ஒரு செயற்கை நரம்பியல் வலையமைப்பு அடுக்கில் உள்ள நியூரான்களின் எண்ணிக்கையை அதிகரிப்பது மனப்பாடம் செய்வதற்கான அதிக ஆபத்தை ஏற்படுத்தலாம், இது அதிகப்படியான பொருத்தத்திற்கு வழிவகுக்கும். ஒரு மாதிரியானது, பயிற்சித் தரவில் உள்ள விவரங்கள் மற்றும் சத்தம் ஆகியவற்றைக் கற்றுக் கொள்ளும்போது, அது மாடலின் செயல்திறனைப் பார்க்காத தரவுகளில் எதிர்மறையாகப் பாதிக்கும் அளவிற்கு அதிகமாக பொருத்துதல் ஏற்படுகிறது. நரம்பியல் நெட்வொர்க்குகள் உட்பட இயந்திர கற்றலில் இது ஒரு பொதுவான பிரச்சனையாகும், மேலும் இது மாதிரியின் பொதுமைப்படுத்தல் திறன்களைக் கணிசமாகக் குறைக்கும்.
ஒரு நரம்பியல் நெட்வொர்க் ஒரு குறிப்பிட்ட அடுக்கில் அதிகமான நியூரான்களைக் கொண்டிருக்கும்போது, பயிற்சித் தரவில் இருக்கும் சிக்கலான வடிவங்களைக் கற்றுக்கொள்வதற்கான மாதிரியின் திறனை அதிகரிக்கிறது. இந்த உயர்ந்த திறன், கண்ணுக்கு தெரியாத தரவுகளை நன்கு பொதுமைப்படுத்தும் அடிப்படை வடிவங்களைக் கற்றுக்கொள்வதற்குப் பதிலாக பயிற்சி எடுத்துக்காட்டுகளை மனப்பாடம் செய்வதில் பிணையத்தை ஏற்படுத்தும். இதன் விளைவாக, மாடல் பயிற்சித் தரவில் விதிவிலக்காகச் சிறப்பாகச் செயல்படலாம் ஆனால் புதிய, காணாத தரவைப் பொதுமைப்படுத்தத் தவறி, நிஜ-உலகப் பயன்பாடுகளில் மோசமான செயல்திறனுக்கு வழிவகுக்கும்.
இந்த கருத்தை நன்கு புரிந்து கொள்ள, பூனைகள் மற்றும் நாய்களின் படங்களை வகைப்படுத்த ஒரு நரம்பியல் நெட்வொர்க் பயிற்சி அளிக்கப்படும் ஒரு உதாரணத்தைக் கவனியுங்கள். நெட்வொர்க்கில் ஒரு குறிப்பிட்ட அடுக்கில் அதிக எண்ணிக்கையிலான நியூரான்கள் இருந்தால், அது பூனைகள் மற்றும் நாய்களுக்கு இடையிலான பண்புகளை வேறுபடுத்துவதில் கவனம் செலுத்துவதை விட, பின்னணி அல்லது லைட்டிங் நிலைமைகள் போன்ற பயிற்சிப் படங்களின் குறிப்பிட்ட அம்சங்களை மனப்பாடம் செய்ய ஆரம்பிக்கலாம். இரண்டு வகுப்புகளுக்கு இடையே வேறுபடுத்தும் அத்தியாவசிய அம்சங்களைக் கற்றுக் கொள்ளாததால், இதற்கு முன் பார்த்திராத படங்களை வழங்கும்போது மாடல் மோசமாகச் செயல்படும் அளவுக்கு இது அதிகப் பொருத்தத்திற்கு வழிவகுக்கும்.
ஒரு நரம்பியல் நெட்வொர்க் லேயரில் நியூரான்களின் எண்ணிக்கையை அதிகரிக்கும் போது அதிகப்படியான பொருத்துதலின் அபாயத்தைத் தணிப்பதற்கான ஒரு பொதுவான அணுகுமுறை முறைப்படுத்தல் நுட்பங்கள் ஆகும். L1 மற்றும் L2 முறைப்படுத்தல், கைவிடுதல் மற்றும் முன்கூட்டியே நிறுத்துதல் போன்ற ஒழுங்குபடுத்தும் முறைகள், நெட்வொர்க் மிகவும் சிக்கலானதாக மாறுவதையும் பயிற்சித் தரவை மிகைப்படுத்துவதையும் தடுக்கப் பயன்படுகிறது. இந்த நுட்பங்கள் பயிற்சி செயல்பாட்டின் போது தடைகளை அறிமுகப்படுத்துகின்றன, குறிப்பிட்ட எடுத்துக்காட்டுகளை மனப்பாடம் செய்வதை விட தரவுகளில் உள்ள அத்தியாவசிய வடிவங்களைக் கற்றுக்கொள்வதில் கவனம் செலுத்துவதற்கு மாதிரியை ஊக்குவிக்கிறது.
ஒரு செயற்கை நரம்பியல் வலையமைப்பு அடுக்கில் உள்ள நியூரான்களின் எண்ணிக்கையை அதிகரிப்பது, சிக்கலான வடிவங்களைக் கற்றுக்கொள்வதற்கான மாதிரியின் திறனை மேம்படுத்தும் அதே வேளையில், இது மனப்பாடம் மற்றும் அதிகப் பொருத்தம் ஆகியவற்றின் அபாயத்தையும் எழுப்புகிறது. மாதிரி சிக்கலான தன்மைக்கும் பொதுமைப்படுத்தல் செயல்திறனுக்கும் இடையில் சமநிலையை ஏற்படுத்த, பொருத்தமான முறைப்படுத்தல் நுட்பங்களைப் பயன்படுத்துவது மிகவும் முக்கியமானது, நரம்பியல் நெட்வொர்க் அதிக பொருத்தம் இல்லாமல் தரவிலிருந்து திறம்பட கற்றுக்கொள்ள முடியும் என்பதை உறுதி செய்கிறது.
தொடர்பான பிற சமீபத்திய கேள்விகள் மற்றும் பதில்கள் EITC/AI/TFF டென்சர்ஃப்ளோ அடிப்படைகள்:
- திசையன்களாக வார்த்தைகளை பிரதிநிதித்துவப்படுத்துவதற்கு சரியான அச்சுகளை தானாக ஒதுக்க உட்பொதித்தல் அடுக்கை எவ்வாறு பயன்படுத்தலாம்?
- CNNல் அதிகபட்சமாக பூலிங் செய்வதன் நோக்கம் என்ன?
- கன்வல்யூஷனல் நியூரல் நெட்வொர்க்கில் (சிஎன்என்) அம்சம் பிரித்தெடுத்தல் செயல்முறை பட அங்கீகாரத்திற்கு எவ்வாறு பயன்படுத்தப்படுகிறது?
- TensorFlow.js இல் இயங்கும் இயந்திர கற்றல் மாதிரிகளுக்கு ஒத்திசைவற்ற கற்றல் செயல்பாட்டைப் பயன்படுத்துவது அவசியமா?
- TensorFlow Keras Tokenizer API அதிகபட்ச சொற்களின் அளவுரு என்ன?
- TensorFlow Keras Tokenizer APIஐ அடிக்கடி வார்த்தைகளைக் கண்டறிய பயன்படுத்த முடியுமா?
- TOCO என்றால் என்ன?
- இயந்திரக் கற்றல் மாதிரியில் உள்ள பல சகாப்தங்களுக்கும் மாதிரியை இயக்குவதிலிருந்து கணிப்பதன் துல்லியத்திற்கும் என்ன தொடர்பு?
- டென்சர்ஃப்ளோவின் நியூரல் ஸ்ட்ரக்ச்சர்டு லேர்னிங்கில் உள்ள பேக் அண்டை நாடுகளின் ஏபிஐ, இயற்கையான வரைபடத் தரவின் அடிப்படையில் ஆக்மென்டட் பயிற்சி தரவுத்தொகுப்பை உருவாக்குகிறதா?
- டென்சர்ஃப்ளோவின் நரம்பியல் கட்டமைக்கப்பட்ட கற்றலில் பேக் அண்டை நாடுகளின் API என்றால் என்ன?
EITC/AI/TFF TensorFlow Fundamentals இல் கூடுதல் கேள்விகள் மற்றும் பதில்களைக் காண்க
மேலும் கேள்விகள் மற்றும் பதில்கள்:
- களம்: செயற்கை நுண்ணறிவு
- திட்டம்: EITC/AI/TFF டென்சர்ஃப்ளோ அடிப்படைகள் (சான்றிதழ் திட்டத்திற்குச் செல்லவும்)
- பாடம்: அதிகப்படியான பொருத்துதல் மற்றும் குறைவான பிரச்சினைகள் (தொடர்புடைய பாடத்திற்குச் செல்லவும்)
- தலைப்பு: மாதிரியின் அதிகப்படியான மற்றும் பொருத்தமற்ற சிக்கல்களைத் தீர்ப்பது - பகுதி 1 (தொடர்புடைய தலைப்புக்குச் செல்லவும்)