RomanNum3ral
/
AI-For-Beginners
mirror of https://github.com/microsoft/AI-For-Beginners.git
1
0
Fork 0
Code Issues Packages Projects Releases Wiki Activity
AI-For-Beginners/translations/te/lessons/3-NeuralNetworks/04-OwnFramework/README.md

14 KiB
Raw Blame History

న్యూరల్ నెట్‌వర్క్స్ పరిచయం. మల్టీ-లేయర్డ్ పర్సెప్ట్రాన్

మునుపటి విభాగంలో, మీరు అత్యంత సాదాసీదా న్యూరల్ నెట్‌వర్క్ మోడల్ - ఒక లేయర్డ్ పర్సెప్ట్రాన్, ఒక రేఖీయ రెండు-వర్గాల వర్గీకరణ మోడల్ గురించి నేర్చుకున్నారు.

ఈ విభాగంలో, మనం ఈ మోడల్‌ను మరింత సౌకర్యవంతమైన ఫ్రేమ్‌వర్క్‌గా విస్తరించబోతున్నాము, ఇది మనకు అనుమతిస్తుంది:

  • రెండు-వర్గాల వర్గీకరణతో పాటు బహు-వర్గ వర్గీకరణ చేయడం
  • వర్గీకరణతో పాటు రెగ్రెషన్ సమస్యలను పరిష్కరించడం
  • రేఖీయంగా వేరుచేయలేని తరగతులను వేరుచేయడం

మనం పైన పేర్కొన్న విధంగా, వివిధ న్యూరల్ నెట్‌వర్క్ నిర్మాణాలను సృష్టించడానికి మన సొంత మాడ్యులర్ ఫ్రేమ్‌వర్క్‌ను Python లో అభివృద్ధి చేస్తాము.

పాఠం ముందు క్విజ్

మెషీన్ లెర్నింగ్ యొక్క ఫార్మలైజేషన్

మెషీన్ లెర్నింగ్ సమస్యను ఫార్మలైజ్ చేయడం ప్రారంభిద్దాం. మనకు లేబుల్స్ Y ఉన్న శిక్షణ డేటాసెట్ X ఉందని ఊహించుకోండి, మరియు మనం అత్యంత ఖచ్చితమైన అంచనాలు చేయగల మోడల్ f ను నిర్మించాలి. అంచనాల నాణ్యతను లాస్ ఫంక్షన్ ℒ ద్వారా కొలుస్తారు. క్రింది లాస్ ఫంక్షన్లు తరచుగా ఉపయోగిస్తారు:

  • రెగ్రెషన్ సమస్య కోసం, మనం ఒక సంఖ్యను అంచనా వేయాల్సినప్పుడు, మనం అబ్సల్యూట్ ఎర్రర్ ∑i|f(x(i))-y(i)| లేదా స్క్వేర్ ఎర్రర్ ∑i(f(x(i))-y(i))2 ఉపయోగించవచ్చు
  • వర్గీకరణ కోసం, మనం 0-1 లాస్ (ఇది మోడల్ యొక్క ఖచ్చితత్వంకి సమానం), లేదా లాజిస్టిక్ లాస్ ఉపయోగిస్తాము.

ఒక-లేయర్డ్ పర్సెప్ట్రాన్ కోసం, ఫంక్షన్ f ను రేఖీయ ఫంక్షన్ f(x)=wx+b గా నిర్వచించాము (ఇక్కడ w వెయిట్ మ్యాట్రిక్స్, x ఇన్‌పుట్ ఫీచర్ల వెక్టర్, మరియు b బైయాస్ వెక్టర్). వివిధ న్యూరల్ నెట్‌వర్క్ నిర్మాణాల కోసం, ఈ ఫంక్షన్ మరింత సంక్లిష్ట రూపం తీసుకోవచ్చు.

వర్గీకరణ సందర్భంలో, తరచుగా నెట్‌వర్క్ అవుట్‌పుట్‌గా సంబంధిత తరగతుల ప్రాబబిలిటీలను పొందడం కోరుకుంటారు. ఏదైనా సంఖ్యలను ప్రాబబిలిటీలుగా మార్చడానికి (ఉదా: అవుట్‌పుట్‌ను నార్మలైజ్ చేయడానికి), మనం తరచుగా softmax ఫంక్షన్ σ ఉపయోగిస్తాము, మరియు ఫంక్షన్ f అవుతుంది f(x)=σ(wx+b)

పై f నిర్వచనంలో, w మరియు b ను పారామీటర్లు θ=⟨w,b⟩ అంటారు. డేటాసెట్ ⟨X,Y⟩ ఇచ్చినప్పుడు, మనం మొత్తం డేటాసెట్‌పై పొరపాటు మొత్తాన్ని పారామీటర్ల θ ఆధారంగా లెక్కించవచ్చు.

✅ న్యూరల్ నెట్‌వర్క్ శిక్షణ లక్ష్యం పారామీటర్లను మార్చి పొరపాటును తగ్గించడం

గ్రాడియెంట్ డిసెంట్ ఆప్టిమైజేషన్

ఫంక్షన్ ఆప్టిమైజేషన్‌కు ప్రసిద్ధ పద్ధతి గ్రాడియెంట్ డిసెంట్. ఆలోచన ఏమిటంటే, మనం లాస్ ఫంక్షన్ యొక్క డెరివేటివ్ (బహుమాణిక సందర్భంలో దీనిని గ్రాడియెంట్ అంటారు) ను పారామీటర్ల పట్ల లెక్కించి, పొరపాటు తగ్గే దిశగా పారామీటర్లను మార్చవచ్చు. దీన్ని ఇలా ఫార్మలైజ్ చేయవచ్చు:

  • పారామీటర్లను యాదృచ్ఛిక విలువలతో ప్రారంభించండి w(0), b(0)
  • క్రింది దశను అనేక సార్లు పునరావృతం చేయండి:
    • w(i+1) = w(i)-η∂ℒ/∂w
    • b(i+1) = b(i)-η∂ℒ/∂b

శిక్షణ సమయంలో, ఆప్టిమైజేషన్ దశలను మొత్తం డేటాసెట్‌ను పరిగణలోకి తీసుకుని లెక్కించాలి (లాస్ మొత్తం శిక్షణ నమూనాలపై సమంగా లెక్కించబడుతుంది). అయితే, వాస్తవ జీవితంలో మనం డేటాసెట్ చిన్న భాగాలుగా తీసుకుంటాము, వీటిని మినీబ్యాచెస్ అంటారు, మరియు డేటా ఉపసమూహం ఆధారంగా గ్రాడియెంట్లను లెక్కిస్తాము. ప్రతి సారి యాదృచ్ఛికంగా ఉపసమూహం తీసుకోవడం వల్ల, ఈ పద్ధతిని స్టోకాస్టిక్ గ్రాడియెంట్ డిసెంట్ (SGD) అంటారు.

మల్టీ-లేయర్డ్ పర్సెప్ట్రాన్లు మరియు బ్యాక్‌ప్రొపగేషన్

ఒక లేయర్డ్ నెట్‌వర్క్, మనం పైగా చూశాం, రేఖీయంగా వేరుచేయగల తరగతులను వర్గీకరించగలదు. మరింత సమృద్ధి మోడల్ నిర్మించడానికి, మనం నెట్‌వర్క్ యొక్క అనేక లేయర్లను కలపవచ్చు. గణితంగా అంటే ఫంక్షన్ f మరింత సంక్లిష్ట రూపం తీసుకుంటుంది, మరియు అనేక దశల్లో లెక్కించబడుతుంది:

  • z1=w1x+b1
  • z2=w2α(z1)+b2
  • f = σ(z2)

ఇక్కడ, α అనేది నాన్-లీనియర్ యాక్టివేషన్ ఫంక్షన్, σ అనేది softmax ఫంక్షన్, మరియు పారామీటర్లు θ=<w1,b1,w2,b2>.

గ్రాడియెంట్ డిసెంట్ అల్గోరిథం అదే ఉంటుంది, కానీ గ్రాడియెంట్ల లెక్కింపు కష్టం అవుతుంది. చైన్ డిఫరెన్షియేషన్ నియమం ప్రకారం, మనం డెరివేటివ్స్ లెక్కించవచ్చు:

  • ∂ℒ/∂w2 = (∂ℒ/∂σ)(∂σ/∂z2)(∂z2/∂w2)
  • ∂ℒ/∂w1 = (∂ℒ/∂σ)(∂σ/∂z2)(∂z2/∂α)(∂α/∂z1)(∂z1/∂w1)

✅ చైన్ డిఫరెన్షియేషన్ నియమం పారామీటర్ల పట్ల లాస్ ఫంక్షన్ యొక్క డెరివేటివ్స్ లెక్కించడానికి ఉపయోగిస్తారు.

గమనించండి, ఈ అన్ని వ్యక్తీకరణల ఎడమవైపు భాగం ఒకటే ఉంటుంది, కాబట్టి మనం లాస్ ఫంక్షన్ నుండి "వెనుకకు" కంప్యూటేషనల్ గ్రాఫ్ ద్వారా డెరివేటివ్స్‌ను సమర్థవంతంగా లెక్కించవచ్చు. అందువల్ల, మల్టీ-లేయర్డ్ పర్సెప్ట్రాన్ శిక్షణ పద్ధతిని బ్యాక్‌ప్రొపగేషన్ లేదా 'బ్యాక్‌ప్రాప్' అంటారు.

compute graph

TODO: చిత్రం మూలం

✅ మనం బ్యాక్‌ప్రాప్‌ను మన నోట్బుక్ ఉదాహరణలో మరింత వివరంగా చూడబోతున్నాము.

ముగింపు

ఈ పాఠంలో, మనం మన సొంత న్యూరల్ నెట్‌వర్క్ లైబ్రరీని నిర్మించాము, మరియు దాన్ని సాదాసీదా రెండు-డైమెన్షనల్ వర్గీకరణ పనికి ఉపయోగించాము.

🚀 సవాలు

సహాయక నోట్బుక్‌లో, మీరు మల్టీ-లేయర్డ్ పర్సెప్ట్రాన్లను నిర్మించడం మరియు శిక్షణ ఇవ్వడం కోసం మీ సొంత ఫ్రేమ్‌వర్క్‌ను అమలు చేస్తారు. ఆధునిక న్యూరల్ నెట్‌వర్క్స్ ఎలా పనిచేస్తాయో మీరు వివరంగా చూడగలుగుతారు.

OwnFramework నోట్బుక్‌కు వెళ్లి దాన్ని పూర్తి చేయండి.

పాఠం తర్వాత క్విజ్

సమీక్ష & స్వీయ అధ్యయనం

బ్యాక్‌ప్రొపగేషన్ అనేది AI మరియు ML లో సాధారణంగా ఉపయోగించే అల్గోరిథం, దీన్ని మరింత వివరంగా అధ్యయనం చేయడం మంచిది.

అసైన్‌మెంట్

ఈ ల్యాబ్‌లో, మీరు ఈ పాఠంలో నిర్మించిన ఫ్రేమ్‌వర్క్‌ను ఉపయోగించి MNIST చేతితో వ్రాసిన అంకెల వర్గీకరణను పరిష్కరించాల్సి ఉంటుంది.

అస్పష్టత:
ఈ పత్రాన్ని AI అనువాద సేవ Co-op Translator ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము.