Neural Networks ဆိုတာ ဘာလဲ။

Artificial Neural Networks (ANNs) ဆိုတာ ဘာလဲ။

AI တွင် အကြီးမားဆုံးသော တိုးတက်မှုများစွာ ရှိပါသည်။ အာရုံကြော ကွန်ရက်အတုများဖြင့် မောင်းနှင်သည်။. Artificial Neural Networks (ANNs) သည် လူ့ဦးနှောက်ရှိ အာရုံကြောကွန်ရက်များမှ မှုတ်သွင်းထားသော ပုံစံဖြင့် ပေါင်းစပ်ထားသော သင်္ချာဆိုင်ရာ လုပ်ငန်းဆောင်တာများ၏ ချိတ်ဆက်မှုဖြစ်သည်။ ဤ ANN များသည် ဒေတာမှ ရှုပ်ထွေးသောပုံစံများကို ထုတ်ယူနိုင်ပြီး၊ မမြင်ရသောဒေတာများကို ဒေတာအမျိုးအစားခွဲ/အသိအမှတ်ပြုရန် ဤပုံစံများကို အသုံးပြုနိုင်သည်။ ဤနည်းအားဖြင့် စက်သည် “သင်ယူ” သည်။ ၎င်းသည် အာရုံကြောကွန်ရက်များပေါ်တွင် လျင်မြန်စွာဖော်ပြချက်တစ်ခုဖြစ်သည်၊ သို့သော် ၎င်းတို့သည် အဘယ်အရာဖြစ်သည်နှင့် ၎င်းတို့လုပ်ဆောင်ပုံကို ပိုမိုကောင်းမွန်စွာနားလည်ရန် အာရုံကြောကွန်ရက်များကို အနီးကပ်လေ့လာကြည့်ကြပါစို့။

Perceptron အလွှာပေါင်းများစွာ ရှင်းပြထားသည်။

ပိုမိုရှုပ်ထွေးသော အာရုံကြောကွန်ရက်များကို မကြည့်မီ၊ ANN ၏ ရိုးရှင်းသော ဗားရှင်းကို ခဏလောက် အချိန်ယူကြည့်ပါမည်။ Multi-Layer Perceptron (MLP).

စက်ရုံတစ်ရုံတွင် စည်းဝေးပွဲတစ်ခုကို စိတ်ကူးကြည့်ပါ။ ဤစည်းဝေးပွဲလိုင်းတွင် အလုပ်သမားတစ်ဦးသည် ပစ္စည်းတစ်ခုကို လက်ခံရရှိပြီး ၎င်းကို ပြုပြင်ပြောင်းလဲမှုအချို့ပြုလုပ်ပြီးနောက် အလားတူလုပ်ဆောင်သည့်လိုင်းရှိ နောက်အလုပ်သမားတစ်ဦးထံ ပေးပို့သည်။ လိုင်းမှနောက်ဆုံးအလုပ်သမားက ပစ္စည်းကို အပြီးသတ်ထိပြီး စက်ရုံမှထုတ်မည့် ခါးပတ်ပေါ်တွင် တင်သည်အထိ ဤလုပ်ငန်းစဉ်သည် ဆက်လက်လုပ်ဆောင်နေပါသည်။ ဤဥပမာတွင်၊ စည်းဝေးပွဲလိုင်းတွင် “အလွှာများ” အများအပြားရှိပြီး ထုတ်ကုန်များသည် အလုပ်သမားမှ အလုပ်သမားသို့ ပြောင်းရွှေ့သည့်အခါ အလွှာများကြားတွင် ရွေ့လျားကြသည်။ စည်းဝေးပွဲလိုင်းတွင် ဝင်မှတ်နှင့် ထွက်ပေါက်တစ်ခုလည်း ရှိသည်။

Multi-Layer Perceptron သည် စုစုပေါင်းအလွှာသုံးဆင့်ဖြင့် ပြုလုပ်ထားသော အလွန်ရိုးရှင်းသော ထုတ်လုပ်မှုလိုင်းဟု ယူဆနိုင်သည်- ထည့်သွင်းအလွှာ၊ လျှို့ဝှက်အလွှာနှင့် အထွက်အလွှာတစ်ခု။ အဝင်အလွှာသည် MLP တွင် ဒေတာကို ဖြည့်သွင်းသည့်နေရာဖြစ်ပြီး၊ လျှို့ဝှက်အလွှာတွင် အချို့သော "အလုပ်သမား" များသည် ထုတ်ကုန်ကို ပြင်ပကမ္ဘာသို့ ပေးဆောင်သည့် အထွက်အလွှာပေါ်သို့ မဖြတ်သန်းမီ လျှို့ဝှက်အလွှာတွင် ဒေတာကို ကိုင်တွယ်သည်။ MLP ၏ဥပမာတွင်၊ ဤအလုပ်သမားများကို "နျူရွန်" (သို့မဟုတ် တစ်ခါတစ်ရံ ဆုံမှတ်များ) ဟုခေါ်ပြီး ၎င်းတို့သည် ဒေတာများကို ကိုင်တွယ်သောအခါတွင် ၎င်းတို့ကို သင်္ချာဆိုင်ရာ လုပ်ဆောင်ချက်များစွာဖြင့် ကြိုးကိုင်ကြသည်။

ကွန်ရက်အတွင်း၊ node နှင့် node ကိုချိတ်ဆက်သည့်တည်ဆောက်ပုံများ ရှိသည်အလေး” အလေးချိန်များသည် ကွန်ရက်မှတဆင့် ဒေတာအချက်များ ရွေ့လျားနေပုံနှင့် ပတ်သက်သည့် ယူဆချက်တစ်ခုဖြစ်သည်။ အခြားနည်းဖြင့်ပြောရလျှင် အလေးများသည် နျူရွန်တစ်ခုမှ အခြားနျူရွန်တစ်ခုအပေါ် လွှမ်းမိုးမှုအဆင့်ကို ထင်ဟပ်စေသည်။ အလေးချိန်များသည် ဒေတာကို ပြောင်းလဲပေးသည့် သင်္ချာလုပ်ဆောင်ချက်အမျိုးအစားဖြစ်သည့် လက်ရှိ node မှထွက်ခွာသွားသောအခါတွင် ၎င်းတို့သည် “အသက်သွင်းခြင်းလုပ်ဆောင်ချက်” ကိုဖြတ်သန်းသွားကြသည်။ ၎င်းတို့သည် linear data အား လိုင်းမဟုတ်သော ကိုယ်စားပြုမှုများအဖြစ်သို့ ပြောင်းလဲပေးကာ ကွန်ရက်ရှုပ်ထွေးသောပုံစံများကို ခွဲခြမ်းစိတ်ဖြာနိုင်စေပါသည်။

"artificial neural network" က လူ့ဦးနှောက်နဲ့ နှိုင်းယှဥ်ပြတာက လူ့ဦးနှောက်မှာ ပါဝင်တဲ့ နူရွန်တွေဟာ ANN မှာရှိတဲ့ node တွေကို ချိတ်ဆက်ပုံနဲ့ ဆင်တူတဲ့ ပုံစံနဲ့ အတူတူ ပေါင်းစည်းထားတာကနေ ဆင်းသက်လာတာပါ။

Multi-layer perceptron များသည် 1940 ခုနှစ်များကတည်းက တည်ရှိနေသော်လည်း၊ အထူးသဖြင့် ၎င်းတို့ကို အသုံးမဝင်စေရန် ကန့်သတ်ချက်များ အများအပြားရှိခဲ့သည်။ သို့သော်လည်း လွန်ခဲ့သည့်ဆယ်စုနှစ်များအတွင်း “နည်းပညာ” ဟုခေါ်သော၊backpropagation” ကွန်ရက်များသည် နျူရွန်များ၏ အလေးချိန်ကို ချိန်ညှိရန်နှင့် ပိုမိုထိရောက်စွာ သင်ယူနိုင်စေရန် ဖန်တီးထားခြင်းဖြစ်သည်။ Backpropagation သည် neural network အတွင်းရှိ အလေးများကို ပြောင်းလဲစေပြီး ကွန်ရက်သည် ဒေတာအတွင်း အမှန်တကယ် ပုံစံများကို ပိုမိုကောင်းမွန်စွာ ဖမ်းယူနိုင်စေပါသည်။

နက်ရှိုင်းသောအာရုံကြောဆိုင်ရာကွန်ယက်များ

နက်ရှိုင်းသောအာရုံကြောကွန်ရက်များသည် MLP ၏အခြေခံပုံစံကိုယူကာ မော်ဒယ်၏အလယ်တွင် လျှို့ဝှက်အလွှာများထပ်ထည့်ခြင်းဖြင့် ပိုမိုကြီးမားစေသည်။ ဒါကြောင့် Input Layer ၊ Hidden Layer နဲ့ Output Layer တွေအစား အလယ်မှာ Hidden Layer တွေ အများကြီးရှိပြီးတော့ Hidden Layer တစ်ခုရဲ့ Output တွေဟာ Data တွေ အကုန်မပြီးမချင်း နောက် Hidden Layer အတွက် Input တွေ ဖြစ်လာပါတယ်။ ကွန်ရက်မှတဆင့် ပြန်လာခဲ့သည်။

နက်နဲသော အာရုံကြောကွန်ရက်တစ်ခု၏ လျှို့ဝှက်အလွှာအများအပြားသည် သမားရိုးကျ multilayer perceptron ထက် ပိုမိုရှုပ်ထွေးသောပုံစံများကို အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်ကြသည်။ နက်နဲသော အာရုံကြောကွန်ရက်၏ မတူညီသော အလွှာများသည် ဒေတာ၏ မတူညီသော အစိတ်အပိုင်းများ၏ ပုံစံများကို လေ့လာသည်။ ဥပမာအားဖြင့်၊ ထည့်သွင်းမှုဒေတာတွင် ရုပ်ပုံများပါ၀င်ပါက၊ ကွန်ရက်၏ပထမအပိုင်းသည် pixels များ၏ တောက်ပမှု သို့မဟုတ် အမှောင်ကို အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်သော်လည်း နောက်ပိုင်းအလွှာများသည် ပုံရှိအရာဝတ္ထုများကိုမှတ်မိရန် အသုံးပြုနိုင်သည့် ပုံသဏ္ဍာန်နှင့် အစွန်းများကို ရွေးထုတ်မည်ဖြစ်သည်။

ကွဲပြားသော အာရုံကြောကွန်ရက် အမျိုးအစားများ

အာရုံကြောကွန်ရက် အမျိုးအစားများ အမျိုးမျိုးရှိပြီး အမျိုးမျိုးသော အာရုံကြောကွန်ရက် အမျိုးအစား တစ်ခုစီတွင် ၎င်း၏ ကိုယ်ပိုင် အားသာချက်များနှင့် အားနည်းချက်များ (ထို့ကြောင့် ၎င်းတို့၏ ကိုယ်ပိုင် အသုံးပြုမှု ကိစ္စများ) ရှိသည်။ အထက်တွင်ဖော်ပြထားသော နက်နဲသော အာရုံကြောကွန်ရက် အမျိုးအစားသည် အသုံးအများဆုံး အာရုံကြောကွန်ရက် အမျိုးအစားဖြစ်ပြီး ၎င်းကို feedforward အာရုံကြောကွန်ရက်အဖြစ် မကြာခဏ ရည်ညွှန်းလေ့ရှိသည်။

အာရုံကြောကွန်ရက်များတွင် ကွဲပြားမှုတစ်ခုမှာ Recurrent Neural Network (RNN) ဖြစ်သည်။ Recurrent Neural Networks တွင်၊ ယခင်ခွဲခြမ်းစိတ်ဖြာမှုအခြေအနေများမှ အချက်အလက်များကို ထိန်းထားရန် looping ယန္တရားများကို အသုံးပြုသည်၊ ဆိုလိုသည်မှာ ၎င်းတို့သည် အမှာစာအရေးပါသည့် ဒေတာကို အဓိပ္ပာယ်ပြန်ဆိုနိုင်သည်ဟု ဆိုလိုသည်။ RNN များသည် ဆက်တိုက်/အချိန်နှင့် တပြေးညီ ဒေတာများမှ ပုံစံများကို ရယူရာတွင် အသုံးဝင်သည်။ ထပ်တလဲလဲ Neural Network များသည် unidirectional သို့မဟုတ် bidirectional ဖြစ်နိုင်ပါသည်။ bi-directional neural network တွင်၊ network သည် နောက်ပိုင်း sequence နှင့် sequence ၏ အစောပိုင်းအပိုင်းများမှ အချက်အလက်များကို ရယူနိုင်သည်။ bi-directional RNN သည် အချက်အလက်များကို ထည့်သွင်းစဉ်းစားသောကြောင့်၊ ဒေတာမှ မှန်ကန်သောပုံစံများကို ဆွဲယူနိုင်သည်မှာ ပိုမိုကောင်းမွန်ပါသည်။

Convolutional Neural Network သည် ရုပ်ပုံများအတွင်းတွေ့ရှိရသော ပုံစံများကို ဘာသာပြန်ဆိုရာတွင် ကျွမ်းကျင်သော အထူးအမျိုးအစား အာရုံကြောကွန်ရက်တစ်ခုဖြစ်သည်။ CNN သည် ပုံ၏ pixels များပေါ်တွင် filter တစ်ခုကိုဖြတ်သန်းပြီး ပုံအတွင်းရှိ pixels များ၏ ကိန်းဂဏာန်းကိုယ်စားပြုမှုကိုရရှိစေပြီး၊ ၎င်းသည် ပုံစံများကိုခွဲခြမ်းစိတ်ဖြာနိုင်သည်။ CNN သည် ပုံထဲက pixels များကို ဆွဲထုတ်သည့် convolutional layers များကို အရင်လာစေရန်၊ ထို့နောက်တွင် ချိတ်ဆက်ထားသော feed-forward အလွှာများ ပေါ်လာကာ၊ အရာဝတ္ထုများကို အမှန်တကယ်မှတ်မိရန် သင်ယူမည့်သူများ၊ နောက်မှလာပါမည်။