இயந்திர கற்றல் துறையில், ஒரு அல்காரிதத்தின் செயல்திறன் மற்றும் நடத்தையை தீர்மானிப்பதில் ஹைபர்பாராமீட்டர்கள் முக்கிய பங்கு வகிக்கின்றன. உயர் அளவுருக்கள் என்பது கற்றல் செயல்முறை தொடங்கும் முன் அமைக்கப்படும் அளவுருக்கள் ஆகும். அவர்கள் பயிற்சியின் போது கற்றுக்கொள்வதில்லை; மாறாக, அவை கற்றல் செயல்முறையையே கட்டுப்படுத்துகின்றன. இதற்கு நேர்மாறாக, நரம்பியல் வலையமைப்பில் எடைகள் போன்ற மாதிரி அளவுருக்கள் பயிற்சியின் போது கற்றுக் கொள்ளப்படுகின்றன.
இயந்திர கற்றல் அல்காரிதங்களில் பொதுவாகக் காணப்படும் ஹைப்பர் பாராமீட்டர்களின் சில உதாரணங்களை ஆராய்வோம்:
1. கற்றல் விகிதம் (α): கற்றல் வீதம் என்பது ஒரு ஹைப்பர் பாராமீட்டர் ஆகும், இது இழப்பு சாய்வு தொடர்பாக நமது நெட்வொர்க்கின் எடைகளை எவ்வளவு சரிசெய்கிறோம் என்பதைக் கட்டுப்படுத்துகிறது. ஒரு உயர் கற்றல் வீதம் மிகைப்படுத்தலுக்கு வழிவகுக்கும், அங்கு மாதிரியின் அளவுருக்கள் பெருமளவில் ஏற்ற இறக்கமாக இருக்கும், அதே சமயம் குறைந்த கற்றல் விகிதம் மெதுவாக ஒன்றிணைவதற்கு வழிவகுக்கும்.
2. மறைக்கப்பட்ட அலகுகள்/அடுக்குகளின் எண்ணிக்கை: நரம்பியல் நெட்வொர்க்குகளில், மறைக்கப்பட்ட அலகுகள் மற்றும் அடுக்குகளின் எண்ணிக்கை மாதிரியின் சிக்கலைத் தீர்மானிக்கும் ஹைபர்பாராமீட்டர்கள். மேலும் மறைக்கப்பட்ட அலகுகள் அல்லது அடுக்குகள் மிகவும் சிக்கலான வடிவங்களைப் பிடிக்கலாம் ஆனால் மிகைப்படுத்தலுக்கும் வழிவகுக்கும்.
3. செயல்படுத்தும் செயல்பாடு: ReLU (ரெக்டிஃபைட் லீனியர் யூனிட்) அல்லது சிக்மாய்டு போன்ற செயல்படுத்தும் செயல்பாட்டின் தேர்வு, மாதிரியின் நேரியல் அல்லாத தன்மையை பாதிக்கும் ஒரு ஹைப்பர் பாராமீட்டர் ஆகும். வெவ்வேறு செயல்படுத்தும் செயல்பாடுகள் வெவ்வேறு பண்புகளைக் கொண்டுள்ளன மற்றும் கற்றல் வேகம் மற்றும் மாதிரி செயல்திறனை பாதிக்கலாம்.
4. தொகுதி அளவு: தொகுதி அளவு என்பது ஒரு மறு செய்கையில் பயன்படுத்தப்படும் பயிற்சி எடுத்துக்காட்டுகளின் எண்ணிக்கை. இது பயிற்சியின் வேகம் மற்றும் நிலைத்தன்மையை பாதிக்கும் ஒரு ஹைபர்பாராமீட்டர் ஆகும். பெரிய தொகுதி அளவுகள் பயிற்சியை விரைவுபடுத்தலாம், ஆனால் குறைவான துல்லியமான புதுப்பிப்புகளை ஏற்படுத்தலாம், அதே சமயம் சிறிய தொகுதி அளவுகள் மிகவும் துல்லியமான புதுப்பிப்புகளை வழங்க முடியும், ஆனால் மெதுவான பயிற்சியுடன்.
5. ஒழுங்குபடுத்தும் வலிமை: ஒழுங்குபடுத்துதல் என்பது இழப்புச் செயல்பாட்டிற்கு அபராதம் என்ற வார்த்தையைச் சேர்ப்பதன் மூலம் அதிகப்படியான பொருத்தத்தைத் தடுக்கப் பயன்படுத்தப்படும் ஒரு நுட்பமாகும். எல்2 ஒழுங்குபடுத்தலில் λ போன்ற ஒழுங்குபடுத்தும் வலிமையானது, ஒட்டுமொத்த இழப்பில் ஒழுங்குபடுத்தும் காலத்தின் தாக்கத்தைக் கட்டுப்படுத்தும் ஒரு ஹைப்பர்பாராமீட்டர் ஆகும்.
6. டிராப்அவுட் விகிதம்: டிராப்அவுட் என்பது பயிற்சியின் போது தோராயமாக தேர்ந்தெடுக்கப்பட்ட நியூரான்கள் புறக்கணிக்கப்படும் ஒரு முறைப்படுத்தல் நுட்பமாகும். டிராப்அவுட் விகிதம் என்பது ஒரு நியூரானை கைவிடுவதற்கான நிகழ்தகவை தீர்மானிக்கும் ஒரு ஹைபர்பாராமீட்டர் ஆகும். பயிற்சியின் போது சத்தத்தை அறிமுகப்படுத்துவதன் மூலம் அதிகப்படியான பொருத்தத்தைத் தடுக்க உதவுகிறது.
7. கர்னல் அளவு: கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகளில் (CNNs), கர்னல் அளவு என்பது உள்ளீட்டுத் தரவிற்குப் பயன்படுத்தப்படும் வடிகட்டியின் அளவை வரையறுக்கும் ஹைப்பர் பாராமீட்டர் ஆகும். வெவ்வேறு கர்னல் அளவுகள் உள்ளீட்டுத் தரவில் வெவ்வேறு அளவிலான விவரங்களைப் பிடிக்கின்றன.
8. மரங்களின் எண்ணிக்கை (ரேண்டம் காட்டில்): ரேண்டம் ஃபாரஸ்ட் போன்ற குழும முறைகளில், மரங்களின் எண்ணிக்கையானது காட்டில் உள்ள முடிவு மரங்களின் எண்ணிக்கையை நிர்ணயிக்கும் ஹைப்பர் பாராமீட்டர் ஆகும். மரங்களின் எண்ணிக்கையை அதிகரிப்பது செயல்திறனை மேம்படுத்தலாம் ஆனால் கணக்கீட்டு செலவையும் அதிகரிக்கும்.
9. சி இன் சப்போர்ட் வெக்டர் மெஷின்ஸ் (எஸ்விஎம்): SVM இல், C என்பது ஒரு சுமூகமான முடிவெடுக்கும் எல்லையைக் கொண்டிருப்பதற்கும் பயிற்சிப் புள்ளிகளை சரியாக வகைப்படுத்துவதற்கும் இடையேயான வர்த்தகத்தைக் கட்டுப்படுத்தும் ஒரு உயர் அளவுகோலாகும். அதிக C மதிப்பு மிகவும் சிக்கலான முடிவு எல்லைக்கு வழிவகுக்கிறது.
10. கிளஸ்டர்களின் எண்ணிக்கை (K-Means இல்): K-Means போன்ற க்ளஸ்டரிங் அல்காரிதம்களில், க்ளஸ்டர்களின் எண்ணிக்கை என்பது தரவுகளில் உள்ள க்ளஸ்டர்களின் எண்ணிக்கையை வரையறுக்கும் ஹைப்பர் பாராமீட்டர் ஆகும். அர்த்தமுள்ள க்ளஸ்டரிங் முடிவுகளுக்கு சரியான எண்ணிக்கையிலான கிளஸ்டர்களைத் தேர்ந்தெடுப்பது மிகவும் முக்கியமானது.
இந்த எடுத்துக்காட்டுகள் இயந்திர கற்றல் அல்காரிதங்களில் உள்ள ஹைபர்பாராமீட்டர்களின் மாறுபட்ட தன்மையை விளக்குகின்றன. மாதிரி செயல்திறன் மற்றும் பொதுமைப்படுத்தலை மேம்படுத்த இயந்திர கற்றல் பணிப்பாய்வுகளில் ஹைப்பர் பாராமீட்டர்களை ட்யூனிங் செய்வது ஒரு முக்கியமான படியாகும். கட்டம் தேடல், சீரற்ற தேடல் மற்றும் பேய்சியன் தேர்வுமுறை ஆகியவை கொடுக்கப்பட்ட சிக்கலுக்கான சிறந்த உயர் அளவுகோல்களைக் கண்டறியப் பயன்படுத்தப்படும் பொதுவான நுட்பங்கள்.
மாதிரி நடத்தை மற்றும் செயல்திறனை பாதிக்கும் இயந்திர கற்றல் வழிமுறைகளில் ஹைபர்பாராமீட்டர்கள் இன்றியமையாத கூறுகளாகும். வெற்றிகரமான இயந்திர கற்றல் மாதிரிகளை உருவாக்குவதற்கு ஹைப்பர் பாராமீட்டர்களின் பங்கைப் புரிந்துகொள்வது மற்றும் அவற்றை எவ்வாறு திறம்பட டியூன் செய்வது என்பது முக்கியம்.
தொடர்பான பிற சமீபத்திய கேள்விகள் மற்றும் பதில்கள் EITC/AI/GCML கூகிள் கிளவுட் மெஷின் கற்றல்:
- டெக்ஸ்ட் டு ஸ்பீச் (TTS) என்றால் என்ன, அது AI உடன் எவ்வாறு செயல்படுகிறது?
- இயந்திர கற்றலில் பெரிய தரவுத்தொகுப்புகளுடன் பணிபுரிவதில் உள்ள வரம்புகள் என்ன?
- இயந்திர கற்றல் சில உரையாடல் உதவிகளை செய்ய முடியுமா?
- டென்சர்ஃப்ளோ விளையாட்டு மைதானம் என்றால் என்ன?
- பெரிய தரவுத்தொகுப்பு உண்மையில் என்ன அர்த்தம்?
- இசையமைத்தல் கற்றல் என்றால் என்ன?
- தேர்ந்தெடுக்கப்பட்ட இயந்திர கற்றல் அல்காரிதம் பொருத்தமானதாக இல்லாவிட்டால் என்ன செய்வது மற்றும் சரியானதைத் தேர்ந்தெடுப்பதை எவ்வாறு உறுதிப்படுத்துவது?
- ஒரு இயந்திர கற்றல் மாதிரி அதன் பயிற்சியின் போது மேற்பார்வை தேவையா?
- நியூரல் நெட்வொர்க் அடிப்படையிலான அல்காரிதம்களில் பயன்படுத்தப்படும் முக்கிய அளவுருக்கள் யாவை?
- டென்சர்போர்டு என்றால் என்ன?
EITC/AI/GCML Google Cloud Machine Learning இல் கூடுதல் கேள்விகள் மற்றும் பதில்களைக் காண்க