Di warê îstîxbarata hunerî de, nemaze di warê modelên perwerdehiyê de ji bo şopandina peyva key, çend algorîtma têne hesibandin. Lêbelê, yek algorîtmayek ku ji bo vê peywirê bi taybetî xweş tê xuyang kirin Tora Neuralî ya Convolutional (CNN) ye.
CNN bi berfirehî hatine bikar anîn û di karên cûrbecûr dîtina komputerê de, di nav de naskirina wêneyê û vedîtina tiştan, serketî hatine îsbat kirin. Kapasîteya wan a bi bandor girtina girêdanên mekan û fêrbûna nûneratiyên hiyerarşîk ji wan re bijarteyek hêja ji bo dîtina peyva sereke dike, ku armanc ew e ku peyvan an hevokên taybetî di nav têketinek diyar de nas bikin.
Mîmariya CNN-ê ji gelek qatan pêk tê, di nav de qatên konvolutional, qatên hevgirtinê, û qatên bi tevahî ve girêdayî. Qatên hevedudanî bi sepandina komek fîlterên fêrbûyî li daneyên têketinê derxistina taybetmendiyê pêk tînin. Van parzûnan di daneyan de, wekî kevçî, quncik, an tevnvîsên cûrbecûr qalib û taybetmendiyên xwe tespît dikin. Dûv re qatên hevgirtinê di heman demê de taybetmendiyên xwe yên girîng diparêzin, pîvanên cîhê yên taybetmendiyên derxistinê kêm dikin. Di dawiyê de, qatên bi tevahî ve girêdayî taybetmendiyên ku ji hêla qatên berê ve hatine fêr kirin tevlihev dikin û pêşbîniyên dawîn dikin.
Ji bo perwerdekirina CNN-ê ji bo şopandina peyva key, danegehek bi etîketkirî hewce ye, ku ji nimûneyên deng û peyvên wan ên têkildar pêk tê. Nimûneyên bihîstwerî dikarin veguhezînin spektrograman, ku temsîla dîtbarî ya naveroka frekansa sînyalên dengî bi demê re ne. Ev spektrogram wekî têketinê ji CNN re xizmetê dikin.
Di pêvajoya perwerdehiyê de, CNN fêr dibe ku di spektrograman de qalib û taybetmendiyên ku hebûna peyvan nîşan didin nas bike. Ev bi pêvajoyek optimîzasyonê ya dubarekirî ya ku jê re paşnavdêr tê gotin, tête bidestxistin, ku li wir torgilok giranî û pêşbaziyên xwe rast dike da ku cûdahiya di navbera pêşbîniyên xwe û etîketên rastiya erdê de kêm bike. Optimîzasyon bi gelemperî bi karanîna algorîtmayên bingeha dakêşana gradientê, wekî daketina gradientê ya stokastîk (SGD) an Adam, tête kirin.
Dema ku CNN were perwerde kirin, ew dikare were bikar anîn da ku peyvên sereke di nimûneyên dengî yên nû de biguhezîne bi navgîniya torê ve û vekolîna hilberîna torê. Hilber dikare dabeşek îhtîmalê li ser komek peyvên sereke yên pêşwextkirî be, ku îhtîmala hebûna her bêjeyek di têketinê de destnîşan dike.
Hêjayî bibîrxistinê ye ku performansa CNN-ê ji bo şopandina peyva key bi giranî bi kalîte û cihêrengiya daneyên perwerdehiyê ve girêdayî ye. Danûstendinek mezintir û cihêrengtir dikare alîkariya torê bike ku nimûneyên nedîtî baştir giştî bike û rastbûna wê baştir bike. Wekî din, teknîkên wekî zêdekirina daneyê, ku daneyên perwerdehiyê bi sepandina veguheztinên rasthatî bi sûnî ve têne berfireh kirin, dikarin performansa CNN-ê bêtir zêde bikin.
Algorîtmaya Tora Neuralî ya Convolutional (CNN) ji bo modelên perwerdehiyê yên ji bo şopandina peyvan xweş e. Qabiliyeta wê ya girtina girêdanên mekan û fêrbûna nûneratiyên hiyerarşîk di naskirina peyv an hevokên taybetî yên di nav nimûneyên deng de bandorker dike. Bi karanîna spektrogramên binavkirî wekî têketinê û xweşbînkirina torê bi navgîniya paşnavkirinê, CNN dikare were perwerde kirin da ku qalibên ku hebûna peyvan nîşan didin nas bike. Performansa CNN dikare bi karanîna databasek perwerdehiya cihêreng û zêdekirî were çêtir kirin.
Pirs û bersivên din ên vê dawiyê di derbarê EITC/AI/GCML Fêrbûna Makîna Ewr a Google:
- Nivîsar bi axaftinê (TTS) çi ye û ew çawa bi AI-ê re dixebite?
- Di fêrbûna makîneyê de di xebata bi daneyên mezin de çi sînor hene?
- Ma fêrbûna makîneyê dikare hin arîkariya diyalogê bike?
- Qada lîstikê ya TensorFlow çi ye?
- Di rastiyê de danûstendinek mezintir tê çi wateyê?
- Hin mînakên hîperparametreyên algorîtmê çi ne?
- Fêrbûna ensambleyê çi ye?
- Ger algorîtmayek fêrbûna makîneya bijartî ne guncan be û meriv çawa dikare piştrast bike ku ya rast hilbijêrin?
- Ma modelek fêrbûna makîneyê di dema perwerdehiya xwe de hewceyê çavdêriyê ye?
- Parametreyên sereke yên ku di algorîtmayên bingeha tora neuralî de têne bikar anîn çi ne?
Pirs û bersivan bêtir li EITC/AI/GCML Fêrbûna Makîneya Cloud Google-ê bibînin