Zêdekirina hejmara neuronan di qatek tora neuralî ya çêkirî de dikare bi rastî xetereyek zêde ya bîranînê çêbike, ku potansiyel rê li ber zêdebûnê bigire. Zêdebûn çêdibe dema ku modelek hûrgulî û dengek di daneyên perwerdehiyê de fêr dibe bi qasî ku ew bandorek neyînî li performansa modelê li ser daneyên nedîtî dike. Ev di fêrbûna makîneyê de, tevî torên neuralî, pirsgirêkek hevpar e, û dikare bi girîngî kapasîteyên giştîkirina modelê kêm bike.
Gava ku torgilokek neuralî di qatek taybetî de pir noyron hebe, ew kapasîteya modelê zêde dike ku meriv qalibên tevlihev ên di daneya perwerdehiyê de fêr bibe. Vê kapasîteya zêdekirî dikare bibe sedem ku torê nimûneyên perwerdehiyê ji bîr bike li şûna fêrbûna qalibên bingehîn ên ku baş bi daneyên nedîtî re giştî dikin. Wekî encamek, dibe ku model li ser daneyên perwerdehiyê bi taybetî baş tevbigere lê nekare daneyên nû, nedîtî giştî bike, ku di sepanên cîhana rastîn de dibe sedema performansa nebaş.
Ji bo ku hûn vê têgehê çêtir fam bikin, mînakek bifikirin ku tê de torgilokek neuralî tê perwerde kirin da ku wêneyên pisîk û kûçikan dabeş bike. Ger şebek di qatek taybetî de hejmareke zêde ya neuronan hebe, dibe ku ew dest bi bîranîna taybetmendiyên taybetî yên wêneyên perwerdehiyê bike, wek paşverû an şert û mercên ronahiyê, li şûna ku balê bikişîne ser cûdahiyên di navbera pisîk û kûçikan de. Ev dikare bibe sedema zêdeperedanê, li cihê ku model dema ku bi wêneyên ku berê nedîtiye re tê pêşkêş kirin, ji ber ku ew fêrî taybetmendiyên bingehîn ên ku di navbera her du çînan de cûdahiyê dikin, nebaş tevdigere.
Nêzîkatiyek hevpar ji bo kêmkirina xetereya zêdebûnê dema ku hejmara neuronan di qatek tora neuralî de zêde dike bi teknîkên rêkûpêkkirinê ye. Rêbazên birêkûpêkkirinê, yên wekî rêkûpêkkirina L1 û L2, avêtin, û rawestana zû, têne bikar anîn da ku nehêle torê pir tevlihev bibe û daneyên perwerdehiyê zêde bike. Van teknîkan di pêvajoya perwerdehiyê de astengiyan derdixînin, modelê teşwîq dikin ku li şûna bîranîna nimûneyên taybetî balê bikişîne ser fêrbûna qalibên bingehîn ên di daneyan de.
Digel ku zêdebûna jimareya neuronan di qatek tora neuralî ya çêkirî de dikare kapasîteya modelê ya fêrbûna qalibên tevlihev zêde bike, ew di heman demê de xetera bîranîn û zêde guncan zêde dike. Karanîna teknîkên rêkûpêkkirina guncan girîng e ku meriv hevsengiyek di navbera tevliheviya modelê û performansa giştîkirinê de çêbike, da ku pê ewle bibe ku tora neuralî dikare bi bandor ji daneyan bêyî zêdekirin fêr bibe.
Pirs û bersivên din ên vê dawiyê di derbarê Bingehîn TensorFlow EITC/AI/TFF:
- Meriv çawa dikare qatek binavkirî bikar bîne da ku bixweber axên rast ji bo nexşeyek nûnertiya peyvan wekî vektor destnîşan bike?
- Armanca berhevkirina max di CNN de çi ye?
- Pêvajoya derxistina taybetmendiyê di tora neuralî ya hevgirtî (CNN) de ji bo naskirina wêneyê çawa tê sepandin?
- Ma pêdivî ye ku ji bo modelên fêrbûna makîneyê yên ku li TensorFlow.js têne xebitandin fonksiyonek fêrbûna asynkron bikar bînin?
- Parametreya herî zêde ya peyvan a TensorFlow Keras Tokenizer API çi ye?
- Ma TensorFlow Keras Tokenizer API dikare were bikar anîn da ku peyvên herî pir caran bibîne?
- TOCO çi ye?
- Têkiliya di navbera çend serdeman de di modelek fêrbûna makîneyê de û rastbûna pêşbîniya ji xebitandina modelê de çi ye?
- Ma API-ya cîranên pakêtê di Fêrbûna Structured Neural of TensorFlow de li ser bingeha daneya grafika xwezayî danûstendinek perwerdehiya zêdekirî çêdike?
- API-ya cîranên pakêtê di Fêrbûna Structured Neural of TensorFlow de çi ye?
Pir pirs û bersivan di EITC/AI/TFF TensorFlow Fundamentals de bibînin