د فعالولو فعالیتونه په مصنوعي عصبي شبکو کې مهم رول لوبوي، د دې په ټاکلو کې د کلیدي عنصر په توګه خدمت کوي چې ایا نیورون باید فعال شي یا نه. د فعالولو دندو مفهوم په حقیقت کې د انسان په مغز کې د نیورونونو ډزو سره پرتله کیدی شي. لکه څنګه چې په مغز کې یو نیورون د ترلاسه شوي آخذې پراساس سوځي یا غیر فعال پاتې کیږي، د مصنوعي نیورون فعالولو فعالیت دا ټاکي چې ایا نیورون باید فعال شي یا نه د انډولونو د وزن په اساس.
د مصنوعي عصبي شبکو په شرایطو کې ، د فعالیت فعالیت ماډل ته غیر خطي معرفي کوي ، شبکې ته اجازه ورکوي چې په ډیټا کې پیچلي نمونې او اړیکې زده کړي. دا غیر خطي وړتیا د شبکې لپاره اړینه ده چې نږدې پیچلې دندې په مؤثره توګه ترسره کړي.
د ژورې زده کړې په برخه کې ترټولو عام کارول شوي فعال فعالیت د سیګمایډ فعالیت دی. د سیګمایډ فنکشن یو انپټ اخلي او د 0 او 1 ترمنځ رینج ته رسوي. دا چلند د بیولوژیکي نیورون ډزو ته ورته دی، چیرې چې نیورون یا اور لګوي (1 ته نږدې محصول) یا غیر فعال پاتې کیږي (د 0 سره نږدې محصول) په داخل کې چې دا ترلاسه کوي.
بل په پراخه کچه کارول شوي فعال فعالیت د اصالح شوي خطي واحد (ReLU) دی. د ReLU فنکشن د ان پټ په مستقیم ډول د آوټ پوټ کولو له لارې غیر خطي معرفي کوي که چیرې دا مثبت وي، او صفر بل ډول. دا چلند په مغز کې د نیورون د ډزو سره مشابهت کوي، چیرې چې نیورون ډزې کوي که چیرې د ننوتلو سیګنال له یو ټاکلي حد څخه تیر شي.
په مقابل کې، د فعالولو فعالیتونه هم شتون لري لکه د هایپربولیک tangent (tanh) فنکشن، کوم چې ان پټ د -1 او 1 ترمنځ رینج ته رسوي. د tanh فنکشن د سیګمایډ فنکشن د یوې اندازې نسخې په توګه لیدل کیدی شي، قوي تدریجي چمتو کوي چې کولی شي. د ژورو عصبي شبکو په ډیر اغیزمنه روزنه کې مرسته کوي.
په مصنوعي عصبي شبکو کې د فعالیت فعالیت په مغز کې د بیولوژیکي نیورونونو د چلند ساده خلاصون په توګه ګڼل کیدی شي. پداسې حال کې چې مشابهت کامل نه دی، دا د ژورې زده کړې ماډلونو کې د فعالولو دندو د رول د پوهیدو لپاره یو مفهوم چوکاټ چمتو کوي.
د فعالولو فعالیتونه په مصنوعي عصبي شبکو کې د غیر خطي په معرفي کولو او د دې معلومولو له لارې مهم رول لوبوي چې ایا نیورون باید د ترلاسه شوي ان پټ پراساس فعال شي. په مغز کې د نیورونونو د ډزو د نقل کولو مشابهت د ژورې زده کړې ماډلونو کې د فعالیت فعالیت او اهمیت په پوهیدو کې مرسته کوي.
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 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 دا وړاندیز ریښتیا دی یا غلط "د طبقه بندي عصبي شبکې لپاره پایله باید د ټولګیو ترمینځ احتمالي توزیع وي."
- 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