4. Hulosa.
Zamonaviy chuqur o'rganish modellarining aksariyati asoslanadi sun'iy neyron
tarmoqlari, xususan konvolyutsion asab tarmoqlari (CNN) lar, lekin ular ham o'z
ichiga olishi mumkin taklif formulalari yoki yashirin o'zgaruvchilar chuqurlikda
qatlamli ravishda tashkil etilgan generativ modellar tugunlari kabi chuqur e'tiqod
tarmoqlari va chuqur Boltzmann mashinalari.
Chuqur o'rganishda har bir daraja o'z ma'lumotlarini biroz mavhumroq va
kompozitsion ko'rinishga o'zgartirishni o'rganadi. Rasmni aniqlash dasturida xom
kirish a bo'lishi mumkin matritsa piksel; birinchi vakillik qatlami piksellarni
mavhumlashtirishi va qirralarini kodlashi mumkin; ikkinchi qavat qirralarning
tartibini tuzishi va kodlashi mumkin; uchinchi qavat burun va ko'zlarni kodlashi
mumkin; va to'rtinchi qatlam rasmda yuz borligini tan olishi mumkin. Muhimi,
chuqur o'rganish jarayoni qaysi xususiyatlarni qaysi darajaga optimal tarzda
joylashtirishni o'rganishi mumkin o'z-o'zidan. (Albatta, bu qo'lda sozlash zarurligini
to'liq bartaraf etmaydi; masalan, qatlamlarning har xil soni va qatlam o'lchamlari turli
darajadagi abstraktsiyani ta'minlashi mumkin.) "Chuqur o'rganish" tarkibidagi
"chuqur" so'zi ma'lumotlarning o'zgarishi qatlamlari sonini anglatadi. Aniqrog'i,
chuqur o'rganish tizimlari muhim ahamiyatga ega kredit berish yo'li (CAP)
chuqurligi. CAP - bu kirishdan chiqishga transformatsiyalar zanjiri. CAP-lar kirish va
chiqish o'rtasidagi potentsial sababiy aloqalarni tavsiflaydi. A feedforward neyron
tarmoq, CAPs chuqurligi tarmoqqa tegishli va maxfiy qatlamlar soni va plyus bitta
(chunki chiqish qatlami ham parametrlangan). Uchun takrorlanadigan neyron
tarmoqlari, unda signal qatlam orqali bir necha marta tarqalishi mumkin, CAP
chuqurligi potentsial cheksizdir.[2] Hech qanday umumiy kelishilgan chuqurlik
chegarasi sayoz o'rganishni chuqur o'rganishdan ajratmaydi, ammo aksariyat
tadqiqotchilar chuqur o'rganish uchun CAP chuqurligi 2 dan yuqori ekanligini o'z
ichiga oladi degan fikrga qo'shilgan. 2-chuqurlikdagi CAP har qanday funktsiyani
taqlid qilishi mumkinligi nuqtai nazaridan universal taxminiy vosita sifatida
ko'rsatilgan. Bundan tashqari, ko'proq qatlamlar tarmoqning funktsional taxminiy
qobiliyatiga qo'shilmaydi. Chuqur modellar (CAP> 2) sayoz modellarga qaraganda
yaxshiroq xususiyatlarni chiqarishga qodir va shuning uchun qo'shimcha qatlamlar
funktsiyalarni samarali o'rganishda yordam beradi. Chuqur o'rganish me'morchiligini
a bilan qurish mumkin ochko'z qatlam-qavat usuli. Chuqur o'rganish ushbu
abstraktsiyalarni ajratishga va qaysi xususiyatlar ishlashni yaxshilaydiganligini
tanlashga yordam beradi. Uchun nazorat ostida o'rganish vazifalar, chuqur o'rganish
usullari yo'q qilinadi xususiyati muhandislik, ma'lumotlarga o'xshash ixcham oraliq
vakolatxonalarga tarjima qilish orqali asosiy komponentlarva vakolatxonada
ortiqchalikni olib tashlaydigan qatlamli tuzilmalarni olish. Chuqur o'rganish
algoritmlarini nazoratsiz o'qitish vazifalariga qo'llash mumkin. Bu muhim foyda,
chunki yorliqsiz ma'lumotlar yorliqli ma'lumotlarga qaraganda ancha ko'p. Nazorat
qilinmaydigan tarzda o'qitilishi mumkin bo'lgan chuqur tuzilmalarga misollar asab
tarixi kompressorlari va chuqur e'tiqod tarmoqlari.
|