د مصنوعي استخباراتو په برخه کې، په ځانګړې توګه د ژورې زده کړې په برخه کې، د طبقه بندي عصبي شبکې د دندو لپاره بنسټیز وسیلې دي لکه د انځور پیژندنه، د طبیعي ژبې پروسس کول، او نور. کله چې د طبقه بندي عصبي شبکې د محصول په اړه بحث وکړئ، نو دا مهمه ده چې د ټولګیو ترمنځ د احتمالي ویش مفهوم پوه شي. دا بیان چې "د طبقه بندي عصبي شبکې لپاره، پایله باید د ټولګیو ترمنځ احتمالي ویش وي" په حقیقت کې ریښتیا ده.
د ډلبندۍ په دنده کې، یو عصبي شبکه ډیزاین شوې ترڅو ځانګړي کټګوریو یا ټولګیو ته د معلوماتو ډیټا ټکي وټاکي. شبکه د یو بل سره تړلي نیورونونو د څو پرتونو له لارې د ان پټ ډیټا پروسس کوي، هر پرت د ان پټ ډیټا ته د بدلونونو سیټ پلي کوي. د عصبي شبکې وروستۍ طبقه معمولا د نوډونو څخه جوړه ده چې د طبقه بندي دندې کې مختلف ټولګیو سره مطابقت لري.
د عصبي شبکې د روزنې مرحلې په جریان کې ، ماډل زده کوي چې خپل پیرامیټونه تنظیم کړي ترڅو د وړاندوینې شوي محصول او د روزنې ډیټا ریښتیني لیبلونو ترمینځ توپیر کم کړي. پدې پروسه کې د ضایع فعالیت اصلاح کول شامل دي ، کوم چې د وړاندوینې شوي ټولګي احتمالاتو او ریښتیني ټولګي لیبلونو ترمینځ توپیر اندازه کوي. په تکراري ډول د شبکې پیرامیټرو د میتودونو له لارې تازه کول لکه بیک پروپاګیشن او تدریجي نزول ، ماډل په تدریجي ډول د دقیق وړاندوینې کولو وړتیا ته وده ورکوي.
د طبقه بندي عصبي شبکې محصول اکثرا په ټولګیو کې د احتمالي توزیع په توګه ښودل کیږي. دا پدې مانا ده چې د هر ان پټ ډیټا پوائنټ لپاره، شبکه د ټولګي احتمالاتو سیټ تولیدوي، چې د هر ټولګي پورې اړوند د ان پټ احتمال په ګوته کوي. احتمالات په عموم ډول معمول شوي ترڅو یو ته راټول شي، دا ډاډه کوي چې دوی د اعتبار وړ احتمالي ویش استازیتوب کوي.
د مثال په توګه، د بائنری ډلبندۍ په یوه ساده دنده کې چیرې چې ټولګي "پیشو" او "سپي" دي، د عصبي شبکې محصول کیدای شي [0.8، 0.2] وي، دا په ګوته کوي چې ماډل 80٪ ډاډه دی چې دا وسیله پیشو ده او 20٪ باور لري چې دا یو سپی دی. د څو ټولګیو ډلبندۍ سناریو کې د ټولګیو سره لکه "موټر،" "بس،" او "بایسکل،" محصول ممکن د [0.6، 0.3، 0.1] په څیر ښکاري، د هر ټولګي لپاره د ماډل احتمالات ښیې.
دا احتمالي محصول د ډیری دلیلونو لپاره ارزښت لري. لومړی، دا په خپلو وړاندوینو کې د ماډل اعتماد اندازه وړاندې کوي، کاروونکو ته اجازه ورکوي چې د درجه بندي پایلو اعتبار ارزونه وکړي. برسیره پردې، د احتمال ویش د ماډل د ناڅرګندتیا پراساس د پریکړو کولو لپاره کارول کیدی شي، د بیلګې په توګه، د وړاندوینو منلو لپاره د حد په ټاکلو سره یا د softmax په څیر تخنیکونو په کارولو سره د خامو پایلو احتمالاتو بدلولو لپاره.
دا بیان چې "د طبقه بندي عصبي شبکې لپاره، پایله باید د ټولګیو ترمنځ د احتمالي ویش وي" په سمه توګه د طبقه بندي عصبي شبکې د کار کولو یو بنسټیز اړخ په سمه توګه نیسي. په ټولګیو کې د احتمالي توزیع تولیدولو سره، دا شبکې ډیر دقیق او معلوماتي وړاندوینې وړوي چې د ریښتینې نړۍ غوښتنلیکونو پراخه لړۍ لپاره خورا مهم دي.
په اړه نورې وروستۍ پوښتنې او ځوابونه EITC/AI/DLPP د Python او PyTorch سره ژوره زده کړه:
- که چیرې یو څوک غواړي چې د رنګ عکسونه په عصبي عصبي شبکه کې وپیژني ، ایا یو څوک باید د خړ پیمانه عکسونو د ثبت کولو پرمهال بل اړخ اضافه کړي؟
- ایا د فعالولو فعالیت په پام کې نیول کیدی شي چې په مغزو کې د نیورون تقلید یا په ډزو سره یا نه؟
- ایا PyTorch د ځینې اضافي دندو سره په GPU کې د NumPy چلولو سره پرتله کیدی شي؟
- ایا د نمونې څخه بهر ضایع د اعتبار ضایع دی؟
- ایا یو څوک باید د PyTorch د چلولو عصبي شبکې ماډل عملي تحلیل لپاره د ټینسر بورډ وکاروي یا میټپلوټلیب کافي دی؟
- ایا PyTorch د ځینې اضافي دندو سره په GPU کې د NumPy چلولو سره پرتله کیدی شي؟
- ایا په PyTorch کې په ډیری GPUs کې د ژورې زده کړې عصبي شبکې ماډل چلول خورا ساده پروسه ده؟
- ایا منظم عصبي شبکه د نږدې 30 ملیارد متغیرونو فعالیت سره پرتله کیدی شي؟
- تر ټولو لوی عصبي عصبي شبکه څه ده؟
- که ان پټ د numpy arrays storing heatmap لیست وي کوم چې د ViTPose محصول دی او د هرې numpy فایل شکل [1, 17, 64, 48] په بدن کې د 17 کلیدي ټکو سره مطابقت لري، کوم الګوریتم کارول کیدی شي؟
نورې پوښتنې او ځوابونه په EITC/AI/DLPP ژور زده کړه کې د Python او PyTorch سره وګورئ