মাল্টি-ক্লাস নিউরাল নেটওয়ার্ক: এক বনাম সব

এক বনাম সব বাইনারি শ্রেণীবিভাগের সুবিধার একটি উপায় প্রদান করে। N সম্ভাব্য সমাধানগুলির সাথে একটি শ্রেণিবিন্যাসের সমস্যা দেওয়া হলে, একটি এক-বনাম-সমস্ত সমাধান N পৃথক বাইনারি শ্রেণীবিভাগ নিয়ে গঠিত—প্রতিটি সম্ভাব্য ফলাফলের জন্য একটি বাইনারি শ্রেণিবিন্যাসকারী। প্রশিক্ষণের সময়, মডেলটি বাইনারি ক্লাসিফায়ারগুলির একটি ক্রমানুসারে চলে, প্রতিটিকে একটি পৃথক শ্রেণিবিন্যাস প্রশ্নের উত্তর দেওয়ার জন্য প্রশিক্ষণ দেয়। উদাহরণস্বরূপ, একটি কুকুরের একটি ছবি দেওয়া হলে, পাঁচটি ভিন্ন শনাক্তকারীকে প্রশিক্ষিত করা যেতে পারে, চারজন ছবিটিকে নেতিবাচক উদাহরণ হিসেবে দেখে (কুকুর নয়) এবং একজন ছবিটিকে ইতিবাচক উদাহরণ (একটি কুকুর) হিসেবে দেখে। এটাই:

  1. এই ছবিটি কি আপেল? না.
  2. এই ছবি একটি ভালুক? না.
  3. এই ইমেজ মিছরি? না.
  4. এই ছবিটি কি কুকুর? হ্যাঁ.
  5. এই ছবিটি কি ডিম? না.

এই পদ্ধতিটি মোটামুটি যুক্তিসঙ্গত যখন ক্লাসের মোট সংখ্যা কম, কিন্তু ক্লাসের সংখ্যা বাড়ার সাথে সাথে ক্রমবর্ধমান অদক্ষ হয়ে ওঠে।

আমরা একটি গভীর নিউরাল নেটওয়ার্ক সহ একটি উল্লেখযোগ্যভাবে আরও দক্ষ এক-বনাম-সমস্ত মডেল তৈরি করতে পারি যেখানে প্রতিটি আউটপুট নোড একটি ভিন্ন শ্রেণীর প্রতিনিধিত্ব করে। নিম্নলিখিত চিত্রটি এই পদ্ধতির পরামর্শ দেয়:

পাঁচটি লুকানো স্তর এবং পাঁচটি আউটপুট স্তর সহ একটি নিউরাল নেটওয়ার্ক।

চিত্র 1. একটি এক-বনাম-সমস্ত নিউরাল নেটওয়ার্ক।