ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਰਹੱਸਮਈ ਲੱਗਦੇ ਹਨ ਜਦੋਂ ਤੱਕ ਉਹ ਨਹੀਂ। ਜੇਕਰ ਤੁਸੀਂ ਕਦੇ ਸੋਚਿਆ ਹੈ ਕਿ AI ਵਿੱਚ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਕੀ ਹੈ? ਅਤੇ ਕੀ ਇਹ ਸਿਰਫ਼ ਇੱਕ ਫੈਂਸੀ ਟੋਪੀ ਵਾਲਾ ਗਣਿਤ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਸਹੀ ਜਗ੍ਹਾ 'ਤੇ ਹੋ। ਅਸੀਂ ਇਸਨੂੰ ਵਿਹਾਰਕ ਰੱਖਾਂਗੇ, ਛੋਟੇ-ਛੋਟੇ ਚੱਕਰਾਂ ਵਿੱਚ ਛਿੜਕੋਗੇ, ਅਤੇ ਹਾਂ - ਕੁਝ ਇਮੋਜੀ। ਤੁਹਾਨੂੰ ਇਹ ਜਾਣਨ ਵਿੱਚ ਮਦਦ ਮਿਲੇਗੀ ਕਿ ਇਹ ਸਿਸਟਮ ਕੀ ਹਨ, ਉਹ ਕਿਉਂ ਕੰਮ ਕਰਦੇ ਹਨ, ਉਹ ਕਿੱਥੇ ਅਸਫਲ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਹੱਥ ਹਿਲਾਏ ਬਿਨਾਂ ਉਨ੍ਹਾਂ ਬਾਰੇ ਕਿਵੇਂ ਗੱਲ ਕਰਨੀ ਹੈ।
ਇਸ ਤੋਂ ਬਾਅਦ ਤੁਸੀਂ ਜੋ ਲੇਖ ਪੜ੍ਹਨਾ ਪਸੰਦ ਕਰ ਸਕਦੇ ਹੋ:
🔗 ਏਆਈ ਪੱਖਪਾਤ ਕੀ ਹੈ?
ਨਿਰਪੱਖਤਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ AI ਪ੍ਰਣਾਲੀਆਂ ਅਤੇ ਰਣਨੀਤੀਆਂ ਵਿੱਚ ਪੱਖਪਾਤ ਨੂੰ ਸਮਝਣਾ।
🔗 ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲਾ AI ਕੀ ਹੈ?
ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲਾ AI ਭਵਿੱਖ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਪੈਟਰਨਾਂ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰਦਾ ਹੈ।
🔗 ਏਆਈ ਟ੍ਰੇਨਰ ਕੀ ਹੁੰਦਾ ਹੈ?
ਏਆਈ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਵਾਲੇ ਪੇਸ਼ੇਵਰਾਂ ਦੀ ਭੂਮਿਕਾ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀਆਂ ਦੀ ਪੜਚੋਲ ਕਰਨਾ।
🔗 ਏਆਈ ਵਿੱਚ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਕੀ ਹੈ?
ਏਆਈ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਰਾਹੀਂ ਵਿਜ਼ੂਅਲ ਡੇਟਾ ਦੀ ਵਿਆਖਿਆ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕਿਵੇਂ ਕਰਦਾ ਹੈ।
AI ਵਿੱਚ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਕੀ ਹੈ? 10-ਸਕਿੰਟ ਦਾ ਜਵਾਬ ⏱️
ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਸਧਾਰਨ ਗਣਨਾ ਇਕਾਈਆਂ ਦਾ ਇੱਕ ਸਟੈਕ ਹੁੰਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਨਿਊਰੋਨਸ ਕਿਹਾ ਜਾਂਦਾ ਹੈ ਜੋ ਨੰਬਰਾਂ ਨੂੰ ਅੱਗੇ ਭੇਜਦੇ ਹਨ, ਸਿਖਲਾਈ ਦੌਰਾਨ ਉਹਨਾਂ ਦੀਆਂ ਕਨੈਕਸ਼ਨ ਸ਼ਕਤੀਆਂ ਨੂੰ ਵਿਵਸਥਿਤ ਕਰਦੇ ਹਨ, ਅਤੇ ਹੌਲੀ-ਹੌਲੀ ਡੇਟਾ ਵਿੱਚ ਪੈਟਰਨ ਸਿੱਖਦੇ ਹਨ। ਜਦੋਂ ਤੁਸੀਂ ਡੂੰਘੀ ਸਿਖਲਾਈ , ਤਾਂ ਇਸਦਾ ਆਮ ਤੌਰ 'ਤੇ ਮਤਲਬ ਹੁੰਦਾ ਹੈ ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਜਿਸ ਵਿੱਚ ਬਹੁਤ ਸਾਰੀਆਂ ਸਟੈਕਡ ਲੇਅਰਾਂ ਹੁੰਦੀਆਂ ਹਨ, ਸਿੱਖਣ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਆਪਣੇ ਆਪ ਹੀ ਹੁੰਦੀਆਂ ਹਨ ਨਾ ਕਿ ਤੁਸੀਂ ਉਹਨਾਂ ਨੂੰ ਹੱਥ ਨਾਲ ਕੋਡ ਕਰਦੇ ਹੋ। ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ: ਬਹੁਤ ਸਾਰੇ ਛੋਟੇ ਗਣਿਤ ਦੇ ਟੁਕੜੇ, ਚਲਾਕੀ ਨਾਲ ਵਿਵਸਥਿਤ, ਡੇਟਾ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਜਦੋਂ ਤੱਕ ਉਹ ਉਪਯੋਗੀ ਨਹੀਂ ਹੁੰਦੇ [1]।
ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਨੂੰ ਕੀ ਲਾਭਦਾਇਕ ਬਣਾਉਂਦਾ ਹੈ? ✅
-
ਪ੍ਰਤੀਨਿਧਤਾ ਸ਼ਕਤੀ : ਸਹੀ ਆਰਕੀਟੈਕਚਰ ਅਤੇ ਆਕਾਰ ਦੇ ਨਾਲ, ਨੈੱਟਵਰਕ ਬਹੁਤ ਹੀ ਗੁੰਝਲਦਾਰ ਫੰਕਸ਼ਨਾਂ ਦਾ ਅਨੁਮਾਨ ਲਗਾ ਸਕਦੇ ਹਨ (ਯੂਨੀਵਰਸਲ ਅਨੁਮਾਨ ਪ੍ਰਮੇਯ ਵੇਖੋ) [4]।
-
ਅੰਤ ਤੋਂ ਅੰਤ ਤੱਕ ਸਿਖਲਾਈ : ਹੱਥ-ਇੰਜੀਨੀਅਰਿੰਗ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਬਜਾਏ, ਮਾਡਲ ਉਹਨਾਂ ਨੂੰ ਖੋਜਦਾ ਹੈ [1]।
-
ਆਮੀਕਰਨ : ਇੱਕ ਚੰਗੀ ਤਰ੍ਹਾਂ ਨਿਯਮਤ ਨੈੱਟਵਰਕ ਸਿਰਫ਼ ਯਾਦ ਨਹੀਂ ਰੱਖਦਾ - ਇਹ ਨਵੇਂ, ਅਣਦੇਖੇ ਡੇਟਾ [1] 'ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ।
-
ਸਕੇਲੇਬਿਲਟੀ : ਵੱਡੇ ਡੇਟਾਸੈੱਟ ਅਤੇ ਵੱਡੇ ਮਾਡਲ ਅਕਸਰ ਨਤੀਜਿਆਂ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦੇ ਰਹਿੰਦੇ ਹਨ... ਕੰਪਿਊਟ ਅਤੇ ਡੇਟਾ ਗੁਣਵੱਤਾ ਵਰਗੀਆਂ ਵਿਹਾਰਕ ਸੀਮਾਵਾਂ ਤੱਕ [1]।
-
ਟ੍ਰਾਂਸਫਰਯੋਗਤਾ : ਇੱਕ ਕੰਮ ਵਿੱਚ ਸਿੱਖੀਆਂ ਗਈਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੂਜੇ ਕੰਮ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀਆਂ ਹਨ (ਟ੍ਰਾਂਸਫਰ ਸਿਖਲਾਈ ਅਤੇ ਫਾਈਨ-ਟਿਊਨਿੰਗ) [1]।
ਛੋਟਾ ਫੀਲਡ ਨੋਟ (ਉਦਾਹਰਣ ਦ੍ਰਿਸ਼): ਇੱਕ ਛੋਟੀ ਉਤਪਾਦ-ਵਰਗੀਕਰਣ ਟੀਮ ਇੱਕ ਸੰਖੇਪ CNN ਲਈ ਹੱਥ ਨਾਲ ਬਣਾਈਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਬਦਲਦੀ ਹੈ, ਸਧਾਰਨ ਵਾਧਾ (ਫਲਿਪਸ/ਕਰਾਪ) ਜੋੜਦੀ ਹੈ, ਅਤੇ ਪ੍ਰਮਾਣਿਕਤਾ ਗਲਤੀ ਡ੍ਰੌਪ ਨੂੰ ਦੇਖਦੀ ਹੈ - ਇਸ ਲਈ ਨਹੀਂ ਕਿ ਨੈੱਟਵਰਕ "ਜਾਦੂ" ਹੈ, ਸਗੋਂ ਇਸ ਲਈ ਕਿਉਂਕਿ ਇਸਨੇ ਸਿੱਧੇ ਪਿਕਸਲ ਤੋਂ ਵਧੇਰੇ ਉਪਯੋਗੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਸਿੱਖੀਆਂ ਹਨ।
"AI ਵਿੱਚ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਕੀ ਹੈ?" ਸਾਦੀ ਅੰਗਰੇਜ਼ੀ ਵਿੱਚ, ਇੱਕ ਸ਼ੱਕੀ ਰੂਪਕ ਦੇ ਨਾਲ 🍞
ਇੱਕ ਬੇਕਰੀ ਲਾਈਨ ਦੀ ਕਲਪਨਾ ਕਰੋ। ਸਮੱਗਰੀ ਆਉਂਦੀ ਹੈ, ਵਰਕਰ ਵਿਅੰਜਨ ਨੂੰ ਬਦਲਦੇ ਹਨ, ਸੁਆਦ ਜਾਂਚ ਕਰਨ ਵਾਲੇ ਸ਼ਿਕਾਇਤ ਕਰਦੇ ਹਨ, ਅਤੇ ਟੀਮ ਵਿਅੰਜਨ ਨੂੰ ਦੁਬਾਰਾ ਅਪਡੇਟ ਕਰਦੀ ਹੈ। ਇੱਕ ਨੈੱਟਵਰਕ ਵਿੱਚ, ਇਨਪੁਟ ਲੇਅਰਾਂ ਵਿੱਚੋਂ ਲੰਘਦੇ ਹਨ, ਨੁਕਸਾਨ ਫੰਕਸ਼ਨ ਆਉਟਪੁੱਟ ਨੂੰ ਗ੍ਰੇਡ ਕਰਦਾ ਹੈ, ਅਤੇ ਗਰੇਡੀਐਂਟ ਅਗਲੀ ਵਾਰ ਬਿਹਤਰ ਕਰਨ ਲਈ ਭਾਰ ਨੂੰ ਧੱਕਦਾ ਹੈ। ਇੱਕ ਰੂਪਕ ਦੇ ਤੌਰ 'ਤੇ ਸੰਪੂਰਨ ਨਹੀਂ - ਰੋਟੀ ਵੱਖ ਨਹੀਂ ਕੀਤੀ ਜਾ ਸਕਦੀ - ਪਰ ਇਹ ਚਿਪਕ ਜਾਂਦੀ ਹੈ [1]।
ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੀ ਸਰੀਰ ਵਿਗਿਆਨ 🧩
-
ਨਿਊਰੋਨ : ਇੱਕ ਭਾਰ ਵਾਲੇ ਜੋੜ ਅਤੇ ਇੱਕ ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ ਨੂੰ ਲਾਗੂ ਕਰਨ ਵਾਲੇ ਛੋਟੇ ਕੈਲਕੂਲੇਟਰ।
-
ਵਜ਼ਨ ਅਤੇ ਪੱਖਪਾਤ : ਐਡਜਸਟੇਬਲ ਨੋਬ ਜੋ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਨ ਕਿ ਸਿਗਨਲ ਕਿਵੇਂ ਇਕੱਠੇ ਹੁੰਦੇ ਹਨ।
-
ਪਰਤਾਂ : ਇਨਪੁੱਟ ਪਰਤ ਡੇਟਾ ਪ੍ਰਾਪਤ ਕਰਦੀ ਹੈ, ਲੁਕੀਆਂ ਪਰਤਾਂ ਇਸਨੂੰ ਬਦਲ ਦਿੰਦੀਆਂ ਹਨ, ਆਉਟਪੁੱਟ ਪਰਤ ਭਵਿੱਖਬਾਣੀ ਕਰਦੀ ਹੈ।
-
ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ : ReLU, sigmoid, tanh, ਅਤੇ softmax ਵਰਗੇ ਗੈਰ-ਰੇਖਿਕ ਮੋੜ ਸਿੱਖਣ ਨੂੰ ਲਚਕਦਾਰ ਬਣਾਉਂਦੇ ਹਨ।
-
ਨੁਕਸਾਨ ਫੰਕਸ਼ਨ : ਭਵਿੱਖਬਾਣੀ ਕਿੰਨੀ ਗਲਤ ਹੈ ਇਸਦਾ ਸਕੋਰ (ਵਰਗੀਕਰਣ ਲਈ ਕਰਾਸ-ਐਂਟਰੋਪੀ, ਰਿਗਰੈਸ਼ਨ ਲਈ MSE)।
-
ਆਪਟੀਮਾਈਜ਼ਰ : SGD ਜਾਂ ਐਡਮ ਵਰਗੇ ਐਲਗੋਰਿਦਮ ਵਜ਼ਨ ਅੱਪਡੇਟ ਕਰਨ ਲਈ ਗਰੇਡੀਐਂਟ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ।
-
ਰੈਗੂਲਰਾਈਜ਼ੇਸ਼ਨ : ਮਾਡਲ ਨੂੰ ਓਵਰਫਿਟਿੰਗ ਤੋਂ ਬਚਾਉਣ ਲਈ ਡਰਾਪਆਉਟ ਜਾਂ ਭਾਰ ਘਟਾਉਣ ਵਰਗੀਆਂ ਤਕਨੀਕਾਂ।
ਜੇਕਰ ਤੁਸੀਂ ਰਸਮੀ ਇਲਾਜ (ਪਰ ਫਿਰ ਵੀ ਪੜ੍ਹਨਯੋਗ) ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਓਪਨ ਟੈਕਸਟਬੁੱਕ ਡੀਪ ਲਰਨਿੰਗ ਪੂਰੇ ਸਟੈਕ ਨੂੰ ਕਵਰ ਕਰਦੀ ਹੈ: ਗਣਿਤ ਦੀਆਂ ਨੀਂਹਾਂ, ਅਨੁਕੂਲਤਾ, ਅਤੇ ਸਧਾਰਣਕਰਨ [1]।
ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ, ਸੰਖੇਪ ਵਿੱਚ ਪਰ ਮਦਦਗਾਰ ⚡
-
ReLU : ਨਕਾਰਾਤਮਕ ਲਈ ਜ਼ੀਰੋ, ਸਕਾਰਾਤਮਕ ਲਈ ਰੇਖਿਕ। ਸਰਲ, ਤੇਜ਼, ਪ੍ਰਭਾਵਸ਼ਾਲੀ।
-
ਸਿਗਮੋਇਡ : 0 ਅਤੇ 1 ਦੇ ਵਿਚਕਾਰ ਮੁੱਲਾਂ ਨੂੰ ਸਕੁਐਸ਼ ਕਰਦਾ ਹੈ - ਉਪਯੋਗੀ ਪਰ ਸੰਤ੍ਰਿਪਤ ਹੋ ਸਕਦਾ ਹੈ।
-
ਤਨਹ : ਸਿਗਮੋਇਡ ਵਾਂਗ ਪਰ ਜ਼ੀਰੋ ਦੇ ਦੁਆਲੇ ਸਮਮਿਤੀ।
-
ਸਾਫਟਮੈਕਸ : ਕਲਾਸਾਂ ਵਿੱਚ ਕੱਚੇ ਸਕੋਰਾਂ ਨੂੰ ਸੰਭਾਵਨਾਵਾਂ ਵਿੱਚ ਬਦਲਦਾ ਹੈ।
ਤੁਹਾਨੂੰ ਹਰ ਵਕਰ ਆਕਾਰ ਨੂੰ ਯਾਦ ਰੱਖਣ ਦੀ ਜ਼ਰੂਰਤ ਨਹੀਂ ਹੈ - ਬਸ ਟ੍ਰੇਡ-ਆਫ ਅਤੇ ਆਮ ਡਿਫਾਲਟ [1, 2] ਨੂੰ ਜਾਣੋ।
ਸਿੱਖਣਾ ਅਸਲ ਵਿੱਚ ਕਿਵੇਂ ਹੁੰਦਾ ਹੈ: ਬੈਕਪ੍ਰੌਪ, ਪਰ ਡਰਾਉਣਾ ਨਹੀਂ 🔁
-
ਫਾਰਵਰਡ ਪਾਸ : ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਪੈਦਾ ਕਰਨ ਲਈ ਡੇਟਾ ਪਰਤ ਦਰ ਪਰਤ ਵਹਿੰਦਾ ਹੈ।
-
ਨੁਕਸਾਨ ਦੀ ਗਣਨਾ ਕਰੋ : ਭਵਿੱਖਬਾਣੀ ਦੀ ਸੱਚਾਈ ਨਾਲ ਤੁਲਨਾ ਕਰੋ।
-
ਬੈਕਪ੍ਰੋਪੈਗੇਸ਼ਨ : ਚੇਨ ਨਿਯਮ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਹਰੇਕ ਭਾਰ ਦੇ ਸੰਬੰਧ ਵਿੱਚ ਨੁਕਸਾਨ ਦੇ ਗਰੇਡੀਐਂਟ ਦੀ ਗਣਨਾ ਕਰੋ।
-
ਅੱਪਡੇਟ : ਆਪਟੀਮਾਈਜ਼ਰ ਵਜ਼ਨ ਥੋੜ੍ਹਾ ਬਦਲਦਾ ਹੈ।
-
ਦੁਹਰਾਓ : ਕਈ ਯੁੱਗ। ਮਾਡਲ ਹੌਲੀ-ਹੌਲੀ ਸਿੱਖਦਾ ਹੈ।
ਵਿਜ਼ੂਅਲ ਅਤੇ ਕੋਡ-ਨਾਲ ਲੱਗੀਆਂ ਵਿਆਖਿਆਵਾਂ ਦੇ ਨਾਲ ਵਿਹਾਰਕ ਅਨੁਭਵ ਲਈ, ਬੈਕਪ੍ਰੌਪ ਅਤੇ ਓਪਟੀਮਾਈਜੇਸ਼ਨ [2] 'ਤੇ ਕਲਾਸਿਕ CS231n ਨੋਟਸ ਵੇਖੋ।
ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੇ ਮੁੱਖ ਪਰਿਵਾਰ, ਇੱਕ ਨਜ਼ਰ ਵਿੱਚ 🏡
-
ਫੀਡਫਾਰਵਰਡ ਨੈੱਟਵਰਕ (MLPs) : ਸਭ ਤੋਂ ਸਰਲ ਕਿਸਮ। ਡੇਟਾ ਸਿਰਫ਼ ਅੱਗੇ ਵਧਦਾ ਹੈ।
-
ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ (CNNs) : ਤਸਵੀਰਾਂ ਲਈ ਵਧੀਆ, ਸਥਾਨਿਕ ਫਿਲਟਰਾਂ ਦਾ ਧੰਨਵਾਦ ਜੋ ਕਿਨਾਰਿਆਂ, ਬਣਤਰਾਂ, ਆਕਾਰਾਂ ਦਾ ਪਤਾ ਲਗਾਉਂਦੇ ਹਨ [2]।
-
ਆਵਰਤੀ ਨਿਊਰਲ ਨੈੱਟਵਰਕ (RNNs) ਅਤੇ ਰੂਪ : ਕ੍ਰਮ ਦੀ ਭਾਵਨਾ ਰੱਖ ਕੇ ਟੈਕਸਟ ਜਾਂ ਸਮਾਂ ਲੜੀ ਵਰਗੇ ਕ੍ਰਮਾਂ ਲਈ ਬਣਾਇਆ ਗਿਆ ਹੈ [1]।
-
ਟ੍ਰਾਂਸਫਾਰਮਰ : ਇੱਕੋ ਸਮੇਂ ਇੱਕ ਕ੍ਰਮ ਵਿੱਚ ਸਥਿਤੀਆਂ ਵਿੱਚ ਮਾਡਲ ਸਬੰਧਾਂ ਵੱਲ ਧਿਆਨ ਦਿਓ; ਭਾਸ਼ਾ ਅਤੇ ਇਸ ਤੋਂ ਪਰੇ [3] ਵਿੱਚ ਪ੍ਰਮੁੱਖ।
-
ਗ੍ਰਾਫ਼ ਨਿਊਰਲ ਨੈੱਟਵਰਕ (GNNs) : ਗ੍ਰਾਫ਼ ਦੇ ਨੋਡਾਂ ਅਤੇ ਕਿਨਾਰਿਆਂ 'ਤੇ ਕੰਮ ਕਰੋ - ਅਣੂਆਂ, ਸੋਸ਼ਲ ਨੈੱਟਵਰਕਾਂ, ਸਿਫ਼ਾਰਸ਼ਾਂ [1] ਲਈ ਉਪਯੋਗੀ।
-
ਆਟੋਏਨਕੋਡਰ ਅਤੇ VAE : ਸੰਕੁਚਿਤ ਪ੍ਰਤੀਨਿਧਤਾਵਾਂ ਸਿੱਖੋ ਅਤੇ ਭਿੰਨਤਾਵਾਂ ਪੈਦਾ ਕਰੋ [1]।
-
ਜਨਰੇਟਿਵ ਮਾਡਲ : GAN ਤੋਂ ਲੈ ਕੇ ਪ੍ਰਸਾਰ ਮਾਡਲਾਂ ਤੱਕ, ਚਿੱਤਰਾਂ, ਆਡੀਓ, ਈਵਨ ਕੋਡ [1] ਲਈ ਵਰਤੇ ਜਾਂਦੇ ਹਨ।
CS231n ਨੋਟਸ ਖਾਸ ਤੌਰ 'ਤੇ CNN ਲਈ ਅਨੁਕੂਲ ਹਨ, ਜਦੋਂ ਕਿ ਟ੍ਰਾਂਸਫਾਰਮਰ ਪੇਪਰ ਧਿਆਨ-ਅਧਾਰਿਤ ਮਾਡਲਾਂ ਲਈ ਮੁੱਖ ਸਰੋਤ ਹੈ [2, 3]।
ਤੁਲਨਾ ਸਾਰਣੀ: ਆਮ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਕਿਸਮਾਂ, ਉਹ ਕਿਸ ਲਈ ਹਨ, ਲਾਗਤ ਵਾਈਬਸ, ਅਤੇ ਉਹ ਕਿਉਂ ਕੰਮ ਕਰਦੇ ਹਨ 📊
| ਔਜ਼ਾਰ / ਕਿਸਮ | ਦਰਸ਼ਕ | ਕੀਮਤੀ | ਇਹ ਕਿਉਂ ਕੰਮ ਕਰਦਾ ਹੈ |
|---|---|---|---|
| ਫੀਡਫਾਰਵਰਡ (MLP) | ਸ਼ੁਰੂਆਤ ਕਰਨ ਵਾਲੇ, ਵਿਸ਼ਲੇਸ਼ਕ | ਘੱਟ-ਦਰਮਿਆਨਾ | ਸਰਲ, ਲਚਕਦਾਰ, ਵਧੀਆ ਬੇਸਲਾਈਨ |
| ਸੀਐਨਐਨ | ਵਿਜ਼ਨ ਟੀਮਾਂ | ਦਰਮਿਆਨਾ | ਸਥਾਨਕ ਪੈਟਰਨ + ਪੈਰਾਮੀਟਰ ਸਾਂਝਾਕਰਨ |
| ਆਰਐਨਐਨ / ਐਲਐਸਟੀਐਮ / ਜੀਆਰਯੂ | ਸੀਕੁਐਂਸ ਲੋਕ | ਦਰਮਿਆਨਾ | ਅਸਥਾਈ ਯਾਦਦਾਸ਼ਤ... ਕ੍ਰਮ ਨੂੰ ਕੈਪਚਰ ਕਰਦੀ ਹੈ |
| ਟ੍ਰਾਂਸਫਾਰਮਰ | ਐਨਐਲਪੀ, ਮਲਟੀਮੋਡਲ | ਦਰਮਿਆਨਾ-ਉੱਚਾ | ਧਿਆਨ ਸਬੰਧਤ ਸੰਬੰਧਾਂ 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਹੈ |
| ਜੀ.ਐਨ.ਐਨ. | ਵਿਗਿਆਨੀ, ਰੀਕਸਿਸ | ਦਰਮਿਆਨਾ | ਗ੍ਰਾਫ਼ਾਂ 'ਤੇ ਸੁਨੇਹਾ ਭੇਜਣ ਨਾਲ ਬਣਤਰ ਦਾ ਪਤਾ ਲੱਗਦਾ ਹੈ |
| ਆਟੋਏਨਕੋਡਰ / VAE | ਖੋਜਕਰਤਾ | ਘੱਟ-ਦਰਮਿਆਨਾ | ਸੰਕੁਚਿਤ ਪ੍ਰਤੀਨਿਧਤਾਵਾਂ ਸਿੱਖਦਾ ਹੈ |
| GAN / ਪ੍ਰਸਾਰ | ਰਚਨਾਤਮਕ ਪ੍ਰਯੋਗਸ਼ਾਲਾਵਾਂ | ਦਰਮਿਆਨਾ-ਉੱਚਾ | ਵਿਰੋਧੀ ਜਾਂ ਦੁਹਰਾਓ ਵਾਲਾ ਸ਼ੋਰ ਨੂੰ ਘਟਾਉਣ ਵਾਲਾ ਜਾਦੂ |
ਨੋਟ: ਕੀਮਤ ਗਣਨਾ ਅਤੇ ਸਮੇਂ ਬਾਰੇ ਹੈ; ਤੁਹਾਡਾ ਮਾਈਲੇਜ ਵੱਖ-ਵੱਖ ਹੁੰਦਾ ਹੈ। ਇੱਕ ਜਾਂ ਦੋ ਸੈੱਲ ਜਾਣਬੁੱਝ ਕੇ ਗੱਲਬਾਤ ਕਰ ਰਹੇ ਹਨ।
"AI ਵਿੱਚ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਕੀ ਹੈ?" ਬਨਾਮ ਕਲਾਸੀਕਲ ML ਐਲਗੋਰਿਦਮ ⚖️
-
ਫੀਚਰ ਇੰਜੀਨੀਅਰਿੰਗ : ਕਲਾਸਿਕ ML ਅਕਸਰ ਮੈਨੂਅਲ ਫੀਚਰਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਨਿਊਰਲ ਨੈਟ ਆਪਣੇ ਆਪ ਫੀਚਰ ਸਿੱਖਦੇ ਹਨ - ਗੁੰਝਲਦਾਰ ਡੇਟਾ [1] ਲਈ ਇੱਕ ਵੱਡੀ ਜਿੱਤ।
-
ਡੇਟਾ ਭੁੱਖ : ਨੈੱਟਵਰਕ ਅਕਸਰ ਵਧੇਰੇ ਡੇਟਾ ਨਾਲ ਚਮਕਦੇ ਹਨ; ਛੋਟਾ ਡੇਟਾ ਸਰਲ ਮਾਡਲਾਂ ਦਾ ਸਮਰਥਨ ਕਰ ਸਕਦਾ ਹੈ [1]।
-
ਗਣਨਾ : ਨੈੱਟਵਰਕ GPUs ਵਰਗੇ ਐਕਸਲੇਟਰ ਪਸੰਦ ਕਰਦੇ ਹਨ [1]।
-
ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਸੀਮਾ : ਗੈਰ-ਸੰਗਠਿਤ ਡੇਟਾ (ਚਿੱਤਰ, ਆਡੀਓ, ਟੈਕਸਟ) ਲਈ, ਡੂੰਘੇ ਨੈੱਟ ਹਾਵੀ ਹੁੰਦੇ ਹਨ [1, 2]।
ਸਿਖਲਾਈ ਵਰਕਫਲੋ ਜੋ ਅਸਲ ਵਿੱਚ ਅਭਿਆਸ ਵਿੱਚ ਕੰਮ ਕਰਦਾ ਹੈ 🛠️
-
ਉਦੇਸ਼ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ : ਵਰਗੀਕਰਨ, ਰਿਗਰੈਸ਼ਨ, ਦਰਜਾਬੰਦੀ, ਪੀੜ੍ਹੀ - ਇੱਕ ਅਜਿਹਾ ਨੁਕਸਾਨ ਚੁਣੋ ਜੋ ਮੇਲ ਖਾਂਦਾ ਹੋਵੇ।
-
ਡਾਟਾ ਰੈਂਗਲਿੰਗ : ਟ੍ਰੇਨ/ਪ੍ਰਮਾਣਿਕਤਾ/ਟੈਸਟ ਵਿੱਚ ਵੰਡੋ। ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਆਮ ਬਣਾਓ। ਬੈਲੇਂਸ ਕਲਾਸਾਂ। ਤਸਵੀਰਾਂ ਲਈ, ਫਲਿੱਪ, ਕ੍ਰੌਪ, ਛੋਟਾ ਸ਼ੋਰ ਵਰਗੇ ਵਾਧੇ 'ਤੇ ਵਿਚਾਰ ਕਰੋ।
-
ਆਰਕੀਟੈਕਚਰ ਵਿਕਲਪ : ਸਧਾਰਨ ਸ਼ੁਰੂਆਤ ਕਰੋ। ਲੋੜ ਪੈਣ 'ਤੇ ਹੀ ਸਮਰੱਥਾ ਸ਼ਾਮਲ ਕਰੋ।
-
ਸਿਖਲਾਈ ਲੂਪ : ਡੇਟਾ ਨੂੰ ਬੈਚ ਕਰੋ। ਅੱਗੇ ਪਾਸ ਕਰੋ। ਨੁਕਸਾਨ ਦੀ ਗਣਨਾ ਕਰੋ। ਬੈਕਪ੍ਰੌਪ। ਅੱਪਡੇਟ। ਲੌਗ ਮੈਟ੍ਰਿਕਸ।
-
ਨਿਯਮਤ ਕਰੋ : ਛੱਡਣ, ਭਾਰ ਘਟਣਾ, ਜਲਦੀ ਬੰਦ ਹੋਣਾ।
-
ਮੁਲਾਂਕਣ ਕਰੋ : ਹਾਈਪਰਪੈਰਾਮੀਟਰਾਂ ਲਈ ਪ੍ਰਮਾਣਿਕਤਾ ਸੈੱਟ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਅੰਤਿਮ ਜਾਂਚ ਲਈ ਇੱਕ ਟੈਸਟ ਸੈੱਟ ਰੱਖੋ।
-
ਧਿਆਨ ਨਾਲ ਭੇਜੋ : ਵਹਾਅ ਦੀ ਨਿਗਰਾਨੀ ਕਰੋ, ਪੱਖਪਾਤ ਦੀ ਜਾਂਚ ਕਰੋ, ਵਾਪਸੀ ਦੀ ਯੋਜਨਾ ਬਣਾਓ।
ਠੋਸ ਸਿਧਾਂਤ ਵਾਲੇ ਐਂਡ-ਟੂ-ਐਂਡ, ਕੋਡ-ਅਧਾਰਿਤ ਟਿਊਟੋਰਿਅਲਸ ਲਈ, ਓਪਨ ਟੈਕਸਟਬੁੱਕ ਅਤੇ CS231n ਨੋਟਸ ਭਰੋਸੇਯੋਗ ਐਂਕਰ ਹਨ [1, 2]।
ਓਵਰਫਿਟਿੰਗ, ਜਨਰਲਾਈਜ਼ੇਸ਼ਨ, ਅਤੇ ਹੋਰ ਗ੍ਰੇਮਲਿਨ 👀
-
ਓਵਰਫਿਟਿੰਗ : ਇਹ ਮਾਡਲ ਸਿਖਲਾਈ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਯਾਦ ਰੱਖਦਾ ਹੈ। ਵਧੇਰੇ ਡੇਟਾ, ਮਜ਼ਬੂਤ ਨਿਯਮਤਕਰਨ, ਜਾਂ ਸਰਲ ਆਰਕੀਟੈਕਚਰ ਨਾਲ ਠੀਕ ਕਰੋ।
-
ਅੰਡਰਫਿਟਿੰਗ : ਮਾਡਲ ਬਹੁਤ ਸੌਖਾ ਹੈ ਜਾਂ ਸਿਖਲਾਈ ਬਹੁਤ ਡਰਪੋਕ ਹੈ। ਸਮਰੱਥਾ ਵਧਾਓ ਜਾਂ ਲੰਮਾ ਸਮਾਂ ਸਿਖਲਾਈ ਦਿਓ।
-
ਡਾਟਾ ਲੀਕ : ਟੈਸਟ ਸੈੱਟ ਤੋਂ ਜਾਣਕਾਰੀ ਸਿਖਲਾਈ ਵਿੱਚ ਘੁਸਪੈਠ ਕਰਦੀ ਹੈ। ਆਪਣੇ ਸਪਲਿਟ ਦੀ ਤਿੰਨ ਵਾਰ ਜਾਂਚ ਕਰੋ।
-
ਮਾੜਾ ਕੈਲੀਬ੍ਰੇਸ਼ਨ : ਇੱਕ ਮਾਡਲ ਜੋ ਭਰੋਸੇਮੰਦ ਹੈ ਪਰ ਗਲਤ ਹੈ, ਖ਼ਤਰਨਾਕ ਹੈ। ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਜਾਂ ਵੱਖਰੇ ਨੁਕਸਾਨ ਦੇ ਭਾਰ ਬਾਰੇ ਵਿਚਾਰ ਕਰੋ।
-
ਵੰਡ ਤਬਦੀਲੀ : ਅਸਲ-ਸੰਸਾਰ ਡੇਟਾ ਮੂਵ। ਨਿਗਰਾਨੀ ਕਰੋ ਅਤੇ ਅਨੁਕੂਲ ਬਣਾਓ।
ਸਧਾਰਣਕਰਨ ਅਤੇ ਨਿਯਮਤਕਰਨ ਦੇ ਪਿੱਛੇ ਸਿਧਾਂਤ ਲਈ, ਮਿਆਰੀ ਹਵਾਲਿਆਂ [1, 2] 'ਤੇ ਭਰੋਸਾ ਕਰੋ।
ਸੁਰੱਖਿਆ, ਵਿਆਖਿਆਯੋਗਤਾ, ਅਤੇ ਜ਼ਿੰਮੇਵਾਰ ਤੈਨਾਤੀ 🧭
ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਉੱਚ-ਦਾਅ ਵਾਲੇ ਫੈਸਲੇ ਲੈ ਸਕਦੇ ਹਨ। ਇਹ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ ਕਿ ਉਹ ਲੀਡਰਬੋਰਡ 'ਤੇ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਨ। ਤੁਹਾਨੂੰ ਜੀਵਨ ਚੱਕਰ ਵਿੱਚ ਸ਼ਾਸਨ, ਮਾਪ ਅਤੇ ਘਟਾਉਣ ਦੇ ਕਦਮਾਂ ਦੀ ਲੋੜ ਹੈ। NIST AI ਜੋਖਮ ਪ੍ਰਬੰਧਨ ਫਰੇਮਵਰਕ ਵਿਹਾਰਕ ਕਾਰਜਾਂ ਦੀ ਰੂਪਰੇਖਾ ਦਿੰਦਾ ਹੈ - GOVERN, MAP, MEASURE, MANAGE - ਟੀਮਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਅਤੇ ਤੈਨਾਤੀ ਵਿੱਚ ਜੋਖਮ ਪ੍ਰਬੰਧਨ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ [5]।
ਕੁਝ ਤੁਰੰਤ ਸੁਝਾਅ:
-
ਪੱਖਪਾਤ ਦੀ ਜਾਂਚ : ਜਿੱਥੇ ਢੁਕਵਾਂ ਅਤੇ ਕਾਨੂੰਨੀ ਹੋਵੇ, ਜਨਸੰਖਿਆ ਦੇ ਹਿੱਸਿਆਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ।
-
ਵਿਆਖਿਆਯੋਗਤਾ : ਵਿਸ਼ੇਸ਼ਣ ਜਾਂ ਵਿਸ਼ੇਸ਼ਤਾ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਰਗੀਆਂ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਉਹ ਅਪੂਰਣ ਹਨ, ਫਿਰ ਵੀ ਉਪਯੋਗੀ ਹਨ।
-
ਨਿਗਰਾਨੀ : ਅਚਾਨਕ ਮੀਟ੍ਰਿਕ ਗਿਰਾਵਟ ਜਾਂ ਡੇਟਾ ਡ੍ਰਿਫਟ ਲਈ ਅਲਰਟ ਸੈੱਟ ਕਰੋ।
-
ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ : ਪ੍ਰਭਾਵ-ਭਾਰੀ ਫੈਸਲਿਆਂ ਲਈ ਮਨੁੱਖਾਂ ਨੂੰ ਲੂਪ ਵਿੱਚ ਰੱਖੋ। ਕੋਈ ਬਹਾਦਰੀ ਨਹੀਂ, ਸਿਰਫ਼ ਸਫਾਈ।
ਅਕਸਰ ਪੁੱਛੇ ਜਾਣ ਵਾਲੇ ਸਵਾਲ ਜੋ ਤੁਸੀਂ ਗੁਪਤ ਰੂਪ ਵਿੱਚ ਕੀਤੇ ਸਨ 🙋
ਕੀ ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਮੂਲ ਰੂਪ ਵਿੱਚ ਇੱਕ ਦਿਮਾਗ ਹੈ?
ਦਿਮਾਗ ਤੋਂ ਪ੍ਰੇਰਿਤ, ਹਾਂ - ਪਰ ਸਰਲ ਬਣਾਇਆ ਗਿਆ। ਨੈੱਟਵਰਕਾਂ ਵਿੱਚ ਨਿਊਰੋਨ ਗਣਿਤ ਦੇ ਫੰਕਸ਼ਨ ਹਨ; ਜੈਵਿਕ ਨਿਊਰੋਨ ਗੁੰਝਲਦਾਰ ਗਤੀਸ਼ੀਲਤਾ ਵਾਲੇ ਜੀਵਤ ਸੈੱਲ ਹਨ। ਸਮਾਨ ਵਾਈਬਸ, ਬਹੁਤ ਵੱਖਰਾ ਭੌਤਿਕ ਵਿਗਿਆਨ [1]।
ਮੈਨੂੰ ਕਿੰਨੀਆਂ ਪਰਤਾਂ ਦੀ ਲੋੜ ਹੈ?
ਛੋਟੀ ਸ਼ੁਰੂਆਤ ਕਰੋ। ਜੇਕਰ ਤੁਸੀਂ ਘੱਟ ਫਿਟਿੰਗ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਚੌੜਾਈ ਜਾਂ ਡੂੰਘਾਈ ਜੋੜੋ। ਜੇਕਰ ਤੁਸੀਂ ਜ਼ਿਆਦਾ ਫਿਟਿੰਗ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਸਮਰੱਥਾ ਨੂੰ ਨਿਯਮਤ ਕਰੋ ਜਾਂ ਘਟਾਓ। ਕੋਈ ਜਾਦੂਈ ਸੰਖਿਆ ਨਹੀਂ ਹੈ; ਸਿਰਫ਼ ਪ੍ਰਮਾਣਿਕਤਾ ਵਕਰ ਅਤੇ ਧੀਰਜ ਹੈ [1]।
ਕੀ ਮੈਨੂੰ ਹਮੇਸ਼ਾ GPU ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ?
ਹਮੇਸ਼ਾ ਨਹੀਂ। ਛੋਟੇ ਮਾਡਲ CPU 'ਤੇ ਛੋਟੇ ਡੇਟਾ 'ਤੇ ਸਿਖਲਾਈ ਦੇ ਸਕਦੇ ਹਨ, ਪਰ ਚਿੱਤਰਾਂ, ਵੱਡੇ ਟੈਕਸਟ ਮਾਡਲਾਂ, ਜਾਂ ਵੱਡੇ ਡੇਟਾਸੈੱਟਾਂ ਲਈ, ਐਕਸਲੇਟਰ ਬਹੁਤ ਸਾਰਾ ਸਮਾਂ ਬਚਾਉਂਦੇ ਹਨ [1]।
ਲੋਕ ਕਿਉਂ ਕਹਿੰਦੇ ਹਨ ਕਿ ਧਿਆਨ ਬਹੁਤ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ?
ਕਿਉਂਕਿ ਧਿਆਨ ਮਾਡਲਾਂ ਨੂੰ ਬਿਨਾਂ ਕਿਸੇ ਕ੍ਰਮ ਵਿੱਚ ਮਾਰਚ ਕੀਤੇ ਇੱਕ ਇਨਪੁਟ ਦੇ ਸਭ ਤੋਂ ਢੁਕਵੇਂ ਹਿੱਸਿਆਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨ ਦਿੰਦਾ ਹੈ। ਇਹ ਗਲੋਬਲ ਸਬੰਧਾਂ ਨੂੰ ਕੈਪਚਰ ਕਰਦਾ ਹੈ, ਜੋ ਕਿ ਭਾਸ਼ਾ ਅਤੇ ਬਹੁ-ਮਾਡਲ ਕਾਰਜਾਂ ਲਈ ਇੱਕ ਵੱਡਾ ਸੌਦਾ ਹੈ [3]।
ਕੀ "AI ਵਿੱਚ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਕੀ ਹੈ?" "ਡੀਪ ਲਰਨਿੰਗ ਕੀ ਹੈ" ਤੋਂ ਵੱਖਰਾ ਹੈ?
ਡੂੰਘੀ ਸਿਖਲਾਈ ਇੱਕ ਵਿਆਪਕ ਪਹੁੰਚ ਹੈ ਜੋ ਡੂੰਘੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ। ਇਸ ਲਈ ਇਹ ਪੁੱਛਣਾ ਕਿ AI ਵਿੱਚ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਕੀ ਹੈ? ਮੁੱਖ ਪਾਤਰ ਬਾਰੇ ਪੁੱਛਣ ਵਾਂਗ ਹੈ; ਡੂੰਘੀ ਸਿਖਲਾਈ ਪੂਰੀ ਫਿਲਮ ਹੈ [1]।
ਵਿਹਾਰਕ, ਥੋੜ੍ਹੇ ਜਿਹੇ ਵਿਚਾਰ ਵਾਲੇ ਸੁਝਾਅ 💡
-
ਸਧਾਰਨ ਬੇਸਲਾਈਨਾਂ ਨੂੰ ਤਰਜੀਹ ਦਿਓ । ਇੱਕ ਛੋਟਾ ਜਿਹਾ ਮਲਟੀਲੇਅਰ ਪਰਸੈਪਟ੍ਰੋਨ ਵੀ ਤੁਹਾਨੂੰ ਦੱਸ ਸਕਦਾ ਹੈ ਕਿ ਡੇਟਾ ਸਿੱਖਣ ਯੋਗ ਹੈ ਜਾਂ ਨਹੀਂ।
-
ਆਪਣੀ ਡੇਟਾ ਪਾਈਪਲਾਈਨ ਨੂੰ ਦੁਬਾਰਾ ਪੈਦਾ ਕਰਨ ਯੋਗ । ਜੇਕਰ ਤੁਸੀਂ ਇਸਨੂੰ ਦੁਬਾਰਾ ਨਹੀਂ ਚਲਾ ਸਕਦੇ, ਤਾਂ ਤੁਸੀਂ ਇਸ 'ਤੇ ਭਰੋਸਾ ਨਹੀਂ ਕਰ ਸਕਦੇ।
-
ਸਿੱਖਣ ਦੀ ਦਰ ਤੁਹਾਡੇ ਸੋਚਣ ਨਾਲੋਂ ਵੱਧ ਮਾਇਨੇ ਰੱਖਦੀ ਹੈ। ਇੱਕ ਸਮਾਂ-ਸਾਰਣੀ ਅਜ਼ਮਾਓ। ਵਾਰਮਅੱਪ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ।
-
ਬੈਚ ਸਾਈਜ਼ ਟ੍ਰੇਡ-ਆਫ ਮੌਜੂਦ ਹਨ। ਵੱਡੇ ਬੈਚ ਗਰੇਡੀਐਂਟ ਨੂੰ ਸਥਿਰ ਕਰਦੇ ਹਨ ਪਰ ਵੱਖਰੇ ਢੰਗ ਨਾਲ ਜਨਰਲਾਈਜ਼ ਕਰ ਸਕਦੇ ਹਨ।
-
ਜਦੋਂ ਉਲਝਣ ਵਿੱਚ ਪਲਾਟ ਦੇ ਨੁਕਸਾਨ ਦੇ ਵਕਰ ਅਤੇ ਭਾਰ ਦੇ ਨਿਯਮ । ਤੁਸੀਂ ਹੈਰਾਨ ਹੋਵੋਗੇ ਕਿ ਜਵਾਬ ਪਲਾਟਾਂ ਵਿੱਚ ਕਿੰਨੀ ਵਾਰ ਹੁੰਦਾ ਹੈ।
-
ਦਸਤਾਵੇਜ਼ ਧਾਰਨਾਵਾਂ। ਭਵਿੱਖ-ਤੁਸੀਂ ਚੀਜ਼ਾਂ ਭੁੱਲ ਜਾਂਦੇ ਹੋ - ਤੇਜ਼ੀ ਨਾਲ [1, 2]।
ਡੂੰਘੀ-ਡਾਈਵ ਚੱਕਰ: ਡੇਟਾ ਦੀ ਭੂਮਿਕਾ, ਜਾਂ ਕਿਉਂ ਕੂੜੇ ਵਿੱਚ ਅਜੇ ਵੀ ਕੂੜਾ ਬਾਹਰ ਨਿਕਲਣਾ ਹੈ 🗑️➡️✨
ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਜਾਦੂਈ ਢੰਗ ਨਾਲ ਨੁਕਸਦਾਰ ਡੇਟਾ ਨੂੰ ਠੀਕ ਨਹੀਂ ਕਰਦੇ। ਤਿਰਛੇ ਲੇਬਲ, ਐਨੋਟੇਸ਼ਨ ਗਲਤੀਆਂ, ਜਾਂ ਤੰਗ ਸੈਂਪਲਿੰਗ ਸਾਰੇ ਮਾਡਲ ਰਾਹੀਂ ਗੂੰਜਣਗੇ। ਕਿਊਰੇਟ, ਆਡਿਟ, ਅਤੇ ਵਾਧਾ। ਅਤੇ ਜੇਕਰ ਤੁਸੀਂ ਯਕੀਨੀ ਨਹੀਂ ਹੋ ਕਿ ਤੁਹਾਨੂੰ ਹੋਰ ਡੇਟਾ ਦੀ ਲੋੜ ਹੈ ਜਾਂ ਇੱਕ ਬਿਹਤਰ ਮਾਡਲ, ਤਾਂ ਜਵਾਬ ਅਕਸਰ ਤੰਗ ਕਰਨ ਵਾਲਾ ਸਧਾਰਨ ਹੁੰਦਾ ਹੈ: ਦੋਵੇਂ - ਪਰ ਡੇਟਾ ਗੁਣਵੱਤਾ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ [1]।
"AI ਵਿੱਚ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਕੀ ਹੈ?" - ਛੋਟੀਆਂ ਪਰਿਭਾਸ਼ਾਵਾਂ ਜੋ ਤੁਸੀਂ ਦੁਬਾਰਾ ਵਰਤ ਸਕਦੇ ਹੋ 🧾
-
ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਇੱਕ ਲੇਅਰਡ ਫੰਕਸ਼ਨ ਐਕਰੋਸੀਮੇਟਰ ਹੁੰਦਾ ਹੈ ਜੋ ਗਰੇਡੀਐਂਟ ਸਿਗਨਲਾਂ [1, 2] ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਜ਼ਨ ਐਡਜਸਟ ਕਰਕੇ ਗੁੰਝਲਦਾਰ ਪੈਟਰਨਾਂ ਨੂੰ ਸਿੱਖਦਾ ਹੈ।
-
ਇਹ ਇੱਕ ਅਜਿਹਾ ਸਿਸਟਮ ਹੈ ਜੋ ਲਗਾਤਾਰ ਗੈਰ-ਰੇਖਿਕ ਕਦਮਾਂ ਰਾਹੀਂ ਇਨਪੁਟਸ ਨੂੰ ਆਉਟਪੁੱਟ ਵਿੱਚ ਬਦਲਦਾ ਹੈ, ਜੋ ਕਿ ਨੁਕਸਾਨ ਨੂੰ ਘੱਟ ਤੋਂ ਘੱਟ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਹੈ [1]।
-
ਇਹ ਇੱਕ ਲਚਕਦਾਰ, ਡੇਟਾ-ਭੁੱਖਾ ਮਾਡਲਿੰਗ ਪਹੁੰਚ ਹੈ ਜੋ ਚਿੱਤਰ, ਟੈਕਸਟ ਅਤੇ ਆਡੀਓ [1, 2, 3] ਵਰਗੇ ਗੈਰ-ਸੰਗਠਿਤ ਇਨਪੁਟਸ 'ਤੇ ਵਧਦੀ-ਫੁੱਲਦੀ ਹੈ।
ਬਹੁਤ ਲੰਮਾ, ਪੜ੍ਹਿਆ ਨਹੀਂ ਅਤੇ ਅੰਤਿਮ ਟਿੱਪਣੀਆਂ 🎯
ਜੇਕਰ ਕੋਈ ਤੁਹਾਨੂੰ ਪੁੱਛੇ ਕਿ AI ਵਿੱਚ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਕੀ ਹੈ? ਤਾਂ ਇੱਥੇ ਸ਼ਾਨਦਾਰ ਗੱਲ ਹੈ: ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਸਧਾਰਨ ਇਕਾਈਆਂ ਦਾ ਇੱਕ ਢੇਰ ਹੈ ਜੋ ਕਦਮ-ਦਰ-ਕਦਮ ਡੇਟਾ ਨੂੰ ਬਦਲਦੇ ਹਨ, ਨੁਕਸਾਨ ਨੂੰ ਘੱਟ ਕਰਕੇ ਅਤੇ ਗਰੇਡੀਐਂਟ ਦੀ ਪਾਲਣਾ ਕਰਕੇ ਪਰਿਵਰਤਨ ਸਿੱਖਦੇ ਹਨ। ਉਹ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹਨ ਕਿਉਂਕਿ ਉਹ ਸਕੇਲ ਕਰਦੇ ਹਨ, ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਆਪਣੇ ਆਪ ਸਿੱਖਦੇ ਹਨ, ਅਤੇ ਬਹੁਤ ਹੀ ਗੁੰਝਲਦਾਰ ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਦਰਸਾ ਸਕਦੇ ਹਨ [1, 4]। ਜੇਕਰ ਤੁਸੀਂ ਡੇਟਾ ਗੁਣਵੱਤਾ, ਗਵਰਨੈਂਸ, ਜਾਂ ਨਿਗਰਾਨੀ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਦੇ ਹੋ ਤਾਂ ਉਹ ਜੋਖਮ ਭਰੇ ਹਨ [5]। ਅਤੇ ਉਹ ਜਾਦੂ ਨਹੀਂ ਹਨ। ਸਿਰਫ਼ ਗਣਿਤ, ਗਣਨਾ, ਅਤੇ ਚੰਗੀ ਇੰਜੀਨੀਅਰਿੰਗ - ਥੋੜ੍ਹੀ ਜਿਹੀ ਸੁਆਦ ਨਾਲ।
ਹੋਰ ਪੜ੍ਹਨਾ, ਧਿਆਨ ਨਾਲ ਚੁਣਿਆ ਗਿਆ (ਗੈਰ-ਹਵਾਲਾ ਵਾਧੂ)
-
ਸਟੈਨਫੋਰਡ CS231n ਨੋਟਸ - ਪਹੁੰਚਯੋਗ ਅਤੇ ਵਿਹਾਰਕ: https://cs231n.github.io/
-
DeepLearningBook.org - ਕੈਨੋਨੀਕਲ ਹਵਾਲਾ: https://www.deeplearningbook.org/
-
NIST AI ਜੋਖਮ ਪ੍ਰਬੰਧਨ ਢਾਂਚਾ - ਜ਼ਿੰਮੇਵਾਰ AI ਮਾਰਗਦਰਸ਼ਨ: https://www.nist.gov/itl/ai-risk-management-framework
-
"ਤੁਹਾਨੂੰ ਸਿਰਫ਼ ਧਿਆਨ ਦੇਣ ਦੀ ਲੋੜ ਹੈ" - ਟ੍ਰਾਂਸਫਾਰਮਰ ਪੇਪਰ: https://arxiv.org/abs/1706.03762
ਹਵਾਲੇ
[1] ਗੁੱਡਫੈਲੋ, ਆਈ., ਬੇਂਗਿਓ, ਵਾਈ., ਅਤੇ ਕੋਰਵਿਲ, ਏ. ਡੀਪ ਲਰਨਿੰਗ । ਐਮਆਈਟੀ ਪ੍ਰੈਸ। ਮੁਫ਼ਤ ਔਨਲਾਈਨ ਸੰਸਕਰਣ: ਹੋਰ ਪੜ੍ਹੋ
[2] ਸਟੈਨਫੋਰਡ CS231n. ਵਿਜ਼ੂਅਲ ਪਛਾਣ ਲਈ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ (ਕੋਰਸ ਨੋਟਸ): ਹੋਰ ਪੜ੍ਹੋ
[3] ਵਾਸਵਾਨੀ, ਏ., ਸ਼ਾਜ਼ੀਰ, ਐਨ., ਪਰਮਾਰ, ਐਨ., ਆਦਿ (2017)। ਧਿਆਨ ਦੇਣਾ ਹੀ ਸਭ ਕੁਝ ਹੈ । ਨਿਊਰਿਪਸ। ਆਰਐਕਸਿਵ: ਹੋਰ ਪੜ੍ਹੋ
[4] ਸਾਈਬੇਂਕੋ, ਜੀ. (1989)। ਸਿਗਮੋਇਡਲ ਫੰਕਸ਼ਨ ਦੇ ਸੁਪਰਪੋਜ਼ੀਸ਼ਨ ਦੁਆਰਾ ਅਨੁਮਾਨ । ਨਿਯੰਤਰਣ, ਸਿਗਨਲਾਂ ਅਤੇ ਪ੍ਰਣਾਲੀਆਂ ਦਾ ਗਣਿਤ , 2, 303–314। ਸਪ੍ਰਿੰਗਰ: ਹੋਰ ਪੜ੍ਹੋ
[5] NIST. AI ਜੋਖਮ ਪ੍ਰਬੰਧਨ ਢਾਂਚਾ (AI RMF) : ਹੋਰ ਪੜ੍ਹੋ