ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ. ഇതെല്ലാം എങ്ങോട്ടാണ് പോകുന്നത്?

ലേഖനം രണ്ട് ഭാഗങ്ങൾ ഉൾക്കൊള്ളുന്നു:

1. ചില ഇമേജ് ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ, സെഗ്മെന്റേഷൻ നെറ്റ്‌വർക്ക് ആർക്കിടെക്ചറുകൾ എന്നിവയുടെ ഒരു സംക്ഷിപ്ത വിവരണം, എനിക്ക് ഏറ്റവും മനസ്സിലാക്കാവുന്ന ഉറവിടങ്ങളിലേക്കുള്ള ലിങ്കുകൾ ഉൾപ്പെടെ. വീഡിയോ വിശദീകരണങ്ങൾ തിരഞ്ഞെടുക്കാൻ ഞാൻ ശ്രമിച്ചു, ഏറ്റവും നല്ലത് റഷ്യൻ ഭാഷയിൽ.
2. രണ്ടാം ഭാഗം ന്യൂറൽ നെറ്റ്‌വർക്ക് ആർക്കിടെക്ചറുകളുടെ വികസനത്തിന്റെ ദിശയും അവയെ അടിസ്ഥാനമാക്കിയുള്ള സാങ്കേതികവിദ്യകളും മനസ്സിലാക്കാൻ ശ്രമിക്കുന്നു.

ചിത്രം 1 - ന്യൂറൽ നെറ്റ്‌വർക്ക് ആർക്കിടെക്ചറുകൾ മനസ്സിലാക്കുന്നത് എളുപ്പമല്ല.

എന്റെ ഫോണിൽ ഒബ്ജക്റ്റ് വർഗ്ഗീകരണത്തിനും കണ്ടെത്തലിനും വേണ്ടി രണ്ട് ഡെമോ ആപ്പുകൾ നിർമ്മിച്ചതോടെയാണ് ഇതെല്ലാം ആരംഭിച്ചത്. Android:

• ബാക്ക്-എൻഡ് ഡെമോ, സെർവറിൽ ഡാറ്റ പ്രോസസ്സ് ചെയ്ത് ഫോണിലേക്ക് കൈമാറുമ്പോൾ. മൂന്ന് തരം കരടികളുടെ ചിത്ര വർഗ്ഗീകരണം: തവിട്ട്, കറുപ്പ്, ടെഡി.
• ഫ്രണ്ട്-എൻഡ് ഡെമോ, ഡാറ്റ ഫോണിൽ തന്നെ പ്രോസസ്സ് ചെയ്യുമ്പോൾ. മൂന്ന് തരം ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ: ഹാസൽനട്ട്, അത്തി, തീയതി.

ഇമേജ് വർഗ്ഗീകരണ ജോലികൾ, ഒരു ഇമേജിലെ ഒബ്ജക്റ്റ് കണ്ടെത്തൽ എന്നിവ തമ്മിൽ വ്യത്യാസമുണ്ട്, കൂടാതെ ഇമേജ് സെഗ്മെന്റേഷൻഅതിനാൽ, ഏതൊക്കെ ന്യൂറൽ നെറ്റ്‌വർക്ക് ആർക്കിടെക്ചറുകളാണ് ചിത്രങ്ങളിലെ വസ്തുക്കളെ കണ്ടെത്തുന്നതെന്നും ഏതൊക്കെയാണ് അവയെ വിഭജിക്കുന്നതെന്നും പഠിക്കേണ്ടത് അത്യാവശ്യമായി. ഉറവിടങ്ങളിലേക്ക് ഏറ്റവും മനസ്സിലാക്കാവുന്ന ലിങ്കുകളുള്ള ആർക്കിടെക്ചറുകളുടെ ഇനിപ്പറയുന്ന ഉദാഹരണങ്ങൾ ഞാൻ കണ്ടെത്തി:

• ആർ-സിഎൻഎൻ അടിസ്ഥാനമാക്കിയുള്ള ആർക്കിടെക്ചറുകളുടെ ഒരു പരമ്പര (Rഎജിയോണുകൾ ഉള്ളവ Cവിപ്ലവം Nയൂറൽ Nഎറ്റ്‌വർക്ക് സവിശേഷതകൾ): ആർ-സിഎൻഎൻ, ഫാസ്റ്റ് ആർ-സിഎൻഎൻ, വേഗതയേറിയ R-CNN, മാസ്ക് R-CNNഒരു ചിത്രത്തിലെ വസ്തുക്കളെ കണ്ടെത്തുന്നതിന്, റീജിയൻ പ്രൊപ്പോസൽ നെറ്റ്‌വർക്ക് (RPN) സംവിധാനം ഉപയോഗിച്ച് ബൗണ്ടിംഗ് ബോക്സുകൾ വേർതിരിച്ചെടുക്കുന്നു. തുടക്കത്തിൽ, RPN-ന് പകരം ഒരു വേഗത കുറഞ്ഞ സെലക്ടീവ് സെർച്ച് മെക്കാനിസം ഉപയോഗിച്ചിരുന്നു. വേർതിരിച്ചെടുത്ത ബൗണ്ടിംഗ് ബോക്സുകൾ പിന്നീട് വർഗ്ഗീകരണത്തിനായി ഒരു പരമ്പരാഗത ന്യൂറൽ നെറ്റ്‌വർക്കിലേക്ക് നൽകുന്നു. ബൗണ്ടിംഗ് ബോക്സുകൾക്ക് മുകളിലൂടെ ആവർത്തിക്കാൻ R-CNN ആർക്കിടെക്ചർ വ്യക്തമായ "ഫോർ" ലൂപ്പുകൾ ഉപയോഗിക്കുന്നു, ആന്തരിക അലക്സ്നെറ്റ് നെറ്റ്‌വർക്കിലൂടെ 2000 റണ്ണുകൾ വരെ. ഈ വ്യക്തമായ "ഫോർ" ലൂപ്പുകൾ ഇമേജ് പ്രോസസ്സിംഗ് മന്ദഗതിയിലാക്കുന്നു. ആർക്കിടെക്ചറിന്റെ ഓരോ പുതിയ പതിപ്പിലും ആന്തരിക ന്യൂറൽ നെറ്റ്‌വർക്കിലൂടെയുള്ള വ്യക്തമായ ലൂപ്പുകളുടെയും റണ്ണുകളുടെയും എണ്ണം കുറയുന്നു, കൂടാതെ വേഗത വർദ്ധിപ്പിക്കുന്നതിനും മാസ്ക് R-CNN-ൽ ഒബ്ജക്റ്റ് സെഗ്മെന്റേഷൻ ഉപയോഗിച്ച് ഒബ്ജക്റ്റ് കണ്ടെത്തലിന്റെ ചുമതല മാറ്റിസ്ഥാപിക്കുന്നതിനുമായി ഡസൻ കണക്കിന് മറ്റ് മാറ്റങ്ങൾ വരുത്തുന്നു.
• YOLO (You Only Lഓക്ക് Once) മൊബൈൽ ഉപകരണങ്ങളിൽ തത്സമയം വസ്തുക്കളെ തിരിച്ചറിയുന്ന ആദ്യത്തെ ന്യൂറൽ നെറ്റ്‌വർക്കാണ്. ഒറ്റ റണ്ണിൽ വസ്തുക്കളെ വേർതിരിച്ചറിയാനുള്ള കഴിവാണ് ഇതിന്റെ സവിശേഷത (ഒറ്റ നോട്ടം മാത്രം). അതായത്, YOLO ആർക്കിടെക്ചർ വ്യക്തമായ "for" ലൂപ്പുകൾ ഉപയോഗിക്കുന്നില്ല, ഇത് നെറ്റ്‌വർക്കിനെ വേഗത്തിൽ പ്രവർത്തിക്കാൻ അനുവദിക്കുന്നു. ഉദാഹരണത്തിന്, ഇതാ ഒരു സാമ്യം: മാട്രിക്സ് പ്രവർത്തനങ്ങൾ നടത്തുമ്പോൾ NumPy വ്യക്തമായ "for" ലൂപ്പുകളും ഉപയോഗിക്കുന്നില്ല; C പ്രോഗ്രാമിംഗ് ഭാഷയിലൂടെ ആർക്കിടെക്ചറിന്റെ താഴ്ന്ന തലങ്ങളിൽ NumPy-യിൽ ഇവ നടപ്പിലാക്കുന്നു. YOLO മുൻകൂട്ടി നിശ്ചയിച്ച വിൻഡോകളുടെ ഒരു ഗ്രിഡ് ഉപയോഗിക്കുന്നു. ഒരേ ഒബ്ജക്റ്റ് ഒന്നിലധികം തവണ കണ്ടെത്തുന്നത് തടയാൻ, ഒരു വിൻഡോ ഓവർലാപ്പിംഗ് അനുപാതം (IoU) ഉപയോഗിക്കുന്നു. Iകവല oVer Uനിയോൺ). ഈ ആർക്കിടെക്ചർ വിശാലമായ ശ്രേണിയിൽ പ്രവർത്തിക്കുന്നു, ഉയർന്നതാണ് ദൃഢത: ഫോട്ടോഗ്രാഫുകളിൽ മോഡലിനെ പരിശീലിപ്പിക്കാൻ കഴിയും, പക്ഷേ കൈകൊണ്ട് വരച്ച ചിത്രങ്ങളിൽ ഇപ്പോഴും നന്നായി പ്രവർത്തിക്കുന്നു.
• എസ്എസ്ഡി (Sഞരമ്പ് Sഹോട്ട് മൾട്ടിബോക്സ് DYOLO ന്യൂറൽ നെറ്റ്‌വർക്ക് YOLO ആർക്കിടെക്ചറിലെ ഏറ്റവും വിജയകരമായ "ഹാക്കുകൾ" ഉപയോഗിക്കുന്നു (ഉദാഹരണത്തിന്, നോൺ-മാക്സിമം സപ്രഷൻ) കൂടാതെ അത് വേഗത്തിലും കൃത്യതയിലും ആക്കുന്നതിന് പുതിയവ ചേർക്കുന്നു. ഒരു ഇമേജ് പിരമിഡിലെ ഒരു നിർദ്ദിഷ്ട വിൻഡോ ഗ്രിഡ് (ഡിഫോൾട്ട് ബോക്സുകൾ) ഉപയോഗിച്ച് ഒറ്റ റണ്ണിൽ ഒബ്ജക്റ്റുകളെ വേർതിരിച്ചറിയാനുള്ള കഴിവാണ് ഇതിന്റെ സവിശേഷത. തുടർച്ചയായ കൺവ്യൂഷനും പൂളിംഗ് പ്രവർത്തനങ്ങളും ഉപയോഗിച്ച് കൺവ്യൂഷണൽ ടെൻസറുകളിൽ ഇമേജ് പിരമിഡ് എൻകോഡ് ചെയ്തിരിക്കുന്നു (മാക്സ്-പൂളിംഗ് ഉപയോഗിച്ച്, സ്പേഷ്യൽ ഡൈമൻഷണാലിറ്റി കുറയുന്നു). ഇത് ഒരൊറ്റ നെറ്റ്‌വർക്ക് റണ്ണിൽ വലുതും ചെറുതുമായ ഒബ്ജക്റ്റുകൾ കണ്ടെത്താൻ അനുവദിക്കുന്നു.
• മൊബൈൽഎസ്എസ്ഡി (മൊബൈൽനെറ്റ്വി2 + എസ്എസ്ഡി) രണ്ട് ന്യൂറൽ നെറ്റ്‌വർക്ക് ആർക്കിടെക്ചറുകളുടെ സംയോജനമാണ്. ആദ്യത്തെ നെറ്റ്‌വർക്ക് MobileNetV2 ഇത് വേഗത്തിൽ പ്രവർത്തിക്കുകയും തിരിച്ചറിയൽ കൃത്യത വർദ്ധിപ്പിക്കുകയും ചെയ്യുന്നു. ആദ്യം ഉപയോഗിച്ചിരുന്ന VGG-16 ന് പകരം MobileNetV2 ഉപയോഗിക്കുന്നു. യഥാർത്ഥ ലേഖനംരണ്ടാമത്തെ SSD നെറ്റ്‌വർക്ക് ചിത്രത്തിലെ വസ്തുക്കളുടെ സ്ഥാനം നിർണ്ണയിക്കുന്നു.
• സ്ക്വീസ്നെറ്റ് – വളരെ ചെറുതും എന്നാൽ കൃത്യവുമായ ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക്. ഇത് ഒബ്ജക്റ്റ് ഡിറ്റക്ഷന്റെ പ്രശ്നം സ്വന്തമായി പരിഹരിക്കുന്നില്ല. എന്നിരുന്നാലും, ഇത് വിവിധ ആർക്കിടെക്ചറുകളുമായി സംയോജിച്ച് ഉപയോഗിക്കാൻ കഴിയും കൂടാതെ മൊബൈൽ ഉപകരണങ്ങളിൽ ഉപയോഗിക്കാൻ അനുയോജ്യമാണ്. ഡാറ്റ ആദ്യം നാല് 1×1 കൺവല്യൂഷണൽ ഫിൽട്ടറുകളായി കംപ്രസ്സുചെയ്യുന്നു, തുടർന്ന് നാല് 1×1, നാല് 3×3 കൺവല്യൂഷണൽ ഫിൽട്ടറുകളായി വികസിപ്പിക്കുന്നു എന്നതാണ് ഇതിന്റെ പ്രത്യേകത. ഡാറ്റ കംപ്രഷന്റെയും വികാസത്തിന്റെയും അത്തരമൊരു ആവർത്തനത്തെ "ഫയർ മൊഡ്യൂൾ" എന്ന് വിളിക്കുന്നു.
• ഡീപ് ലാബ് (സെമാന്റിക് ഇമേജ് സെഗ്മെന്റേഷൻ വിത്ത് ഡീപ് കൺവല്യൂഷണൽ നെറ്റ്സ്) - ഒരു ചിത്രത്തിലെ വസ്തുക്കളുടെ സെഗ്മെന്റേഷൻ. ആർക്കിടെക്ചറിന്റെ ഒരു പ്രത്യേക സവിശേഷത ഡൈലേറ്റഡ് കൺവല്യൂഷൻ ആണ്, ഇത് സ്പേഷ്യൽ റെസല്യൂഷൻ സംരക്ഷിക്കുന്നു. ഇതിനെത്തുടർന്ന് ഒരു ഗ്രാഫിക്കൽ പ്രോബബിലിറ്റി മോഡൽ (ഒരു കണ്ടീഷണൽ റാൻഡം ഫീൽഡ്) ഉപയോഗിച്ച് ഒരു പോസ്റ്റ്-പ്രോസസ്സിംഗ് ഘട്ടം വരുന്നു, ഇത് സെഗ്മെന്റേഷനിലെ ചെറിയ ശബ്ദം നീക്കം ചെയ്യുകയും സെഗ്മെന്റഡ് ഇമേജിന്റെ ഗുണനിലവാരം മെച്ചപ്പെടുത്തുകയും ചെയ്യുന്നു. "ഗ്രാഫിക്കൽ പ്രോബബിലിറ്റി മോഡൽ" എന്ന ഭീമാകാരമായ പേരിന് പിന്നിൽ അഞ്ച് പോയിന്റുകൾ കൊണ്ട് ഏകദേശമായി കണക്കാക്കിയ ഒരു ലളിതമായ ഗൗസിയൻ ഫിൽട്ടർ ഉണ്ട്.
• ഞാൻ ഉപകരണം കണ്ടുപിടിക്കാൻ ശ്രമിച്ചു റിഫൈൻഡെറ്റ് (സിംഗിൾ-ഷോട്ട് ശുദ്ധീകരിക്കുകവസ്തുവിനായുള്ള ന്യൂറൽ നെറ്റ്‌വർക്ക് Detഉപസംഹാരം), പക്ഷേ വളരെ കുറച്ച് മാത്രമേ മനസ്സിലായുള്ളൂ.
• "ശ്രദ്ധ" സാങ്കേതികവിദ്യ എങ്ങനെ പ്രവർത്തിക്കുന്നുവെന്ന് ഞാൻ പരിശോധിച്ചു: വീഡിയോ 1, വീഡിയോ 2, വീഡിയോ 3"ശ്രദ്ധ" വാസ്തുവിദ്യയുടെ ഒരു പ്രത്യേക സവിശേഷത ചിത്രത്തിൽ ശ്രദ്ധ വർദ്ധിക്കുന്ന പ്രദേശങ്ങളുടെ യാന്ത്രിക തിരഞ്ഞെടുപ്പാണ് (RoI, Rസൈന്യം of I(അറ്റൻഷൻ യൂണിറ്റ് എന്ന ന്യൂറൽ നെറ്റ്‌വർക്ക് ഉപയോഗിക്കുന്നു). ശ്രദ്ധാ മേഖലകൾ ബൗണ്ടിംഗ് ബോക്സുകൾക്ക് സമാനമാണ്, എന്നാൽ അവയിൽ നിന്ന് വ്യത്യസ്തമായി, അവ ചിത്രത്തിൽ സ്ഥിരമായിരിക്കില്ല, കൂടാതെ മങ്ങിയ അതിരുകൾ ഉണ്ടാകാം. തുടർന്ന് ശ്രദ്ധാ മേഖലകളിൽ നിന്ന് സവിശേഷതകൾ വേർതിരിച്ചെടുക്കുകയും ആർക്കിടെക്ചറുകളുള്ള ആവർത്തിച്ചുള്ള ന്യൂറൽ നെറ്റ്‌വർക്കുകളിലേക്ക് നൽകുകയും ചെയ്യുന്നു. LSDM, GRU, അല്ലെങ്കിൽ വാനില RNNആവർത്തന ന്യൂറൽ നെറ്റ്‌വർക്കുകൾക്ക് ഒരു ശ്രേണിയിലെ സവിശേഷതകൾ തമ്മിലുള്ള ബന്ധങ്ങൾ വിശകലനം ചെയ്യാൻ കഴിയും. ആവർത്തന ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ തുടക്കത്തിൽ മറ്റ് ഭാഷകളിലേക്ക് വാചകം വിവർത്തനം ചെയ്യുന്നതിനാണ് ഉപയോഗിച്ചിരുന്നത്, ഇപ്പോൾ വിവർത്തനത്തിനായും. ചിത്രങ്ങൾ വാചകത്തിലേക്ക് и വാചകം മുതൽ ചിത്രം വരെ.

ഈ വാസ്തുവിദ്യകളെക്കുറിച്ച് പഠിക്കുമ്പോൾ, എനിക്ക് ഒന്നും മനസ്സിലായില്ലെന്ന് എനിക്ക് മനസ്സിലായിഎന്റെ ന്യൂറൽ നെറ്റ്‌വർക്കിന് അതിന്റെ ശ്രദ്ധാ സംവിധാനത്തിൽ പ്രശ്‌നങ്ങളുണ്ടെന്നല്ല. ഈ ആർക്കിടെക്ചറുകളെല്ലാം സൃഷ്ടിക്കുന്നത് ഒരുതരം വലിയ ഹാക്കത്തോൺ പോലെയാണ്, അവിടെ രചയിതാക്കൾ ഹാക്കുകളിൽ മത്സരിക്കുന്നു. ഒരു ഹാക്ക് എന്നത് ബുദ്ധിമുട്ടുള്ള ഒരു പ്രോഗ്രാമിംഗ് പ്രശ്നത്തിനുള്ള ഒരു ദ്രുത പരിഹാരമാണ്. അതായത്, ഈ ആർക്കിടെക്ചറുകൾക്കിടയിൽ ദൃശ്യമോ മനസ്സിലാക്കാവുന്നതോ ആയ ലോജിക്കൽ ബന്ധമില്ല. അവയെ ഒന്നിപ്പിക്കുന്നത് അവ പരസ്പരം കടമെടുത്ത ഏറ്റവും വിജയകരമായ ഹാക്കുകളുടെ ഒരു കൂട്ടമാണ്, കൂടാതെ അവയ്‌ക്കെല്ലാം പൊതുവായ ഒരു ലക്ഷ്യവുമാണ്. ഫീഡ്‌ബാക്ക് കൺവോൾഷൻ പ്രവർത്തനം (പിശകുകളുടെ ബാക്ക്പ്രൊപ്പഗേഷൻ). ഇല്ല സിസ്റ്റം ചിന്തഎന്താണ് മാറ്റേണ്ടതെന്നോ നിലവിലുള്ള നേട്ടങ്ങൾ എങ്ങനെ ഒപ്റ്റിമൈസ് ചെയ്യാമെന്നോ വ്യക്തമല്ല.

ഹാക്കുകൾക്ക് യുക്തിസഹമായ ഒരു ബന്ധം ഇല്ലാത്തതിനാൽ, അവ ഓർമ്മിക്കാനും പ്രയോഗിക്കാനും വളരെ ബുദ്ധിമുട്ടാണ്. അവരുടെ അറിവ് വിഘടിച്ചിരിക്കുന്നു. ഏറ്റവും മികച്ച സാഹചര്യത്തിൽ, രസകരവും അപ്രതീക്ഷിതവുമായ ചില പോയിന്റുകൾ ഓർമ്മിക്കപ്പെടുന്നു, പക്ഷേ മനസ്സിലാക്കിയതും മനസ്സിലാക്കാത്തതുമായ മിക്ക കാര്യങ്ങളും കുറച്ച് ദിവസങ്ങൾക്കുള്ളിൽ നഷ്ടപ്പെടുന്നു. ഒരു ആഴ്ചയ്ക്ക് ശേഷം നിങ്ങൾക്ക് വാസ്തുവിദ്യയുടെ പേര് ഓർമ്മിക്കാൻ കഴിയുമെങ്കിൽ നന്നായിരിക്കും. എന്നിട്ടും, ലേഖനങ്ങൾ വായിക്കാനും അവലോകന വീഡിയോകൾ കാണാനും മണിക്കൂറുകളും ദിവസങ്ങളും പോലും ജോലി പാഴാക്കി!

ചിത്രം 2 – ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ മൃഗശാല

എന്റെ വ്യക്തിപരമായ അഭിപ്രായത്തിൽ, ശാസ്ത്ര ലേഖനങ്ങളുടെ മിക്ക രചയിതാക്കളും, ഈ വിഘടിച്ച അറിവ് പോലും വായനക്കാരന് മനസ്സിലാകുന്നില്ലെന്ന് ഉറപ്പാക്കാൻ സാധ്യമായതെല്ലാം ചെയ്യുന്നു. എന്നാൽ വായുവിൽ നിന്ന് പുറത്തെടുത്ത സൂത്രവാക്യങ്ങളുള്ള പത്ത് വരി വാക്യങ്ങളിലെ ക്രിയാവിശേഷണ പങ്കാളിത്ത വാക്യങ്ങൾ ഒരു പ്രത്യേക ലേഖനത്തിനുള്ള വിഷയമാണ് (പ്രശ്നം പ്രസിദ്ധീകരിക്കുക അല്ലെങ്കിൽ നശിക്കുക).

ഇക്കാരണത്താൽ, ന്യൂറൽ നെറ്റ്‌വർക്കുകളെക്കുറിച്ചുള്ള വിവരങ്ങൾ ചിട്ടപ്പെടുത്തേണ്ടതിന്റെയും അതുവഴി മനസ്സിലാക്കലിന്റെയും മനഃപാഠത്തിന്റെയും ഗുണനിലവാരം മെച്ചപ്പെടുത്തേണ്ടതിന്റെയും ആവശ്യകത ഉയർന്നുവന്നു. അതിനാൽ, കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ വ്യക്തിഗത സാങ്കേതികവിദ്യകളുടെയും വാസ്തുവിദ്യകളുടെയും വിശകലനത്തിന്റെ പ്രധാന വിഷയം ഇനിപ്പറയുന്ന ജോലിയായി മാറി: ഇതെല്ലാം എവിടേക്കാണ് പോകുന്നതെന്ന് കണ്ടെത്തുക., അല്ലാതെ ഏതെങ്കിലും പ്രത്യേക ന്യൂറൽ നെറ്റ്‌വർക്കിന്റെ ഘടനയെ ഒറ്റപ്പെടുത്തിയല്ല.

ഇതെല്ലാം എവിടേക്കാണ് പോകുന്നത്? പ്രധാന കണ്ടെത്തലുകൾ:

• കഴിഞ്ഞ രണ്ട് വർഷത്തിനിടെ മെഷീൻ ലേണിംഗ് സ്റ്റാർട്ടപ്പുകളുടെ എണ്ണം കുത്തനെ വീണുസാധ്യമായ കാരണം: "നാഡീ ശൃംഖലകൾ ഇനി പുതിയതല്ല."
• ഒരു ലളിതമായ പ്രശ്നം പരിഹരിക്കാൻ ആർക്കും പ്രവർത്തിക്കുന്ന ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് സൃഷ്ടിക്കാൻ കഴിയും. ഇത് ചെയ്യുന്നതിന്, "മോഡൽ മൃഗശാല"യിൽ നിന്ന് ഒരു റെഡിമെയ്ഡ് മോഡൽ എടുത്ത് ന്യൂറൽ നെറ്റ്‌വർക്കിന്റെ അവസാന പാളി പരിശീലിപ്പിക്കുക (കൈമാറ്റം പഠനം) റെഡിമെയ്ഡ് ഡാറ്റയിൽ നിന്ന് Google ഡാറ്റാസെറ്റ് തിരയൽ അല്ലെങ്കിൽ നിന്ന് 25 കഗിൾ ഡാറ്റാസെറ്റുകൾ സൗജന്യമായി ജൂപ്പിറ്റർ നോട്ട്ബുക്ക് ക്ലൗഡ്.
• വലിയ ന്യൂറൽ നെറ്റ്‌വർക്ക് നിർമ്മാതാക്കൾ സൃഷ്ടിക്കാൻ തുടങ്ങിയിരിക്കുന്നു "മോഡൽ മൃഗശാലകൾ" (മോഡൽ മൃഗശാല) അവരുടെ സഹായത്തോടെ, നിങ്ങൾക്ക് വേഗത്തിൽ ഒരു വാണിജ്യ ആപ്ലിക്കേഷൻ സൃഷ്ടിക്കാൻ കഴിയും: ടിഎഫ് ഹബ് ടെൻസർഫ്ലോയ്‌ക്ക്, എംഎംഡിറ്റക്ഷൻ പൈടോർച്ചിനായി, ഡിറ്റക്ട്രോൺ കഫേ2-ന്, ചെയിനർ-മോഡൽസൂ ചെയിനറിനും другие.
• പ്രവർത്തിക്കുന്ന ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ തൽസമയം മൊബൈൽ ഉപകരണങ്ങളിൽ (തത്സമയം). സെക്കൻഡിൽ 10 മുതൽ 50 ഫ്രെയിമുകൾ വരെ.
• ഫോണുകളിലും (TF Lite), ബ്രൗസറുകളിലും (TF.js) ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ പ്രയോഗം വീട്ടുപകരണങ്ങൾ (ഐഒടി, Iഇന്റർനെറ്റ് of Tഹിംഗ്സ്). പ്രത്യേകിച്ച് ഹാർഡ്‌വെയർ തലത്തിൽ (ന്യൂറൽ ആക്സിലറേറ്ററുകൾ) ന്യൂറൽ നെറ്റ്‌വർക്കുകളെ പിന്തുണയ്ക്കുന്ന ഫോണുകളിൽ.
• "എല്ലാ ഉപകരണങ്ങളിലും, വസ്ത്രങ്ങളിലും, ഒരുപക്ഷേ ഭക്ഷണത്തിലും പോലും ഉണ്ടായിരിക്കും IP-v6 വിലാസം പരസ്പരം ആശയവിനിമയം നടത്തുക" – സെബാസ്റ്റ്യൻ ത്രൺ.
• മെഷീൻ ലേണിംഗിനെക്കുറിച്ചുള്ള പ്രസിദ്ധീകരണങ്ങളുടെ എണ്ണം വർദ്ധിച്ചു തുടങ്ങിയിരിക്കുന്നു. മൂറിന്റെ നിയമം മറികടക്കുക (ഓരോ രണ്ട് വർഷത്തിലും ഇരട്ടിയാക്കുന്നു). വ്യക്തമായും, ലേഖന വിശകലനത്തിനുള്ള ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ആവശ്യമാണ്.
• ഇനിപ്പറയുന്ന സാങ്കേതികവിദ്യകൾ ജനപ്രീതി നേടുന്നു:
  • പൈടോർച്ച് – ജനപ്രീതി അതിവേഗം വളരുകയും ടെൻസർഫ്ലോയെ മറികടക്കുകയും ചെയ്യുന്നു.
  • ഓട്ടോമാറ്റിക് ഹൈപ്പർപാരാമീറ്റർ തിരഞ്ഞെടുക്കൽ യാന്ത്രിക - ജനപ്രീതി സുഗമമായി വളരുകയാണ്.
  • കൃത്യതയിൽ ക്രമേണ കുറവും കണക്കുകൂട്ടൽ വേഗതയിൽ വർദ്ധനവും: അവ്യക്തമായ യുക്തി, അൽഗോരിതങ്ങൾ ബൂസ്റ്റിംഗ്, കൃത്യതയില്ലാത്ത (ഏകദേശ) കണക്കുകൂട്ടലുകൾ, ക്വാണ്ടൈസേഷൻ (നാഡീ ശൃംഖലയുടെ ഭാരങ്ങൾ പൂർണ്ണസംഖ്യകളാക്കി മാറ്റുകയും ക്വാണ്ടൈസ് ചെയ്യുകയും ചെയ്യുമ്പോൾ), ന്യൂറോ ആക്സിലറേറ്ററുകൾ.
  • വിവർത്തനം ചിത്രങ്ങൾ വാചകത്തിലേക്ക് и വാചകം മുതൽ ചിത്രം വരെ.
  • സൃഷ്ടി വീഡിയോയിൽ നിന്നുള്ള 3D വസ്തുക്കൾ, ഇപ്പോൾ തത്സമയം.
  • DL-ന്റെ താക്കോൽ ധാരാളം ഡാറ്റയാണ്, പക്ഷേ അത് ശേഖരിക്കുകയും ലേബൽ ചെയ്യുകയും ചെയ്യുന്നത് എളുപ്പമല്ല. അതിനാൽ, ലേബലിംഗ് ഓട്ടോമേഷൻ വികസിച്ചുകൊണ്ടിരിക്കുന്നു (ഓട്ടോമേറ്റഡ് അനോട്ടേഷൻ) ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഉപയോഗിക്കുന്ന ന്യൂറൽ നെറ്റ്‌വർക്കുകൾക്കായി.
• ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ വന്നതോടെ കമ്പ്യൂട്ടർ സയൻസ് പെട്ടെന്ന് പരീക്ഷണ ശാസ്ത്രം എഴുന്നേറ്റു പുനരുൽപാദനക്ഷമതാ പ്രതിസന്ധി.
• കമ്പ്യൂട്ടിംഗ് ഒരു വിപണി മൂല്യമായി മാറിയപ്പോൾ, ഐടി പണവും ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ ജനപ്രീതിയും ഒരേസമയം ഉയർന്നുവന്നു. സ്വർണ്ണ-കറൻസി സമ്പദ്‌വ്യവസ്ഥയിൽ നിന്ന് സമ്പദ്‌വ്യവസ്ഥ രൂപാന്തരപ്പെട്ടു. സ്വർണ്ണ-കറൻസി-കമ്പ്യൂട്ടിംഗ്എന്റെ ലേഖനം കാണുക ഇക്കണോഫിസിക്സ് ഐടി പണത്തിന്റെ ആവിർഭാവത്തിനുള്ള കാരണവും.

പുതിയൊരെണ്ണം ക്രമേണ ഉയർന്നുവരുന്നു എംഎൽ/ഡിഎൽ പ്രോഗ്രാമിംഗ് രീതിശാസ്ത്രം (മെഷീൻ ലേണിംഗ് & ഡീപ് ലേണിംഗ്), പരിശീലനം ലഭിച്ച ന്യൂറൽ നെറ്റ്‌വർക്ക് മോഡലുകളുടെ ഒരു കൂട്ടമായി ഒരു പ്രോഗ്രാമിനെ പ്രതിനിധീകരിക്കുന്നതിനെ അടിസ്ഥാനമാക്കിയുള്ളതാണ് ഇത്.

ചിത്രം 3 - ഒരു പുതിയ പ്രോഗ്രാമിംഗ് രീതിശാസ്ത്രമായി ML/DL

എന്നിരുന്നാലും, അത് ഒരിക്കലും പ്രത്യക്ഷപ്പെട്ടില്ല ന്യൂറൽ നെറ്റ്‌വർക്ക് സിദ്ധാന്തങ്ങൾ, അതിനുള്ളിൽ ഒരാൾക്ക് വ്യവസ്ഥാപിതമായി ചിന്തിക്കാനും പ്രവർത്തിക്കാനും കഴിയും. ഇപ്പോൾ "സിദ്ധാന്തം" എന്ന് വിളിക്കപ്പെടുന്നത് യഥാർത്ഥത്തിൽ പരീക്ഷണാത്മകവും ഹ്യൂറിസ്റ്റിക് അൽഗോരിതങ്ങളുമാണ്.

എന്റെയും മറ്റ് ഉറവിടങ്ങളിലേക്കുമുള്ള ലിങ്കുകൾ:

• ഡാറ്റാ സയൻസ് വാർത്താക്കുറിപ്പ്. പ്രധാനമായും ഇമേജ് പ്രോസസ്സിംഗിനെക്കുറിച്ചാണ്. ഇത് സ്വീകരിക്കാൻ താൽപ്പര്യമുള്ള ആർക്കും എനിക്ക് ഇമെയിൽ അയയ്ക്കാം (foobar167<gaf-gaf>gmail<dot>com). പുതിയ മെറ്റീരിയലുകൾ ശേഖരിക്കുമ്പോൾ ലേഖനങ്ങളിലേക്കും വീഡിയോകളിലേക്കുമുള്ള ലിങ്കുകൾ ഞാൻ അയയ്ക്കും.
• പൊതുവിവരങ്ങൾ കോഴ്സുകളുടെയും ലേഖനങ്ങളുടെയും പട്ടികഞാൻ കടന്നുപോയതും കടന്നുപോകാൻ ആഗ്രഹിക്കുന്നതും.
• തുടക്കക്കാർക്കുള്ള കോഴ്‌സുകളും വീഡിയോകളും, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ പഠിക്കാൻ തുടങ്ങേണ്ടവ. കൂടാതെ ഒരു ബ്രോഷറും മെഷീൻ ലേണിംഗ്, ആർട്ടിഫിഷ്യൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ എന്നിവയിലേക്കുള്ള ആമുഖം.
• ഉപയോഗപ്രദമായ ഉപകരണങ്ങൾ, എല്ലാവർക്കും സ്വയം രസകരമായ എന്തെങ്കിലും കണ്ടെത്താനാകുന്നിടത്ത്.
• അവ വളരെ ഉപയോഗപ്രദമായി മാറി ശാസ്ത്രീയ ലേഖനങ്ങൾ വിശകലനം ചെയ്യുന്നതിനുള്ള വീഡിയോ ചാനലുകൾ ഡാറ്റ സയൻസ്. അവരെ കണ്ടെത്തുക, പിന്തുടരുക, ലിങ്കുകൾ നിങ്ങളുടെ സഹപ്രവർത്തകരുമായും എന്നുമായും പങ്കിടുക. ഉദാഹരണങ്ങൾ:
  • രണ്ട് മിനിറ്റ് പേപ്പറുകൾ
  • ഹെൻറി എഐ ലാബ്സ്
  • യാനിക് കിൽച്ചർ
  • കോഡ്എംപോറിയം
  • ബ്ലോഗ് Chengwei Zhang അല്ലെങ്കിൽ ടോണിഎക്സ്എൻ‌എം‌എക്സ് ഘട്ടം ഘട്ടമായുള്ള നിർദ്ദേശങ്ങളും ഓപ്പൺ സോഴ്‌സ് കോഡും സഹിതം.

Спасибо!

അവലംബം: www.habr.com