗑️➡️✨
நரம்பியல் நெட்வொர்க்குகள் குறைபாடுள்ள தரவை மாயாஜாலமாக சரிசெய்வதில்லை. வளைந்த லேபிள்கள், குறிப்பு தவறுகள் அல்லது குறுகிய மாதிரி அனைத்தும் மாதிரி முழுவதும் எதிரொலிக்கும். க்யூரேட், தணிக்கை மற்றும் பெருக்கு. உங்களுக்கு கூடுதல் தரவு தேவையா அல்லது சிறந்த மாதிரி தேவையா என்று உங்களுக்குத் தெரியாவிட்டால், பதில் பெரும்பாலும் எரிச்சலூட்டும் வகையில் எளிமையானது: இரண்டும் - ஆனால் தரவு தரத்துடன் தொடங்குங்கள் [1].
“AI-யில் நியூரல் நெட்வொர்க் என்றால் என்ன?” - நீங்கள் மீண்டும் பயன்படுத்தக்கூடிய குறுகிய வரையறைகள் 🧾
-
ஒரு நரம்பியல் வலையமைப்பு என்பது ஒரு அடுக்கு செயல்பாடு தோராயமாக்கல் கருவியாகும், இது சாய்வு சமிக்ஞைகளைப் பயன்படுத்தி எடைகளை சரிசெய்வதன் மூலம் சிக்கலான வடிவங்களைக் கற்றுக்கொள்கிறது [1, 2].
-
இது தொடர்ச்சியான நேரியல் அல்லாத படிகள் மூலம் உள்ளீடுகளை வெளியீடுகளாக மாற்றும் ஒரு அமைப்பாகும், இழப்பைக் குறைக்க பயிற்சி அளிக்கப்படுகிறது [1].
-
இது ஒரு நெகிழ்வான, தரவு-பசியுள்ள மாடலிங் அணுகுமுறையாகும், இது படங்கள், உரை மற்றும் ஆடியோ போன்ற கட்டமைக்கப்படாத உள்ளீடுகளில் செழித்து வளர்கிறது [1, 2, 3].
மிக நீளமானது, படிக்கவில்லை மற்றும் இறுதி குறிப்புகள் 🎯
AI-யில் நியூரல் நெட்வொர்க் என்றால் என்ன என்று யாராவது உங்களிடம் கேட்டால் , இங்கே ஒலி சுருக்கம்: ஒரு நியூரல் நெட்வொர்க் என்பது தரவை படிப்படியாக மாற்றும் எளிய அலகுகளின் தொகுப்பாகும், இழப்பைக் குறைப்பதன் மூலமும் சாய்வுகளைப் பின்பற்றுவதன் மூலமும் மாற்றத்தைக் கற்றுக்கொள்கிறது. அவை அளவிடுவதால், அம்சங்களை தானாகவே கற்றுக்கொள்வதால், மிகவும் சிக்கலான செயல்பாடுகளை பிரதிநிதித்துவப்படுத்த முடியும் என்பதால் அவை சக்திவாய்ந்தவை [1, 4]. தரவு தரம், நிர்வாகம் அல்லது கண்காணிப்பு [5] ஆகியவற்றை நீங்கள் புறக்கணித்தால் அவை ஆபத்தானவை. மேலும் அவை மந்திரம் அல்ல. வெறும் கணிதம், கணக்கீடு மற்றும் நல்ல பொறியியல் - ஒரு துளி சுவையுடன்.
மேலும் படிக்க, கவனமாக தேர்ந்தெடுக்கப்பட்டது (மேற்கோள் இல்லாத கூடுதல்)
-
ஸ்டான்போர்ட் CS231n குறிப்புகள் - அணுகக்கூடிய மற்றும் நடைமுறைக்குரியது: https://cs231n.github.io/
-
DeepLearningBook.org - நியமன குறிப்பு: https://www.deeplearningbook.org/
-
NIST AI இடர் மேலாண்மை கட்டமைப்பு - பொறுப்பான AI வழிகாட்டுதல்: https://www.nist.gov/itl/ai-risk-management-framework
-
“உங்களுக்குத் தேவையானது கவனம் மட்டுமே” - டிரான்ஸ்ஃபார்மர் ஆய்வுக் கட்டுரை: https://arxiv.org/abs/1706.03762
குறிப்புகள்
[1] குட்ஃபெல்லோ, ஐ., பென்கியோ, ஒய்., & கோர்வில், ஏ. டீப் லேர்னிங் . எம்ஐடி பிரஸ். இலவச ஆன்லைன் பதிப்பு: மேலும் படிக்கவும்
[2] ஸ்டான்போர்ட் CS231n. காட்சி அங்கீகாரத்திற்கான கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் (பாடநெறி குறிப்புகள்): மேலும் படிக்கவும்
[3] வாஸ்வானி, ஏ., ஷசீர், என்., பர்மர், என்., மற்றும் பலர். (2017). கவனம் மட்டுமே உங்களுக்குத் தேவை . நியூரிஐபிஎஸ். ஆர்எக்ஸ்ஐவி: மேலும் படிக்கவும்
[4] சைபென்கோ, ஜி. (1989). ஒரு சிக்மாய்டல் செயல்பாட்டின் சூப்பர்போசிஷன்கள் மூலம் தோராயமாக்கல் . கட்டுப்பாடு, சிக்னல்கள் மற்றும் அமைப்புகளின் கணிதம் , 2, 303–314. ஸ்பிரிங்கர்: மேலும் படிக்கவும்.
[5] NIST. AI இடர் மேலாண்மை கட்டமைப்பு (AI RMF) : மேலும் படிக்கவும்