एआई शब्दावली
आर्टिफिशियल इंटेलिजेंस का पूर्ण शब्दकोश
गहरे कनवल्शनल परतें
एक कनवल्शनल न्यूरल नेटवर्क की प्रारंभिक परतें जो कम स्तरीय विशेषताओं जैसे कि कंटूर, बनावट और मूल ज्यामितीय आकारों को कैप्चर करती हैं। ये परतें आमतौर पर यूनिवर्सल पैटर्न निकालने की क्षमता के कारण ट्रांसफर लर्निंग के दौरान जैसे के तौर पर पुन: उपयोग की जाती हैं।
पूर्व-प्रशिक्षित न्यूरल नेटवर्क
डीप लर्निंग मॉडल जो पहले से ही ImageNet जैसे बड़े डेटासेट पर प्रशिक्षित होते हैं, जिनमें सामान्य विशेषताओं के निष्कर्षण के लिए अनुकूलित वजन होते हैं। ये नेटवर्क प्रभावी फीचर एक्सट्रैक्टर प्रदान करके ट्रांसफर लर्निंग के लिए आधार के रूप में काम करते हैं।
विशेषता वैक्टर
एक पूर्व-प्रशिक्षित न्यूरल नेटवर्क की मध्यवर्ती परतों द्वारा उत्पादित बहुआयामी संख्यात्मक प्रतिनिधित्व। ये वैक्टर इनपुट डेटा की आवश्यक अर्थपूर्ण जानकारी को एक कॉम्पैक्ट और संरचित स्थान में एनकोड करते हैं।
आंशिक फाइन-ट्यूनिंग
ट्रांसफर लर्निंग की एक रणनीति जहां केवल मॉडल की ऊपरी परतों को पुन: प्रशिक्षित किया जाता है जबकि निचली परतें फ्रीज रहती हैं। यह दृष्टिकोण सामान्य विशेषताओं को संरक्षित रखते हुए मॉडल को विशिष्ट लक्ष्य कार्य के लिए अनुकूलित करता है।
निश्चित विशेषता निष्कर्षण
एक विधि जो प्रशिक्षण के दौरान वजन को संशोधित किए बिना एक पूर्व-प्रशिक्षित मॉडल की निचली परतों को स्थिर एक्सट्रैक्टर के रूप में उपयोग करती है। यह तकनीक निकाले गए फीचर्स की स्थिरता सुनिश्चित करते हुए कम्प्यूटेशनल लागत को कम करती है।
नेटवर्क की निचली परतें
एक गहरे न्यूरल नेटवर्क की पहली परतें जो आधारभूत और सामान्य पैटर्न का पता लगाने में विशेषज्ञ होती हैं। ये परतें सार्वभौमिक विशेषताओं को कैप्चर करती हैं जो विभिन्न कार्यों और अनुप्रयोग डोमेन के बीच स्थानांतरण योग्य होती हैं।
दृश्य वर्णनकर्ता
एक पूर्व-प्रशिक्षित मॉडल की निचली कनवल्शनल परतों द्वारा छवियों से निकाले गए मात्रात्मक विशेषताएं। ये वर्णनकर्ता किनारों, बनावट और ज्यामितीय संरचनाओं जैसे मूल दृश्य विशेषताओं का प्रतिनिधित्व करते हैं।
लेटेंट प्रतिनिधित्व
एक पूर्व-प्रशिक्षित न्यूरल नेटवर्क की छिपी परतों द्वारा उत्पन्न अमूर्त एनकोडिंग जो डेटा की आवश्यक जानकारी को कैप्चर करते हैं। ये प्रतिनिधित्व आयामी को कम करते हुए अर्थ को संरक्षित रखते हुए डाउनस्ट्रीम कार्यों के लिए आधार प्रदान करते हैं।
पदानुक्रमिक विशेषताएँ
गहरे नेटवर्क की क्रमिक परतों द्वारा निर्मित, बढ़ते अमूर्तता स्तरों में व्यवस्थित विशेषताओं की संरचना। निचली परतें विभिन्न कार्यों के लिए प्राइमेटिव के रूप में उपयोग किए जाने वाले कम स्तरीय, पुन: उपयोग योग्य फीचर्स उत्पन्न करती हैं।
कनवल्शनल फीचर मैप्स
विशिष्ट पैटर्न की उपस्थिति के अनुरूप स्थानिक एक्टिवेशन का प्रतिनिधित्व करने वाले कनवल्शनल परतों के आउटपुट। निचली परतों की ये फीचर मैप्स पुन: उपयोग योग्य स्थानिक संरचनाओं को कैप्चर करने में विशेष रूप से प्रभावी हैं।
बॉटलनेक फीचर्स
पूर्व-प्रशिक्षित नेटवर्क की वर्गीकरण परतों से ठीक पहले निकाली गई संकुचित प्रस्तुतियाँ। ट्रांसफर लर्निंग के लिए आदर्श कॉम्पैक्ट फॉर्मेट में, ये बॉटलनेक फीचर्स मूल सिमेंटिक जानकारी को कैप्चर करते हैं।
पूर्व-प्रशिक्षित मॉडल
ImageNet या COCO जैसे रेफरेंस डेटासेट पर पहले से ही अनुकूलित वजन के साथ डीप लर्निंग आर्किटेक्चर। ये मॉडल विभिन्न विजन या भाषा प्रसंस्करण कार्यों के लिए तैयार-उपयोग फीचर एक्सट्रैक्टर प्रदान करते हैं।
ट्रांसफर लर्निंग
स्रोत कार्य पर प्राप्त ज्ञान का पुन: उपयोग करके लक्ष्य कार्य पर प्रदर्शन में सुधार करने वाला मशीन लर्निंग पैराडाइम। यह दृष्टिकोण पूर्व-प्रशिक्षित मॉडल की निचली परतों से फीचर एक्सट्रैक्शन के साथ विशेष रूप से प्रभावी है।
पैटर्न एक्सट्रैक्शन
निचली कनवल्शनल परतों के फिल्टर के माध्यम से डेटा में पुनरावर्ती संरचनाओं का स्वचालित रूप से पता लगाने की प्रक्रिया। निकाले गए पैटर्न अधिक जटिल प्रस्तुतियों के लिए मूलभूत बिल्डिंग ब्लॉक के रूप में काम करते हैं।
अमूर्त प्रस्तुतियाँ
कच्चे पिक्सल के बजाय सिमेंटिक अवधारणाओं को कैप्चर करने वाले नेटवर्क की मध्यवर्ती परतों द्वारा उत्पन्न उच्च स्तरीय एन्कोडिंग। ये प्रस्तुतियाँ विभिन्न संबंधित कार्यों के बीच बेहतर सामान्यीकरण की अनुमति देती हैं।
एक्सट्रैक्शन परतें
कच्चे डेटा को उपयोगी विशेषताओं में बदलने में विशेषज्ञता वाले न्यूरल परतों का समूह। ट्रांसफर लर्निंग के संदर्भ में, ये परतें आमतौर पर पूर्व-प्रशिक्षित मॉडल के निचले स्तरों से आती हैं।
कनवल्यूशनल विशेषताएं
सीखे गए फिल्टर्स के माध्यम से इनपुट डेटा पर लागू होने वाले कनवल्यूशन ऑपरेशनों द्वारा निकाले गए गुण। निचली परतों की ये विशेषताएं अनुवाद-अपरिवर्तनीय स्थानीय संरचनाओं को कैप्चर करने के लिए विशेष रूप से प्रभावी होती हैं।
पूर्व-प्रशिक्षित एम्बेडिंग्स
विशाल डेटा कॉर्पस पर पहले से प्रशिक्षित मॉडल द्वारा उत्पन्न सघन वेक्टर प्रतिनिधित्व। ये एम्बेडिंग्स समृद्ध अर्थगत संबंधों को कैप्चर करते हैं और विशेष कार्यों के लिए प्रारंभिक विशेषताओं के रूप में काम कर सकते हैं।