நரம்பியல் வலையமைப்பு என்பது மனித மூளையின் கட்டமைப்பு மற்றும் செயல்பாட்டால் ஈர்க்கப்பட்ட ஒரு கணக்கீட்டு மாதிரி ஆகும். இது செயற்கை நுண்ணறிவின் ஒரு அடிப்படை அங்கமாகும், குறிப்பாக இயந்திர கற்றல் துறையில். நரம்பியல் நெட்வொர்க்குகள் சிக்கலான வடிவங்கள் மற்றும் தரவுகளில் உள்ள உறவுகளை செயலாக்க மற்றும் விளக்குவதற்கு வடிவமைக்கப்பட்டுள்ளன, அவை கணிப்புகளைச் செய்ய, வடிவங்களை அடையாளம் காண மற்றும் சிக்கல்களைத் தீர்க்க அனுமதிக்கிறது.
அதன் மையத்தில், ஒரு நரம்பியல் நெட்வொர்க் ஒன்றோடொன்று இணைக்கப்பட்ட முனைகளைக் கொண்டுள்ளது, அவை செயற்கை நியூரான்கள் அல்லது வெறுமனே "நியூரான்கள்" என்று அழைக்கப்படுகின்றன. இந்த நியூரான்கள் அடுக்குகளாக ஒழுங்கமைக்கப்படுகின்றன, ஒவ்வொரு அடுக்கும் குறிப்பிட்ட கணக்கீடுகளைச் செய்கிறது. நரம்பியல் நெட்வொர்க்கின் மிகவும் பொதுவான வகை ஃபீட்ஃபார்வர்டு நியூரல் நெட்வொர்க் ஆகும், அங்கு தகவல் ஒரு திசையில் பாய்கிறது, உள்ளீட்டு அடுக்கிலிருந்து மறைக்கப்பட்ட அடுக்குகள் வழியாக வெளியீட்டு அடுக்கு வரை.
ஒரு நரம்பியல் வலையமைப்பில் உள்ள ஒவ்வொரு நியூரானும் உள்ளீடுகளைப் பெறுகிறது, அவற்றிற்கு ஒரு கணித மாற்றத்தைப் பயன்படுத்துகிறது மற்றும் ஒரு வெளியீட்டை உருவாக்குகிறது. உள்ளீடுகள் எடைகளால் பெருக்கப்படுகின்றன, அவை நியூரான்களுக்கு இடையிலான இணைப்புகளின் வலிமையைக் குறிக்கின்றன. கூடுதலாக, ஒவ்வொரு நியூரானிலும் ஒரு சார்பு சொல் அடிக்கடி சேர்க்கப்படுகிறது, இது நியூரானின் பதிலை நன்றாகச் சரிசெய்ய அனுமதிக்கிறது. எடையுள்ள உள்ளீடுகள் மற்றும் சார்பு சொல் பின்னர் செயல்படுத்தும் செயல்பாட்டின் மூலம் அனுப்பப்படுகிறது, இது நெட்வொர்க்கில் நேரியல் அல்லாத தன்மையை அறிமுகப்படுத்துகிறது.
செயல்படுத்தும் செயல்பாடு அதன் உள்ளீடுகளின் அடிப்படையில் ஒரு நியூரானின் வெளியீட்டை தீர்மானிக்கிறது. பொதுவான செயல்படுத்தும் செயல்பாடுகளில் சிக்மாய்டு செயல்பாடு அடங்கும், இது உள்ளீடுகளை 0 மற்றும் 1 க்கு இடையே உள்ள மதிப்புகளுக்கு வரைபடமாக்குகிறது, மற்றும் நேர்ப்படுத்தப்பட்ட நேரியல் அலகு (ReLU) செயல்பாடு, இது நேர்மறை மற்றும் 0 இல் உள்ளீட்டை வெளியிடுகிறது. செயல்படுத்தும் செயல்பாட்டின் தேர்வு கையில் உள்ள சிக்கல் மற்றும் பிணையத்தின் விரும்பிய பண்புகளைப் பொறுத்தது.
பயிற்சியின் போது, நரம்பியல் வலையமைப்பு அதன் நியூரான்களின் எடைகள் மற்றும் சார்புகளை சரிசெய்து, கணிக்கப்பட்ட வெளியீடுகள் மற்றும் விரும்பிய வெளியீடுகளுக்கு இடையிலான வேறுபாட்டைக் குறைக்கிறது, இது பேக் ப்ரோபேகேஷன் எனப்படும் செயல்முறையைப் பயன்படுத்துகிறது. Backpropagation ஆனது பிழையின் சாய்வை ஒவ்வொரு எடை மற்றும் சார்புக்கு ஏற்ப கணக்கிடுகிறது, இது பிழையை குறைக்கும் வகையில் பிணையத்தை புதுப்பிக்க அனுமதிக்கிறது. பிழையைக் குறைக்கும் நிலையை நெட்வொர்க் அடையும் வரை இந்த மறுசெயல் செயல்முறை தொடர்கிறது, மேலும் இது புதிய, பார்க்காத தரவுகளில் துல்லியமான கணிப்புகளைச் செய்ய முடியும்.
நரம்பியல் நெட்வொர்க்குகள் படம் மற்றும் பேச்சு அங்கீகாரம், இயற்கை மொழி செயலாக்கம் மற்றும் பரிந்துரை அமைப்புகள் உள்ளிட்ட பல்வேறு பயன்பாடுகளில் மிகவும் பயனுள்ளதாக நிரூபிக்கப்பட்டுள்ளது. எடுத்துக்காட்டாக, பட அங்கீகாரத்தில், ஆயிரக்கணக்கான அல்லது மில்லியன் கணக்கான லேபிளிடப்பட்ட படங்களை பகுப்பாய்வு செய்வதன் மூலம் ஒரு நரம்பியல் நெட்வொர்க் பொருட்களை அடையாளம் காண கற்றுக்கொள்ள முடியும். தரவுகளில் உள்ள அடிப்படை வடிவங்கள் மற்றும் அம்சங்களைப் படம்பிடிப்பதன் மூலம், நரம்பியல் நெட்வொர்க்குகள் தங்கள் அறிவைப் பொதுமைப்படுத்தலாம் மற்றும் காணாத படங்களைப் பற்றிய துல்லியமான கணிப்புகளைச் செய்யலாம்.
நரம்பியல் வலையமைப்பு என்பது மனித மூளையின் கட்டமைப்பு மற்றும் செயல்பாட்டால் ஈர்க்கப்பட்ட ஒரு கணக்கீட்டு மாதிரி ஆகும். இது ஒன்றோடொன்று இணைக்கப்பட்ட செயற்கை நியூரான்களை அடுக்குகளாக ஒழுங்கமைக்கிறது, ஒவ்வொரு நியூரானும் அதன் உள்ளீடுகளுக்கு ஒரு கணித மாற்றத்தைப் பயன்படுத்துகிறது மற்றும் அதன் விளைவை செயல்படுத்தும் செயல்பாட்டின் மூலம் அனுப்புகிறது. பயிற்சியின் செயல்பாட்டின் மூலம், நரம்பியல் நெட்வொர்க்குகள் தங்கள் எடைகள் மற்றும் சார்புகளை சரிசெய்து, கணிக்கப்படும் மற்றும் விரும்பிய வெளியீடுகளுக்கு இடையிலான வேறுபாட்டைக் குறைக்கின்றன. இது வடிவங்களை அடையாளம் காணவும், கணிப்புகளைச் செய்யவும் மற்றும் சிக்கலான சிக்கல்களைத் தீர்க்கவும் அனுமதிக்கிறது.
தொடர்பான பிற சமீபத்திய கேள்விகள் மற்றும் பதில்கள் மேகத்தில் பயிற்சி மாதிரிகள் பெரிய தரவு:
- தரவைக் குறிக்கும் அம்சங்கள் எண் வடிவத்தில் இருக்க வேண்டுமா மற்றும் அம்ச நெடுவரிசைகளில் ஒழுங்கமைக்கப்பட வேண்டுமா?
- இயந்திர கற்றலில் கற்றல் விகிதம் என்ன?
- பயிற்சி மற்றும் மதிப்பீட்டிற்கு இடையே வழக்கமாக பரிந்துரைக்கப்படும் தரவு 80% முதல் 20% வரை பிரிக்கப்படுகிறதா?
- ML மாடல்களை ஹைப்ரிட் அமைப்பில் இயக்குவது எப்படி, ஏற்கனவே உள்ள மாடல்கள் மேகக்கணிக்கு அனுப்பப்பட்ட முடிவுகளுடன் உள்நாட்டில் இயங்குகின்றனவா?
- AI மாதிரியில் பெரிய தரவை ஏற்றுவது எப்படி?
- ஒரு மாதிரிக்கு சேவை செய்வது என்றால் என்ன?
- இயந்திர கற்றலுக்கான பெரிய தரவுத் தொகுப்புகளுடன் பணிபுரியும் போது மேகக்கணியில் தரவை வைப்பது ஏன் சிறந்த அணுகுமுறையாகக் கருதப்படுகிறது?
- பெரிய தரவுத்தொகுப்புகளை மாற்றுவதற்கு Google Transfer Appliance எப்போது பரிந்துரைக்கப்படுகிறது?
- gsutil இன் நோக்கம் என்ன மற்றும் விரைவான பரிமாற்ற வேலைகளை இது எவ்வாறு எளிதாக்குகிறது?
- பயிற்சித் தரவைச் சேமிக்க Google Cloud Storage (GCS) எவ்வாறு பயன்படுத்தப்படுகிறது?
மேகக்கணியில் பயிற்சி மாடல்களுக்கான பிக் டேட்டாவில் மேலும் கேள்விகள் மற்றும் பதில்களைக் காண்க