ਹੱਥ ਲਿਖਤ ਡਰਾਇੰਗ ਦਾ ਵਰਗੀਕਰਨ. Yandex ਵਿੱਚ ਰਿਪੋਰਟ

ਕੁਝ ਮਹੀਨੇ ਪਹਿਲਾਂ, ਗੂਗਲ ਤੋਂ ਸਾਡੇ ਸਹਿਯੋਗੀ ਖਰਚ ਕੀਤਾ Kaggle 'ਤੇ ਸਨਸਨੀਖੇਜ਼ ਵਿੱਚ ਪ੍ਰਾਪਤ ਚਿੱਤਰਾਂ ਲਈ ਇੱਕ ਵਰਗੀਕਰਣ ਬਣਾਉਣ ਲਈ ਇੱਕ ਮੁਕਾਬਲਾ ਗੇਮ "ਛੇਤੀ, ਖਿੱਚੋ!" ਟੀਮ, ਜਿਸ ਵਿੱਚ ਯਾਂਡੇਕਸ ਡਿਵੈਲਪਰ ਰੋਮਨ ਵਲਾਸੋਵ ਸ਼ਾਮਲ ਸੀ, ਨੇ ਮੁਕਾਬਲੇ ਵਿੱਚ ਚੌਥਾ ਸਥਾਨ ਲਿਆ। ਜਨਵਰੀ ਦੀ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਸਿਖਲਾਈ 'ਤੇ, ਰੋਮਨ ਨੇ ਆਪਣੀ ਟੀਮ ਦੇ ਵਿਚਾਰ, ਵਰਗੀਕਰਣ ਦੇ ਅੰਤਮ ਲਾਗੂਕਰਨ, ਅਤੇ ਆਪਣੇ ਵਿਰੋਧੀਆਂ ਦੇ ਦਿਲਚਸਪ ਅਭਿਆਸਾਂ ਨੂੰ ਸਾਂਝਾ ਕੀਤਾ।

- ਸਾਰਿਆਂ ਨੂੰ ਸਤਿ ਸ਼੍ਰੀ ਅਕਾਲ! ਮੇਰਾ ਨਾਮ ਰੋਮਾ ਵਲਾਸੋਵ ਹੈ, ਅੱਜ ਮੈਂ ਤੁਹਾਨੂੰ ਕਵਿੱਕ, ਡਰਾਅ ਬਾਰੇ ਦੱਸਾਂਗਾ! ਡੂਡਲ ਪਛਾਣ ਚੁਣੌਤੀ।



ਸਾਡੀ ਟੀਮ ਵਿੱਚ ਪੰਜ ਲੋਕ ਸਨ। ਮੈਂ ਰਲੇਵੇਂ ਦੀ ਸਮਾਂ-ਸੀਮਾ ਤੋਂ ਠੀਕ ਪਹਿਲਾਂ ਸ਼ਾਮਲ ਹੋਇਆ। ਅਸੀਂ ਬਦਕਿਸਮਤ ਸੀ, ਅਸੀਂ ਥੋੜੇ ਜਿਹੇ ਹਿੱਲ ਗਏ, ਪਰ ਅਸੀਂ ਪੈਸੇ ਦੀ ਸਥਿਤੀ ਤੋਂ ਹਿੱਲ ਗਏ, ਅਤੇ ਉਹ ਸੋਨੇ ਦੀ ਸਥਿਤੀ ਤੋਂ ਹਿੱਲ ਗਏ. ਅਤੇ ਅਸੀਂ ਇੱਕ ਸਨਮਾਨਯੋਗ ਚੌਥਾ ਸਥਾਨ ਲਿਆ.

(ਮੁਕਾਬਲੇ ਦੇ ਦੌਰਾਨ, ਟੀਮਾਂ ਨੇ ਆਪਣੇ ਆਪ ਨੂੰ ਇੱਕ ਰੇਟਿੰਗ ਵਿੱਚ ਦੇਖਿਆ, ਜੋ ਪ੍ਰਸਤਾਵਿਤ ਡੇਟਾ ਸੈੱਟ ਦੇ ਇੱਕ ਹਿੱਸੇ 'ਤੇ ਦਿਖਾਏ ਗਏ ਨਤੀਜਿਆਂ ਦੇ ਆਧਾਰ 'ਤੇ ਬਣਾਈ ਗਈ ਸੀ। ਅੰਤਮ ਰੇਟਿੰਗ, ਬਦਲੇ ਵਿੱਚ, ਡੇਟਾਸੈਟ ਦੇ ਦੂਜੇ ਹਿੱਸੇ 'ਤੇ ਬਣਾਈ ਗਈ ਸੀ। ਅਜਿਹਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਕਿ ਮੁਕਾਬਲੇ ਦੇ ਭਾਗੀਦਾਰ ਆਪਣੇ ਐਲਗੋਰਿਦਮ ਨੂੰ ਖਾਸ ਡੇਟਾ ਨਾਲ ਅਨੁਕੂਲ ਨਹੀਂ ਕਰਦੇ ਹਨ। ਇਸਲਈ, ਫਾਈਨਲ ਵਿੱਚ, ਜਦੋਂ ਰੇਟਿੰਗਾਂ ਵਿਚਕਾਰ ਸਵਿਚ ਕਰਦੇ ਹਨ, ਤਾਂ ਸਥਿਤੀਆਂ ਥੋੜ੍ਹੀਆਂ ਹਿੱਲ ਜਾਂਦੀਆਂ ਹਨ (ਅੰਗਰੇਜ਼ੀ ਸ਼ੈਕ ਅੱਪ ਤੋਂ - ਮਿਕਸ ਕਰਨ ਲਈ): ਦੂਜੇ ਡੇਟਾ 'ਤੇ, ਨਤੀਜਾ ਨਿਕਲ ਸਕਦਾ ਹੈ ਵੱਖਰਾ ਹੋਣਾ। ਰੋਮਨ ਦੀ ਟੀਮ ਚੋਟੀ ਦੇ ਤਿੰਨਾਂ ਵਿੱਚ ਪਹਿਲੇ ਸਥਾਨ 'ਤੇ ਸੀ। ਇਸ ਮਾਮਲੇ ਵਿੱਚ, ਚੋਟੀ ਦੇ ਤਿੰਨ ਪੈਸੇ, ਮੁਦਰਾ ਰੇਟਿੰਗ ਜ਼ੋਨ ਹਨ, ਕਿਉਂਕਿ ਸਿਰਫ਼ ਪਹਿਲੇ ਤਿੰਨ ਸਥਾਨਾਂ ਨੂੰ ਨਕਦ ਇਨਾਮ ਦਿੱਤਾ ਗਿਆ ਸੀ। ਹਿੱਲਣ ਤੋਂ ਬਾਅਦ, ਟੀਮ ਪਹਿਲਾਂ ਹੀ ਇਸ ਵਿੱਚ ਸੀ ਚੌਥਾ ਸਥਾਨ। ਇਸੇ ਤਰ੍ਹਾਂ, ਦੂਜੀ ਟੀਮ ਨੇ ਜਿੱਤ ਗੁਆ ਦਿੱਤੀ, ਸੋਨੇ ਦੀ ਸਥਿਤੀ। - ਐਡ.)

ਇਹ ਮੁਕਾਬਲਾ ਇਸ ਗੱਲ ਵਿੱਚ ਵੀ ਮਹੱਤਵਪੂਰਨ ਸੀ ਕਿ ਇਵਗੇਨੀ ਬਾਬਾਖਨੀਨ ਨੂੰ ਇੱਕ ਗ੍ਰੈਂਡਮਾਸਟਰ ਮਿਲਿਆ, ਇਵਾਨ ਸੋਸਿਨ ਨੂੰ ਇੱਕ ਮਾਸਟਰ ਮਿਲਿਆ, ਰੋਮਨ ਸੋਲੋਵੀਵ ਇੱਕ ਗ੍ਰੈਂਡਮਾਸਟਰ ਰਿਹਾ, ਅਲੈਕਸ ਪਰਿਨੋਵ ਨੂੰ ਇੱਕ ਮਾਸਟਰ ਮਿਲਿਆ, ਮੈਂ ਇੱਕ ਮਾਹਰ ਬਣ ਗਿਆ, ਅਤੇ ਹੁਣ ਮੈਂ ਪਹਿਲਾਂ ਹੀ ਇੱਕ ਮਾਸਟਰ ਹਾਂ।

ਇਹ ਤੇਜ਼, ਡਰਾਅ ਕੀ ਹੈ? ਇਹ ਗੂਗਲ ਦੀ ਸੇਵਾ ਹੈ। ਗੂਗਲ ਦਾ ਟੀਚਾ AI ਨੂੰ ਪ੍ਰਸਿੱਧ ਬਣਾਉਣਾ ਸੀ ਅਤੇ ਇਸ ਸੇਵਾ ਨਾਲ ਇਹ ਦਿਖਾਉਣਾ ਚਾਹੁੰਦਾ ਸੀ ਕਿ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਕਿਵੇਂ ਕੰਮ ਕਰਦੇ ਹਨ। ਤੁਸੀਂ ਉੱਥੇ ਜਾਓ, ਆਓ ਡਰਾਅ ਕਰੀਏ 'ਤੇ ਕਲਿੱਕ ਕਰੋ, ਅਤੇ ਇੱਕ ਨਵਾਂ ਪੰਨਾ ਆ ਜਾਵੇਗਾ ਜਿੱਥੇ ਤੁਹਾਨੂੰ ਕਿਹਾ ਗਿਆ ਹੈ: ਇੱਕ ਜ਼ਿਗਜ਼ੈਗ ਖਿੱਚੋ, ਤੁਹਾਡੇ ਕੋਲ ਅਜਿਹਾ ਕਰਨ ਲਈ 20 ਸਕਿੰਟ ਹਨ। ਤੁਸੀਂ 20 ਸਕਿੰਟਾਂ ਵਿੱਚ ਇੱਕ ਜ਼ਿਗਜ਼ੈਗ ਖਿੱਚਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹੋ, ਜਿਵੇਂ ਕਿ ਇੱਥੇ, ਉਦਾਹਰਨ ਲਈ। ਜੇਕਰ ਤੁਸੀਂ ਸਫਲ ਹੋ, ਤਾਂ ਨੈੱਟਵਰਕ ਕਹਿੰਦਾ ਹੈ ਕਿ ਇਹ ਇੱਕ ਜ਼ਿਗਜ਼ੈਗ ਹੈ ਅਤੇ ਤੁਸੀਂ ਅੱਗੇ ਵਧਦੇ ਹੋ। ਅਜਿਹੀਆਂ ਸਿਰਫ਼ ਛੇ ਤਸਵੀਰਾਂ ਹਨ।

ਜੇਕਰ Google ਦਾ ਨੈੱਟਵਰਕ ਇਹ ਪਛਾਣਨ ਵਿੱਚ ਅਸਫਲ ਰਿਹਾ ਕਿ ਤੁਸੀਂ ਕੀ ਖਿੱਚਿਆ ਹੈ, ਤਾਂ ਇੱਕ ਕਰਾਸ ਕੰਮ 'ਤੇ ਰੱਖਿਆ ਗਿਆ ਸੀ। ਬਾਅਦ ਵਿੱਚ ਮੈਂ ਤੁਹਾਨੂੰ ਦੱਸਾਂਗਾ ਕਿ ਭਵਿੱਖ ਵਿੱਚ ਇਸਦਾ ਕੀ ਅਰਥ ਹੋਵੇਗਾ ਕਿ ਕੀ ਇੱਕ ਡਰਾਇੰਗ ਨੈਟਵਰਕ ਦੁਆਰਾ ਮਾਨਤਾ ਪ੍ਰਾਪਤ ਹੈ ਜਾਂ ਨਹੀਂ.

ਇਸ ਸੇਵਾ ਨੇ ਕਾਫ਼ੀ ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਉਪਭੋਗਤਾ ਇਕੱਠੇ ਕੀਤੇ, ਅਤੇ ਉਪਭੋਗਤਾਵਾਂ ਦੁਆਰਾ ਖਿੱਚੀਆਂ ਗਈਆਂ ਸਾਰੀਆਂ ਤਸਵੀਰਾਂ ਲੌਗ ਕੀਤੀਆਂ ਗਈਆਂ ਸਨ।

ਅਸੀਂ ਲਗਭਗ 50 ਮਿਲੀਅਨ ਤਸਵੀਰਾਂ ਇਕੱਠੀਆਂ ਕਰਨ ਵਿੱਚ ਕਾਮਯਾਬ ਰਹੇ। ਇਸ ਤੋਂ, ਸਾਡੇ ਮੁਕਾਬਲੇ ਲਈ ਰੇਲਗੱਡੀ ਅਤੇ ਟੈਸਟ ਦੀ ਮਿਤੀ ਬਣਾਈ ਗਈ ਸੀ. ਤਰੀਕੇ ਨਾਲ, ਟੈਸਟ ਵਿੱਚ ਡੇਟਾ ਦੀ ਮਾਤਰਾ ਅਤੇ ਕਲਾਸਾਂ ਦੀ ਗਿਣਤੀ ਇੱਕ ਕਾਰਨ ਕਰਕੇ ਬੋਲਡ ਵਿੱਚ ਉਜਾਗਰ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਮੈਂ ਤੁਹਾਨੂੰ ਉਨ੍ਹਾਂ ਬਾਰੇ ਥੋੜ੍ਹੀ ਦੇਰ ਬਾਅਦ ਦੱਸਾਂਗਾ.

ਡਾਟਾ ਫਾਰਮੈਟ ਹੇਠ ਲਿਖੇ ਅਨੁਸਾਰ ਸੀ. ਇਹ ਸਿਰਫ਼ ਆਰਜੀਬੀ ਚਿੱਤਰ ਨਹੀਂ ਹਨ, ਪਰ, ਮੋਟੇ ਤੌਰ 'ਤੇ, ਉਪਭੋਗਤਾ ਦੁਆਰਾ ਕੀਤੀ ਹਰ ਚੀਜ਼ ਦਾ ਲੌਗ। ਸ਼ਬਦ ਸਾਡਾ ਨਿਸ਼ਾਨਾ ਹੈ, ਦੇਸ਼ ਦਾ ਕੋਡ ਉਹ ਹੈ ਜਿੱਥੇ ਡੂਡਲ ਦਾ ਲੇਖਕ ਹੈ, ਟਾਈਮਸਟੈਂਪ ਸਮਾਂ ਹੈ। ਮਾਨਤਾ ਪ੍ਰਾਪਤ ਲੇਬਲ ਸਿਰਫ਼ ਇਹ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਨੈੱਟਵਰਕ ਨੇ Google ਤੋਂ ਚਿੱਤਰ ਨੂੰ ਪਛਾਣਿਆ ਹੈ ਜਾਂ ਨਹੀਂ। ਅਤੇ ਡਰਾਇੰਗ ਆਪਣੇ ਆਪ ਵਿੱਚ ਇੱਕ ਕ੍ਰਮ ਹੈ, ਇੱਕ ਕਰਵ ਦਾ ਅਨੁਮਾਨ ਹੈ ਜੋ ਉਪਭੋਗਤਾ ਬਿੰਦੂਆਂ ਨਾਲ ਖਿੱਚਦਾ ਹੈ। ਅਤੇ ਸਮਾਂ. ਇਹ ਤਸਵੀਰ ਖਿੱਚਣ ਦੀ ਸ਼ੁਰੂਆਤ ਦਾ ਸਮਾਂ ਹੈ।

ਡਾਟਾ ਦੋ ਫਾਰਮੈਟ ਵਿੱਚ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਸੀ. ਇਹ ਪਹਿਲਾ ਫਾਰਮੈਟ ਹੈ, ਅਤੇ ਦੂਜਾ ਸਰਲ ਹੈ। ਉਹਨਾਂ ਨੇ ਉਥੋਂ ਦੇ ਸਮੇਂ ਨੂੰ ਕੱਟਿਆ ਅਤੇ ਬਿੰਦੂਆਂ ਦੇ ਇੱਕ ਛੋਟੇ ਸਮੂਹ ਨਾਲ ਬਿੰਦੂਆਂ ਦੇ ਇਸ ਸਮੂਹ ਦਾ ਅਨੁਮਾਨ ਲਗਾਇਆ। ਇਸ ਦੇ ਲਈ ਉਨ੍ਹਾਂ ਨੇ ਯੂ ਡਗਲਸ-ਪੇਕਰ ਐਲਗੋਰਿਦਮ. ਤੁਹਾਡੇ ਕੋਲ ਬਿੰਦੂਆਂ ਦਾ ਇੱਕ ਵੱਡਾ ਸਮੂਹ ਹੈ ਜੋ ਸਿਰਫ਼ ਇੱਕ ਸਿੱਧੀ ਰੇਖਾ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਂਦਾ ਹੈ, ਪਰ ਅਸਲ ਵਿੱਚ ਤੁਸੀਂ ਸਿਰਫ਼ ਦੋ ਬਿੰਦੂਆਂ ਨਾਲ ਇਸ ਲਾਈਨ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾ ਸਕਦੇ ਹੋ। ਇਹ ਐਲਗੋਰਿਦਮ ਦਾ ਵਿਚਾਰ ਹੈ.

ਡੇਟਾ ਨੂੰ ਹੇਠ ਲਿਖੇ ਅਨੁਸਾਰ ਵੰਡਿਆ ਗਿਆ ਸੀ. ਸਭ ਕੁਝ ਇਕਸਾਰ ਹੈ, ਪਰ ਕੁਝ ਬਾਹਰਲੇ ਹਨ. ਜਦੋਂ ਅਸੀਂ ਸਮੱਸਿਆ ਦਾ ਹੱਲ ਕੀਤਾ, ਅਸੀਂ ਇਸ ਵੱਲ ਨਹੀਂ ਦੇਖਿਆ। ਮੁੱਖ ਗੱਲ ਇਹ ਹੈ ਕਿ ਇੱਥੇ ਕੋਈ ਕਲਾਸਾਂ ਨਹੀਂ ਸਨ ਜੋ ਅਸਲ ਵਿੱਚ ਘੱਟ ਸਨ, ਸਾਨੂੰ ਭਾਰ ਵਾਲੇ ਨਮੂਨੇ ਅਤੇ ਡੇਟਾ ਓਵਰਸੈਂਪਲਿੰਗ ਨਹੀਂ ਕਰਨੀ ਪੈਂਦੀ ਸੀ।

ਤਸਵੀਰਾਂ ਕਿਹੋ ਜਿਹੀਆਂ ਲੱਗੀਆਂ? ਇਹ "ਹਵਾਈ ਜਹਾਜ਼" ਕਲਾਸ ਹੈ ਅਤੇ ਇਸ ਤੋਂ ਮਾਨਤਾ ਪ੍ਰਾਪਤ ਅਤੇ ਅਣਪਛਾਤੇ ਲੇਬਲਾਂ ਦੇ ਨਾਲ ਉਦਾਹਰਨਾਂ ਹਨ। ਉਹਨਾਂ ਦਾ ਅਨੁਪਾਤ 1 ਤੋਂ 9 ਦੇ ਆਸਪਾਸ ਸੀ। ਜਿਵੇਂ ਕਿ ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ, ਡੇਟਾ ਕਾਫ਼ੀ ਰੌਲਾ ਹੈ। ਮੈਨੂੰ ਲੱਗਦਾ ਹੈ ਕਿ ਇਹ ਇੱਕ ਹਵਾਈ ਜਹਾਜ਼ ਹੈ। ਜੇ ਤੁਸੀਂ ਪਛਾਣਿਆ ਨਹੀਂ ਦੇਖਦੇ, ਤਾਂ ਜ਼ਿਆਦਾਤਰ ਮਾਮਲਿਆਂ ਵਿੱਚ ਇਹ ਸਿਰਫ਼ ਰੌਲਾ ਹੀ ਹੁੰਦਾ ਹੈ। ਕਿਸੇ ਨੇ "ਹਵਾਈ ਜਹਾਜ਼" ਲਿਖਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਵੀ ਕੀਤੀ, ਪਰ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਫ੍ਰੈਂਚ ਵਿੱਚ.

ਜ਼ਿਆਦਾਤਰ ਭਾਗੀਦਾਰਾਂ ਨੇ ਬਸ ਗਰਿੱਡ ਲਏ, ਆਰਜੀਬੀ ਤਸਵੀਰਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਲਾਈਨਾਂ ਦੇ ਇਸ ਕ੍ਰਮ ਤੋਂ ਡੇਟਾ ਖਿੱਚਿਆ, ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਨੈਟਵਰਕ ਵਿੱਚ ਸੁੱਟ ਦਿੱਤਾ। ਮੈਂ ਲਗਭਗ ਉਸੇ ਤਰੀਕੇ ਨਾਲ ਖਿੱਚਿਆ: ਮੈਂ ਰੰਗਾਂ ਦਾ ਪੈਲੇਟ ਲਿਆ, ਇੱਕ ਰੰਗ ਨਾਲ ਪਹਿਲੀ ਲਾਈਨ ਖਿੱਚੀ, ਜੋ ਇਸ ਪੈਲੇਟ ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ ਸੀ, ਦੂਜੀ ਨਾਲ ਆਖਰੀ ਲਾਈਨ, ਜੋ ਪੈਲੇਟ ਦੇ ਅੰਤ ਵਿੱਚ ਸੀ, ਅਤੇ ਉਹਨਾਂ ਦੇ ਵਿਚਕਾਰ ਮੈਂ ਇਸ ਪੈਲੇਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਹਰ ਜਗ੍ਹਾ ਇੰਟਰਪੋਲੇਟ ਕੀਤਾ। ਵੈਸੇ, ਇਸਨੇ ਇੱਕ ਬਿਹਤਰ ਨਤੀਜਾ ਦਿੱਤਾ ਜੇਕਰ ਤੁਸੀਂ ਪਹਿਲੀ ਸਲਾਈਡ 'ਤੇ ਖਿੱਚਦੇ ਹੋ - ਸਿਰਫ ਕਾਲੇ ਵਿੱਚ।

ਟੀਮ ਦੇ ਹੋਰ ਮੈਂਬਰਾਂ, ਜਿਵੇਂ ਕਿ ਇਵਾਨ ਸੋਸਿਨ, ਨੇ ਡਰਾਇੰਗ ਲਈ ਥੋੜ੍ਹਾ ਵੱਖਰਾ ਤਰੀਕਾ ਅਪਣਾਇਆ। ਇੱਕ ਚੈਨਲ ਨਾਲ ਉਸਨੇ ਬਸ ਇੱਕ ਸਲੇਟੀ ਤਸਵੀਰ ਖਿੱਚੀ, ਦੂਜੇ ਚੈਨਲ ਨਾਲ ਉਸਨੇ ਹਰ ਇੱਕ ਸਟ੍ਰੋਕ ਨੂੰ ਸ਼ੁਰੂ ਤੋਂ ਅੰਤ ਤੱਕ, 32 ਤੋਂ 255 ਤੱਕ ਇੱਕ ਗਰੇਡੀਐਂਟ ਨਾਲ ਖਿੱਚਿਆ, ਅਤੇ ਤੀਜੇ ਚੈਨਲ ਨਾਲ ਉਸਨੇ 32 ਤੋਂ 255 ਤੱਕ ਦੇ ਸਾਰੇ ਸਟ੍ਰੋਕਾਂ ਉੱਤੇ ਇੱਕ ਗਰੇਡੀਐਂਟ ਖਿੱਚਿਆ।

ਇਕ ਹੋਰ ਦਿਲਚਸਪ ਗੱਲ ਇਹ ਹੈ ਕਿ ਐਲੇਕਸ ਪਰਿਨੋਵ ਨੇ ਕੰਟਰੀਕੋਡ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਨੈੱਟਵਰਕ 'ਤੇ ਜਾਣਕਾਰੀ ਅਪਲੋਡ ਕੀਤੀ।

ਮੁਕਾਬਲੇ ਵਿੱਚ ਵਰਤੀ ਗਈ ਮੈਟ੍ਰਿਕ ਔਸਤ ਸ਼ੁੱਧਤਾ ਹੈ। ਮੁਕਾਬਲੇ ਲਈ ਇਸ ਮੈਟ੍ਰਿਕ ਦਾ ਸਾਰ ਕੀ ਹੈ? ਤੁਸੀਂ ਤਿੰਨ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਦੇ ਸਕਦੇ ਹੋ, ਅਤੇ ਜੇਕਰ ਇਹਨਾਂ ਤਿੰਨਾਂ ਵਿੱਚ ਕੋਈ ਸਹੀ ਪੂਰਵ-ਅਨੁਮਾਨ ਨਹੀਂ ਹੈ, ਤਾਂ ਤੁਹਾਨੂੰ 0 ਮਿਲਦਾ ਹੈ। ਜੇਕਰ ਕੋਈ ਸਹੀ ਹੈ, ਤਾਂ ਇਸਦੇ ਕ੍ਰਮ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ। ਅਤੇ ਟੀਚਾ ਨਤੀਜਾ ਤੁਹਾਡੀ ਪੂਰਵ-ਅਨੁਮਾਨ ਦੇ ਕ੍ਰਮ ਦੁਆਰਾ 1 ਨੂੰ ਭਾਗ ਕਰਨ ਦੇ ਰੂਪ ਵਿੱਚ ਗਿਣਿਆ ਜਾਵੇਗਾ। ਉਦਾਹਰਨ ਲਈ, ਤੁਸੀਂ ਤਿੰਨ ਪੂਰਵ-ਸੂਚਕ ਬਣਾਏ, ਅਤੇ ਸਹੀ ਇੱਕ ਪਹਿਲਾ ਹੈ, ਫਿਰ ਤੁਸੀਂ 1 ਨੂੰ 1 ਨਾਲ ਭਾਗ ਕਰੋ ਅਤੇ 1 ਪ੍ਰਾਪਤ ਕਰੋ। ਜੇਕਰ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲਾ ਸਹੀ ਹੈ ਅਤੇ ਇਸਦਾ ਕ੍ਰਮ 2 ਹੈ, ਤਾਂ 1 ਨੂੰ 2 ਨਾਲ ਵੰਡੋ, ਤੁਹਾਨੂੰ 0,5 ਪ੍ਰਾਪਤ ਹੋਵੇਗਾ। ਖੈਰ, ਆਦਿ.

ਡੇਟਾ ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ ਦੇ ਨਾਲ - ਤਸਵੀਰਾਂ ਕਿਵੇਂ ਖਿੱਚਣੀਆਂ ਹਨ ਅਤੇ ਹੋਰ - ਅਸੀਂ ਥੋੜਾ ਜਿਹਾ ਫੈਸਲਾ ਕੀਤਾ ਹੈ. ਅਸੀਂ ਕਿਹੜੇ ਆਰਕੀਟੈਕਚਰ ਦੀ ਵਰਤੋਂ ਕੀਤੀ? ਅਸੀਂ ਫੈਟ ਆਰਕੀਟੈਕਚਰ ਜਿਵੇਂ ਕਿ PNASNet, SENet, ਅਤੇ SE-Res-NeXt ਵਰਗੇ ਪਹਿਲਾਂ ਤੋਂ ਹੀ ਕਲਾਸਿਕ ਆਰਕੀਟੈਕਚਰ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ, ਉਹ ਤੇਜ਼ੀ ਨਾਲ ਨਵੇਂ ਮੁਕਾਬਲਿਆਂ ਵਿੱਚ ਦਾਖਲ ਹੋ ਰਹੇ ਹਨ। ResNet ਅਤੇ DenseNet ਵੀ ਸਨ.

ਅਸੀਂ ਇਹ ਕਿਵੇਂ ਸਿਖਾਇਆ? ਸਾਡੇ ਦੁਆਰਾ ਲਏ ਗਏ ਸਾਰੇ ਮਾਡਲ ਇਮੇਜਨੈੱਟ 'ਤੇ ਪ੍ਰੀ-ਟ੍ਰੇਨ ਕੀਤੇ ਗਏ ਸਨ। ਹਾਲਾਂਕਿ ਇੱਥੇ ਬਹੁਤ ਸਾਰਾ ਡੇਟਾ ਹੈ, 50 ਮਿਲੀਅਨ ਚਿੱਤਰ, ਪਰ ਫਿਰ ਵੀ, ਜੇਕਰ ਤੁਸੀਂ ਇਮੇਜਨੈੱਟ 'ਤੇ ਪ੍ਰੀ-ਟ੍ਰੇਂਡ ਨੈੱਟਵਰਕ ਲੈਂਦੇ ਹੋ, ਤਾਂ ਇਸ ਨੇ ਇਸ ਨਾਲੋਂ ਬਿਹਤਰ ਨਤੀਜੇ ਦਿਖਾਏ ਹਨ ਜੇਕਰ ਤੁਸੀਂ ਇਸਨੂੰ ਸਕ੍ਰੈਚ ਤੋਂ ਸਿਖਲਾਈ ਦਿੱਤੀ ਹੈ।

ਅਸੀਂ ਕਿਹੜੀਆਂ ਸਿੱਖਿਆ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ? ਇਹ ਕੋਸਿੰਗ ਐਨੀਲਿੰਗ ਵਿਦ ਵਾਰਮ ਰੀਸਟਾਰਟਸ ਹੈ, ਜਿਸ ਬਾਰੇ ਮੈਂ ਥੋੜ੍ਹੀ ਦੇਰ ਬਾਅਦ ਗੱਲ ਕਰਾਂਗਾ। ਇਹ ਇੱਕ ਤਕਨੀਕ ਹੈ ਜੋ ਮੈਂ ਆਪਣੇ ਲਗਭਗ ਸਾਰੇ ਹਾਲੀਆ ਮੁਕਾਬਲਿਆਂ ਵਿੱਚ ਵਰਤਦਾ ਹਾਂ, ਅਤੇ ਉਹਨਾਂ ਦੇ ਨਾਲ ਇਹ ਇੱਕ ਵਧੀਆ ਘੱਟੋ-ਘੱਟ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ, ਗਰਿੱਡਾਂ ਨੂੰ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਨਿਕਲਦਾ ਹੈ।

ਅੱਗੇ ਪਠਾਰ 'ਤੇ ਸਿੱਖਣ ਦੀ ਦਰ ਘਟਾਓ। ਤੁਸੀਂ ਨੈਟਵਰਕ ਦੀ ਸਿਖਲਾਈ ਸ਼ੁਰੂ ਕਰਦੇ ਹੋ, ਇੱਕ ਨਿਸ਼ਚਿਤ ਸਿੱਖਣ ਦੀ ਦਰ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹੋ, ਇਸਨੂੰ ਸਿਖਾਉਣਾ ਜਾਰੀ ਰੱਖਦੇ ਹੋ, ਅਤੇ ਤੁਹਾਡਾ ਨੁਕਸਾਨ ਹੌਲੀ-ਹੌਲੀ ਇੱਕ ਨਿਸ਼ਚਿਤ ਮੁੱਲ ਵਿੱਚ ਬਦਲ ਜਾਂਦਾ ਹੈ। ਤੁਸੀਂ ਇਸ ਦੀ ਜਾਂਚ ਕਰੋ, ਉਦਾਹਰਣ ਵਜੋਂ, ਦਸ ਯੁੱਗਾਂ ਲਈ ਨੁਕਸਾਨ ਬਿਲਕੁਲ ਨਹੀਂ ਬਦਲਿਆ ਹੈ। ਤੁਸੀਂ ਆਪਣੀ ਸਿੱਖਣ ਦੀ ਦਰ ਨੂੰ ਕੁਝ ਮੁੱਲ ਨਾਲ ਘਟਾਉਂਦੇ ਹੋ ਅਤੇ ਸਿੱਖਣਾ ਜਾਰੀ ਰੱਖਦੇ ਹੋ। ਇਹ ਦੁਬਾਰਾ ਥੋੜਾ ਘੱਟ ਜਾਂਦਾ ਹੈ, ਕੁਝ ਘੱਟੋ-ਘੱਟ ਕਨਵਰਜ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਤੁਸੀਂ ਦੁਬਾਰਾ ਸਿੱਖਣ ਦੀ ਦਰ ਨੂੰ ਘਟਾਉਂਦੇ ਹੋ, ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਹੀ, ਜਦੋਂ ਤੱਕ ਤੁਹਾਡਾ ਨੈੱਟਵਰਕ ਅੰਤ ਵਿੱਚ ਕਨਵਰਜ ਨਹੀਂ ਹੋ ਜਾਂਦਾ।

ਅੱਗੇ ਇੱਕ ਦਿਲਚਸਪ ਤਕਨੀਕ ਹੈ: ਸਿੱਖਣ ਦੀ ਦਰ ਨੂੰ ਖਰਾਬ ਨਾ ਕਰੋ, ਬੈਚ ਦਾ ਆਕਾਰ ਵਧਾਓ। ਇਸੇ ਨਾਮ ਦਾ ਇੱਕ ਲੇਖ ਹੈ। ਜਦੋਂ ਤੁਸੀਂ ਕਿਸੇ ਨੈੱਟਵਰਕ ਨੂੰ ਸਿਖਲਾਈ ਦਿੰਦੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਸਿੱਖਣ ਦੀ ਦਰ ਘਟਾਉਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ, ਤੁਸੀਂ ਸਿਰਫ਼ ਬੈਚ ਦਾ ਆਕਾਰ ਵਧਾ ਸਕਦੇ ਹੋ।

ਇਹ ਤਕਨੀਕ, ਤਰੀਕੇ ਨਾਲ, ਐਲੇਕਸ ਪਰੀਨੋਵ ਦੁਆਰਾ ਵਰਤੀ ਗਈ ਸੀ. ਉਸਨੇ 408 ਦੇ ਬਰਾਬਰ ਇੱਕ ਬੈਚ ਨਾਲ ਸ਼ੁਰੂਆਤ ਕੀਤੀ, ਅਤੇ ਜਦੋਂ ਉਸਦਾ ਨੈਟਵਰਕ ਕੁਝ ਪਠਾਰ 'ਤੇ ਪਹੁੰਚ ਗਿਆ, ਤਾਂ ਉਸਨੇ ਬੈਚ ਦਾ ਆਕਾਰ ਦੁੱਗਣਾ ਕਰ ਦਿੱਤਾ, ਆਦਿ।

ਵਾਸਤਵ ਵਿੱਚ, ਮੈਨੂੰ ਯਾਦ ਨਹੀਂ ਹੈ ਕਿ ਉਸਦੇ ਬੈਚ ਦਾ ਆਕਾਰ ਕਿਸ ਮੁੱਲ 'ਤੇ ਪਹੁੰਚਿਆ, ਪਰ ਦਿਲਚਸਪ ਗੱਲ ਇਹ ਹੈ ਕਿ ਕਾਗਲ 'ਤੇ ਅਜਿਹੀਆਂ ਟੀਮਾਂ ਸਨ ਜੋ ਇੱਕੋ ਤਕਨੀਕ ਦੀ ਵਰਤੋਂ ਕਰਦੀਆਂ ਸਨ, ਉਨ੍ਹਾਂ ਦੇ ਬੈਚ ਦਾ ਆਕਾਰ ਲਗਭਗ 10000 ਸੀ। ਤਰੀਕੇ ਨਾਲ, ਡੂੰਘੀ ਸਿਖਲਾਈ ਲਈ ਆਧੁਨਿਕ ਫਰੇਮਵਰਕ, ਜਿਵੇਂ ਕਿ PyTorch, ਉਦਾਹਰਨ ਲਈ, ਤੁਹਾਨੂੰ ਇਹ ਬਹੁਤ ਆਸਾਨੀ ਨਾਲ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ. ਤੁਸੀਂ ਆਪਣਾ ਬੈਚ ਤਿਆਰ ਕਰਦੇ ਹੋ ਅਤੇ ਇਸਨੂੰ ਨੈੱਟਵਰਕ 'ਤੇ ਜਮ੍ਹਾ ਕਰਦੇ ਹੋ, ਜਿਵੇਂ ਕਿ ਇਹ ਹੈ, ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਹੀਂ, ਪਰ ਇਸਨੂੰ ਟੁਕੜਿਆਂ ਵਿੱਚ ਵੰਡੋ ਤਾਂ ਕਿ ਇਹ ਤੁਹਾਡੇ ਵੀਡੀਓ ਕਾਰਡ ਵਿੱਚ ਫਿੱਟ ਹੋ ਜਾਵੇ, ਗਰੇਡੀਐਂਟ ਦੀ ਗਣਨਾ ਕਰੋ, ਅਤੇ ਪੂਰੇ ਬੈਚ ਲਈ ਗਰੇਡੀਐਂਟ ਦੀ ਗਣਨਾ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਅੱਪਡੇਟ ਕਰੋ। ਵਜ਼ਨ.

ਤਰੀਕੇ ਨਾਲ, ਵੱਡੇ ਬੈਚ ਦੇ ਆਕਾਰ ਅਜੇ ਵੀ ਇਸ ਮੁਕਾਬਲੇ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤੇ ਗਏ ਸਨ, ਕਿਉਂਕਿ ਡੇਟਾ ਕਾਫ਼ੀ ਰੌਲਾ-ਰੱਪਾ ਸੀ, ਅਤੇ ਇੱਕ ਵੱਡੇ ਬੈਚ ਦੇ ਆਕਾਰ ਨੇ ਗਰੇਡੀਐਂਟ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਵਿੱਚ ਤੁਹਾਡੀ ਮਦਦ ਕੀਤੀ।

ਸੂਡੋ-ਲੇਬਲਿੰਗ ਵੀ ਵਰਤੀ ਜਾਂਦੀ ਸੀ, ਜਿਆਦਾਤਰ ਰੋਮਨ ਸੋਲੋਵੀਵ ਦੁਆਰਾ ਵਰਤੀ ਜਾਂਦੀ ਸੀ। ਉਸਨੇ ਬੈਚਾਂ ਵਿੱਚ ਟੈਸਟ ਤੋਂ ਲਗਭਗ ਅੱਧੇ ਡੇਟਾ ਦਾ ਨਮੂਨਾ ਲਿਆ, ਅਤੇ ਅਜਿਹੇ ਬੈਚਾਂ 'ਤੇ ਗਰਿੱਡ ਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ।

ਤਸਵੀਰਾਂ ਦਾ ਆਕਾਰ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ, ਪਰ ਤੱਥ ਇਹ ਹੈ ਕਿ ਤੁਹਾਡੇ ਕੋਲ ਬਹੁਤ ਸਾਰਾ ਡੇਟਾ ਹੈ, ਤੁਹਾਨੂੰ ਲੰਬੇ ਸਮੇਂ ਲਈ ਸਿਖਲਾਈ ਦੇਣ ਦੀ ਜ਼ਰੂਰਤ ਹੈ, ਅਤੇ ਜੇ ਤੁਹਾਡੀ ਤਸਵੀਰ ਦਾ ਆਕਾਰ ਕਾਫ਼ੀ ਵੱਡਾ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਬਹੁਤ ਲੰਬੇ ਸਮੇਂ ਲਈ ਸਿਖਲਾਈ ਦੇਵੋਗੇ. ਪਰ ਇਸ ਨੇ ਤੁਹਾਡੇ ਅੰਤਮ ਵਰਗੀਕਰਣ ਦੀ ਗੁਣਵੱਤਾ ਵਿੱਚ ਬਹੁਤ ਕੁਝ ਨਹੀਂ ਜੋੜਿਆ, ਇਸਲਈ ਇਹ ਕਿਸੇ ਕਿਸਮ ਦੇ ਵਪਾਰ-ਬੰਦ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੇ ਯੋਗ ਸੀ. ਅਤੇ ਅਸੀਂ ਸਿਰਫ ਉਹਨਾਂ ਤਸਵੀਰਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਜੋ ਆਕਾਰ ਵਿੱਚ ਬਹੁਤ ਵੱਡੀਆਂ ਨਹੀਂ ਸਨ।

ਇਹ ਸਭ ਕਿਵੇਂ ਸਿੱਖਿਆ ਗਿਆ ਸੀ? ਪਹਿਲਾਂ, ਛੋਟੇ ਆਕਾਰ ਦੀਆਂ ਤਸਵੀਰਾਂ ਲਈਆਂ ਗਈਆਂ, ਉਨ੍ਹਾਂ 'ਤੇ ਕਈ ਯੁੱਗ ਚਲਾਏ ਗਏ, ਇਸ ਵਿੱਚ ਕਾਫ਼ੀ ਸਮਾਂ ਲੱਗ ਗਿਆ। ਫਿਰ ਵੱਡੇ ਆਕਾਰ ਦੀਆਂ ਤਸਵੀਰਾਂ ਦਿੱਤੀਆਂ ਗਈਆਂ, ਨੈਟਵਰਕ ਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ, ਫਿਰ ਹੋਰ ਵੀ, ਹੋਰ ਵੀ, ਤਾਂ ਜੋ ਇਸ ਨੂੰ ਸਕ੍ਰੈਚ ਤੋਂ ਸਿਖਲਾਈ ਨਾ ਦਿੱਤੀ ਜਾਵੇ ਅਤੇ ਬਹੁਤ ਸਾਰਾ ਸਮਾਂ ਬਰਬਾਦ ਨਾ ਹੋਵੇ.

ਆਪਟੀਮਾਈਜ਼ਰ ਬਾਰੇ। ਅਸੀਂ SGD ਅਤੇ ਐਡਮ ਦੀ ਵਰਤੋਂ ਕੀਤੀ. ਇਸ ਤਰ੍ਹਾਂ, ਇੱਕ ਸਿੰਗਲ ਮਾਡਲ ਪ੍ਰਾਪਤ ਕਰਨਾ ਸੰਭਵ ਸੀ, ਜਿਸ ਨੇ ਜਨਤਕ ਲੀਡਰਬੋਰਡ 'ਤੇ 0,941-0,946 ਦੀ ਸਪੀਡ ਦਿੱਤੀ, ਜੋ ਕਿ ਕਾਫੀ ਵਧੀਆ ਹੈ।

ਜੇ ਤੁਸੀਂ ਮਾਡਲਾਂ ਨੂੰ ਕਿਸੇ ਤਰੀਕੇ ਨਾਲ ਜੋੜਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ 0,951 ਦੇ ਆਸਪਾਸ ਕਿਤੇ ਪ੍ਰਾਪਤ ਕਰੋਗੇ। ਜੇਕਰ ਤੁਸੀਂ ਇੱਕ ਹੋਰ ਤਕਨੀਕ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਪਬਲਿਕ ਬੋਰਡ 'ਤੇ 0,954 ਦਾ ਅੰਤਮ ਸਕੋਰ ਮਿਲੇਗਾ, ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਪ੍ਰਾਪਤ ਕੀਤਾ ਹੈ। ਪਰ ਬਾਅਦ ਵਿੱਚ ਇਸ ਬਾਰੇ ਹੋਰ. ਅੱਗੇ ਮੈਂ ਤੁਹਾਨੂੰ ਦੱਸਾਂਗਾ ਕਿ ਅਸੀਂ ਮਾਡਲਾਂ ਨੂੰ ਕਿਵੇਂ ਇਕੱਠਾ ਕੀਤਾ, ਅਤੇ ਅਸੀਂ ਅਜਿਹੀ ਅੰਤਮ ਗਤੀ ਕਿਵੇਂ ਪ੍ਰਾਪਤ ਕਰਨ ਵਿੱਚ ਕਾਮਯਾਬ ਹੋਏ.

ਅੱਗੇ ਮੈਂ ਵਾਰਮ ਰੀਸਟਾਰਟਸ ਦੇ ਨਾਲ ਕੋਸਿੰਗ ਐਨੀਲਿੰਗ ਜਾਂ ਗਰਮ ਰੀਸਟਾਰਟਸ ਦੇ ਨਾਲ ਸਟੋਚੈਸਟਿਕ ਗਰੇਡੀਐਂਟ ਡਿਸੈਂਟ ਬਾਰੇ ਗੱਲ ਕਰਨਾ ਚਾਹਾਂਗਾ। ਮੋਟੇ ਤੌਰ 'ਤੇ, ਸਿਧਾਂਤਕ ਤੌਰ 'ਤੇ, ਤੁਸੀਂ ਕਿਸੇ ਵੀ ਆਪਟੀਮਾਈਜ਼ਰ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ, ਪਰ ਬਿੰਦੂ ਇਹ ਹੈ: ਜੇ ਤੁਸੀਂ ਸਿਰਫ ਇੱਕ ਨੈਟਵਰਕ ਨੂੰ ਸਿਖਲਾਈ ਦਿੰਦੇ ਹੋ ਅਤੇ ਹੌਲੀ-ਹੌਲੀ ਇਹ ਕੁਝ ਘੱਟੋ-ਘੱਟ ਹੋ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਸਭ ਕੁਝ ਠੀਕ ਹੈ, ਤੁਹਾਨੂੰ ਇੱਕ ਨੈਟਵਰਕ ਮਿਲੇਗਾ, ਇਹ ਕੁਝ ਗਲਤੀਆਂ ਕਰਦਾ ਹੈ, ਪਰ ਤੁਸੀਂ ਇਸ ਨੂੰ ਥੋੜਾ ਵੱਖਰੇ ਤਰੀਕੇ ਨਾਲ ਸਿਖਲਾਈ ਦੇ ਸਕਦਾ ਹੈ। ਤੁਸੀਂ ਕੁਝ ਸ਼ੁਰੂਆਤੀ ਸਿੱਖਣ ਦੀ ਦਰ ਨਿਰਧਾਰਤ ਕਰੋਗੇ, ਅਤੇ ਇਸ ਫਾਰਮੂਲੇ ਦੇ ਅਨੁਸਾਰ ਇਸਨੂੰ ਹੌਲੀ ਹੌਲੀ ਘਟਾਓਗੇ। ਤੁਸੀਂ ਇਸਨੂੰ ਘਟਾਉਂਦੇ ਹੋ, ਤੁਹਾਡਾ ਨੈੱਟਵਰਕ ਕੁਝ ਘੱਟੋ-ਘੱਟ ਹੁੰਦਾ ਹੈ, ਫਿਰ ਤੁਸੀਂ ਵਜ਼ਨ ਬਚਾਉਂਦੇ ਹੋ, ਅਤੇ ਦੁਬਾਰਾ ਸਿੱਖਣ ਦੀ ਦਰ ਨੂੰ ਸੈੱਟ ਕਰਦੇ ਹੋ ਜੋ ਸਿਖਲਾਈ ਦੀ ਸ਼ੁਰੂਆਤ ਵਿੱਚ ਸੀ, ਇਸ ਤਰ੍ਹਾਂ ਇਸ ਘੱਟੋ-ਘੱਟ ਤੋਂ ਕਿਤੇ ਉੱਪਰ ਜਾ ਕੇ, ਅਤੇ ਦੁਬਾਰਾ ਤੁਹਾਡੀ ਸਿੱਖਣ ਦੀ ਦਰ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ।

ਇਸ ਤਰ੍ਹਾਂ, ਤੁਸੀਂ ਇੱਕ ਵਾਰ ਵਿੱਚ ਕਈ ਨਿਊਨਤਮ ਜਾ ਸਕਦੇ ਹੋ, ਜਿਸ ਵਿੱਚ ਤੁਹਾਡਾ ਨੁਕਸਾਨ, ਪਲੱਸ ਜਾਂ ਮਾਇਨਸ, ਇੱਕੋ ਜਿਹਾ ਹੋਵੇਗਾ। ਪਰ ਤੱਥ ਇਹ ਹੈ ਕਿ ਇਹਨਾਂ ਵਜ਼ਨਾਂ ਵਾਲੇ ਨੈਟਵਰਕ ਤੁਹਾਡੀ ਮਿਤੀ 'ਤੇ ਵੱਖੋ ਵੱਖਰੀਆਂ ਗਲਤੀਆਂ ਦੇਣਗੇ. ਉਹਨਾਂ ਨੂੰ ਔਸਤ ਕਰਨ ਨਾਲ, ਤੁਸੀਂ ਇੱਕ ਕਿਸਮ ਦਾ ਅਨੁਮਾਨ ਪ੍ਰਾਪਤ ਕਰੋਗੇ, ਅਤੇ ਤੁਹਾਡੀ ਗਤੀ ਵੱਧ ਹੋਵੇਗੀ.

ਇਸ ਬਾਰੇ ਕਿ ਅਸੀਂ ਆਪਣੇ ਮਾਡਲਾਂ ਨੂੰ ਕਿਵੇਂ ਇਕੱਠਾ ਕੀਤਾ। ਪੇਸ਼ਕਾਰੀ ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ, ਮੈਂ ਟੈਸਟ ਵਿੱਚ ਡੇਟਾ ਦੀ ਮਾਤਰਾ ਅਤੇ ਕਲਾਸਾਂ ਦੀ ਗਿਣਤੀ ਵੱਲ ਧਿਆਨ ਦੇਣ ਲਈ ਕਿਹਾ. ਜੇਕਰ ਤੁਸੀਂ ਟੈਸਟ ਸੈੱਟ ਵਿੱਚ ਟੀਚਿਆਂ ਦੀ ਸੰਖਿਆ ਵਿੱਚ 1 ਜੋੜਦੇ ਹੋ ਅਤੇ ਕਲਾਸਾਂ ਦੀ ਸੰਖਿਆ ਨਾਲ ਵੰਡਦੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ 330 ਨੰਬਰ ਮਿਲੇਗਾ, ਅਤੇ ਇਹ ਫੋਰਮ 'ਤੇ ਲਿਖਿਆ ਗਿਆ ਸੀ - ਕਿ ਟੈਸਟ ਵਿੱਚ ਕਲਾਸਾਂ ਸੰਤੁਲਿਤ ਹਨ। ਇਹ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ.

ਇਸ ਦੇ ਆਧਾਰ 'ਤੇ, ਰੋਮਨ ਸੋਲੋਵੀਵ ਇੱਕ ਮੈਟ੍ਰਿਕ ਲੈ ਕੇ ਆਇਆ, ਅਸੀਂ ਇਸਨੂੰ ਪ੍ਰੌਕਸੀ ਸਕੋਰ ਕਿਹਾ, ਜੋ ਲੀਡਰਬੋਰਡ ਦੇ ਨਾਲ ਕਾਫੀ ਵਧੀਆ ਢੰਗ ਨਾਲ ਸਬੰਧਿਤ ਹੈ। ਬਿੰਦੂ ਇਹ ਹੈ: ਤੁਸੀਂ ਇੱਕ ਪੂਰਵ-ਅਨੁਮਾਨ ਕਰਦੇ ਹੋ, ਆਪਣੇ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਵਿੱਚੋਂ ਚੋਟੀ ਦੇ 1 ਨੂੰ ਲਓ ਅਤੇ ਹਰੇਕ ਕਲਾਸ ਲਈ ਵਸਤੂਆਂ ਦੀ ਗਿਣਤੀ ਕਰੋ। ਅੱਗੇ, ਹਰੇਕ ਮੁੱਲ ਤੋਂ 330 ਘਟਾਓ ਅਤੇ ਨਤੀਜੇ ਵਜੋਂ ਸੰਪੂਰਨ ਮੁੱਲ ਜੋੜੋ।

ਹੇਠ ਦਿੱਤੇ ਮੁੱਲ ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਏ ਸਨ। ਇਸ ਨੇ ਸਾਨੂੰ ਇੱਕ ਜਾਂਚ ਲੀਡਰਬੋਰਡ ਬਣਾਉਣ ਵਿੱਚ ਨਹੀਂ, ਪਰ ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਅਤੇ ਸਾਡੇ ਸਮੂਹਾਂ ਲਈ ਗੁਣਾਂਕ ਚੁਣਨ ਵਿੱਚ ਮਦਦ ਕੀਤੀ।

ਇੱਕ ਸੰਗ੍ਰਹਿ ਨਾਲ ਤੁਸੀਂ ਅਜਿਹੀ ਗਤੀ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ. ਮੈਂ ਹੋਰ ਕੀ ਕਰ ਸਕਦਾ ਸੀ? ਮੰਨ ਲਓ ਕਿ ਤੁਸੀਂ ਜਾਣਕਾਰੀ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਹੈ ਕਿ ਤੁਹਾਡੇ ਟੈਸਟ ਦੀਆਂ ਕਲਾਸਾਂ ਸੰਤੁਲਿਤ ਹਨ।

ਸੰਤੁਲਨ ਵੱਖਰਾ ਸੀ। ਉਹਨਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦੀ ਉਦਾਹਰਨ - ਪਹਿਲਾ ਸਥਾਨ ਲੈਣ ਵਾਲੇ ਮੁੰਡਿਆਂ ਤੋਂ ਸੰਤੁਲਨ.

ਅਸੀਂ ਕੀ ਕੀਤਾ? ਸਾਡਾ ਸੰਤੁਲਨ ਕਾਫ਼ੀ ਸਰਲ ਸੀ, ਇਹ ਇਵਗੇਨੀ ਬਾਬਾਖਨੀਨ ਦੁਆਰਾ ਸੁਝਾਇਆ ਗਿਆ ਸੀ। ਅਸੀਂ ਸਭ ਤੋਂ ਪਹਿਲਾਂ ਸਿਖਰ 1 ਅਤੇ ਉਹਨਾਂ ਵਿੱਚੋਂ ਉਮੀਦਵਾਰਾਂ ਦੀ ਚੋਣ ਕਰਕੇ ਸਾਡੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ ਕ੍ਰਮਬੱਧ ਕੀਤਾ - ਤਾਂ ਜੋ ਕਲਾਸਾਂ ਦੀ ਗਿਣਤੀ 330 ਤੋਂ ਵੱਧ ਨਾ ਹੋਵੇ। ਪਰ ਕੁਝ ਕਲਾਸਾਂ ਲਈ ਤੁਸੀਂ 330 ਤੋਂ ਘੱਟ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਨਾਲ ਸਮਾਪਤ ਕਰਦੇ ਹੋ। , ਅਤੇ ਅਸੀਂ ਉਮੀਦਵਾਰਾਂ ਦੀ ਚੋਣ ਵੀ ਕਰਾਂਗੇ।

ਸਾਡਾ ਸੰਤੁਲਨ ਪਹਿਲੇ ਸਥਾਨ ਦੇ ਸੰਤੁਲਨ ਨਾਲੋਂ ਕਿਵੇਂ ਵੱਖਰਾ ਸੀ? ਉਹਨਾਂ ਨੇ ਇੱਕ ਦੁਹਰਾਓ ਪਹੁੰਚ ਦੀ ਵਰਤੋਂ ਕੀਤੀ, ਸਭ ਤੋਂ ਵੱਧ ਪ੍ਰਸਿੱਧ ਕਲਾਸ ਨੂੰ ਲੈ ਕੇ ਅਤੇ ਉਸ ਕਲਾਸ ਲਈ ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਕੁਝ ਛੋਟੀਆਂ ਸੰਖਿਆਵਾਂ ਦੁਆਰਾ ਘਟਾਉਂਦੇ ਹੋਏ ਜਦੋਂ ਤੱਕ ਉਹ ਕਲਾਸ ਹੁਣ ਸਭ ਤੋਂ ਵੱਧ ਪ੍ਰਸਿੱਧ ਨਹੀਂ ਸੀ। ਅਸੀਂ ਅਗਲੀ ਸਭ ਤੋਂ ਪ੍ਰਸਿੱਧ ਕਲਾਸ ਲਈ। ਇਸ ਲਈ ਉਹ ਉਹਨਾਂ ਨੂੰ ਉਦੋਂ ਤੱਕ ਘਟਾਉਂਦੇ ਰਹੇ ਜਦੋਂ ਤੱਕ ਸਾਰੀਆਂ ਜਮਾਤਾਂ ਦੀ ਗਿਣਤੀ ਬਰਾਬਰ ਨਹੀਂ ਹੋ ਜਾਂਦੀ।

ਹਰ ਕਿਸੇ ਨੇ ਨੈੱਟਵਰਕਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਪਲੱਸ ਜਾਂ ਘਟਾਓ ਇੱਕ ਪਹੁੰਚ ਦੀ ਵਰਤੋਂ ਕੀਤੀ, ਪਰ ਹਰ ਕਿਸੇ ਨੇ ਸੰਤੁਲਨ ਦੀ ਵਰਤੋਂ ਨਹੀਂ ਕੀਤੀ। ਸੰਤੁਲਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਤੁਸੀਂ ਸੋਨੇ ਵਿੱਚ ਜਾ ਸਕਦੇ ਹੋ, ਅਤੇ ਜੇਕਰ ਤੁਸੀਂ ਖੁਸ਼ਕਿਸਮਤ ਹੋ, ਤਾਂ ਪੈਸੇ ਵਿੱਚ.

ਇੱਕ ਮਿਤੀ ਨੂੰ ਪ੍ਰੀਪ੍ਰੋਸੈਸ ਕਿਵੇਂ ਕਰਨਾ ਹੈ? ਹਰ ਕਿਸੇ ਨੇ ਮਿਤੀ, ਪਲੱਸ ਜਾਂ ਘਟਾਓ, ਉਸੇ ਤਰੀਕੇ ਨਾਲ ਪ੍ਰੀਪ੍ਰੋਸੈਸ ਕੀਤਾ - ਹੈਂਡਕ੍ਰਾਫਟਡ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਬਣਾਉਣਾ, ਵੱਖ-ਵੱਖ ਸਟ੍ਰੋਕ ਰੰਗਾਂ ਨਾਲ ਸਮੇਂ ਨੂੰ ਏਨਕੋਡ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨਾ, ਆਦਿ। 8ਵਾਂ ਸਥਾਨ ਲੈਣ ਵਾਲੇ ਅਲੈਕਸੀ ਨੋਜ਼ਡ੍ਰਿਨ-ਪਲੋਟਨੀਟਸਕੀ ਨੇ ਇਸ ਬਾਰੇ ਗੱਲ ਕੀਤੀ।

ਉਸਨੇ ਇਸਨੂੰ ਵੱਖਰੇ ਤਰੀਕੇ ਨਾਲ ਕੀਤਾ। ਉਨ੍ਹਾਂ ਕਿਹਾ ਕਿ ਤੁਹਾਡੀਆਂ ਇਹ ਸਾਰੀਆਂ ਹੈਂਡਕ੍ਰਾਫਟਡ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਕੰਮ ਨਹੀਂ ਕਰਦੀਆਂ, ਤੁਹਾਨੂੰ ਅਜਿਹਾ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਨਹੀਂ ਹੈ, ਤੁਹਾਡੇ ਨੈਟਵਰਕ ਨੂੰ ਇਹ ਸਭ ਆਪਣੇ ਆਪ ਸਿੱਖਣਾ ਚਾਹੀਦਾ ਹੈ। ਅਤੇ ਇਸ ਦੀ ਬਜਾਏ, ਉਹ ਸਿੱਖਣ ਵਾਲੇ ਮੋਡੀਊਲ ਲੈ ਕੇ ਆਇਆ ਹੈ ਜੋ ਤੁਹਾਡੇ ਡੇਟਾ ਨੂੰ ਪ੍ਰੀ-ਪ੍ਰੋਸੈੱਸ ਕਰਦੇ ਹਨ। ਉਸਨੇ ਪੂਰਵ-ਪ੍ਰੋਸੈਸਿੰਗ ਤੋਂ ਬਿਨਾਂ ਮੂਲ ਡੇਟਾ ਨੂੰ ਉਹਨਾਂ ਵਿੱਚ ਸੁੱਟ ਦਿੱਤਾ - ਪੁਆਇੰਟ ਕੋਆਰਡੀਨੇਟਸ ਅਤੇ ਸਮਾਂ.

ਫਿਰ ਉਸਨੇ ਕੋਆਰਡੀਨੇਟਸ ਦੇ ਅਧਾਰ ਤੇ ਅੰਤਰ ਲਿਆ, ਅਤੇ ਸਮੇਂ ਦੇ ਅਧਾਰ ਤੇ ਇਸਦਾ ਔਸਤ ਬਣਾਇਆ। ਅਤੇ ਉਹ ਇੱਕ ਲੰਮਾ ਮੈਟ੍ਰਿਕਸ ਲੈ ਕੇ ਆਇਆ। ਉਸਨੇ 1xn ਆਕਾਰ ਦਾ ਇੱਕ ਮੈਟ੍ਰਿਕਸ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਇਸ ਵਿੱਚ 64D ਕਨਵੋਲਿਊਸ਼ਨ ਨੂੰ ਕਈ ਵਾਰ ਲਾਗੂ ਕੀਤਾ, ਜਿੱਥੇ n ਬਿੰਦੂਆਂ ਦੀ ਕੁੱਲ ਸੰਖਿਆ ਹੈ, ਅਤੇ ਨਤੀਜੇ ਵਾਲੇ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਕਿਸੇ ਵੀ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨੈਟਵਰਕ ਦੀ ਪਰਤ ਵਿੱਚ ਫੀਡ ਕਰਨ ਲਈ 64 ਬਣਾਇਆ ਗਿਆ ਹੈ, ਜੋ ਚੈਨਲਾਂ ਦੀ ਸੰਖਿਆ ਨੂੰ ਸਵੀਕਾਰ ਕਰਦਾ ਹੈ। - 64. ਉਸਨੇ ਇੱਕ 64xn ਮੈਟ੍ਰਿਕਸ ਪ੍ਰਾਪਤ ਕੀਤਾ, ਫਿਰ ਇਸ ਤੋਂ ਕੁਝ ਆਕਾਰ ਦਾ ਇੱਕ ਟੈਂਸਰ ਬਣਾਉਣਾ ਜ਼ਰੂਰੀ ਸੀ ਤਾਂ ਜੋ ਚੈਨਲਾਂ ਦੀ ਗਿਣਤੀ 64 ਦੇ ਬਰਾਬਰ ਹੋਵੇ। ਉਸਨੇ ਇੱਕ ਬਣਾਉਣ ਲਈ 0 ਤੋਂ 32 ਦੀ ਰੇਂਜ ਵਿੱਚ ਸਾਰੇ ਪੁਆਇੰਟ X, Y ਨੂੰ ਸਾਧਾਰਨ ਕੀਤਾ। ਆਕਾਰ 32x32 ਦਾ ਟੈਂਸਰ। ਮੈਨੂੰ ਨਹੀਂ ਪਤਾ ਕਿ ਉਹ 32x32 ਕਿਉਂ ਚਾਹੁੰਦਾ ਸੀ, ਇਹ ਇਸ ਤਰ੍ਹਾਂ ਹੋਇਆ. ਅਤੇ ਇਸ ਕੋਆਰਡੀਨੇਟ 'ਤੇ ਉਸਨੇ 64xn ਆਕਾਰ ਦੇ ਇਸ ਮੈਟਰਿਕਸ ਦਾ ਇੱਕ ਟੁਕੜਾ ਰੱਖਿਆ। ਇਸ ਲਈ ਇਹ ਹੁਣੇ ਹੀ ਇੱਕ 32x32x64 ਟੈਂਸਰ ਨਾਲ ਖਤਮ ਹੋਇਆ ਹੈ ਜਿਸ ਨੂੰ ਤੁਸੀਂ ਆਪਣੇ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਵਿੱਚ ਅੱਗੇ ਪਾ ਸਕਦੇ ਹੋ। ਇਹ ਸਭ ਮੈਂ ਕਹਿਣਾ ਚਾਹੁੰਦਾ ਸੀ।

ਸਰੋਤ: www.habr.com