कई कक्षाओं के न्यूरल नेटवर्क

पहले, आपको बाइनरी क्लासिफ़िकेशन के ऐसे मॉडल मिले थे जो दो में से किसी एक विकल्प को चुन सकते थे, जैसे कि:

  • दिया गया ईमेल, स्पैम है या स्पैम नहीं है.
  • दिया गया ट्यूमर घातक या अच्छा होता है.

इस मॉड्यूल में, हम मल्टी-क्लास वर्गीकरण की जांच करेंगे, जो कई संभावनाओं में से चुन सकता है. उदाहरण के लिए:

  • क्या यह कुत्ता कोई बीगल है, बैस्ट हाउंड है या कुत्ते का खून है?
  • क्या यह फूल, साइबेरियन आइरिस, डच आइरिस, ब्लू फ़्लैग आइरिस या बौना दाढ़ी वाला आइरिस है?
  • क्या वह बोइंग 747, एयर बस 320, बोइंग 777 या एम्ब्रायर 190 है?
  • क्या यह किसी सेब, भालू, कैंडी, कुत्ते या अंडे की इमेज है?

असल दुनिया की कुछ मल्टी-क्लास समस्याओं में अलग-अलग क्लास के लाखों में से विकल्प होता है. उदाहरण के लिए, मल्टी-क्लास वर्गीकरण मॉडल पर विचार करें जो किसी भी चीज़ की इमेज की पहचान कर सकता है.

कई कक्षाओं के न्यूरल नेटवर्क

  • लॉजिस्टिक रिग्रेशन से बाइनरी क्लास में आने वाली समस्याओं के लिए उपयोगी संभावना होती है.
    • स्पैम / स्पैम नहीं है
    • क्लिक करें / क्लिक नहीं करें
  • मल्टी-क्लास समस्याओं का क्या होगा?
    • सेब, केले, कार, कार्डियोलॉजिस्ट, ..., चलने का चिह्न, ज़ेब्रा, चिड़ियाघर
    • लाल, नारंगी, पीला, हरा, नीला, नीला, बैंगनी
    • जानवर, सब्ज़ी, और खनिज
  • हर संभावित क्लास के लिए एक यूनीक आउटपुट बनाना
  • "मेरी क्लास" बनाम सभी अन्य क्लास&quot के सिग्नल के हिसाब से इसे ट्रेनिंग दें
  • किसी डीप नेटवर्क में या अलग-अलग मॉडल में काम कर सकता है
एक न्यूरल नेटवर्क, जिसमें पांच छिपी हुई लेयर और पांच आउटपुट लेयर होती हैं.
  • एक और कंस्ट्रेंट जोड़ें: 1.0 के योग में सभी एक बनाम सभी नोड का आउटपुट चाहिए
  • अतिरिक्त कंस्ट्रेंट, ट्रेनिंग को तेज़ी से बढ़ाने में मदद करता है
  • साथ ही, आउटपुट को प्रॉबबिलिटी के तौर पर समझा जा सकता है
किसी इनपुट लेयर के साथ एक डीप न्यूरल नेट. इसके बाद, दो नॉनडिस्क्रिप्टेड छिपाई गई लेयर होती हैं. इसके बाद, Softmax लेयर होती है. आखिर में, एक आउटपुट लेयर होती है, जिसमें उतने ही नोड होते हैं जिन पर Softmax लेयर होती है.
  • मल्टी-क्लास, सिंगल-लेबल क्लासिफ़िकेशन:
    • उदाहरण के लिए, सिर्फ़ एक कक्षा का सदस्य हो सकता है.
    • यह ध्यान रखें कि एक-दूसरे से मेल खाने वाली क्लास बेहतरीन हों.
    • यह नुकसान में बदलने के लिए उपयोगी है.
    • सभी संभावित क्लास के लिए एक सॉफ़्टमैक्स लॉस का इस्तेमाल करें.
  • मल्टी-क्लास, मल्टी-लेबल क्लासिफ़िकेशन:
    • उदाहरण के लिए, एक से ज़्यादा कक्षा का सदस्य हो सकता है.
    • शोषण करने के लिए, कक्षा की सदस्यता पर कोई अतिरिक्त पाबंदी नहीं है.
    • हर संभावित क्लास के लिए, लॉजिस्टिक रिग्रेशन के लिए एक ही समय में नुकसान होता है.
  • फ़ुल सॉफ़्टमैक्स
    • ब्रूट फ़ोर्स; कैलकुलेशन सभी क्लास के लिए किया जाता है.
  • फ़ुल सॉफ़्टमैक्स
    • ब्रूट फ़ोर्स; कैलकुलेशन सभी क्लास के लिए किया जाता है.
  • उम्मीदवार का नमूना
    • सभी पॉज़िटिव लेबल की गिनती करता है, लेकिन सिर्फ़ नेगेटिव सैंपल के लिए.
पीछे जाएं
सबसे अच्छे तरीके
आगे बढ़ें
एक बनाम सभी