ਚਿੱਤਰ ਪਛਾਣ ਕਾਰਜਾਂ ਲਈ ਲਾਗੂ ਕੀਤੀ ਗਈ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ (CNN) ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਵਿਸ਼ੇਸ਼ਤਾ ਕੱਢਣਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਕਦਮ ਹੈ। CNN ਵਿੱਚ, ਵਿਸ਼ੇਸ਼ਤਾ ਕੱਢਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਸਹੀ ਵਰਗੀਕਰਨ ਦੀ ਸਹੂਲਤ ਲਈ ਇਨਪੁਟ ਚਿੱਤਰਾਂ ਤੋਂ ਅਰਥਪੂਰਨ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਕੱਢਣਾ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ। ਇਹ ਪ੍ਰਕਿਰਿਆ ਜ਼ਰੂਰੀ ਹੈ ਕਿਉਂਕਿ ਚਿੱਤਰਾਂ ਦੇ ਕੱਚੇ ਪਿਕਸਲ ਮੁੱਲ ਵਰਗੀਕਰਨ ਕਾਰਜਾਂ ਲਈ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਢੁਕਵੇਂ ਨਹੀਂ ਹਨ। ਸੰਬੰਧਿਤ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰਕੇ, CNN ਚਿੱਤਰਾਂ ਦੇ ਅੰਦਰ ਪੈਟਰਨਾਂ ਅਤੇ ਆਕਾਰਾਂ ਨੂੰ ਪਛਾਣਨਾ ਸਿੱਖ ਸਕਦੇ ਹਨ, ਉਹਨਾਂ ਨੂੰ ਵੱਖ-ਵੱਖ ਸ਼੍ਰੇਣੀਆਂ ਦੀਆਂ ਵਸਤੂਆਂ ਜਾਂ ਇਕਾਈਆਂ ਵਿਚਕਾਰ ਫਰਕ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦੇ ਹਨ।
CNN ਵਿੱਚ ਵਿਸ਼ੇਸ਼ਤਾ ਕੱਢਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਆਮ ਤੌਰ 'ਤੇ ਕਨਵੋਲਿਊਸ਼ਨਲ ਲੇਅਰਾਂ ਦੀ ਵਰਤੋਂ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ। ਇਹ ਪਰਤਾਂ ਇਨਪੁਟ ਚਿੱਤਰ ਉੱਤੇ ਫਿਲਟਰ ਲਾਗੂ ਕਰਦੀਆਂ ਹਨ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਕਰਨਲ ਵੀ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਹਰੇਕ ਫਿਲਟਰ ਇਨਪੁਟ ਚਿੱਤਰ ਨੂੰ ਸਕੈਨ ਕਰਦਾ ਹੈ, ਇੱਕ ਵਿਸ਼ੇਸ਼ਤਾ ਦਾ ਨਕਸ਼ਾ ਤਿਆਰ ਕਰਨ ਲਈ ਤੱਤ-ਵਾਰ ਗੁਣਾ ਅਤੇ ਸੰਮੰਨ ਕਾਰਵਾਈਆਂ ਕਰਦਾ ਹੈ। ਵਿਸ਼ੇਸ਼ਤਾ ਨਕਸ਼ੇ ਇਨਪੁਟ ਚਿੱਤਰ ਵਿੱਚ ਮੌਜੂਦ ਖਾਸ ਪੈਟਰਨਾਂ ਜਾਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਕੈਪਚਰ ਕਰਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਕਿਨਾਰੇ, ਟੈਕਸਟ ਜਾਂ ਆਕਾਰ। ਕਨਵੋਲਿਊਸ਼ਨਲ ਲੇਅਰਾਂ ਵਿੱਚ ਮਲਟੀਪਲ ਫਿਲਟਰਾਂ ਦੀ ਵਰਤੋਂ CNN ਨੂੰ ਵੱਖ-ਵੱਖ ਸਥਾਨਿਕ ਲੜੀ 'ਤੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਇੱਕ ਵਿਭਿੰਨ ਸਮੂਹ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ।
ਕਨਵੋਲਿਊਸ਼ਨਲ ਲੇਅਰਾਂ ਤੋਂ ਬਾਅਦ, CNNs ਅਕਸਰ ਮਾਡਲ ਵਿੱਚ ਗੈਰ-ਲੀਨੀਅਰੀ ਨੂੰ ਪੇਸ਼ ਕਰਨ ਲਈ ReLU (ਰੈਕਟੀਫਾਈਡ ਲੀਨੀਅਰ ਯੂਨਿਟ) ਵਰਗੇ ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ ਸ਼ਾਮਲ ਕਰਦੇ ਹਨ। ਗੈਰ-ਲੀਨੀਅਰ ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ CNNs ਨੂੰ ਡੇਟਾ ਦੇ ਅੰਦਰ ਗੁੰਝਲਦਾਰ ਸਬੰਧਾਂ ਅਤੇ ਪੈਟਰਨਾਂ ਨੂੰ ਸਿੱਖਣ ਦੇ ਯੋਗ ਬਣਾਉਣ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹਨ। ਪੂਲਿੰਗ ਲੇਅਰਾਂ, ਜਿਵੇਂ ਕਿ ਅਧਿਕਤਮ ਪੂਲਿੰਗ ਜਾਂ ਔਸਤ ਪੂਲਿੰਗ, ਫਿਰ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਸਭ ਤੋਂ ਢੁਕਵੀਂ ਜਾਣਕਾਰੀ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਦੇ ਹੋਏ ਵਿਸ਼ੇਸ਼ਤਾ ਦੇ ਨਕਸ਼ਿਆਂ ਦੇ ਸਥਾਨਿਕ ਮਾਪਾਂ ਨੂੰ ਘਟਾਉਣ ਲਈ ਲਾਗੂ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ। ਪੂਲਿੰਗ ਇਨਪੁਟ ਚਿੱਤਰਾਂ ਵਿੱਚ ਭਿੰਨਤਾਵਾਂ ਲਈ ਨੈਟਵਰਕ ਨੂੰ ਵਧੇਰੇ ਮਜ਼ਬੂਤ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ ਅਤੇ ਕੰਪਿਊਟੇਸ਼ਨਲ ਜਟਿਲਤਾ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ।
ਕਨਵੋਲਿਊਸ਼ਨਲ ਅਤੇ ਪੂਲਿੰਗ ਲੇਅਰਾਂ ਦੇ ਬਾਅਦ, ਐਕਸਟਰੈਕਟ ਕੀਤੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਇੱਕ ਵੈਕਟਰ ਵਿੱਚ ਸਮਤਲ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ ਅਤੇ ਇੱਕ ਜਾਂ ਇੱਕ ਤੋਂ ਵੱਧ ਪੂਰੀ ਤਰ੍ਹਾਂ ਜੁੜੀਆਂ ਪਰਤਾਂ ਵਿੱਚੋਂ ਲੰਘਦੀਆਂ ਹਨ। ਇਹ ਪਰਤਾਂ ਵਰਗੀਕਰਣ ਦੇ ਤੌਰ 'ਤੇ ਕੰਮ ਕਰਦੀਆਂ ਹਨ, ਐਕਸਟਰੈਕਟ ਕੀਤੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਸੰਬੰਧਿਤ ਆਉਟਪੁੱਟ ਕਲਾਸਾਂ ਲਈ ਮੈਪ ਕਰਨਾ ਸਿੱਖਦੀਆਂ ਹਨ। ਅੰਤਮ ਪੂਰੀ ਤਰ੍ਹਾਂ ਜੁੜੀ ਪਰਤ ਆਮ ਤੌਰ 'ਤੇ ਮਲਟੀ-ਕਲਾਸ ਵਰਗੀਕਰਣ ਕਾਰਜਾਂ ਲਈ ਕਲਾਸ ਸੰਭਾਵਨਾਵਾਂ ਪੈਦਾ ਕਰਨ ਲਈ ਇੱਕ ਸੌਫਟਮੈਕਸ ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ ਨੂੰ ਨਿਯੁਕਤ ਕਰਦੀ ਹੈ।
ਚਿੱਤਰ ਮਾਨਤਾ ਲਈ ਇੱਕ CNN ਵਿੱਚ ਵਿਸ਼ੇਸ਼ਤਾ ਕੱਢਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਦਰਸਾਉਣ ਲਈ, ਕੱਪੜਿਆਂ ਦੀਆਂ ਤਸਵੀਰਾਂ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਦੀ ਉਦਾਹਰਣ 'ਤੇ ਵਿਚਾਰ ਕਰੋ। ਇਸ ਸਥਿਤੀ ਵਿੱਚ, CNN ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਕੱਪੜਿਆਂ ਦੀਆਂ ਵਸਤੂਆਂ, ਜਿਵੇਂ ਕਿ ਜੁੱਤੀਆਂ, ਕਮੀਜ਼ਾਂ, ਜਾਂ ਪੈਂਟਾਂ ਲਈ ਵਿਲੱਖਣ ਟੈਕਸਟ, ਰੰਗ, ਅਤੇ ਪੈਟਰਨ ਵਰਗੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰਨਾ ਸਿੱਖੇਗਾ। ਲੇਬਲ ਕੀਤੇ ਕੱਪੜਿਆਂ ਦੇ ਚਿੱਤਰਾਂ ਦੇ ਇੱਕ ਵੱਡੇ ਡੇਟਾਸੈਟ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਕੇ, CNN ਇਹਨਾਂ ਵਿਲੱਖਣ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਪਛਾਣਨ ਅਤੇ ਵਰਗੀਕ੍ਰਿਤ ਕਰਨ ਲਈ ਆਪਣੇ ਫਿਲਟਰਾਂ ਅਤੇ ਵਜ਼ਨਾਂ ਨੂੰ ਦੁਹਰਾਏਗਾ, ਅੰਤ ਵਿੱਚ ਇਸਨੂੰ ਉੱਚ ਸਟੀਕਤਾ ਨਾਲ ਅਣਦੇਖੇ ਚਿੱਤਰਾਂ 'ਤੇ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ।
ਵਿਸ਼ੇਸ਼ਤਾ ਕੱਢਣਾ ਚਿੱਤਰ ਪਛਾਣ ਲਈ CNN ਦਾ ਇੱਕ ਬੁਨਿਆਦੀ ਹਿੱਸਾ ਹੈ, ਜਿਸ ਨਾਲ ਮਾਡਲ ਨੂੰ ਇਨਪੁਟ ਚਿੱਤਰਾਂ ਦੇ ਅੰਦਰ ਸੰਬੰਧਿਤ ਪੈਟਰਨਾਂ ਅਤੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਿੱਚ ਅੰਤਰ ਸਿੱਖਣ ਅਤੇ ਵੱਖ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ। ਕਨਵੋਲਿਊਸ਼ਨਲ ਲੇਅਰਾਂ, ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨਾਂ, ਪੂਲਿੰਗ ਲੇਅਰਾਂ, ਅਤੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਾਲ ਜੁੜੀਆਂ ਲੇਅਰਾਂ ਦੀ ਵਰਤੋਂ ਦੁਆਰਾ, ਸੀਐਨਐਨ ਸਹੀ ਵਰਗੀਕਰਣ ਕਾਰਜਾਂ ਨੂੰ ਕਰਨ ਲਈ ਅਰਥਪੂਰਨ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਐਕਸਟਰੈਕਟ ਅਤੇ ਲੀਵਰ ਕਰ ਸਕਦੇ ਹਨ।
ਬਾਰੇ ਹੋਰ ਹਾਲੀਆ ਸਵਾਲ ਅਤੇ ਜਵਾਬ ਈਆਈਟੀਸੀ/ਏਆਈ/ਟੀਐਫਐਫ ਟੈਂਸਰਫਲੋ ਫੰਡਮੈਂਟਲ:
- ਵੈਕਟਰਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਸ਼ਬਦਾਂ ਦੀ ਨੁਮਾਇੰਦਗੀ ਦੇ ਪਲਾਟ ਲਈ ਆਪਣੇ ਆਪ ਹੀ ਸਹੀ ਧੁਰੇ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਇੱਕ ਏਮਬੈਡਿੰਗ ਲੇਅਰ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ?
- ਇੱਕ CNN ਵਿੱਚ ਵੱਧ ਤੋਂ ਵੱਧ ਪੂਲਿੰਗ ਦਾ ਉਦੇਸ਼ ਕੀ ਹੈ?
- ਕੀ TensorFlow.js ਵਿੱਚ ਚੱਲ ਰਹੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲਾਂ ਲਈ ਅਸਿੰਕ੍ਰੋਨਸ ਲਰਨਿੰਗ ਫੰਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ?
- TensorFlow Keras Tokenizer API ਅਧਿਕਤਮ ਸ਼ਬਦਾਂ ਦੇ ਪੈਰਾਮੀਟਰ ਕੀ ਹੈ?
- ਕੀ TensorFlow Keras Tokenizer API ਦੀ ਵਰਤੋਂ ਸਭ ਤੋਂ ਵੱਧ ਵਾਰ-ਵਾਰ ਸ਼ਬਦਾਂ ਨੂੰ ਲੱਭਣ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ?
- TOCO ਕੀ ਹੈ?
- ਇੱਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਵਿੱਚ ਕਈ ਯੁੱਗਾਂ ਅਤੇ ਮਾਡਲ ਨੂੰ ਚਲਾਉਣ ਤੋਂ ਭਵਿੱਖਬਾਣੀ ਦੀ ਸ਼ੁੱਧਤਾ ਵਿਚਕਾਰ ਕੀ ਸਬੰਧ ਹੈ?
- ਕੀ ਟੈਂਸਰਫਲੋ ਦੇ ਨਿਊਰਲ ਸਟ੍ਰਕਚਰਡ ਲਰਨਿੰਗ ਵਿੱਚ ਪੈਕ ਨੇਵਰਸ API ਕੁਦਰਤੀ ਗ੍ਰਾਫ ਡੇਟਾ ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਵਧਿਆ ਹੋਇਆ ਸਿਖਲਾਈ ਡੇਟਾਸੈਟ ਤਿਆਰ ਕਰਦਾ ਹੈ?
- ਟੈਨਸਰਫਲੋ ਦੇ ਨਿਊਰਲ ਸਟ੍ਰਕਚਰਡ ਲਰਨਿੰਗ ਵਿੱਚ ਪੈਕ ਨੇਵਰਸ API ਕੀ ਹੈ?
- ਕੀ ਨਿਊਰਲ ਸਟ੍ਰਕਚਰਡ ਲਰਨਿੰਗ ਨੂੰ ਉਸ ਡੇਟਾ ਨਾਲ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ ਜਿਸ ਲਈ ਕੋਈ ਕੁਦਰਤੀ ਗ੍ਰਾਫ਼ ਨਹੀਂ ਹੈ?
EITC/AI/TFF TensorFlow Fundamentals ਵਿੱਚ ਹੋਰ ਸਵਾਲ ਅਤੇ ਜਵਾਬ ਦੇਖੋ