ဥာဏ်ရည်တု၏နယ်ပယ်တွင်၊ အထူးသဖြင့် နက်နဲသောသင်ယူမှုနယ်ပယ်တွင်၊ ခွဲခြားသတ်မှတ်ထားသော အာရုံကြောကွန်ရက်များသည် ရုပ်ပုံအသိအမှတ်ပြုမှု၊ သဘာဝဘာသာစကားဖြင့် လုပ်ဆောင်ခြင်းစသည့် လုပ်ငန်းဆောင်တာများအတွက် အခြေခံကိရိယာများဖြစ်သည်။ classification neural network ၏ output ကို ဆွေးနွေးသောအခါ၊ အတန်းများကြားဖြစ်နိုင်ခြေ ဖြန့်ဖြူးခြင်းသဘောတရားကို နားလည်ရန် အရေးကြီးပါသည်။ "ခွဲခြားခြင်းအာရုံကြောကွန်ရက်တစ်ခုအတွက်၊ အတန်းများကြားတွင်ဖြစ်နိုင်ခြေဖြန့်ဝေမှုဖြစ်သင့်သည်" ဟူသောဖော်ပြချက်သည် အမှန်ပင်မှန်ပါသည်။
အမျိုးအစားခွဲခြင်းလုပ်ငန်းတစ်ခုတွင်၊ တိကျသောအမျိုးအစားများ သို့မဟုတ် အတန်းများသို့ အချက်အလက်ထည့်သွင်းရန်အချက်များသတ်မှတ်ရန် အာရုံကြောကွန်ရက်တစ်ခုကို ဒီဇိုင်းထုတ်ထားသည်။ ကွန်ရက်သည် ချိတ်ဆက်ထားသော နျူရွန်အလွှာများစွာမှတဆင့် သွင်းသွင်းဒေတာကို စီမံဆောင်ရွက်ပေးသည်၊၊ အလွှာတစ်ခုစီသည် input data သို့ အသွင်ပြောင်းမှုအစုအဝေးကို အသုံးပြုသည်။ ပုံမှန်အားဖြင့် အာရုံကြောကွန်ရက်၏ နောက်ဆုံးအလွှာသည် အမျိုးအစားခွဲခြင်းလုပ်ငန်းတွင် မတူညီသောအတန်းများနှင့် သက်ဆိုင်သော node များ ပါဝင်သည်။
အာရုံကြောကွန်ရက်၏ လေ့ကျင့်ရေးအဆင့်တွင်၊ မော်ဒယ်သည် ခန့်မှန်းထားသောထွက်ရှိမှုနှင့် လေ့ကျင့်ရေးဒေတာ၏ တကယ့်တံဆိပ်များအကြား ကွာခြားချက်ကို လျှော့ချရန် ၎င်း၏ ဘောင်များကို ချိန်ညှိရန် သင်ယူသည်။ ဤလုပ်ငန်းစဉ်တွင် ခန့်မှန်းထားသော အတန်းအစား ဖြစ်နိုင်ခြေများနှင့် စစ်မှန်သော အတန်းတံဆိပ်များကြား ကွာဟမှုကို တွက်ချက်ပေးသည့် ဆုံးရှုံးမှု လုပ်ဆောင်ချက်ကို အကောင်းဆုံးဖြစ်အောင် လုပ်ဆောင်ပေးပါသည်။ backpropagation နှင့် gradient descent ကဲ့သို့သော နည်းလမ်းများမှတဆင့် network ၏ parameters များကို ထပ်တလဲလဲ မွမ်းမံခြင်းဖြင့်၊ မော်ဒယ်သည် တိကျသော ခန့်မှန်းချက်များကို ပြုလုပ်နိုင်စွမ်းကို တဖြည်းဖြည်း မြှင့်တင်ပေးပါသည်။
အမျိုးအစားခွဲခြင်းဆိုင်ရာ အာရုံကြောကွန်ရက်တစ်ခု၏ ရလဒ်ကို အတန်းများပေါ်ရှိ ဖြစ်နိုင်ခြေဖြန့်ဝေမှုအဖြစ် မကြာခဏ ကိုယ်စားပြုသည်။ ဆိုလိုသည်မှာ input data point တစ်ခုစီအတွက်၊ network သည် class တစ်ခုစီ၏ input ဖြစ်နိုင်ခြေကို ညွှန်ပြပြီး class probabilities အစုတစ်ခုအား ထုတ်လုပ်ပေးပါသည်။ ဖြစ်နိုင်ခြေများသည် မှန်ကန်သောဖြစ်နိုင်ခြေဖြန့်ဝေမှုကို ကိုယ်စားပြုကြောင်း သေချာစေရန် တစ်ခုအထိ ပေါင်းချုပ်ရန် ပုံမှန်အားဖြင့် ပုံမှန်ပြုလုပ်ထားသည်။
ဥပမာအားဖြင့်၊ အတန်းများသည် "ကြောင်" နှင့် "ခွေး" ဟူသော ရိုးရှင်းသော ဒွိအမျိုးအစားခွဲခြားခြင်းလုပ်ငန်းတွင်၊ အာရုံကြောကွန်ရက်၏ရလဒ်သည် [0.8၊ 0.2] ဖြစ်နိုင်သည်၊ မော်ဒယ်သည် ထည့်သွင်းမှုသည် ကြောင်ဖြစ်ကြောင်း 80% ယုံကြည်ကြောင်း ညွှန်ပြသည်၊ ခွေးတစ်ကောင်ဖြစ်ကြောင်း 20% ယုံကြည်သည်။ "ကား" "ဘတ်စ်" နှင့် "စက်ဘီး" ကဲ့သို့သော အတန်းများပါရှိသော အမျိုးအစားပေါင်းစုံ အမျိုးအစားခွဲခြားမှုအခြေအနေတွင် အထွက်နှုန်းသည် အတန်းတစ်ခုစီအတွက် မော်ဒယ်၏ဖြစ်နိုင်ခြေကိုပြသသည့် [0.6၊ 0.3၊ 0.1] နှင့်တူနိုင်သည်။
ဤဖြစ်နိုင်ချေရလဒ်သည် အကြောင်းရင်းများစွာအတွက် အဖိုးတန်ပါသည်။ ပထမဦးစွာ၊ ၎င်းသည် အသုံးပြုသူများအား အမျိုးအစားခွဲခြားမှုရလဒ်များ၏ ယုံကြည်စိတ်ချရမှုကို အကဲဖြတ်ရန် မော်ဒယ်၏ ခန့်မှန်းချက်များကို အတိုင်းအတာတစ်ခုအထိ ပံ့ပိုးပေးပါသည်။ ထို့အပြင်၊ မော်ဒယ်၏မသေချာမရေရာမှုများအပေါ်အခြေခံ၍ ဆုံးဖြတ်ချက်များချရန်အတွက် ဖြစ်နိုင်ခြေဖြန့်ဝေမှုကို ဥပမာအားဖြင့်၊ ခန့်မှန်းချက်များကိုလက်ခံခြင်းအတွက် အတိုင်းအတာတစ်ခုသတ်မှတ်ခြင်းဖြင့် သို့မဟုတ် အကြမ်းထွက်အားများကိုဖြစ်နိုင်ခြေအဖြစ်သို့ပြောင်းလဲရန် softmax ကဲ့သို့သော နည်းစနစ်များကိုအသုံးပြုခြင်းဖြင့် အသုံးပြုနိုင်သည်။
"အမျိုးအစားခွဲခြားခြင်းဆိုင်ရာ အာရုံကြောကွန်ရက်တစ်ခုအတွက်၊ ရလဒ်သည် အတန်းများကြားတွင်ဖြစ်နိုင်ခြေ ဖြန့်ဝေမှုဖြစ်သင့်သည်" ဟူသော ကြေညာချက်သည် ခွဲခြားဆက်ဆံခြင်းဆိုင်ရာ အာရုံကြောကွန်ရက်များ လည်ပတ်ပုံ၏ အခြေခံအချက်ကို တိကျစွာ ဖမ်းယူထားသည်။ အတန်းများပေါ်ဖြစ်နိုင်ခြေ ဖြန့်ဝေမှုများကို ထုတ်လုပ်ခြင်းဖြင့်၊ ဤကွန်ရက်များသည် လက်တွေ့ကမ္ဘာအသုံးအဆောင်များအတွက် အလွန်အရေးကြီးသည့် သာလွန်ကောင်းမွန်ပြီး သတင်းအချက်အလက် ခန့်မှန်းချက်များကို ပိုမိုလုပ်ဆောင်နိုင်စေသည်။
အခြား လတ်တလောမေးခွန်းများနှင့် အဖြေများ EITC/AI/DLPP နက်နက်နဲနဲလေ့လာခြင်းကို Python နှင့် PyTorch:
- အကယ်၍ လူတစ်ဦးသည် ပုံမှန်မဟုတ်သော ကွန်ရက်တစ်ခုရှိ အရောင်ပုံရိပ်များကို မှတ်မိလိုပါက၊ မီးခိုးရောင်စကေးပုံများကို အသိအမှတ်ပြုသည့်အခါတွင် အခြားအတိုင်းအတာတစ်ခု ထပ်ထည့်ရမည်နည်း။
- လှုံ့ဆော်မှုလုပ်ဆောင်ချက်ကို ပစ်ခတ်ခြင်းဖြင့် ဦးနှောက်အတွင်းရှိ နျူရွန်တစ်ခုကို အတုယူရန် စဉ်းစားနိုင်သည် သို့မဟုတ် မလုပ်ဆောင်နိုင်ပါ။
- အပိုလုပ်ဆောင်ချက်အချို့ပါရှိသော GPU ပေါ်တွင် PyTorch ကို NumPy နှင့် နှိုင်းယှဉ်နိုင်ပါသလား။
- နမူနာမဟုတ်သော ဆုံးရှုံးမှုသည် အတည်ပြုခြင်း ဆုံးရှုံးမှုဖြစ်ပါသလား။
- PyTorch run neural network model သို့မဟုတ် matplotlib ကိုလက်တွေ့ကျသောခွဲခြမ်းစိတ်ဖြာရန်အတွက် tensor board ကိုအသုံးပြုသင့်ပါသလား။
- PyTorch သည် အပိုလုပ်ဆောင်ချက်အချို့ပါရှိသော GPU ပေါ်တွင် NumPy နှင့် နှိုင်းယှဉ်နိုင်ပါသလား။
- PyTorch ရှိ GPU အများအပြားတွင် နက်ရှိုင်းစွာ သင်ယူနိုင်သော အာရုံကြောကွန်ရက်ပုံစံကို လုပ်ဆောင်ခြင်းသည် အလွန်ရိုးရှင်းသော လုပ်ငန်းစဉ်တစ်ခုလား။
- ပုံမှန် အာရုံကြောကွန်ရက်တစ်ခုသည် ဘီလီယံ 30 နီးပါးရှိသော variables လုပ်ဆောင်ချက်တစ်ခုနှင့် နှိုင်းယှဉ်နိုင်ပါသလား။
- အကြီးမားဆုံး convolutional neural network က ဘာကို ဖန်တီးတာလဲ။
- ထည့်သွင်းမှုသည် ViTPose ၏အထွက်ဖြစ်သည့် အပူမြေပုံကို သိမ်းဆည်းသည့် numpy arrays စာရင်းဖြစ်ပြီး numpy ဖိုင်တစ်ခုစီ၏ပုံသဏ္ဍာန်သည် [1, 17, 64, 48] သည် ကိုယ်ခန္ဓာအတွင်းရှိ အဓိကအချက် 17 ချက်နှင့် သက်ဆိုင်ပါက၊ မည်သည့် algorithm ကို အသုံးပြုနိုင်သည်။