ਕੀ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦਾ ਬੁਲਬੁਲਾ ਫਟ ਗਿਆ ਹੈ, ਜਾਂ ਇਹ ਇੱਕ ਨਵੀਂ ਸਵੇਰ ਦੀ ਸ਼ੁਰੂਆਤ ਹੈ?

ਹਾਲ ਹੀ ਵਿੱਚ ਜਾਰੀ ਕੀਤਾ ਗਿਆ ਹੈ ਲੇਖ, ਜੋ ਕਿ ਹਾਲ ਦੇ ਸਾਲਾਂ ਵਿੱਚ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਵਿੱਚ ਇੱਕ ਚੰਗਾ ਰੁਝਾਨ ਦਰਸਾਉਂਦਾ ਹੈ। ਸੰਖੇਪ ਵਿੱਚ: ਪਿਛਲੇ ਦੋ ਸਾਲਾਂ ਵਿੱਚ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸਟਾਰਟਅੱਪਸ ਦੀ ਗਿਣਤੀ ਵਿੱਚ ਗਿਰਾਵਟ ਆਈ ਹੈ।

ਖੈਰ। ਆਉ ਦੇਖੀਏ ਕਿ “ਕੀ ਬੁਲਬੁਲਾ ਫਟ ਗਿਆ ਹੈ”, “ਕਿਵੇਂ ਜਿਉਣਾ ਜਾਰੀ ਰੱਖਣਾ ਹੈ” ਅਤੇ ਇਸ ਬਾਰੇ ਗੱਲ ਕਰੀਏ ਕਿ ਇਹ squiggle ਪਹਿਲੀ ਥਾਂ ਕਿੱਥੋਂ ਆਉਂਦਾ ਹੈ।

ਪਹਿਲਾਂ, ਆਓ ਇਸ ਬਾਰੇ ਗੱਲ ਕਰੀਏ ਕਿ ਇਸ ਕਰਵ ਦਾ ਬੂਸਟਰ ਕੀ ਸੀ. ਉਹ ਕਿੱਥੋਂ ਆਈ? ਉਹ ਸ਼ਾਇਦ ਸਭ ਕੁਝ ਯਾਦ ਰੱਖਣਗੇ ਜਿੱਤ ਇਮੇਜਨੈੱਟ ਮੁਕਾਬਲੇ ਵਿੱਚ 2012 ਵਿੱਚ ਮਸ਼ੀਨ ਸਿਖਲਾਈ। ਆਖ਼ਰਕਾਰ, ਇਹ ਪਹਿਲੀ ਗਲੋਬਲ ਘਟਨਾ ਹੈ! ਪਰ ਅਸਲ ਵਿੱਚ ਅਜਿਹਾ ਨਹੀਂ ਹੈ। ਅਤੇ ਕਰਵ ਦਾ ਵਾਧਾ ਥੋੜਾ ਪਹਿਲਾਂ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ. ਮੈਂ ਇਸਨੂੰ ਕਈ ਬਿੰਦੂਆਂ ਵਿੱਚ ਵੰਡਾਂਗਾ.

1. 2008 ਵਿੱਚ "ਬਿਗ ਡੇਟਾ" ਸ਼ਬਦ ਦਾ ਉਭਾਰ ਦੇਖਿਆ ਗਿਆ। ਅਸਲੀ ਉਤਪਾਦ ਸ਼ੁਰੂ ਹੋਏ ਦਿੱਸਦਾ ਹੈ 2010 ਤੋਂ ਵੱਡਾ ਡੇਟਾ ਸਿੱਧਾ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਨਾਲ ਸਬੰਧਤ ਹੈ। ਵੱਡੇ ਡੇਟਾ ਤੋਂ ਬਿਨਾਂ, ਉਸ ਸਮੇਂ ਮੌਜੂਦ ਐਲਗੋਰਿਦਮ ਦਾ ਸਥਿਰ ਸੰਚਾਲਨ ਅਸੰਭਵ ਹੈ। ਅਤੇ ਇਹ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਨਹੀਂ ਹਨ। 2012 ਤੱਕ, ਤੰਤੂ ਨੈੱਟਵਰਕ ਇੱਕ ਸੀਮਾਂਤ ਘੱਟ ਗਿਣਤੀ ਦੇ ਸੁਰੱਖਿਅਤ ਸਨ। ਪਰ ਫਿਰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵੱਖੋ-ਵੱਖਰੇ ਐਲਗੋਰਿਥਮਾਂ ਨੇ ਕੰਮ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰ ਦਿੱਤਾ, ਜੋ ਸਾਲਾਂ, ਜਾਂ ਦਹਾਕਿਆਂ ਤੋਂ ਮੌਜੂਦ ਸੀ: ਐਸਵੀਐਮ(1963,1993), ਬੇਤਰਤੀਬ ਜੰਗਲ (1995) AdaBoost (2003),... ਉਹਨਾਂ ਸਾਲਾਂ ਦੇ ਸਟਾਰਟਅੱਪ ਮੁੱਖ ਤੌਰ 'ਤੇ ਢਾਂਚਾਗਤ ਡੇਟਾ ਦੀ ਆਟੋਮੈਟਿਕ ਪ੍ਰੋਸੈਸਿੰਗ ਨਾਲ ਜੁੜੇ ਹੋਏ ਹਨ: ਨਕਦ ਰਜਿਸਟਰ, ਉਪਭੋਗਤਾ, ਵਿਗਿਆਪਨ, ਅਤੇ ਹੋਰ ਬਹੁਤ ਕੁਝ।

   ਇਸ ਪਹਿਲੀ ਵੇਵ ਦਾ ਇੱਕ ਡੈਰੀਵੇਟਿਵ ਫਰੇਮਵਰਕ ਦਾ ਇੱਕ ਸਮੂਹ ਹੈ ਜਿਵੇਂ ਕਿ XGBoost, CatBoost, LightGBM, ਆਦਿ।

2. 2011-2012 ਵਿੱਚ convolutional neural ਨੈੱਟਵਰਕ ਕਈ ਚਿੱਤਰ ਪਛਾਣ ਮੁਕਾਬਲੇ ਜਿੱਤੇ। ਉਹਨਾਂ ਦੀ ਅਸਲ ਵਰਤੋਂ ਵਿੱਚ ਕੁਝ ਦੇਰੀ ਹੋਈ ਸੀ। ਮੈਂ ਕਹਾਂਗਾ ਕਿ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਅਰਥਪੂਰਨ ਸ਼ੁਰੂਆਤ ਅਤੇ ਹੱਲ 2014 ਵਿੱਚ ਪ੍ਰਗਟ ਹੋਣੇ ਸ਼ੁਰੂ ਹੋ ਗਏ ਸਨ। ਇਸ ਨੂੰ ਹਜ਼ਮ ਕਰਨ ਲਈ ਦੋ ਸਾਲ ਲੱਗ ਗਏ ਕਿ ਨਿਊਰੋਨਸ ਅਜੇ ਵੀ ਕੰਮ ਕਰਦੇ ਹਨ, ਸੁਵਿਧਾਜਨਕ ਫਰੇਮਵਰਕ ਬਣਾਉਣ ਲਈ ਜੋ ਇੱਕ ਵਾਜਬ ਸਮੇਂ ਵਿੱਚ ਸਥਾਪਿਤ ਅਤੇ ਲਾਂਚ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ, ਅਜਿਹੇ ਤਰੀਕਿਆਂ ਨੂੰ ਵਿਕਸਿਤ ਕਰਨ ਲਈ ਜੋ ਕਨਵਰਜੈਂਸ ਸਮੇਂ ਨੂੰ ਸਥਿਰ ਕਰਨ ਅਤੇ ਤੇਜ਼ ਕਰਨ।

   ਕੰਵੋਲਿਊਸ਼ਨਲ ਨੈਟਵਰਕਸ ਨੇ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨਾ ਸੰਭਵ ਬਣਾਇਆ: ਚਿੱਤਰ ਵਿੱਚ ਚਿੱਤਰਾਂ ਅਤੇ ਵਸਤੂਆਂ ਦਾ ਵਰਗੀਕਰਨ, ਵਸਤੂ ਦੀ ਖੋਜ, ਵਸਤੂਆਂ ਅਤੇ ਲੋਕਾਂ ਦੀ ਪਛਾਣ, ਚਿੱਤਰ ਸੁਧਾਰ, ਆਦਿ, ਆਦਿ।

3. 2015-2017। ਆਵਰਤੀ ਨੈੱਟਵਰਕਾਂ ਜਾਂ ਉਹਨਾਂ ਦੇ ਐਨਾਲਾਗ (LSTM, GRU, TransformerNet, ਆਦਿ) 'ਤੇ ਆਧਾਰਿਤ ਐਲਗੋਰਿਦਮ ਅਤੇ ਪ੍ਰੋਜੈਕਟਾਂ ਦਾ ਬੂਮ। ਚੰਗੀ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਨ ਵਾਲੇ ਸਪੀਚ-ਟੂ-ਟੈਕਸਟ ਐਲਗੋਰਿਦਮ ਅਤੇ ਮਸ਼ੀਨ ਟ੍ਰਾਂਸਲੇਸ਼ਨ ਸਿਸਟਮ ਪ੍ਰਗਟ ਹੋਏ ਹਨ। ਉਹ ਬੁਨਿਆਦੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰਨ ਲਈ ਅੰਸ਼ਕ ਤੌਰ 'ਤੇ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨੈਟਵਰਕਸ 'ਤੇ ਅਧਾਰਤ ਹਨ। ਅੰਸ਼ਕ ਤੌਰ 'ਤੇ ਇਸ ਤੱਥ ਦੇ ਕਾਰਨ ਕਿ ਅਸੀਂ ਅਸਲ ਵਿੱਚ ਵੱਡੇ ਅਤੇ ਚੰਗੇ ਡੇਟਾਸੈਟਾਂ ਨੂੰ ਇਕੱਠਾ ਕਰਨਾ ਸਿੱਖਿਆ ਹੈ।

“ਕੀ ਬੁਲਬੁਲਾ ਫਟ ਗਿਆ ਹੈ? ਕੀ ਹਾਈਪ ਬਹੁਤ ਜ਼ਿਆਦਾ ਗਰਮ ਹੈ? ਕੀ ਉਹ ਬਲੌਕਚੈਨ ਦੇ ਰੂਪ ਵਿੱਚ ਮਰ ਗਏ ਸਨ?"
ਹੋਰ! ਕੱਲ੍ਹ ਸਿਰੀ ਤੁਹਾਡੇ ਫੋਨ 'ਤੇ ਕੰਮ ਕਰਨਾ ਬੰਦ ਕਰ ਦੇਵੇਗੀ, ਅਤੇ ਕੱਲ੍ਹ ਟੇਸਲਾ ਨੂੰ ਇੱਕ ਮੋੜ ਅਤੇ ਕੰਗਾਰੂ ਵਿਚਕਾਰ ਫਰਕ ਨਹੀਂ ਪਤਾ ਹੋਵੇਗਾ।

ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਪਹਿਲਾਂ ਹੀ ਕੰਮ ਕਰ ਰਹੇ ਹਨ। ਉਹ ਦਰਜਨਾਂ ਡਿਵਾਈਸਾਂ ਵਿੱਚ ਹਨ। ਉਹ ਅਸਲ ਵਿੱਚ ਤੁਹਾਨੂੰ ਪੈਸਾ ਕਮਾਉਣ, ਮਾਰਕੀਟ ਅਤੇ ਤੁਹਾਡੇ ਆਲੇ ਦੁਆਲੇ ਦੀ ਦੁਨੀਆ ਨੂੰ ਬਦਲਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ। ਹਾਈਪ ਥੋੜਾ ਵੱਖਰਾ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ:

ਇਹ ਸਿਰਫ ਇਹ ਹੈ ਕਿ ਨਿਊਰਲ ਨੈਟਵਰਕ ਹੁਣ ਕੁਝ ਨਵਾਂ ਨਹੀਂ ਰਹੇ ਹਨ. ਹਾਂ, ਬਹੁਤ ਸਾਰੇ ਲੋਕਾਂ ਦੀਆਂ ਬਹੁਤ ਉਮੀਦਾਂ ਹਨ। ਪਰ ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਕੰਪਨੀਆਂ ਨੇ ਨਿਊਰੋਨਸ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਅਤੇ ਉਹਨਾਂ ਦੇ ਅਧਾਰ ਤੇ ਉਤਪਾਦ ਬਣਾਉਣਾ ਸਿੱਖ ਲਿਆ ਹੈ। ਨਿਊਰੋਨਸ ਨਵੀਂ ਕਾਰਜਸ਼ੀਲਤਾ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ, ਤੁਹਾਨੂੰ ਨੌਕਰੀਆਂ ਵਿੱਚ ਕਟੌਤੀ ਕਰਨ ਅਤੇ ਸੇਵਾਵਾਂ ਦੀ ਕੀਮਤ ਘਟਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ:

• ਨਿਰਮਾਣ ਕੰਪਨੀਆਂ ਉਤਪਾਦਨ ਲਾਈਨ 'ਤੇ ਨੁਕਸ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਐਲਗੋਰਿਦਮ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰ ਰਹੀਆਂ ਹਨ।
• ਪਸ਼ੂ ਪਾਲਣ ਫਾਰਮ ਗਾਵਾਂ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਨ ਲਈ ਸਿਸਟਮ ਖਰੀਦਦੇ ਹਨ।
• ਆਟੋਮੈਟਿਕ ਜੋੜ.
• ਸਵੈਚਲਿਤ ਕਾਲ ਸੈਂਟਰ।
• SnapChat ਵਿੱਚ ਫਿਲਟਰ। (ਠੀਕ ਹੈ, ਘੱਟੋ ਘੱਟ ਕੁਝ ਲਾਭਦਾਇਕ!)

ਪਰ ਮੁੱਖ ਚੀਜ਼, ਅਤੇ ਸਭ ਤੋਂ ਸਪੱਸ਼ਟ ਨਹੀਂ: "ਇੱਥੇ ਕੋਈ ਹੋਰ ਨਵੇਂ ਵਿਚਾਰ ਨਹੀਂ ਹਨ, ਜਾਂ ਉਹ ਤੁਰੰਤ ਪੂੰਜੀ ਨਹੀਂ ਲਿਆਉਣਗੇ." ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਨੇ ਦਰਜਨਾਂ ਸਮੱਸਿਆਵਾਂ ਦਾ ਹੱਲ ਕੀਤਾ ਹੈ। ਅਤੇ ਉਹ ਹੋਰ ਵੀ ਫੈਸਲਾ ਕਰਨਗੇ। ਮੌਜੂਦ ਸਾਰੇ ਸਪੱਸ਼ਟ ਵਿਚਾਰਾਂ ਨੇ ਬਹੁਤ ਸਾਰੇ ਸਟਾਰਟਅੱਪਾਂ ਨੂੰ ਜਨਮ ਦਿੱਤਾ। ਪਰ ਸਭ ਕੁਝ ਜੋ ਸਤ੍ਹਾ 'ਤੇ ਸੀ ਪਹਿਲਾਂ ਹੀ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਸੀ. ਪਿਛਲੇ ਦੋ ਸਾਲਾਂ ਵਿੱਚ, ਮੈਨੂੰ ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੀ ਵਰਤੋਂ ਲਈ ਇੱਕ ਵੀ ਨਵਾਂ ਵਿਚਾਰ ਨਹੀਂ ਮਿਲਿਆ ਹੈ। ਇੱਕ ਵੀ ਨਵੀਂ ਪਹੁੰਚ ਨਹੀਂ (ਠੀਕ ਹੈ, GAN ਨਾਲ ਕੁਝ ਸਮੱਸਿਆਵਾਂ ਹਨ)।

ਅਤੇ ਹਰ ਅਗਲੀ ਸ਼ੁਰੂਆਤ ਵੱਧ ਤੋਂ ਵੱਧ ਗੁੰਝਲਦਾਰ ਹੈ। ਇਸਨੂੰ ਹੁਣ ਦੋ ਮੁੰਡਿਆਂ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ ਜੋ ਓਪਨ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਨਿਊਰੋਨ ਨੂੰ ਸਿਖਲਾਈ ਦਿੰਦੇ ਹਨ. ਇਸ ਨੂੰ ਪ੍ਰੋਗਰਾਮਰ, ਇੱਕ ਸਰਵਰ, ਮਾਰਕਰਾਂ ਦੀ ਇੱਕ ਟੀਮ, ਗੁੰਝਲਦਾਰ ਸਹਾਇਤਾ, ਆਦਿ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਨਤੀਜੇ ਵਜੋਂ, ਘੱਟ ਸ਼ੁਰੂਆਤੀ ਹਨ। ਪਰ ਹੋਰ ਉਤਪਾਦਨ ਹੈ. ਲਾਇਸੰਸ ਪਲੇਟ ਮਾਨਤਾ ਜੋੜਨ ਦੀ ਲੋੜ ਹੈ? ਮਾਰਕੀਟ ਵਿੱਚ ਸੰਬੰਧਿਤ ਅਨੁਭਵ ਵਾਲੇ ਸੈਂਕੜੇ ਮਾਹਰ ਹਨ। ਤੁਸੀਂ ਕਿਸੇ ਨੂੰ ਨੌਕਰੀ 'ਤੇ ਰੱਖ ਸਕਦੇ ਹੋ ਅਤੇ ਕੁਝ ਮਹੀਨਿਆਂ ਵਿੱਚ ਤੁਹਾਡਾ ਕਰਮਚਾਰੀ ਸਿਸਟਮ ਬਣਾ ਦੇਵੇਗਾ। ਜਾਂ ਰੈਡੀਮੇਡ ਖਰੀਦੋ। ਪਰ ਇੱਕ ਨਵਾਂ ਸਟਾਰਟਅੱਪ ਕਰ ਰਹੇ ਹੋ?... ਪਾਗਲ!

ਤੁਹਾਨੂੰ ਇੱਕ ਵਿਜ਼ਟਰ ਟ੍ਰੈਕਿੰਗ ਸਿਸਟਮ ਬਣਾਉਣ ਦੀ ਲੋੜ ਹੈ - ਜਦੋਂ ਤੁਸੀਂ 3-4 ਮਹੀਨਿਆਂ ਵਿੱਚ ਆਪਣਾ ਬਣਾ ਸਕਦੇ ਹੋ ਤਾਂ ਲਾਇਸੈਂਸਾਂ ਦੇ ਇੱਕ ਸਮੂਹ ਲਈ ਭੁਗਤਾਨ ਕਿਉਂ ਕਰੋ, ਇਸਨੂੰ ਆਪਣੇ ਕਾਰੋਬਾਰ ਲਈ ਤਿੱਖਾ ਕਰੋ।

ਹੁਣ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਉਸੇ ਰਸਤੇ ਤੋਂ ਲੰਘ ਰਹੇ ਹਨ ਜਿਸ ਤੋਂ ਦਰਜਨਾਂ ਹੋਰ ਤਕਨੀਕਾਂ ਲੰਘੀਆਂ ਹਨ।

ਕੀ ਤੁਹਾਨੂੰ ਯਾਦ ਹੈ ਕਿ 1995 ਤੋਂ "ਵੈਬਸਾਈਟ ਡਿਵੈਲਪਰ" ਦੀ ਧਾਰਨਾ ਕਿਵੇਂ ਬਦਲ ਗਈ ਹੈ? ਮਾਰਕੀਟ ਅਜੇ ਵੀ ਮਾਹਰਾਂ ਨਾਲ ਸੰਤ੍ਰਿਪਤ ਨਹੀਂ ਹੈ. ਬਹੁਤ ਘੱਟ ਪੇਸ਼ੇਵਰ ਹਨ। ਪਰ ਮੈਂ ਸੱਟਾ ਲਗਾ ਸਕਦਾ ਹਾਂ ਕਿ 5-10 ਸਾਲਾਂ ਵਿੱਚ ਇੱਕ ਜਾਵਾ ਪ੍ਰੋਗਰਾਮਰ ਅਤੇ ਇੱਕ ਨਿਊਰਲ ਨੈਟਵਰਕ ਡਿਵੈਲਪਰ ਵਿੱਚ ਬਹੁਤ ਅੰਤਰ ਨਹੀਂ ਹੋਵੇਗਾ. ਬਜ਼ਾਰ 'ਤੇ ਦੋਵਾਂ ਮਾਹਰਾਂ ਦੀ ਕਾਫੀ ਗਿਣਤੀ ਹੋਵੇਗੀ।

ਬਸ ਸਮੱਸਿਆਵਾਂ ਦਾ ਇੱਕ ਵਰਗ ਹੋਵੇਗਾ ਜੋ ਨਿਊਰੋਨਸ ਦੁਆਰਾ ਹੱਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ. ਇੱਕ ਕੰਮ ਪੈਦਾ ਹੋਇਆ ਹੈ - ਇੱਕ ਮਾਹਰ ਨੂੰ ਨਿਯੁਕਤ ਕਰੋ.

"ਅੱਗੇ ਕੀ ਹੈ? ਵਾਅਦਾ ਕੀਤਾ ਨਕਲੀ ਬੁੱਧੀ ਕਿੱਥੇ ਹੈ?"

ਪਰ ਇੱਥੇ ਇੱਕ ਛੋਟੀ ਪਰ ਦਿਲਚਸਪ ਗਲਤਫਹਿਮੀ ਹੈ :)

ਤਕਨਾਲੋਜੀ ਸਟੈਕ ਜੋ ਅੱਜ ਮੌਜੂਦ ਹੈ, ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ, ਸਾਨੂੰ ਨਕਲੀ ਬੁੱਧੀ ਵੱਲ ਨਹੀਂ ਲੈ ਜਾਵੇਗਾ. ਵਿਚਾਰਾਂ ਅਤੇ ਉਹਨਾਂ ਦੀ ਨਵੀਨਤਾ ਨੇ ਆਪਣੇ ਆਪ ਨੂੰ ਬਹੁਤ ਹੱਦ ਤੱਕ ਥਕਾ ਦਿੱਤਾ ਹੈ। ਆਉ ਇਸ ਬਾਰੇ ਗੱਲ ਕਰੀਏ ਕਿ ਵਿਕਾਸ ਦੇ ਮੌਜੂਦਾ ਪੱਧਰ ਨੂੰ ਕੀ ਰੱਖਦਾ ਹੈ.

ਪ੍ਰਤਿਬੰਧ

ਆਓ ਸਵੈ-ਡਰਾਈਵਿੰਗ ਕਾਰਾਂ ਨਾਲ ਸ਼ੁਰੂਆਤ ਕਰੀਏ। ਇਹ ਸਪੱਸ਼ਟ ਜਾਪਦਾ ਹੈ ਕਿ ਅੱਜ ਦੀ ਤਕਨਾਲੋਜੀ ਨਾਲ ਪੂਰੀ ਤਰ੍ਹਾਂ ਆਟੋਨੋਮਸ ਕਾਰਾਂ ਬਣਾਉਣਾ ਸੰਭਵ ਹੈ। ਪਰ ਇਹ ਕਿੰਨੇ ਸਾਲਾਂ ਵਿੱਚ ਹੋਵੇਗਾ ਇਹ ਸਪੱਸ਼ਟ ਨਹੀਂ ਹੈ। ਟੇਸਲਾ ਦਾ ਮੰਨਣਾ ਹੈ ਕਿ ਇਹ ਕੁਝ ਸਾਲਾਂ ਵਿੱਚ ਹੋਵੇਗਾ -

ਹੋਰ ਬਹੁਤ ਸਾਰੇ ਹਨ ਮਾਹਿਰ, ਜੋ ਇਸ ਨੂੰ 5-10 ਸਾਲ ਹੋਣ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਂਦੇ ਹਨ।

ਜ਼ਿਆਦਾਤਰ ਸੰਭਾਵਨਾ ਹੈ, ਮੇਰੀ ਰਾਏ ਵਿੱਚ, 15 ਸਾਲਾਂ ਵਿੱਚ ਸ਼ਹਿਰਾਂ ਦਾ ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਆਪਣੇ ਆਪ ਵਿੱਚ ਇਸ ਤਰ੍ਹਾਂ ਬਦਲ ਜਾਵੇਗਾ ਕਿ ਆਟੋਨੋਮਸ ਕਾਰਾਂ ਦਾ ਉਭਾਰ ਅਟੱਲ ਹੋ ਜਾਵੇਗਾ ਅਤੇ ਇਸਦਾ ਨਿਰੰਤਰਤਾ ਬਣ ਜਾਵੇਗਾ. ਪਰ ਇਸ ਨੂੰ ਬੁੱਧੀ ਨਹੀਂ ਮੰਨਿਆ ਜਾ ਸਕਦਾ। ਆਧੁਨਿਕ ਟੇਸਲਾ ਡੇਟਾ ਫਿਲਟਰਿੰਗ, ਖੋਜ ਅਤੇ ਮੁੜ ਸਿਖਲਾਈ ਲਈ ਇੱਕ ਬਹੁਤ ਹੀ ਗੁੰਝਲਦਾਰ ਪਾਈਪਲਾਈਨ ਹੈ। ਇਹ ਨਿਯਮ-ਨਿਯਮ-ਨਿਯਮ, ਡੇਟਾ ਸੰਗ੍ਰਹਿ ਅਤੇ ਉਹਨਾਂ ਉੱਤੇ ਫਿਲਟਰ ਹਨ (ਇੱਥੇ ਇੱਥੇ ਮੈਂ ਇਸ ਬਾਰੇ ਥੋੜਾ ਹੋਰ ਲਿਖਿਆ, ਜਾਂ ਇਸ ਤੋਂ ਦੇਖੋ ਇਹ ਨਿਸ਼ਾਨ)।

ਪਹਿਲੀ ਸਮੱਸਿਆ

ਅਤੇ ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਅਸੀਂ ਦੇਖਦੇ ਹਾਂ ਪਹਿਲੀ ਬੁਨਿਆਦੀ ਸਮੱਸਿਆ. ਵੱਡਾ ਡਾਟਾ। ਇਹ ਬਿਲਕੁਲ ਉਹ ਹੈ ਜਿਸ ਨੇ ਨਿਊਰਲ ਨੈਟਵਰਕ ਅਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀ ਮੌਜੂਦਾ ਲਹਿਰ ਨੂੰ ਜਨਮ ਦਿੱਤਾ ਹੈ। ਅੱਜ ਕੱਲ੍ਹ, ਕੁਝ ਗੁੰਝਲਦਾਰ ਅਤੇ ਆਟੋਮੈਟਿਕ ਕਰਨ ਲਈ, ਤੁਹਾਨੂੰ ਬਹੁਤ ਸਾਰੇ ਡੇਟਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਸਿਰਫ਼ ਬਹੁਤਾ ਨਹੀਂ, ਪਰ ਬਹੁਤ ਜ਼ਿਆਦਾ। ਸਾਨੂੰ ਉਹਨਾਂ ਦੇ ਸੰਗ੍ਰਹਿ, ਨਿਸ਼ਾਨਦੇਹੀ ਅਤੇ ਵਰਤੋਂ ਲਈ ਸਵੈਚਲਿਤ ਐਲਗੋਰਿਦਮ ਦੀ ਲੋੜ ਹੈ। ਅਸੀਂ ਕਾਰ ਨੂੰ ਸੂਰਜ ਦਾ ਸਾਹਮਣਾ ਕਰ ਰਹੇ ਟਰੱਕਾਂ ਨੂੰ ਦੇਖਣਾ ਚਾਹੁੰਦੇ ਹਾਂ - ਸਾਨੂੰ ਪਹਿਲਾਂ ਉਹਨਾਂ ਦੀ ਕਾਫੀ ਗਿਣਤੀ ਇਕੱਠੀ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ। ਅਸੀਂ ਚਾਹੁੰਦੇ ਹਾਂ ਕਿ ਕਾਰ ਨੂੰ ਟਰੰਕ ਨਾਲ ਬੰਨ੍ਹੇ ਹੋਏ ਸਾਈਕਲ ਨਾਲ ਪਾਗਲ ਨਾ ਹੋਵੇ - ਹੋਰ ਨਮੂਨੇ।

ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਕ ਉਦਾਹਰਣ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ. ਸੈਂਕੜੇ? ਹਜ਼ਾਰਾਂ?

ਦੂਜੀ ਸਮੱਸਿਆ

ਦੂਜੀ ਸਮੱਸਿਆ - ਸਾਡੇ ਤੰਤੂ ਨੈੱਟਵਰਕ ਨੇ ਜੋ ਸਮਝਿਆ ਹੈ ਉਸ ਦੀ ਕਲਪਨਾ। ਇਹ ਇੱਕ ਬਹੁਤ ਹੀ ਗੈਰ-ਮਾਮੂਲੀ ਕੰਮ ਹੈ. ਹੁਣ ਤੱਕ, ਬਹੁਤ ਘੱਟ ਲੋਕ ਸਮਝਦੇ ਹਨ ਕਿ ਇਸਨੂੰ ਕਿਵੇਂ ਕਲਪਨਾ ਕਰਨਾ ਹੈ. ਇਹ ਲੇਖ ਬਹੁਤ ਹੀ ਤਾਜ਼ਾ ਹਨ, ਇਹ ਸਿਰਫ਼ ਕੁਝ ਉਦਾਹਰਨਾਂ ਹਨ, ਭਾਵੇਂ ਦੂਰ ਵੀ ਹਨ:
ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਟੈਕਸਟ ਦੇ ਨਾਲ ਜਨੂੰਨ. ਇਹ ਚੰਗੀ ਤਰ੍ਹਾਂ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਨਿਊਰੋਨ ਕਿਸ ਚੀਜ਼ 'ਤੇ ਫਿਕਸੇਟ ਹੁੰਦਾ ਹੈ + ਇਹ ਸ਼ੁਰੂਆਤੀ ਜਾਣਕਾਰੀ ਵਜੋਂ ਕੀ ਸਮਝਦਾ ਹੈ।

ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ 'ਤੇ ਧਿਆਨ ਅਨੁਵਾਦ. ਵਾਸਤਵ ਵਿੱਚ, ਖਿੱਚ ਨੂੰ ਅਕਸਰ ਇਹ ਦਰਸਾਉਣ ਲਈ ਠੀਕ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਅਜਿਹੀ ਨੈੱਟਵਰਕ ਪ੍ਰਤੀਕ੍ਰਿਆ ਦਾ ਕਾਰਨ ਕੀ ਹੈ। ਮੈਂ ਡੀਬੱਗਿੰਗ ਅਤੇ ਉਤਪਾਦ ਹੱਲ ਦੋਵਾਂ ਲਈ ਅਜਿਹੀਆਂ ਚੀਜ਼ਾਂ ਦੇਖੀਆਂ ਹਨ. ਇਸ ਵਿਸ਼ੇ 'ਤੇ ਬਹੁਤ ਸਾਰੇ ਲੇਖ ਹਨ. ਪਰ ਡੇਟਾ ਜਿੰਨਾ ਗੁੰਝਲਦਾਰ ਹੈ, ਮਜ਼ਬੂਤ ​​​​ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਾਪਤ ਕਰਨਾ ਹੈ ਇਹ ਸਮਝਣਾ ਵਧੇਰੇ ਮੁਸ਼ਕਲ ਹੈ.

ਖੈਰ, ਹਾਂ, ਦਾ ਚੰਗਾ ਪੁਰਾਣਾ ਸੈੱਟ “ਦੇਖੋ ਜਾਲ ਦੇ ਅੰਦਰ ਕੀ ਹੈ ਫਿਲਟਰ" ਇਹ ਤਸਵੀਰਾਂ 3-4 ਸਾਲ ਪਹਿਲਾਂ ਮਸ਼ਹੂਰ ਸਨ, ਪਰ ਸਾਰਿਆਂ ਨੂੰ ਝੱਟ ਪਤਾ ਲੱਗ ਗਿਆ ਕਿ ਤਸਵੀਰਾਂ ਖੂਬਸੂਰਤ ਸਨ, ਪਰ ਇਨ੍ਹਾਂ ਦਾ ਕੋਈ ਮਤਲਬ ਨਹੀਂ ਸੀ।

ਮੈਂ ਨੈੱਟਵਰਕ ਦੇ ਅੰਦਰਲੇ ਹਿੱਸੇ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਨਾ ਹੈ ਇਸ ਬਾਰੇ ਦਰਜਨਾਂ ਹੋਰ ਗੈਜੇਟਸ, ਤਰੀਕਿਆਂ, ਹੈਕ, ਖੋਜ ਦਾ ਜ਼ਿਕਰ ਨਹੀਂ ਕੀਤਾ। ਕੀ ਇਹ ਸਾਧਨ ਕੰਮ ਕਰਦੇ ਹਨ? ਕੀ ਉਹ ਸਮੱਸਿਆ ਨੂੰ ਜਲਦੀ ਸਮਝਣ ਅਤੇ ਨੈੱਟਵਰਕ ਨੂੰ ਡੀਬੱਗ ਕਰਨ ਵਿੱਚ ਤੁਹਾਡੀ ਮਦਦ ਕਰਦੇ ਹਨ?... ਆਖਰੀ ਪ੍ਰਤੀਸ਼ਤ ਪ੍ਰਾਪਤ ਕਰੋ? ਖੈਰ, ਇਹ ਉਸੇ ਤਰ੍ਹਾਂ ਹੈ:

ਤੁਸੀਂ ਕਾਗਲ 'ਤੇ ਕੋਈ ਵੀ ਮੁਕਾਬਲਾ ਦੇਖ ਸਕਦੇ ਹੋ। ਅਤੇ ਇਸ ਗੱਲ ਦਾ ਵਰਣਨ ਕਿ ਲੋਕ ਅੰਤਿਮ ਫੈਸਲੇ ਕਿਵੇਂ ਲੈਂਦੇ ਹਨ। ਅਸੀਂ ਮਾਡਲਾਂ ਦੇ 100-500-800 ਯੂਨਿਟ ਸਟੈਕ ਕੀਤੇ ਅਤੇ ਇਹ ਕੰਮ ਕੀਤਾ!

ਮੈਂ ਬੇਸ਼ਕ, ਅਤਿਕਥਨੀ ਕਰ ਰਿਹਾ ਹਾਂ। ਪਰ ਇਹ ਪਹੁੰਚ ਤੇਜ਼ ਅਤੇ ਸਿੱਧੇ ਜਵਾਬ ਪ੍ਰਦਾਨ ਨਹੀਂ ਕਰਦੇ।

ਕਾਫ਼ੀ ਤਜਰਬਾ ਹੋਣ ਕਰਕੇ, ਵੱਖ-ਵੱਖ ਵਿਕਲਪਾਂ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਘੁੰਮਣ ਤੋਂ ਬਾਅਦ, ਤੁਸੀਂ ਇਸ ਬਾਰੇ ਫੈਸਲਾ ਦੇ ਸਕਦੇ ਹੋ ਕਿ ਤੁਹਾਡੇ ਸਿਸਟਮ ਨੇ ਅਜਿਹਾ ਫੈਸਲਾ ਕਿਉਂ ਲਿਆ। ਪਰ ਸਿਸਟਮ ਦੇ ਵਿਵਹਾਰ ਨੂੰ ਠੀਕ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੋਵੇਗਾ. ਇੱਕ ਕਰੈਚ ਸਥਾਪਿਤ ਕਰੋ, ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਹਿਲਾਓ, ਇੱਕ ਡੇਟਾਸੈਟ ਜੋੜੋ, ਇੱਕ ਹੋਰ ਬੈਕਐਂਡ ਨੈਟਵਰਕ ਲਓ।

ਤੀਜੀ ਸਮੱਸਿਆ

ਤੀਜੀ ਬੁਨਿਆਦੀ ਸਮੱਸਿਆ - ਗਰਿੱਡ ਅੰਕੜੇ ਸਿਖਾਉਂਦੇ ਹਨ, ਤਰਕ ਨਹੀਂ। ਅੰਕੜਿਆਂ ਅਨੁਸਾਰ ਇਹ лицо:

ਤਰਕਪੂਰਨ ਤੌਰ 'ਤੇ, ਇਹ ਬਹੁਤ ਸਮਾਨ ਨਹੀਂ ਹੈ. ਨਿਊਰਲ ਨੈਟਵਰਕ ਕੁਝ ਵੀ ਗੁੰਝਲਦਾਰ ਨਹੀਂ ਸਿੱਖਦੇ ਜਦੋਂ ਤੱਕ ਉਹਨਾਂ ਨੂੰ ਮਜਬੂਰ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ। ਉਹ ਹਮੇਸ਼ਾ ਸਭ ਤੋਂ ਸਰਲ ਸੰਕੇਤ ਸਿਖਾਉਂਦੇ ਹਨ। ਕੀ ਤੁਹਾਡੇ ਕੋਲ ਅੱਖਾਂ, ਨੱਕ, ਸਿਰ ਹੈ? ਇਸ ਲਈ ਇਹ ਚਿਹਰਾ ਹੈ! ਜਾਂ ਕੋਈ ਉਦਾਹਰਣ ਦਿਓ ਜਿੱਥੇ ਅੱਖਾਂ ਦਾ ਮਤਲਬ ਚਿਹਰਾ ਨਹੀਂ ਹੁੰਦਾ। ਅਤੇ ਦੁਬਾਰਾ - ਲੱਖਾਂ ਉਦਾਹਰਣਾਂ.

ਹੇਠਾਂ ਬਹੁਤ ਸਾਰਾ ਕਮਰਾ ਹੈ

ਮੈਂ ਕਹਾਂਗਾ ਕਿ ਇਹ ਤਿੰਨ ਗਲੋਬਲ ਸਮੱਸਿਆਵਾਂ ਹਨ ਜੋ ਵਰਤਮਾਨ ਵਿੱਚ ਨਿਊਰਲ ਨੈਟਵਰਕ ਅਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੇ ਵਿਕਾਸ ਨੂੰ ਸੀਮਿਤ ਕਰਦੀਆਂ ਹਨ। ਅਤੇ ਜਿੱਥੇ ਇਹਨਾਂ ਸਮੱਸਿਆਵਾਂ ਨੇ ਇਸ ਨੂੰ ਸੀਮਿਤ ਨਹੀਂ ਕੀਤਾ, ਇਹ ਪਹਿਲਾਂ ਹੀ ਸਰਗਰਮੀ ਨਾਲ ਵਰਤੀ ਜਾਂਦੀ ਹੈ.

ਇਹ ਅੰਤ ਹੈ? ਕੀ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਅੱਪ ਹਨ?

ਅਗਿਆਤ। ਪਰ, ਬੇਸ਼ੱਕ, ਹਰ ਕੋਈ ਉਮੀਦ ਨਹੀਂ ਕਰਦਾ.

ਬੁਨਿਆਦੀ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਬਹੁਤ ਸਾਰੇ ਤਰੀਕੇ ਅਤੇ ਦਿਸ਼ਾਵਾਂ ਹਨ ਜੋ ਮੈਂ ਉੱਪਰ ਉਜਾਗਰ ਕੀਤੀਆਂ ਹਨ। ਪਰ ਹੁਣ ਤੱਕ, ਇਹਨਾਂ ਵਿੱਚੋਂ ਕਿਸੇ ਵੀ ਪਹੁੰਚ ਨੇ ਬੁਨਿਆਦੀ ਤੌਰ 'ਤੇ ਕੁਝ ਨਵਾਂ ਕਰਨਾ ਸੰਭਵ ਨਹੀਂ ਬਣਾਇਆ, ਕਿਸੇ ਅਜਿਹੀ ਚੀਜ਼ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਜੋ ਅਜੇ ਤੱਕ ਹੱਲ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਹੈ. ਹੁਣ ਤੱਕ, ਸਾਰੇ ਬੁਨਿਆਦੀ ਪ੍ਰੋਜੈਕਟ ਸਥਿਰ ਪਹੁੰਚ (ਟੇਸਲਾ) ਦੇ ਆਧਾਰ 'ਤੇ ਕੀਤੇ ਜਾ ਰਹੇ ਹਨ, ਜਾਂ ਸੰਸਥਾਵਾਂ ਜਾਂ ਕਾਰਪੋਰੇਸ਼ਨਾਂ (ਗੂਗਲ ਬ੍ਰੇਨ, ਓਪਨਏਆਈ) ਦੇ ਟੈਸਟ ਪ੍ਰੋਜੈਕਟ ਬਣੇ ਰਹਿੰਦੇ ਹਨ।

ਮੋਟੇ ਤੌਰ 'ਤੇ, ਮੁੱਖ ਦਿਸ਼ਾ ਇੰਪੁੱਟ ਡੇਟਾ ਦੀ ਕੁਝ ਉੱਚ-ਪੱਧਰੀ ਪ੍ਰਤੀਨਿਧਤਾ ਬਣਾਉਣਾ ਹੈ। ਇੱਕ ਅਰਥ ਵਿੱਚ, "ਮੈਮੋਰੀ". ਮੈਮੋਰੀ ਦਾ ਸਭ ਤੋਂ ਸਰਲ ਉਦਾਹਰਨ ਵੱਖ-ਵੱਖ "ਏਮਬੈਡਿੰਗ" ਹੈ - ਚਿੱਤਰ ਪ੍ਰਤੀਨਿਧਤਾਵਾਂ। ਖੈਰ, ਉਦਾਹਰਨ ਲਈ, ਸਾਰੇ ਚਿਹਰੇ ਦੀ ਪਛਾਣ ਪ੍ਰਣਾਲੀ. ਨੈੱਟਵਰਕ ਇੱਕ ਚਿਹਰੇ ਤੋਂ ਕੁਝ ਸਥਿਰ ਪ੍ਰਤੀਨਿਧਤਾ ਪ੍ਰਾਪਤ ਕਰਨਾ ਸਿੱਖਦਾ ਹੈ ਜੋ ਰੋਟੇਸ਼ਨ, ਰੋਸ਼ਨੀ, ਜਾਂ ਰੈਜ਼ੋਲਿਊਸ਼ਨ 'ਤੇ ਨਿਰਭਰ ਨਹੀਂ ਕਰਦਾ ਹੈ। ਜ਼ਰੂਰੀ ਤੌਰ 'ਤੇ, ਨੈੱਟਵਰਕ ਮੀਟ੍ਰਿਕ ਨੂੰ ਘੱਟ ਕਰਦਾ ਹੈ "ਵੱਖ-ਵੱਖ ਚਿਹਰੇ ਦੂਰ ਹਨ" ਅਤੇ "ਇੱਕੋ ਜਿਹੇ ਚਿਹਰੇ ਨੇੜੇ ਹਨ।"

ਅਜਿਹੀ ਸਿਖਲਾਈ ਲਈ, ਲੱਖਾਂ ਅਤੇ ਹਜ਼ਾਰਾਂ ਉਦਾਹਰਣਾਂ ਦੀ ਲੋੜ ਹੈ। ਪਰ ਨਤੀਜਾ "ਵਨ-ਸ਼ਾਟ ਲਰਨਿੰਗ" ਦੇ ਕੁਝ ਮੂਲ ਸਿਧਾਂਤਾਂ ਨੂੰ ਰੱਖਦਾ ਹੈ। ਹੁਣ ਸਾਨੂੰ ਇੱਕ ਵਿਅਕਤੀ ਨੂੰ ਯਾਦ ਕਰਨ ਲਈ ਸੈਂਕੜੇ ਚਿਹਰਿਆਂ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ. ਸਿਰਫ਼ ਇੱਕ ਚਿਹਰਾ ਅਤੇ ਇਹੀ ਅਸੀਂ ਹਾਂ ਆਓ ਪਤਾ ਕਰੀਏ!
ਇੱਥੇ ਸਿਰਫ਼ ਇੱਕ ਸਮੱਸਿਆ ਹੈ... ਗਰਿੱਡ ਸਿਰਫ਼ ਸਧਾਰਨ ਵਸਤੂਆਂ ਨੂੰ ਹੀ ਸਿੱਖ ਸਕਦਾ ਹੈ। ਜਦੋਂ ਚਿਹਰੇ ਨੂੰ ਨਹੀਂ, ਪਰ, ਉਦਾਹਰਨ ਲਈ, "ਕੱਪੜਿਆਂ ਦੁਆਰਾ ਲੋਕ" (ਕਾਰਜ ਮੁੜ-ਪਛਾਣ) - ਗੁਣਵਤਾ ਬਹੁਤ ਸਾਰੇ ਆਦੇਸ਼ਾਂ ਦੁਆਰਾ ਘਟਦੀ ਹੈ। ਅਤੇ ਨੈੱਟਵਰਕ ਹੁਣ ਕੋਣਾਂ ਵਿੱਚ ਕਾਫ਼ੀ ਸਪੱਸ਼ਟ ਤਬਦੀਲੀਆਂ ਨਹੀਂ ਸਿੱਖ ਸਕਦਾ ਹੈ।

ਅਤੇ ਲੱਖਾਂ ਉਦਾਹਰਣਾਂ ਤੋਂ ਸਿੱਖਣਾ ਵੀ ਇੱਕ ਕਿਸਮ ਦਾ ਮਜ਼ੇਦਾਰ ਹੈ।

ਚੋਣਾਂ ਨੂੰ ਕਾਫੀ ਘੱਟ ਕਰਨ ਦਾ ਕੰਮ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਕੋਈ ਵੀ ਪਹਿਲੇ ਕੰਮਾਂ ਵਿੱਚੋਂ ਇੱਕ ਨੂੰ ਤੁਰੰਤ ਯਾਦ ਕਰ ਸਕਦਾ ਹੈ OneShot ਲਰਨਿੰਗ ਗੂਗਲ ਤੋਂ:

ਉਦਾਹਰਨ ਲਈ, ਅਜਿਹੇ ਬਹੁਤ ਸਾਰੇ ਕੰਮ ਹਨ 1 ਜ 2 ਜ 3.

ਇੱਕ ਘਟਾਓ ਹੈ - ਆਮ ਤੌਰ 'ਤੇ ਸਿਖਲਾਈ ਕੁਝ ਸਧਾਰਨ, "MNIST" ਉਦਾਹਰਨਾਂ 'ਤੇ ਚੰਗੀ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦੀ ਹੈ। ਅਤੇ ਜਦੋਂ ਗੁੰਝਲਦਾਰ ਕੰਮਾਂ ਵੱਲ ਵਧਦੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਇੱਕ ਵੱਡੇ ਡੇਟਾਬੇਸ, ਵਸਤੂਆਂ ਦਾ ਇੱਕ ਮਾਡਲ, ਜਾਂ ਕਿਸੇ ਕਿਸਮ ਦੇ ਜਾਦੂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
ਆਮ ਤੌਰ 'ਤੇ, ਵਨ-ਸ਼ਾਟ ਸਿਖਲਾਈ 'ਤੇ ਕੰਮ ਕਰਨਾ ਇੱਕ ਬਹੁਤ ਹੀ ਦਿਲਚਸਪ ਵਿਸ਼ਾ ਹੈ. ਤੁਹਾਨੂੰ ਬਹੁਤ ਸਾਰੇ ਵਿਚਾਰ ਮਿਲਦੇ ਹਨ। ਪਰ ਜ਼ਿਆਦਾਤਰ ਹਿੱਸੇ ਲਈ, ਦੋ ਸਮੱਸਿਆਵਾਂ ਜੋ ਮੈਂ ਸੂਚੀਬੱਧ ਕੀਤੀਆਂ ਹਨ (ਇੱਕ ਵਿਸ਼ਾਲ ਡੇਟਾਸੈਟ / ਗੁੰਝਲਦਾਰ ਡੇਟਾ 'ਤੇ ਅਸਥਿਰਤਾ' ਤੇ ਪ੍ਰੀਟ੍ਰੇਨਿੰਗ) ਸਿੱਖਣ ਵਿੱਚ ਬਹੁਤ ਦਖਲ ਦਿੰਦੀਆਂ ਹਨ।

ਦੂਜੇ ਪਾਸੇ, GAN—ਉਤਪਾਦਕ ਵਿਰੋਧੀ ਨੈੱਟਵਰਕ—ਏਮਬੈਡਿੰਗ ਦੇ ਵਿਸ਼ੇ ਤੱਕ ਪਹੁੰਚ ਕਰਦੇ ਹਨ। ਤੁਸੀਂ ਸ਼ਾਇਦ ਇਸ ਵਿਸ਼ੇ 'ਤੇ ਹੈਬਰੇ' ਤੇ ਲੇਖਾਂ ਦਾ ਇੱਕ ਸਮੂਹ ਪੜ੍ਹਿਆ ਹੋਵੇਗਾ। (1, 2,3)
GAN ਦੀ ਇੱਕ ਵਿਸ਼ੇਸ਼ਤਾ ਕੁਝ ਅੰਦਰੂਨੀ ਸਥਿਤੀ ਸਪੇਸ ਦਾ ਗਠਨ ਹੈ (ਜ਼ਰੂਰੀ ਤੌਰ 'ਤੇ ਉਹੀ ਏਮਬੈਡਿੰਗ), ਜੋ ਤੁਹਾਨੂੰ ਇੱਕ ਚਿੱਤਰ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ। ਇਹ ਹੋ ਸਕਦਾ ਹੈ ਚਿਹਰੇ, ਹੋ ਸਕਦਾ ਹੈ ਕਾਰਵਾਈਆਂ.

GAN ਨਾਲ ਸਮੱਸਿਆ ਇਹ ਹੈ ਕਿ ਉਤਪੰਨ ਕੀਤੀ ਵਸਤੂ ਜਿੰਨੀ ਗੁੰਝਲਦਾਰ ਹੈ, "ਜਨਰੇਟਰ-ਵਿਤਕਰੇ" ਤਰਕ ਵਿੱਚ ਇਸਦਾ ਵਰਣਨ ਕਰਨਾ ਓਨਾ ਹੀ ਮੁਸ਼ਕਲ ਹੈ। ਨਤੀਜੇ ਵਜੋਂ, GAN ਦੀਆਂ ਸਿਰਫ ਅਸਲ ਐਪਲੀਕੇਸ਼ਨਾਂ ਜਿਨ੍ਹਾਂ ਬਾਰੇ ਸੁਣਿਆ ਜਾਂਦਾ ਹੈ ਉਹ ਹਨ DeepFake, ਜੋ ਦੁਬਾਰਾ, ਚਿਹਰੇ ਦੇ ਪ੍ਰਤੀਨਿਧਤਾਵਾਂ (ਜਿਸ ਲਈ ਇੱਕ ਬਹੁਤ ਵੱਡਾ ਅਧਾਰ ਹੈ) ਨੂੰ ਹੇਰਾਫੇਰੀ ਕਰਦਾ ਹੈ।

ਮੈਂ ਬਹੁਤ ਘੱਟ ਹੋਰ ਉਪਯੋਗੀ ਵਰਤੋਂ ਦੇਖੇ ਹਨ। ਆਮ ਤੌਰ 'ਤੇ ਚਿੱਤਰਾਂ ਦੀਆਂ ਡਰਾਇੰਗਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨਾ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ।

ਅਤੇ ਦੁਬਾਰਾ. ਕਿਸੇ ਨੂੰ ਵੀ ਇਸ ਗੱਲ ਦਾ ਕੋਈ ਅੰਦਾਜ਼ਾ ਨਹੀਂ ਹੈ ਕਿ ਇਹ ਸਾਨੂੰ ਇੱਕ ਸੁਨਹਿਰੇ ਭਵਿੱਖ ਵੱਲ ਕਿਵੇਂ ਜਾਣ ਦੇਵੇਗਾ। ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਵਿੱਚ ਤਰਕ/ਸਪੇਸ ਦੀ ਨੁਮਾਇੰਦਗੀ ਕਰਨਾ ਚੰਗਾ ਹੈ। ਪਰ ਸਾਨੂੰ ਬਹੁਤ ਸਾਰੀਆਂ ਉਦਾਹਰਣਾਂ ਦੀ ਲੋੜ ਹੈ, ਅਸੀਂ ਇਹ ਨਹੀਂ ਸਮਝਦੇ ਕਿ ਨਿਊਰੋਨ ਆਪਣੇ ਆਪ ਵਿੱਚ ਇਸ ਨੂੰ ਕਿਵੇਂ ਦਰਸਾਉਂਦਾ ਹੈ, ਅਸੀਂ ਇਹ ਨਹੀਂ ਸਮਝਦੇ ਕਿ ਨਿਊਰੋਨ ਨੂੰ ਕੁਝ ਅਸਲ ਗੁੰਝਲਦਾਰ ਵਿਚਾਰ ਕਿਵੇਂ ਯਾਦ ਰੱਖਣਾ ਹੈ।

ਮਜਬੂਤ ਸਿੱਖਿਆ - ਇਹ ਬਿਲਕੁਲ ਵੱਖਰੀ ਦਿਸ਼ਾ ਤੋਂ ਇੱਕ ਪਹੁੰਚ ਹੈ। ਯਕੀਨਨ ਤੁਹਾਨੂੰ ਯਾਦ ਹੈ ਕਿ ਕਿਵੇਂ ਗੂਗਲ ਨੇ ਗੋ ਵਿੱਚ ਸਾਰਿਆਂ ਨੂੰ ਹਰਾਇਆ। ਸਟਾਰਕਰਾਫਟ ਅਤੇ ਡੋਟਾ ਵਿੱਚ ਹਾਲੀਆ ਜਿੱਤਾਂ। ਪਰ ਇੱਥੇ ਸਭ ਕੁਝ ਇੰਨਾ ਗੁਲਾਬੀ ਅਤੇ ਵਾਅਦਾ ਕਰਨ ਤੋਂ ਬਹੁਤ ਦੂਰ ਹੈ. ਉਹ ਆਰ ਐਲ ਅਤੇ ਇਸ ਦੀਆਂ ਜਟਿਲਤਾਵਾਂ ਬਾਰੇ ਸਭ ਤੋਂ ਵਧੀਆ ਗੱਲ ਕਰਦਾ ਹੈ ਇਹ ਲੇਖ.

ਲੇਖਕ ਨੇ ਜੋ ਲਿਖਿਆ ਹੈ ਉਸ ਨੂੰ ਸੰਖੇਪ ਵਿੱਚ ਦੱਸਣ ਲਈ:

• ਬਾਕਸ ਤੋਂ ਬਾਹਰ ਮਾਡਲ ਜ਼ਿਆਦਾਤਰ ਮਾਮਲਿਆਂ ਵਿੱਚ ਫਿੱਟ ਨਹੀਂ ਹੁੰਦੇ/ਕੰਮ ਨਹੀਂ ਕਰਦੇ
• ਵਿਹਾਰਕ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੋਰ ਤਰੀਕਿਆਂ ਨਾਲ ਹੱਲ ਕਰਨਾ ਆਸਾਨ ਹੈ। ਬੋਸਟਨ ਡਾਇਨਾਮਿਕਸ ਆਪਣੀ ਗੁੰਝਲਤਾ/ਅਨੁਮਾਨਤਤਾ/ਕੰਪਿਊਟੇਸ਼ਨਲ ਜਟਿਲਤਾ ਦੇ ਕਾਰਨ RL ਦੀ ਵਰਤੋਂ ਨਹੀਂ ਕਰਦਾ ਹੈ
• RL ਦੇ ਕੰਮ ਕਰਨ ਲਈ, ਤੁਹਾਨੂੰ ਇੱਕ ਗੁੰਝਲਦਾਰ ਫੰਕਸ਼ਨ ਦੀ ਲੋੜ ਹੈ। ਇਸਨੂੰ ਬਣਾਉਣਾ/ਲਿਖਣਾ ਅਕਸਰ ਔਖਾ ਹੁੰਦਾ ਹੈ
• ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਵਿੱਚ ਮੁਸ਼ਕਲ. ਤੁਹਾਨੂੰ ਪੰਪ ਅੱਪ ਕਰਨ ਅਤੇ ਸਥਾਨਕ ਆਪਟੀਮਾ ਤੋਂ ਬਾਹਰ ਨਿਕਲਣ ਲਈ ਬਹੁਤ ਸਮਾਂ ਬਿਤਾਉਣਾ ਪੈਂਦਾ ਹੈ
• ਨਤੀਜੇ ਵਜੋਂ, ਮਾਡਲ ਨੂੰ ਦੁਹਰਾਉਣਾ ਮੁਸ਼ਕਲ ਹੈ, ਮਾਮੂਲੀ ਤਬਦੀਲੀਆਂ ਨਾਲ ਮਾਡਲ ਅਸਥਿਰ ਹੈ
• ਅਕਸਰ ਕੁਝ ਬੇਤਰਤੀਬ ਪੈਟਰਨਾਂ ਨੂੰ ਓਵਰਫਿਟ ਕਰਦਾ ਹੈ, ਇੱਥੋਂ ਤੱਕ ਕਿ ਇੱਕ ਬੇਤਰਤੀਬ ਨੰਬਰ ਜਨਰੇਟਰ ਵੀ

ਮੁੱਖ ਨੁਕਤਾ ਇਹ ਹੈ ਕਿ ਆਰਐਲ ਅਜੇ ਉਤਪਾਦਨ ਵਿੱਚ ਕੰਮ ਨਹੀਂ ਕਰਦਾ ਹੈ. ਗੂਗਲ ਦੇ ਕੁਝ ਪ੍ਰਯੋਗ ਹਨ ( 1, 2 ). ਪਰ ਮੈਂ ਇੱਕ ਵੀ ਉਤਪਾਦ ਸਿਸਟਮ ਨਹੀਂ ਦੇਖਿਆ ਹੈ।

ਮੈਮੋਰੀ. ਉੱਪਰ ਦੱਸੀ ਹਰ ਚੀਜ਼ ਦਾ ਨਨੁਕਸਾਨ ਢਾਂਚੇ ਦੀ ਘਾਟ ਹੈ। ਇਸ ਸਭ ਨੂੰ ਸੁਥਰਾ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਦਾ ਇੱਕ ਤਰੀਕਾ ਹੈ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਨੂੰ ਵੱਖਰੀ ਮੈਮੋਰੀ ਤੱਕ ਪਹੁੰਚ ਪ੍ਰਦਾਨ ਕਰਨਾ। ਤਾਂ ਜੋ ਉਹ ਉੱਥੇ ਆਪਣੇ ਕਦਮਾਂ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਰਿਕਾਰਡ ਅਤੇ ਦੁਬਾਰਾ ਲਿਖ ਸਕੇ। ਫਿਰ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਮੌਜੂਦਾ ਮੈਮੋਰੀ ਸਥਿਤੀ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ. ਇਹ ਕਲਾਸਿਕ ਪ੍ਰੋਸੈਸਰਾਂ ਅਤੇ ਕੰਪਿਊਟਰਾਂ ਦੇ ਸਮਾਨ ਹੈ।

ਸਭ ਤੋਂ ਮਸ਼ਹੂਰ ਅਤੇ ਪ੍ਰਸਿੱਧ ਲੇਖ - DeepMind ਤੋਂ:

ਅਜਿਹਾ ਲਗਦਾ ਹੈ ਕਿ ਇਹ ਬੁੱਧੀ ਨੂੰ ਸਮਝਣ ਦੀ ਕੁੰਜੀ ਹੈ? ਪਰ ਸ਼ਾਇਦ ਨਹੀਂ। ਸਿਸਟਮ ਨੂੰ ਅਜੇ ਵੀ ਸਿਖਲਾਈ ਲਈ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਡੇਟਾ ਦੀ ਲੋੜ ਹੈ। ਅਤੇ ਇਹ ਮੁੱਖ ਤੌਰ 'ਤੇ ਸਟ੍ਰਕਚਰਡ ਟੇਬੂਲਰ ਡੇਟਾ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਜਦੋਂ ਫੇਸਬੁੱਕ ਫੈਸਲਾ ਕੀਤਾ ਇੱਕ ਸਮਾਨ ਸਮੱਸਿਆ, ਫਿਰ ਉਹਨਾਂ ਨੇ "ਸਕ੍ਰੂ ਮੈਮੋਰੀ, ਸਿਰਫ ਨਿਊਰੋਨ ਨੂੰ ਹੋਰ ਗੁੰਝਲਦਾਰ ਬਣਾਉਣਾ, ਅਤੇ ਹੋਰ ਉਦਾਹਰਣਾਂ ਹਨ - ਅਤੇ ਇਹ ਆਪਣੇ ਆਪ ਸਿੱਖ ਜਾਵੇਗਾ।"

ਉਲਝਣਾ. ਇੱਕ ਅਰਥਪੂਰਨ ਮੈਮੋਰੀ ਬਣਾਉਣ ਦਾ ਇੱਕ ਹੋਰ ਤਰੀਕਾ ਉਹੀ ਏਮਬੈਡਿੰਗ ਲੈਣਾ ਹੈ, ਪਰ ਸਿਖਲਾਈ ਦੇ ਦੌਰਾਨ, ਵਾਧੂ ਮਾਪਦੰਡ ਪੇਸ਼ ਕਰੋ ਜੋ ਤੁਹਾਨੂੰ ਉਹਨਾਂ ਵਿੱਚ "ਅਰਥ" ਨੂੰ ਉਜਾਗਰ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦੇਣਗੇ। ਉਦਾਹਰਨ ਲਈ, ਅਸੀਂ ਇੱਕ ਸਟੋਰ ਵਿੱਚ ਮਨੁੱਖੀ ਵਿਵਹਾਰ ਵਿੱਚ ਫਰਕ ਕਰਨ ਲਈ ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ ਚਾਹੁੰਦੇ ਹਾਂ। ਜੇ ਅਸੀਂ ਮਿਆਰੀ ਮਾਰਗ ਦੀ ਪਾਲਣਾ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਸਾਨੂੰ ਇੱਕ ਦਰਜਨ ਨੈਟਵਰਕ ਬਣਾਉਣੇ ਪੈਣਗੇ. ਇੱਕ ਵਿਅਕਤੀ ਨੂੰ ਲੱਭ ਰਿਹਾ ਹੈ, ਦੂਜਾ ਇਹ ਨਿਰਧਾਰਤ ਕਰ ਰਿਹਾ ਹੈ ਕਿ ਉਹ ਕੀ ਕਰ ਰਿਹਾ ਹੈ, ਤੀਜਾ ਉਸਦੀ ਉਮਰ ਹੈ, ਚੌਥਾ ਉਸਦਾ ਲਿੰਗ ਹੈ। ਵੱਖਰਾ ਤਰਕ ਸਟੋਰ ਦੇ ਉਸ ਹਿੱਸੇ ਨੂੰ ਵੇਖਦਾ ਹੈ ਜਿੱਥੇ ਇਹ ਅਜਿਹਾ ਕਰਨ ਲਈ ਕਰਦਾ/ਸਿਖਿਅਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਤੀਜਾ ਇਸਦੇ ਟ੍ਰੈਜੈਕਟਰੀ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ, ਆਦਿ.

ਜਾਂ, ਜੇਕਰ ਡੇਟਾ ਦੀ ਇੱਕ ਅਨੰਤ ਮਾਤਰਾ ਸੀ, ਤਾਂ ਸਾਰੇ ਸੰਭਾਵੀ ਨਤੀਜਿਆਂ ਲਈ ਇੱਕ ਨੈਟਵਰਕ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ ਸੰਭਵ ਹੋਵੇਗਾ (ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ, ਡੇਟਾ ਦੀ ਅਜਿਹੀ ਲੜੀ ਨੂੰ ਇਕੱਠਾ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ)।

ਡਿਸਟੈਂਗਲਮੈਂਟ ਪਹੁੰਚ ਸਾਨੂੰ ਦੱਸਦੀ ਹੈ - ਆਓ ਨੈੱਟਵਰਕ ਨੂੰ ਸਿਖਲਾਈ ਦੇਈਏ ਤਾਂ ਜੋ ਇਹ ਆਪਣੇ ਆਪ ਹੀ ਸੰਕਲਪਾਂ ਵਿਚਕਾਰ ਫਰਕ ਕਰ ਸਕੇ। ਤਾਂ ਜੋ ਇਹ ਵੀਡੀਓ ਦੇ ਅਧਾਰ 'ਤੇ ਇੱਕ ਏਮਬੈਡਿੰਗ ਬਣਾਏਗਾ, ਜਿੱਥੇ ਇੱਕ ਖੇਤਰ ਕਾਰਵਾਈ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰੇਗਾ, ਇੱਕ ਸਮੇਂ ਵਿੱਚ ਫਰਸ਼ 'ਤੇ ਸਥਿਤੀ ਨਿਰਧਾਰਤ ਕਰੇਗਾ, ਕੋਈ ਵਿਅਕਤੀ ਦੀ ਉਚਾਈ ਨਿਰਧਾਰਤ ਕਰੇਗਾ, ਅਤੇ ਕੋਈ ਵਿਅਕਤੀ ਦਾ ਲਿੰਗ ਨਿਰਧਾਰਤ ਕਰੇਗਾ। ਉਸੇ ਸਮੇਂ, ਜਦੋਂ ਸਿਖਲਾਈ, ਮੈਂ ਲਗਭਗ ਅਜਿਹੇ ਮੁੱਖ ਸੰਕਲਪਾਂ ਦੇ ਨਾਲ ਨੈਟਵਰਕ ਨੂੰ ਪ੍ਰੋਂਪਟ ਨਹੀਂ ਕਰਨਾ ਚਾਹਾਂਗਾ, ਸਗੋਂ ਇਸਦੇ ਲਈ ਹਾਈਲਾਈਟ ਅਤੇ ਸਮੂਹ ਖੇਤਰਾਂ ਲਈ. ਅਜਿਹੇ ਬਹੁਤ ਸਾਰੇ ਲੇਖ ਹਨ (ਉਨ੍ਹਾਂ ਵਿੱਚੋਂ ਕੁਝ 1, 2, 3) ਅਤੇ ਆਮ ਤੌਰ 'ਤੇ ਉਹ ਕਾਫ਼ੀ ਸਿਧਾਂਤਕ ਹਨ।

ਪਰ ਇਹ ਦਿਸ਼ਾ, ਘੱਟੋ ਘੱਟ ਸਿਧਾਂਤਕ ਤੌਰ 'ਤੇ, ਸ਼ੁਰੂਆਤ ਵਿੱਚ ਸੂਚੀਬੱਧ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਕਵਰ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ.

ਮਾਪਦੰਡਾਂ ਅਨੁਸਾਰ ਚਿੱਤਰ ਸੜਨ "ਕੰਧ ਦਾ ਰੰਗ/ਮੰਜ਼ਿਲ ਦਾ ਰੰਗ/ਆਬਜੈਕਟ ਸ਼ਕਲ/ਵਸਤੂ ਦਾ ਰੰਗ/ਆਦਿ"।

"ਆਕਾਰ, ਭਰਵੱਟੇ, ਸਥਿਤੀ, ਚਮੜੀ ਦਾ ਰੰਗ, ਆਦਿ" ਮਾਪਦੰਡਾਂ ਦੇ ਅਨੁਸਾਰ ਚਿਹਰੇ ਦਾ ਸੜਨ।

ਹੋਰ

ਇੱਥੇ ਬਹੁਤ ਸਾਰੇ ਹੋਰ ਹਨ, ਇੰਨੇ ਗਲੋਬਲ ਨਹੀਂ, ਖੇਤਰ ਜੋ ਤੁਹਾਨੂੰ ਕਿਸੇ ਤਰ੍ਹਾਂ ਡੇਟਾਬੇਸ ਨੂੰ ਘਟਾਉਣ, ਵਧੇਰੇ ਵਿਭਿੰਨ ਡੇਟਾ ਨਾਲ ਕੰਮ ਕਰਨ, ਆਦਿ ਦੀ ਆਗਿਆ ਦਿੰਦੇ ਹਨ।

ਧਿਆਨ. ਇਸ ਨੂੰ ਇੱਕ ਵੱਖਰੇ ਢੰਗ ਵਜੋਂ ਵੱਖ ਕਰਨ ਦਾ ਸ਼ਾਇਦ ਕੋਈ ਮਤਲਬ ਨਹੀਂ ਹੈ। ਸਿਰਫ਼ ਇੱਕ ਪਹੁੰਚ ਜੋ ਦੂਜਿਆਂ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ। ਬਹੁਤ ਸਾਰੇ ਲੇਖ ਉਸ ਨੂੰ ਸਮਰਪਿਤ ਹਨ (1,2,3). ਧਿਆਨ ਦੇਣ ਦੀ ਗੱਲ ਇਹ ਹੈ ਕਿ ਸਿਖਲਾਈ ਦੌਰਾਨ ਖਾਸ ਤੌਰ 'ਤੇ ਮਹੱਤਵਪੂਰਨ ਵਸਤੂਆਂ ਲਈ ਨੈੱਟਵਰਕ ਦੇ ਜਵਾਬ ਨੂੰ ਵਧਾਉਣਾ। ਅਕਸਰ ਕਿਸੇ ਕਿਸਮ ਦੇ ਬਾਹਰੀ ਨਿਸ਼ਾਨਾ ਅਹੁਦਾ, ਜਾਂ ਇੱਕ ਛੋਟੇ ਬਾਹਰੀ ਨੈਟਵਰਕ ਦੁਆਰਾ।

3D ਸਿਮੂਲੇਸ਼ਨ. ਜੇ ਤੁਸੀਂ ਇੱਕ ਚੰਗਾ 3D ਇੰਜਣ ਬਣਾਉਂਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਅਕਸਰ ਇਸਦੇ ਨਾਲ 90% ਸਿਖਲਾਈ ਡੇਟਾ ਨੂੰ ਕਵਰ ਕਰ ਸਕਦੇ ਹੋ (ਮੈਂ ਇੱਕ ਉਦਾਹਰਣ ਵੀ ਦੇਖੀ ਹੈ ਜਿੱਥੇ ਲਗਭਗ 99% ਡੇਟਾ ਇੱਕ ਚੰਗੇ ਇੰਜਣ ਦੁਆਰਾ ਕਵਰ ਕੀਤਾ ਗਿਆ ਸੀ)। ਅਸਲ ਡੇਟਾ (ਫਾਈਨ ਟਿਊਨਿੰਗ, ਸਟਾਈਲ ਟ੍ਰਾਂਸਫਰ, ਆਦਿ) ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ 3D ਇੰਜਣ ਦੇ ਕੰਮ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਨੈਟਵਰਕ ਨੂੰ ਕਿਵੇਂ ਬਣਾਇਆ ਜਾਵੇ ਇਸ ਬਾਰੇ ਬਹੁਤ ਸਾਰੇ ਵਿਚਾਰ ਅਤੇ ਹੈਕ ਹਨ। ਪਰ ਅਕਸਰ ਇੱਕ ਚੰਗਾ ਇੰਜਣ ਬਣਾਉਣਾ ਡੇਟਾ ਨੂੰ ਇਕੱਠਾ ਕਰਨ ਨਾਲੋਂ ਬਹੁਤ ਸਾਰੇ ਆਰਡਰ ਦੀ ਤੀਬਰਤਾ ਵਿੱਚ ਵਧੇਰੇ ਮੁਸ਼ਕਲ ਹੁੰਦਾ ਹੈ। ਉਦਾਹਰਨਾਂ ਜਦੋਂ ਇੰਜਣ ਬਣਾਏ ਗਏ ਸਨ:
ਰੋਬੋਟ ਸਿਖਲਾਈ (Google, ਦਿਮਾਗ਼ ਦਾ ਬਾਗ)
ਸਿਖਲਾਈ ਸੈਸ਼ਨ ਮਾਨਤਾ ਸਟੋਰ ਵਿੱਚ ਸਾਮਾਨ (ਪਰ ਦੋ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਜੋ ਅਸੀਂ ਕੀਤਾ, ਅਸੀਂ ਇਸ ਤੋਂ ਬਿਨਾਂ ਆਸਾਨੀ ਨਾਲ ਕਰ ਸਕਦੇ ਹਾਂ)।
ਟੇਸਲਾ ਵਿਖੇ ਸਿਖਲਾਈ (ਦੁਬਾਰਾ, ਉਪਰੋਕਤ ਵੀਡੀਓ)।

ਸਿੱਟਾ

ਪੂਰਾ ਲੇਖ, ਇੱਕ ਅਰਥ ਵਿੱਚ, ਸਿੱਟਾ ਹੈ. ਸ਼ਾਇਦ ਮੁੱਖ ਸੰਦੇਸ਼ ਜੋ ਮੈਂ ਦੇਣਾ ਚਾਹੁੰਦਾ ਸੀ ਉਹ ਸੀ "ਮੁਫ਼ਤ ਖਤਮ ਹੋ ਗਈ ਹੈ, ਨਿਊਰੋਨ ਹੁਣ ਸਧਾਰਨ ਹੱਲ ਪ੍ਰਦਾਨ ਨਹੀਂ ਕਰਦੇ." ਹੁਣ ਸਾਨੂੰ ਗੁੰਝਲਦਾਰ ਫ਼ੈਸਲੇ ਕਰਨ ਲਈ ਸਖ਼ਤ ਮਿਹਨਤ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਜਾਂ ਗੁੰਝਲਦਾਰ ਵਿਗਿਆਨਕ ਖੋਜ ਕਰਨ ਲਈ ਸਖ਼ਤ ਮਿਹਨਤ ਕਰੋ।

ਆਮ ਤੌਰ 'ਤੇ, ਵਿਸ਼ਾ ਬਹਿਸਯੋਗ ਹੈ. ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਪਾਠਕਾਂ ਕੋਲ ਹੋਰ ਦਿਲਚਸਪ ਉਦਾਹਰਣ ਹਨ?

ਸਰੋਤ: www.habr.com