এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
ক্লাসিকাল মোমেন্টাম
ওজন আপডেটে জড়তা তৈরি করতে একটি ক্ষয় ফ্যাক্টর সহ অতীত গ্রেডিয়েন্ট জমা করে এমন একটি অপ্টিমাইজেশন কৌশল। এই পদ্ধতিটি ধ্রুব দিকগুলিতে অভিসারীতা ত্বরান্বিত করার পাশাপাশি দোলন হ্রাস করে।
মোমেন্টাম ফ্যাক্টর (বিটা)
বর্তমান আপডেটে পূর্ববর্তী গ্রেডিয়েন্টের প্রভাব নিয়ন্ত্রণকারী হাইপারপ্যারামিটার, সাধারণত ০.৯ থেকে ০.৯৯ এর মধ্যে সেট করা হয়। উচ্চতর মান জড়তা বাড়ায় এবং সংকীর্ণ উপত্যকায় অপ্টিমাইজেশন ট্র্যাজেক্টরি স্থিতিশীল করে।
গ্রেডিয়েন্ট বেগ
প্যারামিটার স্পেসে অবতরণের দিক এবং গতি উপস্থাপন করে পূর্ববর্তী পুনরাবৃত্তির ওজনযুক্ত গ্রেডিয়েন্ট জমা করে ভেক্টর। বর্তমান গ্রেডিয়েন্ট এবং পূর্ববর্তী বেগের রৈখিক সংমিশ্রণ দ্বারা প্রতিটি পুনরাবৃত্তিতে বেগ আপডেট করা হয়।
অপ্টিমাইজেশনে জড়তা
শারীরিক সাদৃশ্য ঘটনা যেখানে প্যারামিটার আপডেটগুলি তাদের পূর্ববর্তী গতিবেগের একটি অংশ সংরক্ষণ করে, মালভূমি এবং অগভীর স্থানীয় মিনিমা অতিক্রম করতে সক্ষম করে। জটিল এবং নন-কনভেক্স লস ল্যান্ডস্কেপে নেভিগেট করার জন্য জড়তা বিশেষভাবে কার্যকর।
স্যাঁতসেঁতে দোলন
ধারাবাহিক দিকগুলিতে মোমেন্টাম জমার মাধ্যমে সর্বোত্তম অবতরণ দিকের চারপাশে ওঠানামা ধীরে ধীরে হ্রাস। এই প্রক্রিয়াটি সংকীর্ণ উপত্যকায় অপ্টিমাইজেশনকে বিশেষভাবে স্থিতিশীল করে যেখানে গ্রেডিয়েন্টগুলি দৃঢ়ভাবে সম্পর্কযুক্ত।
অভিযোজিত মোমেন্টাম
মোমেন্টামের সম্প্রসারণ যেখানে জড়তা ফ্যাক্টর অপ্টিমাইজেশন ল্যান্ডস্কেপের স্থানীয় বৈশিষ্ট্যের উপর ভিত্তি করে গতিশীলভাবে সামঞ্জস্য করা হয়। এই অভিযোজন ক্ষতি পৃষ্ঠের জ্যামিতি অনুযায়ী অন্বেষণ এবং শোষণের মধ্যে সর্বোত্তম ভারসাম্য অনুমোদন করে।
গ্রেডিয়েন্টের ইতিহাস
বর্তমান আপডেট দিক গণনা করতে ব্যবহৃত পূর্ববর্তী গ্রেডিয়েন্টের মেমরি, যা অবতরণের দীর্ঘমেয়াদী প্রবণতা ক্যাপচার করতে সক্ষম। সূচকীয়ভাবে ওজনযুক্ত ইতিহাস পূর্ববর্তী পুনরাবৃত্তির তথ্য সংরক্ষণ করার সময় সাম্প্রতিক গ্রেডিয়েন্টগুলিকে অগ্রাধিকার দেয়।
ভার্চুয়াল ভর
মোমেন্টাম ফ্যাক্টর দ্বারা নিয়ন্ত্রিত অপ্টিমাইজেশন ট্র্যাজেক্টরিতে পরিবর্তনের প্রতিরোধের প্রতিনিধিত্বকারী সাদৃশ্য ধারণা। উচ্চ ভার্চুয়াল ভর আরও মসৃণ গতি তৈরি করে এবং তাৎক্ষণিক গ্রেডিয়েন্ট শব্দের প্রতি কম সংবেদনশীল।
ঘর্ষণ বল
মোমেন্টামে অন্তর্নিহিত নিয়ন্ত্রণ প্রক্রিয়া যা অপসারণ এড়াতে ত্বরণের ভারসাম্য বজায় রাখে, সাধারণত (১-বিটা) ফ্যাক্টরের মাধ্যমে প্রয়োগ করা হয়। এই বল সংখ্যাসূচক স্থিতিশীলতা নিশ্চিত করে এবং অর্থপূর্ণ মিনিমায় অভিসৃতি নিশ্চিত করে।
স্টোকাস্টিক মোমেন্টাম
স্টোকাস্টিক অপ্টিমাইজেশনে মোমেন্টামের প্রয়োগ যেখানে শোরগোলযুক্ত গ্রেডিয়েন্টগুলি সময়গতভাবে গড় করা হয় অনুমানের ভ্যারিয়েন্স কমাতে। এই কৌশলটি মিনি-ব্যাচ সহ বড় ডেটাসেটে প্রশিক্ষণের জন্য বিশেষভাবে কার্যকর।
মিনি-ব্যাচ মোমেন্টাম
কৌশল যেখানে বেগ প্রতি মিনি-ব্যাচের পরে আপডেট করা হয়, প্রতিটি পৃথক নমুনার পরিবর্তে, স্থিতিশীলতা এবং গণনীয় খরচের মধ্যে সমন্বয় প্রদান করে। এই পদ্ধতিটি মোমেন্টামের সুবিধা বজায় রাখার পাশাপাশি更好的 সাধারণীকরণের অনুমতি দেয়।
মোমেন্টাম ক্ষয়
প্রশিক্ষণের সময় মোমেন্টাম ফ্যাক্টর সামঞ্জস্য করার কৌশল, সাধারণত চূড়ান্ত অভিসৃতি পরিশোধ করার জন্য এটিকে ধীরে ধীরে হ্রাস করা হয়। এই কৌশলটি প্রশিক্ষণের শুরুতে দ্রুত অন্বেষণ এবং অপ্টিমাইজেশনের শেষে সঠিকতা একত্রিত করে।
চক্রাকার মোমেন্টাম
মোমেন্টাম ফ্যাক্টরের পর্যায়ক্রমিক পরিবর্তন যা স্থানীয় মিনিমা থেকে বেরিয়ে আসতে এবং সমাধান স্থান অন্বেষণ করতে শেখার চক্রের সাথে সিঙ্ক্রোনাইজড। এই পদ্ধতিটি উন্নত গ্লোবাল অপ্টিমাইজেশনের জন্য প্রায়শই চক্রাকার শেখার হারের সাথে একত্রিত হয়।
মোমেন্টাম ওয়ার্ম-আপ
প্রাথমিক প্রশিক্ষণ পর্যায় যেখানে মোমেন্টাম ফ্যাক্টর শূন্য থেকে ধীরে ধীরে বাড়ানো হয় প্রথম পুনরাবৃত্তির অস্থিরতা এড়াতে। এই কৌশলটি গভীর নেটওয়ার্কে অপ্টিমাইজেশনের ধীরে ধীরে স্থিতিশীলতা নিশ্চিত করে।