ब्लॉग पोस्ट में बहुत कम डेटा का उपयोग करके शक्तिशाली छवि वर्गीकरण मॉडल का निर्माण करना , अड़चन सुविधाओं का उल्लेख है। अड़चन की विशेषताएं क्या हैं? क्या वे उपयोग की जाने वाली वास्तुकला के साथ बदलते हैं? क्या वे पूरी तरह से जुड़ी हुई परत से पहले संकेंद्रित परतों का अंतिम उत्पादन हैं? उन्हें ऐसा क्यों कहा जाता है?
जवाबों:
ब्लॉग पोस्ट में बहुत कम डेटा का उपयोग करके शक्तिशाली छवि वर्गीकरण मॉडल का निर्माण करना , अड़चन सुविधाओं का उल्लेख है। अड़चन की विशेषताएं क्या हैं?
यह उस लिंक में स्पष्ट रूप से लिखा है जिसे आपने VGG16 मॉडल से "अड़चन विशेषताएं" दिया था: पूरी तरह से जुड़े परतों से पहले अंतिम सक्रियण मानचित्र ।
क्या वे उपयोग की जाने वाली वास्तुकला के साथ बदलते हैं?
ज़रूर। लेखक ने सबसे पहले एक पूर्व-प्रशिक्षित मॉडल (एक बड़े डेटा पर प्रशिक्षित और अब केवल एक फीचर निकालने वाले के रूप में उपयोग किया जाता है) का इस्तेमाल किया
क्या वे पूरी तरह से जुड़ी हुई परत से पहले संकेंद्रित परतों का अंतिम उत्पादन हैं?
हाँ।
उन्हें ऐसा क्यों कहा जाता है?
वीजीजी को इनपुट आकार को देखते हुए, हर मैक्स-पूल ऑपरेशन के बाद एचएक्सडब्ल्यू आयामों के फीचर मैप दो बार छोटे हो रहे हैं। HxW अंतिम संकरी परत पर सबसे छोटा है।
सबसे पहले, हमें स्थानांतरण सीखने के बारे में बात करनी होगी। कल्पना कीजिए कि आप बिल्लियों का पता लगाने के लिए छवियों के डेटासेट पर एक न्यूरोनल नेटवर्क प्रशिक्षित करते हैं, आप किसी और चीज़ का पता लगाने के लिए अपने द्वारा किए गए प्रशिक्षण का हिस्सा उपयोग कर सकते हैं। इसे ट्रांसफर लर्निंग के रूप में जाना जाता है।
ट्रांसफर लर्निंग करने के लिए, आप मॉडल से अंतिम पूरी तरह से कनेक्ट की गई परत को हटा देंगे और अपनी परतों में प्लग करेंगे। "छोटा" मॉडल आउटपुट उन विशेषताओं के लिए जा रहा है जो आपके "मॉडल" को भर देंगे। वे अड़चन विशेषताएं हैं।
वीजीजी 16 इमेजनेट कैटलॉग पर एक प्रीट्रेन-मॉडल है जिसमें बहुत अच्छी सटीकता है। आपके द्वारा साझा किए गए पोस्ट में, बिल्ली और कुत्तों को उच्च सटीकता के साथ पहचानने के लिए आधार के रूप में उस मॉडल का उपयोग कर रहा है।
मॉडल पर टोंटी की विशेषताएं निर्भर करती हैं। इस मामले में, हम वीजीजी 16 का उपयोग कर रहे हैं। वीजीजी 19, रेसनेट -50 जैसे अन्य पूर्व-प्रशिक्षित मॉडल हैं
यह ऐसा है जैसे आप एक मॉडल काट रहे हैं और अपनी खुद की परतें जोड़ रहे हैं। मुख्य रूप से, आउटपुट परत तय करने के लिए कि आप क्या पता लगाना चाहते हैं, अंतिम आउटपुट।