எங்கள் இயந்திர கற்றல் மாதிரியில் அதிக துல்லியத்தை அடைய, பல ஹைப்பர் பாராமீட்டர்கள் உள்ளன. உயர் அளவுருக்கள் என்பது கற்றல் செயல்முறை தொடங்கும் முன் அமைக்கப்படும் அனுசரிப்பு அளவுருக்கள் ஆகும். அவை கற்றல் வழிமுறையின் நடத்தையைக் கட்டுப்படுத்துகின்றன மற்றும் மாதிரியின் செயல்திறனில் குறிப்பிடத்தக்க தாக்கத்தை ஏற்படுத்துகின்றன.
கருத்தில் கொள்ள வேண்டிய ஒரு முக்கியமான உயர் அளவுகோல் கற்றல் விகிதம் ஆகும். கற்றல் வீதம் கற்றல் அல்காரிதத்தின் ஒவ்வொரு மறு செய்கையிலும் படி அளவை தீர்மானிக்கிறது. உயர் கற்றல் விகிதம் மாதிரியை வேகமாகக் கற்றுக்கொள்ள அனுமதிக்கிறது ஆனால் உகந்த தீர்வை மிகைப்படுத்தலாம். மறுபுறம், குறைந்த கற்றல் விகிதம் மெதுவாக ஒன்றிணைவதற்கு வழிவகுக்கலாம், ஆனால் மாதிரியை மிகைப்படுத்துவதைத் தவிர்க்க உதவும். ஒருங்கிணைப்பு வேகம் மற்றும் துல்லியம் ஆகியவற்றுக்கு இடையேயான வர்த்தகத்தை சமநிலைப்படுத்தும் உகந்த கற்றல் விகிதத்தைக் கண்டறிவது மிகவும் முக்கியமானது.
பரிசோதிக்க வேண்டிய மற்றொரு ஹைப்பர் பாராமீட்டர் தொகுதி அளவு. கற்றல் அல்காரிதத்தின் ஒவ்வொரு மறு செய்கையிலும் செயலாக்கப்பட்ட பயிற்சி எடுத்துக்காட்டுகளின் எண்ணிக்கையை தொகுதி அளவு தீர்மானிக்கிறது. ஒரு சிறிய தொகுதி அளவு சாய்வின் மிகவும் துல்லியமான மதிப்பீட்டை வழங்க முடியும், ஆனால் மெதுவாக ஒன்றிணைவதற்கு வழிவகுக்கும். மாறாக, ஒரு பெரிய தொகுதி அளவு கற்றல் செயல்முறையை விரைவுபடுத்தலாம் ஆனால் சாய்வு மதிப்பீட்டில் சத்தத்தை அறிமுகப்படுத்தலாம். சரியான தொகுதி அளவைக் கண்டறிவது தரவுத்தொகுப்பின் அளவு மற்றும் கிடைக்கும் கணக்கீட்டு ஆதாரங்களைப் பொறுத்தது.
ஒரு நரம்பியல் வலையமைப்பில் மறைக்கப்பட்ட அலகுகளின் எண்ணிக்கையானது டியூன் செய்யக்கூடிய மற்றொரு ஹைப்பர் பாராமீட்டர் ஆகும். மறைக்கப்பட்ட அலகுகளின் எண்ணிக்கையை அதிகரிப்பது சிக்கலான வடிவங்களைக் கற்றுக்கொள்வதற்கான மாடலின் திறனை அதிகரிக்கலாம், ஆனால் ஒழுங்காக ஒழுங்கமைக்கப்படாவிட்டால் அதிகப்படியான பொருத்தத்திற்கு வழிவகுக்கும். மாறாக, மறைக்கப்பட்ட அலகுகளின் எண்ணிக்கையைக் குறைப்பது மாதிரியை எளிதாக்கலாம், ஆனால் பொருத்தமற்றதாக இருக்கலாம். மாதிரி சிக்கலான தன்மைக்கும் பொதுமைப்படுத்தல் திறனுக்கும் இடையில் சமநிலையை ஏற்படுத்துவது முக்கியம்.
முறைப்படுத்தல் என்பது ஹைப்பர் பாராமீட்டர்கள் மூலம் கட்டுப்படுத்தக்கூடிய மற்றொரு நுட்பமாகும். ஒழுங்குபடுத்துதல், இழப்பு செயல்பாட்டிற்கு அபராதம் காலத்தைச் சேர்ப்பதன் மூலம் அதிகப்படியான பொருத்தத்தைத் தடுக்க உதவுகிறது. ஒழுங்குபடுத்துதலின் வலிமையானது ஒழுங்குபடுத்தும் அளவுரு எனப்படும் ஹைப்பர் பாராமீட்டரால் கட்டுப்படுத்தப்படுகிறது. அதிக முறைப்படுத்தல் அளவுரு, குறைவான ஓவர் ஃபிட்டிங்குடன் எளிமையான மாதிரியை உருவாக்கும், ஆனால் பொருத்தமற்றதாக இருக்கலாம். மாறாக, குறைந்த முறைப்படுத்தல் அளவுரு, பயிற்சித் தரவை மிகவும் நெருக்கமாகப் பொருத்த மாதிரியை அனுமதிக்கிறது, ஆனால் அதிகப்படியான பொருத்தம் ஏற்படலாம். ஒரு உகந்த ஒழுங்குமுறை அளவுருவைக் கண்டறிய குறுக்கு சரிபார்ப்பு பயன்படுத்தப்படலாம்.
தேர்வுமுறை அல்காரிதத்தின் தேர்வும் ஒரு முக்கியமான உயர் அளவுகோலாகும். கிரேடியன்ட் டிசென்ட் என்பது பொதுவாகப் பயன்படுத்தப்படும் உகப்பாக்கம் அல்காரிதம், ஆனால் ஸ்டோகாஸ்டிக் கிரேடியன்ட் டிசென்ட் (SGD), ஆடம் மற்றும் RMSprop போன்ற மாறுபாடுகள் உள்ளன. ஒவ்வொரு அல்காரிதமும் அதன் சொந்த ஹைபர்பாராமீட்டர்களைக் கொண்டுள்ளது, அவை வேகம் மற்றும் கற்றல் வீதம் சிதைவு போன்றவை. வெவ்வேறு தேர்வுமுறை அல்காரிதம்கள் மற்றும் அவற்றின் உயர் அளவுகோல்களுடன் பரிசோதனை செய்வது மாதிரியின் செயல்திறனை மேம்படுத்த உதவும்.
இந்த ஹைபர்பாராமீட்டர்களுடன் கூடுதலாக, நெட்வொர்க் கட்டமைப்பு, பயன்படுத்தப்படும் செயல்படுத்தும் செயல்பாடுகள் மற்றும் மாதிரியின் அளவுருக்களின் துவக்கம் ஆகியவை ஆராயப்படக்கூடிய பிற காரணிகளாகும். கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் (சிஎன்என்கள்) அல்லது ரெக்கரண்ட் நியூரல் நெட்வொர்க்குகள் (ஆர்என்என்கள்) போன்ற பல்வேறு கட்டமைப்புகள் குறிப்பிட்ட பணிகளுக்கு மிகவும் பொருத்தமானதாக இருக்கலாம். ReLU அல்லது sigmoid போன்ற பொருத்தமான செயல்படுத்தும் செயல்பாடுகளைத் தேர்ந்தெடுப்பது மாதிரியின் செயல்திறனையும் பாதிக்கலாம். மாதிரியின் அளவுருக்களின் முறையான துவக்கம் கற்றல் வழிமுறையை வேகமாக ஒன்றிணைத்து சிறந்த துல்லியத்தை அடைய உதவும்.
எங்கள் இயந்திர கற்றல் மாதிரியில் அதிக துல்லியத்தை அடைவது என்பது பல்வேறு ஹைப்பர் பாராமீட்டர்களுடன் பரிசோதனை செய்வதை உள்ளடக்கியது. கற்றல் வீதம், தொகுதி அளவு, மறைக்கப்பட்ட அலகுகளின் எண்ணிக்கை, ஒழுங்குபடுத்தும் அளவுரு, தேர்வுமுறை அல்காரிதம், பிணைய கட்டமைப்பு, செயல்படுத்தும் செயல்பாடுகள் மற்றும் அளவுரு துவக்கம் ஆகியவை மாதிரியின் செயல்திறனை மேம்படுத்த டியூன் செய்யக்கூடிய உயர் அளவுருக்கள் ஆகும். ஒருங்கிணைப்பு வேகம் மற்றும் துல்லியம் ஆகியவற்றுக்கு இடையே சமநிலையை ஏற்படுத்த இந்த ஹைப்பர்பாராமீட்டர்களை கவனமாகத் தேர்ந்தெடுத்து சரிசெய்வது முக்கியம், அத்துடன் அதிக பொருத்தம் அல்லது குறைவான பொருத்தத்தைத் தடுக்கவும்.
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?
- அல்காரிதத்தின் ஹைபர்பாராமீட்டர்களின் சில எடுத்துக்காட்டுகள் யாவை?
- 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?
EITC/AI/GCML Google Cloud Machine Learning இல் கூடுதல் கேள்விகள் மற்றும் பதில்களைக் காண்க