Sinir Ağları Neden Elle Tasarlanmış Özellikleri Aşar

Özellik, bir modele sağladığınız ölçülebilir ipucudur; örneğin bir evdeki oda sayısı veya bir pikselin parlaklığı.

Uzmanlar onlarca yıl boyunca haftalarını, hangi kenarların, oranların veya kelime sayılarının bir modelin dikkatini çekmesi gerektiğine karar vererek özellikleri elle oluşturmaya ayırdı.

Özellikleri elle oluşturmak yavaş ve kırılgandır. Kedi fotoğrafları için en iyi özellikler röntgen görüntülerinde işe yaramaz; bu nedenle her yeni görevde en baştan başlamak gerekirdi.

Sinir ağları, temsil öğrenmesi ile yaklaşımı tersine çevirir: ağ, yararlı özelliklerini doğrudan ham veriden kendi keşfeder.

İlk katmanlar kenarlar gibi küçük parçaları algılar. Daha derin katmanlar bunları şekillerde, ardından nesnelerde birleştirir. Veri içinden akarken karmaşıklık artar.

Bir yüz modelinde bir katman kenarları, sonraki gözleri ve burunları bulur; daha sonraki bir katman ise bütün yüzleri tanır. Bu adımların hiçbirini biri kodlamamıştır.

Bu özellikler eğitim sırasında öğrenilir ve sizin tarafınızdan tasarlanmak yerine verilerle ayarlanır. Ağ, en önemli olan şeylere kendisi karar verir.

Asıl büyük avantaj budur: ham pikselleri, sesi veya metni verip ağın temsili kendisinin bulmasını sağlayabilir, aylar süren elle çalışmayı atlayabilirsiniz.

Görüntüler ve konuşma gibi zengin, dağınık verilerde öğrenilmiş özellikler genellikle elle hazırlanmış özelliklerden daha iyi sonuç verir. Sinir ağlarının bugün bu görevlerde öne çıkmasının nedeni budur.

Her katman yalnızca küçük bir matematik adımıdır. PyTorch'ta öğrenilebilir bir özellik çıkarıcı, bunun gibi tek bir doğrusal katmanla başlayabilir.

Öğrenilmiş özellikler daha fazla veri ve hesaplama gücü gerektirir. Örneklerin az olduğu durumlarda elle hazırlanmış bir yaklaşım yine daha akıllı ve daha ekonomik bir seçim olabilir.

Elle hazırlanmış özelliklerden temsil öğrenmesine geçişi gördünüz. Katmanlar kenarları kendi başlarına nesnelere dönüştürür; ağların zengin verilerde başarılı olmasının nedeni budur. 🚀