د دې پیژندلو لپاره چې یو ماډل ډیر فټ شوی وي ، یو څوک باید د ډیر فټینګ مفهوم او د ماشین زده کړې کې د هغې اغیزې درک کړي. ډیر فټینګ هغه وخت رامینځته کیږي کله چې یو ماډل د روزنې ډیټا کې په استثنایی ډول ښه فعالیت کوي مګر نوي ، نه لیدل شوي ډیټا ته عمومي کولو کې پاتې راځي. دا پدیده د ماډل وړاندوینې وړتیا ته زیان رسوي او کولی شي په ریښتیني نړۍ سناریوګانو کې د ضعیف فعالیت لامل شي. د ګوګل کلاوډ ماشین زده کړې کې د ژورو عصبي شبکو او اټکل کونکو په شرایطو کې ، ډیری شاخصونه شتون لري چې کولی شي د ډیر فټینګ پیژندلو کې مرسته وکړي.
د ډیر فټینګ یوه عام نښه د روزنې ډیټا کې د ماډل فعالیت او د اعتبار یا ازموینې ډیټا کې د هغې فعالیت ترمینځ د پام وړ توپیر دی. کله چې یو ماډل ډیر مناسب وي، دا د اصلي نمونو زده کولو پرځای د روزنې مثالونه "یاد کوي". د پایلې په توګه، دا ممکن د روزنې سیټ کې لوړ دقت ترلاسه کړي مګر د نوي معلوماتو په اړه دقیق وړاندوینې کولو لپاره مبارزه وکړي. په جلا تایید یا ازموینې سیټ کې د ماډل فعالیت ارزولو سره ، یو څوک کولی شي ارزونه وکړي که چیرې ډیر فټینګ رامینځته شوی وي.
د ډیر فټینګ بله نښه د ماډل روزنې او د اعتبار غلطۍ نرخونو ترمینځ لوی توپیر دی. د روزنې پروسې په جریان کې، ماډل هڅه کوي چې د خپلو پیرامیټونو په تنظیم کولو سره خپله تېروتنه کمه کړي. په هرصورت، که چیرې ماډل ډیر پیچلی شي یا د ډیر وخت لپاره روزل شوی وي، دا ممکن د روزنې ډاټا کې د اصلي نمونو په پرتله د شور سره سم پیل کړي. دا کولی شي د ټیټ روزنې غلطۍ کچه رامینځته کړي مګر د پام وړ لوړ تایید خطا کچه. د دې غلطۍ نرخونو رجحان څارنه کولی شي د اضافي فټینګ پیژندلو کې مرسته وکړي.
برسېره پردې، د ماډل د ضایع فعالیت چلند څارنه کولی شي د اضافي فټینګ په اړه بصیرت چمتو کړي. د ضایع کولو فعالیت د ماډل اټکل شوي محصول او حقیقي اهدافو ترمنځ توپیر اندازه کوي. په ډیر مناسب ماډل کې، د روزنې ډیټا کې د ضایع فعالیت ممکن کمیدو ته دوام ورکړي پداسې حال کې چې د اعتبار ډاټا ضایع کول پیل کیږي. دا په ګوته کوي چې ماډل په زیاتیدونکي توګه د روزنې مثالونو ته ځانګړی کیږي او د عمومي کولو وړتیا له لاسه ورکوي.
د منظم کولو تخنیکونه هم کارول کیدی شي ترڅو د ډیر فټینګ مخه ونیسي. منظم کول د تاوان فعالیت ته د جزا اصطلاح معرفي کوي، ماډل د ډیر پیچلي کیدو څخه هڅوي. تخنیکونه لکه L1 یا L2 منظم کول، پریښودل، یا ژر ودرول کولی شي د ماډل زده کړې پروسې کې د خنډونو په اضافه کولو سره د اضافي فټینګ کمولو کې مرسته وکړي.
دا مهمه ده چې په یاد ولرئ چې ډیر فټینګ د مختلف فاکتورونو لخوا اغیزمن کیدی شي ، پشمول د روزنې ډیټا اندازه او کیفیت ، د ماډل جوړښت پیچلتیا ، او غوره شوي هایپرپرامیټرونه. له همدې امله، دا مهمه ده چې دا فکتورونه په دقت سره وڅیړئ پداسې حال کې چې د موډلونو روزنه او ارزونه وکړئ ترڅو د ډیر فټینګ څخه مخنیوی وشي.
په ژورو عصبي شبکو او اټکل کونکو کې د ډیر فټینګ پیژندل د اعتبار یا ازموینې ډیټا کې د فعالیت تحلیل کول ، د روزنې او اعتبار غلطۍ نرخونو ترمینځ توپیر څارنه ، د ضایع فعالیت چلند مشاهده کول ، او د منظم کولو تخنیکونو ګمارل شامل دي. د دې شاخصونو په درک کولو او د مناسبو اقداماتو په کولو سره، یو څوک کولی شي د ډیر فټینګ ناوړه اغیزې کمې کړي او ډیر قوي او عمومي کولو وړ ماډلونه رامینځته کړي.
په اړه نورې وروستۍ پوښتنې او ځوابونه ژور عصبي شبکې او اټکلونکي:
- ایا ژوره زده کړه د ژور عصبي شبکې (DNN) پراساس د ماډل تعریف او روزنې په توګه تشریح کیدی شي؟
- ایا د ګوګل د TensorFlow چوکاټ د ماشین زده کړې ماډلونو په پراختیا کې د خلاصون کچه لوړه کوي (د مثال په توګه د ترتیب سره د کوډ کولو ځای په ځای کول)؟
- ایا دا سمه ده چې که ډیټاسیټ لوی وي یو لږ ارزونې ته اړتیا لري ، پدې معنی چې د ارزونې لپاره کارول شوي ډیټاسیټ برخه د ډیټاسیټ اندازې زیاتوالي سره کم کیدی شي؟
- ایا یو څوک کولی شي په اسانۍ سره د ژور عصبي شبکې (DNN) پټ دلیل په توګه چمتو شوي سرې بدلولو سره په انفرادي پرتونو کې د پرتونو او نوډونو شمیر (زیاتولو او لرې کولو) کنټرول کړي؟
- عصبي شبکې او ژورې عصبي شبکې څه دي؟
- ولې ژورې عصبي شبکې ژورې بلل کیږي؟
- DNN ته د نورو نوډونو اضافه کولو ګټې او زیانونه څه دي؟
- د ورکیدو تدریجي ستونزه څه ده؟
- د خطي ماډلونو په پرتله د ژورو عصبي شبکو کارولو ځینې نیمګړتیاوې څه دي؟
- کوم اضافي پیرامیټونه د DNN کټګورۍ کې تنظیم کیدی شي، او دوی څنګه د ژور عصبي شبکې په ښه کولو کې مرسته کوي؟
نورې پوښتنې او ځوابونه په ژور عصبي شبکو او اټکل کونکو کې وګورئ