CNN-д хамгийн их нөөц бүрдүүлэх зорилго юу вэ?
Макс нэгтгэх нь Convolutional Neural Networks (CNN)-ийн чухал үйл ажиллагаа бөгөөд шинж чанарыг задлах, хэмжээсийг багасгахад чухал үүрэг гүйцэтгэдэг. Зургийн ангиллын даалгаврын хүрээнд функцийн газрын зургийг багасгахын тулд эргэлтийн давхаргын дараа хамгийн их нэгтгэх аргыг ашигладаг бөгөөд энэ нь тооцооллын төвөгтэй байдлыг багасгахын зэрэгцээ чухал шинж чанаруудыг хадгалахад тусалдаг. Үндсэн зорилго
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/TFF TensorFlow Fundamentals, TensorFlow.js програм, TensorFlow ашиглан хувцасны зургийг ангилах
Хувирмал мэдрэлийн сүлжээ (CNN) дахь шинж чанарыг задлах процессыг дүрсийг танихад хэрхэн ашигладаг вэ?
Онцлогыг задлах нь дүрсийг таних даалгавруудад хэрэглэгдэх конвульцийн мэдрэлийн сүлжээ (CNN) процессын чухал алхам юм. CNN-д шинж чанарыг задлах процесс нь үнэн зөв ангиллыг хөнгөвчлөхийн тулд оролтын зургуудаас утга учиртай шинж чанаруудыг гаргаж авдаг. Зургийн түүхий пикселийн утгууд нь ангиллын ажилд шууд тохиромжгүй тул энэ процесс зайлшгүй шаардлагатай. By
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/TFF TensorFlow Fundamentals, TensorFlow.js програм, TensorFlow ашиглан хувцасны зургийг ангилах
TensorFlow.js дээр ажиллаж байгаа машин сургалтын загваруудад асинхрон сургалтын функцийг ашиглах шаардлагатай юу?
TensorFlow.js дээр ажиллаж байгаа машин сургалтын загваруудын хүрээнд асинхрон сургалтын функцийг ашиглах нь туйлын хэрэгцээ биш боловч загваруудын гүйцэтгэл, үр ашгийг мэдэгдэхүйц нэмэгдүүлэх боломжтой. Асинхрон сургалтын функцууд нь тооцоолол хийх боломжийг олгох замаар машин сургалтын загваруудын сургалтын үйл явцыг оновчтой болгоход чухал үүрэг гүйцэтгэдэг.
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/TFF TensorFlow Fundamentals, TensorFlow.js програм, Ангиллыг гүйцэтгэх мэдрэлийн сүлжээг бий болгох
Мэдрэлийн сүлжээний загварын гаралтын давхаргад softmax идэвхжүүлэх функцийг ямар зорилгоор ашиглах вэ?
Мэдрэлийн сүлжээний загварын гаралтын давхаргад softmax идэвхжүүлэх функцийг ашиглах зорилго нь өмнөх давхаргын гаралтыг олон ангиллын магадлалын тархалт болгон хувиргах явдал юм. Энэхүү идэвхжүүлэх функц нь хэд хэдэн боломжит хувилбаруудын аль нэгэнд оролтыг оноох зорилготой ангиллын ажилд ялангуяа ашигтай байдаг.
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/TFF TensorFlow Fundamentals, TensorFlow.js програм, TensorFlow ашиглан хувцасны зургийг ангилах, Шалгалтын тойм
Загварыг сургахаасаа өмнө яагаад пикселийн утгыг хэвийн болгох шаардлагатай байна вэ?
Загвар сургахаасаа өмнө пикселийн утгыг хэвийн болгох нь хиймэл оюун ухааны салбарт, ялангуяа TensorFlow ашиглан дүрс ангилах хүрээнд хийх чухал алхам юм. Энэ процесс нь зургийн пикселийн утгыг ихэвчлэн 0-ээс 1 эсвэл -1 ба 1-ийн хооронд стандартчилагдсан муж болгон хувиргах явдал юм. Хэд хэдэн шалтгааны улмаас хэвийн болгох шаардлагатай.
Хувцасны дүрсийг ангилахад ашигладаг мэдрэлийн сүлжээний загвар ямар бүтэцтэй вэ?
Хиймэл оюун ухааны талбарт, тухайлбал TensorFlow болон TensorFlow.js-ийн хүрээнд хувцасны зургийг ангилахад ашигладаг мэдрэлийн сүлжээний загвар нь ихэвчлэн конволюцийн мэдрэлийн сүлжээ (CNN) архитектур дээр суурилдаг. CNN нь холбогдох функцуудыг автоматаар сурч, задлах чадвараараа дүрс ангилах ажилд өндөр үр дүнтэй болох нь батлагдсан.
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/TFF TensorFlow Fundamentals, TensorFlow.js програм, TensorFlow ашиглан хувцасны зургийг ангилах, Шалгалтын тойм
Fashion MNIST мэдээллийн багц нь ангиллын даалгаварт хэрхэн хувь нэмэр оруулдаг вэ?
Fashion MNIST өгөгдлийн багц нь хиймэл оюун ухааны салбарт, ялангуяа TensorFlow ашиглан хувцасны дүрсийг ангилахад чухал хувь нэмэр оруулдаг. Энэхүү өгөгдлийн багц нь гараар бичсэн цифрүүдээс бүрдэх уламжлалт MNIST мэдээллийн багцыг орлох үүрэг гүйцэтгэдэг. Харин Fashion MNIST мэдээллийн багц нь 60,000 саарал өнгийн зурагнаас бүрддэг.
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/TFF TensorFlow Fundamentals, TensorFlow.js програм, TensorFlow ашиглан хувцасны зургийг ангилах, Шалгалтын тойм
TensorFlow.js гэж юу вэ, энэ нь бидэнд машин сургалтын загвар бүтээх, сургах боломжийг хэрхэн олгодог вэ?
TensorFlow.js нь хөгжүүлэгчдэд шууд хөтөч дээр машин сургалтын загвар бүтээх, сургах боломжийг олгодог хүчирхэг номын сан юм. Энэ нь түгээмэл нээлттэй эхийн машин сургалтын тогтолцоо болох TensorFlow-ийн чадавхийг JavaScript-д авчирч, машин сургалтыг вэб программд саадгүй нэгтгэх боломжийг олгодог. Энэ нь интерактив, ухаалаг туршлагыг бий болгох шинэ боломжийг нээж өгдөг
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/TFF TensorFlow Fundamentals, TensorFlow.js програм, TensorFlow ашиглан хувцасны зургийг ангилах, Шалгалтын тойм
Загварыг TensorFlow.js-д хэрхэн эмхэтгэж, сургадаг вэ, мөн категорич хөндлөн энтропи алдагдлын функц ямар үүрэгтэй вэ?
TensorFlow.js-д загварыг эмхэтгэх, сургах үйл явц нь ангиллын даалгавруудыг гүйцэтгэх чадвартай мэдрэлийн сүлжээг бий болгоход чухал ач холбогдолтой хэд хэдэн алхмуудыг агуулдаг. Энэхүү хариулт нь эдгээр алхмуудын талаар нарийвчилсан бөгөөд иж бүрэн тайлбар өгөхийг зорьж, ангиллын кросс энтропи алдагдлын функцийн үүргийг онцолж өгдөг. Нэгдүгээрт, мэдрэлийн сүлжээний загварыг бий болгох
Давхарга тус бүрийн идэвхжүүлэх функц, нэгжийн тоог оруулан жишээнд ашигласан мэдрэлийн сүлжээний архитектурыг тайлбарлана уу.
Жишээнд ашигласан мэдрэлийн сүлжээний архитектур нь оролтын давхарга, далд давхарга, гаралтын давхарга гэсэн гурван давхаргатай, дамжуулагч мэдрэлийн сүлжээ юм. Оролтын давхарга нь 784 нэгжээс бүрдэх бөгөөд энэ нь оролтын зургийн пикселийн тоотой тохирч байна. Оролтын давхарга дахь нэгж бүр нь эрчмийг илэрхийлдэг