Guruh talabasi Imomaliyer Mirjalol savollari

Modelni O'rgatish

Endi biz mash'aldan qanday maqsadda foydalanilishini aniqladik. Adam - usta optimallashtiruvchi.
Tasdiqlashning aniqligini kuzatib, ma'lum davrlar uchun treningni o'tkazamiz. 
Shuningdek, biz mashg'ulotlarning turli davrlardagi yo'qotishlari va aniqliklarini chizamiz.

Grafik Neyron Tarmog'ining Kamchiliklari

GNNlardan foydalanish bir qator kamchiliklarga ega. GNNa-ni qachon ishlatish kerak va mashinani o'rganish modellarimiz samaradorligini qanday oshirish kerak, biz ularni yaxshiroq tushunganimizdan so'ng bizga aniq bo'ladi.

• 
  GNNlar odatda uchta qatlamli sayoz tarmoqlar bo'lsa-da, ko'pchilik neyron tarmoqlar ish faoliyatini yaxshilash uchun chuqurlashishi mumkin. Ushbu cheklov tufayli biz katta ma'lumotlar to'plamlarida eng yaxshi natijalarni ko'rsata olmaymiz.
  
• 
  Grafiklarda modelni o'rgatish qiyinroq, chunki ularning strukturaviy dinamikasi dinamikdir.
  
• 
  Ushbu tarmoqlarning yuqori hisoblash xarajatlari tufayli ishlab chiqarish uchun modelni miqyoslash qiyinchiliklarni keltirib chiqaradi. Agar sizning grafik tuzilmangiz juda katta va murakkab bo'lsa, ishlab chiqarish uchun GNNni o'lchash qiyin bo'ladi.
  

Xulosa

So'nggi bir necha yil ichida GNNlar grafik sohasida mashinani o'rganish muammolari uchun kuchli va samarali vositalarga aylandi. Grafik neyron tarmoqlarining asosiy sharhi ushbu maqolada keltirilgan.
Shundan so'ng siz modelni o'rgatish va sinab ko'rish uchun foydalaniladigan ma'lumotlar to'plamini yaratishni boshlashingiz mumkin. Uning qanday ishlashini va nimaga qodirligini tushunish uchun siz uzoqroqqa borib, uni boshqa turdagi ma'lumotlar to'plamidan foydalanib o'rgatishingiz mumkin.
5. Keras freymworkida ishlashni tushuntiring?

K eras ochiq manbali yuqori darajadagi Neyron Tarmoq kutubxonasi bo'lib, Python-da yozilgan bo'lib, Theano, TensorFlow yoki CNTK da ishlashga qodir. U Google muhandislaridan biri Fransua Chollet tomonidan ishlab chiqilgan. U chuqur neyron tarmoqlar bilan tezroq tajriba o'tkazish uchun qulay, kengaytiriladigan va modulli qilingan. U nafaqat konvolyutsion tarmoqlar va takroriy tarmoqlarni alohida, balki ularning kombinatsiyasini ham qo'llab-quvvatlaydi.

U past darajadagi hisob-kitoblarni bajara olmaydi, shuning uchun uni hal qilish uchun Backend kutubxonasidan foydalanadi. Backend kutubxonasi TensorFlow, CNTK yoki Theano-da ishlashga imkon beruvchi past darajadagi API uchun yuqori darajadagi API o'rami vazifasini bajaradi.

Dastlab, uning ishga tushirilishi paytida 4800 dan ortiq ishtirokchi bo'lgan, hozir esa 250 000 ta dasturchiga yetdi. Har yili o'sib borayotganidan beri u 2 marta o'sdi. Microsoft, Google, NVIDIA va Amazon kabi yirik kompaniyalar Kerasning rivojlanishiga faol hissa qo'shdilar. U ajoyib sanoat o'zaro ta'siriga ega va u Netflix, Uber, Google, Expedia va boshqalar kabi mashhur firmalarning rivojlanishida qo'llaniladi.