মাল্টি-ক্লাস নিউরাল নেটওয়ার্ক

এর আগে, আপনি বাইনারি শ্রেণীবিভাগের মডেলগুলির সম্মুখীন হয়েছেন যা দুটি সম্ভাব্য পছন্দের মধ্যে একটি বেছে নিতে পারে, যেমন কিনা:

  • একটি প্রদত্ত ইমেল স্প্যাম বা স্প্যাম নয়৷
  • একটি প্রদত্ত টিউমার ম্যালিগন্যান্ট বা সৌম্য।

এই মডিউলে, আমরা বহু-শ্রেণীর শ্রেণীবিভাগ তদন্ত করব, যা একাধিক সম্ভাবনা থেকে বেছে নিতে পারে। উদাহরণ স্বরূপ:

  • এই কুকুরটি কি বিগল, একটি বাসেট হাউন্ড বা ব্লাডহাউন্ড?
  • এই ফুলটি কি সাইবেরিয়ান আইরিস, ডাচ আইরিস, ব্লু ফ্ল্যাগ আইরিস, বা বামন দাড়িওয়ালা আইরিস?
  • সেই বিমানটি কি বোয়িং ৭৪৭, এয়ারবাস ৩২০, বোয়িং ৭৭৭, নাকি এমব্রার ১৯০?
  • এটি কি আপেল, ভালুক, মিছরি, কুকুর বা ডিমের ছবি?

কিছু বাস্তব-বিশ্বের বহু-শ্রেণির সমস্যা লক্ষ লক্ষ আলাদা ক্লাস থেকে বেছে নেওয়ার অন্তর্ভুক্ত। উদাহরণস্বরূপ, একটি মাল্টি-ক্লাস শ্রেণীবিভাগ মডেল বিবেচনা করুন যা প্রায় যেকোনো কিছুর চিত্র সনাক্ত করতে পারে।

মাল্টি-ক্লাস নিউরাল নেটওয়ার্ক

  • লজিস্টিক রিগ্রেশন বাইনারি-শ্রেণির সমস্যার জন্য দরকারী সম্ভাব্যতা দেয়।
    • স্প্যাম/নট-স্প্যাম
    • ক্লিক/না-ক্লিক
  • মাল্টি ক্লাস সমস্যা সম্পর্কে কি?
    • আপেল, কলা, গাড়ি, কার্ডিওলজিস্ট, ..., হাঁটার চিহ্ন, জেব্রা, চিড়িয়াখানা
    • লাল, কমলা, হলুদ, সবুজ, নীল, নীল, বেগুনি
    • পশু, উদ্ভিজ্জ, খনিজ
  • প্রতিটি সম্ভাব্য ক্লাসের জন্য একটি অনন্য আউটপুট তৈরি করুন
  • "আমার ক্লাস" বনাম "অন্যান্য সমস্ত ক্লাস" এর সিগন্যালে প্রশিক্ষণ দিন
  • একটি গভীর নেটওয়ার্কে বা পৃথক মডেলের সাথে করতে পারেন
পাঁচটি লুকানো স্তর এবং পাঁচটি আউটপুট স্তর সহ একটি নিউরাল নেটওয়ার্ক।
  • একটি অতিরিক্ত সীমাবদ্ধতা যোগ করুন: 1.0 যোগ করার জন্য সমস্ত এক-বনাম-সমস্ত নোডের আউটপুট প্রয়োজন
  • অতিরিক্ত সীমাবদ্ধতা প্রশিক্ষণ দ্রুত একত্রিত করতে সাহায্য করে
  • এছাড়াও, আউটপুটগুলিকে সম্ভাব্যতা হিসাবে ব্যাখ্যা করার অনুমতি দেয়
একটি ইনপুট স্তর সহ একটি গভীর নিউরাল নেট, দুটি ননডেস্ক্রিপ্ট লুকানো স্তর, তারপর একটি সফ্টম্যাক্স স্তর এবং অবশেষে সফ্টম্যাক্স স্তরের মতো একই সংখ্যক নোড সহ একটি আউটপুট স্তর।
  • মাল্টি-ক্লাস, একক-লেবেল শ্রেণীবিভাগ:
    • একটি উদাহরণ শুধুমাত্র একটি শ্রেণীর সদস্য হতে পারে।
    • ক্লাস পারস্পরিক একচেটিয়া যে সীমাবদ্ধতা সহায়ক কাঠামো।
    • ক্ষতি এই এনকোড দরকারী.
    • সমস্ত সম্ভাব্য ক্লাসের জন্য একটি সফটম্যাক্স ক্ষতি ব্যবহার করুন।
  • মাল্টি-ক্লাস, মাল্টি-লেবেল শ্রেণীবিভাগ:
    • একটি উদাহরণ একাধিক শ্রেণীর সদস্য হতে পারে।
    • শোষণ করার জন্য ক্লাস সদস্যতার উপর কোন অতিরিক্ত সীমাবদ্ধতা নেই।
    • প্রতিটি সম্ভাব্য শ্রেণীর জন্য একটি লজিস্টিক রিগ্রেশন ক্ষতি।
  • সম্পূর্ণ SoftMax
    • পাশবিক বল; সব শ্রেণীর জন্য গণনা করে।
  • সম্পূর্ণ SoftMax
    • পাশবিক বল; সব শ্রেণীর জন্য গণনা করে।
  • প্রার্থীর নমুনা
    • সমস্ত ইতিবাচক লেবেলের জন্য গণনা করে, কিন্তু শুধুমাত্র নেতিবাচকগুলির একটি এলোমেলো নমুনার জন্য।
পূর্ববর্তী
সেরা অনুশীলন
পরবর্তী
এক বনাম সব