Pretrained মডেলের সুবিধা
ইমেজ শ্রেণীবিভাগের কাজগুলি সম্পাদন করার জন্য একটি কনভোল্যুশনাল নিউরাল নেটওয়ার্ককে প্রশিক্ষণের জন্য সাধারণত একটি অত্যন্ত বড় পরিমাণ প্রশিক্ষণ ডেটার প্রয়োজন হয় এবং এটি সম্পূর্ণ হতে অনেক দিন বা এমনকি সপ্তাহও নিতে পারে। কিন্তু আপনি যদি টেনসরফ্লো-স্লিম- এর মতো বিশাল ডেটাসেটে প্রশিক্ষিত বিদ্যমান ইমেজ মডেলগুলিকে কাজে লাগাতে পারেন এবং সেগুলিকে আপনার নিজের শ্রেণীবিভাগের কাজে ব্যবহারের জন্য মানিয়ে নিতে পারেন?
প্রাক-প্রশিক্ষিত মডেলগুলির সুবিধার জন্য একটি সাধারণ কৌশল হল বৈশিষ্ট্য নিষ্কাশন : পূর্বপ্রশিক্ষিত মডেল দ্বারা উত্পাদিত মধ্যবর্তী উপস্থাপনাগুলি পুনরুদ্ধার করা এবং তারপরে এই উপস্থাপনাগুলিকে একটি নতুন মডেলে ইনপুট হিসাবে খাওয়ানো। উদাহরণ স্বরূপ, আপনি যদি বিভিন্ন ধরনের শাক-সবজি আলাদা করার জন্য একটি ইমেজ-শ্রেণিকরণ মডেলকে প্রশিক্ষণ দিচ্ছেন, তাহলে আপনি গাজর, সেলারি, ইত্যাদির প্রশিক্ষণের ছবিগুলিকে একটি পূর্বপ্রশিক্ষিত মডেলে খাওয়াতে পারেন এবং তারপরে এর চূড়ান্ত কনভোলিউশন লেয়ার থেকে বৈশিষ্ট্যগুলি বের করতে পারেন, যা চিত্রগুলির উচ্চ-স্তরের বৈশিষ্ট্যগুলি সম্পর্কে মডেলটি শিখেছে এমন সমস্ত তথ্য ক্যাপচার করে: রঙ, টেক্সচার, আকৃতি, ইত্যাদি৷ তারপর, আপনার নতুন শ্রেণীবিভাগ মডেল তৈরি করার সময়, কাঁচা পিক্সেল দিয়ে শুরু করার পরিবর্তে, আপনি এই নিষ্কাশন বৈশিষ্ট্যগুলি ইনপুট হিসাবে ব্যবহার করতে পারেন , এবং উপরে আপনার সম্পূর্ণ সংযুক্ত শ্রেণীবিভাগ স্তর যোগ করুন। একটি পূর্ব-প্রশিক্ষিত মডেলের সাথে বৈশিষ্ট্য নিষ্কাশন ব্যবহার করার সময় কর্মক্ষমতা বাড়ানোর জন্য, প্রকৌশলীরা প্রায়শই নিষ্কাশিত বৈশিষ্ট্যগুলিতে প্রয়োগ করা ওজনের পরামিতিগুলিকে সূক্ষ্ম-টিউন করে।
পূর্বপ্রশিক্ষিত মডেলগুলি ব্যবহার করার সময় বৈশিষ্ট্য নিষ্কাশন এবং সূক্ষ্ম টিউনিংয়ের আরও গভীরভাবে অনুসন্ধানের জন্য, নিম্নলিখিত অনুশীলনটি দেখুন।
,Pretrained মডেলের সুবিধা
ইমেজ শ্রেণীবিভাগের কাজগুলি সম্পাদন করার জন্য একটি কনভোল্যুশনাল নিউরাল নেটওয়ার্ককে প্রশিক্ষণের জন্য সাধারণত একটি অত্যন্ত বড় পরিমাণ প্রশিক্ষণ ডেটার প্রয়োজন হয় এবং এটি সম্পূর্ণ হতে অনেক দিন বা এমনকি সপ্তাহও নিতে পারে। কিন্তু আপনি যদি টেনসরফ্লো-স্লিম- এর মতো বিশাল ডেটাসেটে প্রশিক্ষিত বিদ্যমান ইমেজ মডেলগুলিকে কাজে লাগাতে পারেন এবং সেগুলিকে আপনার নিজের শ্রেণীবিভাগের কাজে ব্যবহারের জন্য মানিয়ে নিতে পারেন?
প্রাক-প্রশিক্ষিত মডেলগুলির সুবিধার জন্য একটি সাধারণ কৌশল হল বৈশিষ্ট্য নিষ্কাশন : পূর্বপ্রশিক্ষিত মডেল দ্বারা উত্পাদিত মধ্যবর্তী উপস্থাপনাগুলি পুনরুদ্ধার করা এবং তারপরে এই উপস্থাপনাগুলিকে একটি নতুন মডেলে ইনপুট হিসাবে খাওয়ানো। উদাহরণ স্বরূপ, আপনি যদি বিভিন্ন ধরনের শাক-সবজি আলাদা করার জন্য একটি ইমেজ-শ্রেণিকরণ মডেলকে প্রশিক্ষণ দিচ্ছেন, তাহলে আপনি গাজর, সেলারি, ইত্যাদির প্রশিক্ষণের ছবিগুলিকে একটি পূর্বপ্রশিক্ষিত মডেলে খাওয়াতে পারেন এবং তারপরে এর চূড়ান্ত কনভোলিউশন লেয়ার থেকে বৈশিষ্ট্যগুলি বের করতে পারেন, যা চিত্রগুলির উচ্চ-স্তরের বৈশিষ্ট্যগুলি সম্পর্কে মডেলটি শিখেছে এমন সমস্ত তথ্য ক্যাপচার করে: রঙ, টেক্সচার, আকৃতি, ইত্যাদি৷ তারপর, আপনার নতুন শ্রেণীবিভাগ মডেল তৈরি করার সময়, কাঁচা পিক্সেল দিয়ে শুরু করার পরিবর্তে, আপনি এই নিষ্কাশন বৈশিষ্ট্যগুলি ইনপুট হিসাবে ব্যবহার করতে পারেন , এবং উপরে আপনার সম্পূর্ণ সংযুক্ত শ্রেণীবিভাগ স্তর যোগ করুন। একটি পূর্ব-প্রশিক্ষিত মডেলের সাথে বৈশিষ্ট্য নিষ্কাশন ব্যবহার করার সময় কর্মক্ষমতা বাড়ানোর জন্য, প্রকৌশলীরা প্রায়শই নিষ্কাশিত বৈশিষ্ট্যগুলিতে প্রয়োগ করা ওজনের পরামিতিগুলিকে সূক্ষ্ম-টিউন করে।
পূর্বপ্রশিক্ষিত মডেলগুলি ব্যবহার করার সময় বৈশিষ্ট্য নিষ্কাশন এবং সূক্ষ্ম টিউনিংয়ের আরও গভীরভাবে অনুসন্ধানের জন্য, নিম্নলিখিত অনুশীলনটি দেখুন।