ဥပမာတွင် အသုံးပြုထားသော အာရုံကြောကွန်ရက်၏ တည်ဆောက်ပုံသည် အလွှာသုံးဆင့်ပါရှိသော အာရုံကြောကွန်ရက်တစ်ခုဖြစ်သည်- ထည့်သွင်းအလွှာ၊ လျှို့ဝှက်အလွှာနှင့် အထွက်အလွှာ။ ထည့်သွင်းသည့်အလွှာတွင် 784 ယူနစ်များပါ၀င်ပြီး input image ရှိ pixels အရေအတွက်နှင့် ကိုက်ညီပါသည်။ ထည့်သွင်းလွှာရှိ ယူနစ်တစ်ခုစီသည် ပုံရှိ pixel တစ်ခု၏ ပြင်းထန်မှုတန်ဖိုးကို ကိုယ်စားပြုသည်။
ဝှက်ထားသောအလွှာတွင် ယူနစ် 128 ပါ၀င်ပြီး ထည့်သွင်းမှုအလွှာနှင့် အပြည့်အဝချိတ်ဆက်ထားသည်။ လျှို့ဝှက်အလွှာရှိ ယူနစ်တစ်ခုစီသည် အဝင်အလွှာမှ သွင်းအားစုများ၏ အလေးချိန်ကို တွက်ချက်ပြီး အထွက်တစ်ခု ထုတ်လုပ်ရန်အတွက် အသက်ဝင်သည့် လုပ်ဆောင်ချက်ကို အသုံးပြုသည်။ ဤဥပမာတွင်၊ ဝှက်ထားသောအလွှာတွင်အသုံးပြုသည့် activation function သည် rectified linear unit (ReLU) function ဖြစ်သည်။ ReLU လုပ်ဆောင်ချက်ကို f(x) = max(0, x) အဖြစ် သတ်မှတ်ပြီး x သည် ယူနစ်သို့ သွင်းအားစုများ၏ အလေးချိန် ပေါင်းလဒ်ဖြစ်သည်။ ReLU လုပ်ဆောင်ချက်သည် ဒေတာအတွင်းရှိ ရှုပ်ထွေးသောပုံစံများနှင့် ဆက်ဆံရေးများကို လေ့လာနိုင်စေခြင်းဖြင့် ကွန်ရက်သို့ မျဉ်းဖြောင့်မဟုတ်သော အခြေအနေကို မိတ်ဆက်ပေးသည်။
အထွက်အလွှာတွင် အမျိုးအစားခွဲခြင်းပြဿနာရှိ ဖြစ်နိုင်သည့် အတန်းများထဲမှ တစ်ခုကို ကိုယ်စားပြုသည့် ယူနစ် 10 ယူနစ် ပါဝင်သည်။ အထွက်အလွှာရှိ ယူနစ်များကို လျှို့ဝှက်အလွှာရှိ ယူနစ်များနှင့်လည်း အပြည့်အဝချိတ်ဆက်ထားသည်။ လျှို့ဝှက်အလွှာနှင့် ဆင်တူသည်၊ အထွက်အလွှာရှိ ယူနစ်တစ်ခုစီသည် လျှို့ဝှက်အလွှာမှ သွင်းအားစုများ၏ အလေးချိန်ကို တွက်ချက်ပြီး အသက်သွင်းသည့် လုပ်ဆောင်ချက်ကို အသုံးချသည်။ ဤဥပမာတွင်၊ အထွက်အလွှာတွင်အသုံးပြုသည့် activation function သည် softmax လုပ်ဆောင်ချက်ဖြစ်သည်။ softmax လုပ်ဆောင်ချက်သည် အလေးချိန်ရှိသော သွင်းအားစုများ၏ ပေါင်းလဒ်များကို အတန်းများပေါ်ဖြစ်နိုင်ခြေ ဖြန့်ဝေမှုအဖြစ်သို့ ပြောင်းလဲပေးသည်၊ ဖြစ်နိုင်ခြေ၏ ပေါင်းလဒ်သည် 1 နှင့် ညီမျှသည်။ ဖြစ်နိုင်ခြေအများဆုံးယူနစ်သည် ထည့်သွင်းပုံ၏ ခန့်မှန်းထားသော အတန်းအစားကို ကိုယ်စားပြုသည်။
အနှစ်ချုပ်ရရန်၊ ဥပမာတွင်အသုံးပြုသော အာရုံကြောကွန်ရက်တည်ဆောက်ပုံတွင် 784 ယူနစ်များပါရှိသော input အလွှာတစ်ခု၊ ReLU activation လုပ်ဆောင်ချက်ကို အသုံးပြုသည့် ယူနစ် 128 ပါသည့် လျှို့ဝှက်အလွှာတစ်ခုနှင့် softmax activation လုပ်ဆောင်ချက်ကို အသုံးပြုသည့် အထွက်အလွှာ 10 ယူနစ်တို့ ပါဝင်သည်။
အခြား လတ်တလောမေးခွန်းများနှင့် အဖြေများ အမျိုးအစားခွဲခြားရန်အာရုံကြောကွန်ယက်တစ်ခုတည်ဆောက်ခြင်း:
- TensorFlow.js တွင်အသုံးပြုနေသည့် စက်သင်ယူမှုမော်ဒယ်များအတွက် အညီအမျှ သင်ယူမှုလုပ်ဆောင်ချက်ကို အသုံးပြုရန် လိုအပ်ပါသလား။
- မော်ဒယ်ကို TensorFlow.js တွင် မည်သို့စုစည်းပြီး လေ့ကျင့်ထားသနည်း၊ အမျိုးအစားအလိုက် ဖြတ်ကျော်-အင်ထရိုပီဆုံးရှုံးမှု လုပ်ဆောင်ချက်၏ အခန်းကဏ္ဍကား အဘယ်နည်း။
- စက်သင်ယူမှုလုပ်ငန်းစဉ်တွင် သင်ယူမှုနှုန်းနှင့် အပိုင်းအရေအတွက်များ၏ အရေးပါမှုကား အဘယ်နည်း။
- လေ့ကျင့်ရေးဒေတာကို TensorFlow.js ရှိ လေ့ကျင့်ရေးနှင့် စမ်းသပ်မှုအစုများအဖြစ် မည်သို့ခွဲထားသည်။
- TensorFlow.js ၏ ရည်ရွယ်ချက်မှာ အမျိုးအစားခွဲခြင်းလုပ်ငန်းများအတွက် အာရုံကြောကွန်ရက်တစ်ခု တည်ဆောက်ခြင်းမှာ အဘယ်နည်း။