কিভাবে নিউরাল নেটওয়ার্ক কাজ করে তা বুঝতে, এটি একটি নেটওয়ার্ক এর বিভিন্ন অংশ জানতে সহায়ক। ধরুন আমরা নিম্নলিখিত নেটওয়ার্ক আছে:


এখন একটি নিউরাল নেটওয়ার্ক কিভাবে কাজ করে তার মৌলিক পদক্ষেপের দিকে নজর দিন।
Basic steps:
- আমাদের ইনপুট নিউরনগুলি আমরা শ্রেণীবদ্ধ করার জন্য চেষ্টা করা তথ্যের উপর ভিত্তি করে একটি ইনপুট উপস্থাপন করি
- ইনপুট নিউরন প্রতিটি সংখ্যা প্রতিটি synapse এ ওজন দেওয়া হয়
- পরের স্তর প্রতিটি নিউরন এ, আমরা একটি নিউইয়র্নের সাথে যে নিউরন আসছে তার সমস্ত আউটপুট যোগ করে এবং একটি অ্যাক্টিভেশন ফাংশন (সাধারণত একটি সিগোময়েড ফাংশন) ওজনযুক্ত সমষ্টিতে প্রয়োগ করে (এটি 0 এবং 1 এর মধ্যে কোনটি তৈরি করে)
- যে ফাংশন আউটপুট পরবর্তী synapse স্তর জন্য ইনপুট হিসাবে গণ্য করা হবে
- আপনি আউটপুট পৌঁছানোর পর্যন্ত চালিয়ে যান
আসুন একটি সহজ উদাহরণ তাকান:
চলুন শুরু করা যাক ইনপুট ঘন্টা আপনি ঘুমিয়ে এবং আপনি অধ্যয়নরত ঘন্টা; এবং আপনি ফলাফল হিসাবে আপনি একটি পরীক্ষায় স্কোর করবে কি চিন্তা করার চেষ্টা করছেন। কিছু পর্যবেক্ষণ নীচে দেখা যেতে পারে:

ঘন্টার ঘুমানোর সময় এবং পড়াশোনার সময় ভিত্তিক একটি স্কোর পূর্বাভাস করতে সক্ষম হওয়ায়, আমাদের একটি মডেল প্রশিক্ষণের প্রয়োজন। আসুন প্রথমে দেখি কিভাবে এই ইনপুটগুলি একটি স্নায়ুতন্ত্রের মাধ্যমে প্রক্রিয়া করা হবে। চলুন শুধুমাত্র প্রথম ইনপুট মান (3,5) তাকান। নীচের চিত্রটিতে এই প্রক্রিয়াটির একটি উপস্থাপনা দেখা যেতে পারে।

ইনপুট লেয়ারটি ঘুমের ঘন্টা এবং অধ্যয়নরত অতিবাহিত ঘন্টার উপর ভিত্তি করে দুটি ইনপুট নিউরন রয়েছে। আমরা পরীক্ষার স্কোর জন্য একটি একক আউটপুট নিউরন আছে। লুকানো স্তরের স্তরের সংখ্যা এবং নিউরনের সংখ্যাটি কিছুটা নির্বিচারে এবং আমরা সাধারণত আমাদের নির্দিষ্ট মডেলের জন্য সর্বোত্তম কাজ করে তা নির্ধারণ করতে পরীক্ষা করি। তবে এটা মনে রাখা গুরুত্বপূর্ণ যে, একবার এটি নির্বাচিত হলে, এটি মডেল জুড়ে পরিবর্তিত হয় না। এটা আমাদের হাইপার পরামিতি এক বিবেচনা করা হয়। একটি নিউরাল নেটের "শেখার" অংশ, এবং আমরা যে প্যারামিটারগুলি ট্রেন করি, তা হল প্রতিটি শূন্যস্থানগুলিতে প্রয়োগ করা বিভিন্ন ওজন।
উপরে আমাদের পদক্ষেপের দিকে তাকিয়ে, আমরা আমাদের সহজ চিত্রের উদাহরণ দিয়ে হাঁটতে পারি।
- আমাদের ইনপুট নিউরনগুলি যে তথ্য আমরা পূর্বাভাস / শ্রেণীভুক্ত করার চেষ্টা করছি তার উপর ভিত্তি করে একটি ইনপুট উপস্থাপন করে
এখানে আমরা 3 টি ইনপুট নিউরন এবং 5 টি ঘুমের ঘন্টা এবং অধ্যয়নরত ঘন্টা কাটানোর জন্য উপস্থাপন করি; এই একটি একক ইনপুট পর্যবেক্ষণ করা।
2. ইনপুট নিউরন প্রতিটি সংখ্যা প্রতিটি synapse এ ওজন দেওয়া হয়
ঘুমের ঘন্টার সংখ্যা এবং অধ্যয়নরত ঘন্টার সংখ্যাগুলি প্রতিটি সিনাপে ভিন্নভাবে ওজন করা হয়
3. পরবর্তী স্তরে প্রতিটি নিউরন এ, আমরা সেই নিউরন এবং একটি পক্ষপাতের আসন্ন সমস্ত শব্দের আউটপুট যোগ করে এবং ওজনযুক্ত সমষ্টিতে অ্যাক্টিভেশন ফাংশন প্রয়োগ করি (এটি 0 থেকে 1 এর মধ্যে কোনটি তৈরি করে)
প্রতিটি সিনাপের ফলাফল আমাদেরকে জিআই (1) দিতে একসাথে যোগ করা হয় যা আমাদেরকে A1i প্রদান করার জন্য একটি অ্যাক্টিভেশন ফাংশনে প্রেরণ করা হয় (এটি 0 এবং 1 এর মধ্যে একটি মান সহ আমাদের সক্রিয়করণ নম্বর হবে)
4. যে ফাংশন আউটপুট পরবর্তী synapse স্তর জন্য ইনপুট হিসাবে গণ্য করা হবে
এই ফাংশন ফলাফল নতুন ইনপুট এবং ওজন হিসাবে গণ্য করা হয়
5. আপনি আউটপুট পৌঁছানোর পর্যন্ত চালিয়ে যান
যেহেতু এই উদাহরণটিতে শুধুমাত্র একটি লুকানো স্তর আছে, এই synapses ফলাফল একসঙ্গে যোগ করা হয় এবং প্রথম পর্যবেক্ষণের জন্য আমাদের পূর্বাভাস দিতে একটি সিগময়েড অ্যাক্টিভেশন ফাংশন মধ্যে পাস
উপরের চিত্রটি আমাদেরকে একক ইনপুটের জন্য প্রক্রিয়াটি দেখায়। প্রতিটি ইনপুট জোড়ার জন্য একটি সময়ে এটি করা একটু কষ্টকর এবং এর ফলে একটি খুব ধীর এবং অকার্যকর কোড হতে পারে। পরিবর্তে, আমরা সাধারণত একযোগে matrices ব্যবহার করে সব ইনপুট প্রক্রিয়া।
এটি কিভাবে কাজ করে তা দেখতে, আমাদের প্রথমে বুঝতে হবে যে আমরা ইনপুট নিউরন থেকে লুকানো স্তর নিউরনের ধাপগুলি নিম্নরূপ সমস্ত ইনপুটগুলির জন্য উপস্থাপন করতে পারি:

আমাদের লাল বৃত্তে যা আছে তা হল Z1 (1) Z2 (1) Z3 (1) এর জন্য চিত্রটিতে আমরা একই জিনিস পাই। হিসাবে আমরা দেখতে পারেন, ম্যাট্রিক্স গুণ সঙ্গে, আমরা দ্রুত প্রক্রিয়া মাধ্যমে চালাতে পারেন। আমাদের যা করতে হবে তা আমাদের স্তরের নিউরনের একটি কলাম ম্যাট্রিক্স হিসাবে লিখতে এবং সারি ম্যাট্রিক্স হিসাবে আমাদের ওজনগুলিকে সংগঠিত করতে হবে। ম্যাট্রিক্স গুণ দ্বারা, আমরা প্রতিটি ইনপুট পর্যবেক্ষণের জন্য ওজনযুক্ত সমষ্টি পেতে পারেন। এই থেকে বিল্ডিং, পদক্ষেপগুলি আগের মত বেশ অনুরূপ কিন্তু একবার সমস্ত ইনপুট সঙ্গে চুক্তি।

এই ম্যাট্রিক্স ফর্মটি এমনভাবে তৈরি করে যাতে আমরা এক স্তর থেকে পরবর্তীতে একেবারে টাইট এবং নিরপেক্ষ অভিব্যক্তিতে অ্যাক্টিভেশনের পূর্ণ রূপান্তরগুলি উপস্থাপন করতে পারি। এই দক্ষ স্নায়বিক নেটওয়ার্ক কোড করতে অনেক সহজ করে তোলে।
নিউরাল নেটওয়ার্ক বুঝতে পরবর্তী ধাপে কিভাবে নিউরাল নেটওয়ার্ক "শিখতে" হবে। মূলত, এই আমাদের মডেলের জন্য সঠিক ওজন খুঁজে কিভাবে figuring হয়। এই পরের ব্লগে আচ্ছাদিত করা হবে।
এই এন্ট্রিতে আলোচনা করা ধারনা নিম্নলিখিত ভিডিও দ্বারা অনুপ্রাণিত হয়:
0 comments:
Post a Comment