Microsoft
සෙවුම් යන්ත්රවල දෛශික ආචයනය භාවිතා කිරීමේ අදහස දිගු කලක් තිස්සේ පාවෙමින් තිබුණද, ප්රායෝගිකව, දෛශික සමඟ මෙහෙයුම්වල ඉහළ සම්පත් තීව්රතාවය සහ පරිමාණය සීමා කිරීම් හේතුවෙන් ඒවා ක්රියාත්මක කිරීම අඩාල වේ. ආසන්නතම අසල්වැසි සෙවුම් ඇල්ගොරිතම සමඟ ගැඹුරු යන්ත්ර ඉගෙනීමේ ක්රම ඒකාබද්ධ කිරීමෙන් දෛශික පද්ධතිවල ක්රියාකාරීත්වය සහ පරිමාණය විශාල සෙවුම් යන්ත්ර සඳහා පිළිගත හැකි මට්ටමකට ගෙන ඒමට හැකි වී ඇත. උදාහරණයක් ලෙස, Bing හි, දෛශික බිලියන 150කට වැඩි දෛශික දර්ශකයක් සඳහා, වඩාත්ම අදාළ ප්රතිඵල ලබා ගැනීමට කාලය ms 8ක් තුළ වේ.
පුස්තකාලයට දර්ශකයක් තැනීම සහ දෛශික සෙවීම් සංවිධානය කිරීම සඳහා වන මෙවලම් මෙන්ම ඉතා විශාල දෛශික එකතුවක් ආවරණය වන පරිදි බෙදා හරින ලද මාර්ගගත සෙවුම් පද්ධතියක් පවත්වාගෙන යාම සඳහා මෙවලම් කට්ටලයක් ඇතුළත් වේ.
එකතුවෙහි සැකසූ සහ ඉදිරිපත් කරන ලද දත්ත පදනම් වී සැසඳිය හැකි අදාළ දෛශික ආකාරයෙන් ආකෘතිගත කර ඇති බව පුස්තකාලය ඇඟවුම් කරයි.
ඒ අතරම, දෛශික සෙවීම පෙළට පමණක් සීමා නොවන අතර බහුමාධ්ය තොරතුරු සහ රූප සඳහා මෙන්ම ස්වයංක්රීයව නිර්දේශ ජනනය කිරීමේ පද්ධති සඳහාද යෙදිය හැක. උදාහරණයක් ලෙස, PyTorch රාමුව මත පදනම් වූ එක් මූලාකෘතියක්, රූපවල ඇති වස්තූන්ගේ සමානතාවය මත පදනම්ව සෙවීම සඳහා දෛශික පද්ධතියක් ක්රියාත්මක කරන ලද අතර, සතුන්, බළලුන් සහ බල්ලන්ගේ රූප සහිත සමුද්දේශ එකතු කිහිපයක දත්ත භාවිතා කරමින් දෛශික කට්ටල බවට පරිවර්තනය කරන ලදී. . සෙවුම් සඳහා එන රූපයක් ලැබුණු විට, එය යන්ත්ර ඉගෙනුම් ආකෘතියක් භාවිතයෙන් දෛශිකයක් බවට පරිවර්තනය කරයි, එය මත පදනම්ව SPTAG ඇල්ගොරිතම භාවිතයෙන් දර්ශකයෙන් වඩාත්ම සමාන දෛශික තෝරාගෙන ඒ ආශ්රිත පින්තූර ප්රතිඵලයක් ලෙස ආපසු ලබා දෙනු ලැබේ.
මූලාශ්රය: opennet.ru