Datasets:

carlfeynman

/

Bharat_NanoSCIDOCS_pa

like 0

d31798506874705f900e72203515abfaa9278409

ਲੇਖ ਇਤਿਹਾਸਃ 26 ਅਗਸਤ 2007 ਨੂੰ ਪ੍ਰਾਪਤ ਹੋਇਆ 7 ਮਈ 2008 ਨੂੰ ਸੋਧੇ ਹੋਏ ਰੂਪ ਵਿੱਚ ਪ੍ਰਾਪਤ ਹੋਇਆ 13 ਮਈ 2008 ਨੂੰ ਸਵੀਕਾਰ ਕੀਤਾ ਗਿਆ

6d96f946aaabc734af7fe3fc4454cf8547fcd5ed

1c26786513a0844c3a547118167452bed17abf5d

ਟ੍ਰਾਂਸਲੇਸ਼ਨ ਸਮੱਸਿਆ ਦੀ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਦੇਣ ਤੋਂ ਬਾਅਦ, ਅਤੇ ਅਰਬੀ ਤੋਂ ਅੰਗਰੇਜ਼ੀ ਅਨੁਵਾਦ ਲਈ ਕੁਝ ਖਾਸ ਮੁੱਦਿਆਂ ਨੂੰ ਉਜਾਗਰ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਸਮੱਸਿਆ ਦੇ ਕੰਪਿutਟੇਸ਼ਨਲ ਹੱਲ ਵਜੋਂ ਤਿੰਨ ਪੜਾਅ ਐਲਗੋਰਿਦਮ ਪੇਸ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ. ਐਲਗੋਰਿਥਮ ਇੱਕ ਲੁਕਵੇਂ ਮਾਰਕੋਵ ਮਾਡਲ ਪਹੁੰਚ ਤੇ ਅਧਾਰਤ ਹੈ, ਪਰ ਆਨ-ਲਾਈਨ ਡਾਟਾਬੇਸ ਵਿੱਚ ਉਪਲਬਧ ਜਾਣਕਾਰੀ ਦਾ ਲਾਭ ਵੀ ਲੈਂਦਾ ਹੈ। ਫਿਰ ਐਲਗੋਰਿਥਮ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ 80% ਦੇ ਨੇੜੇ ਸ਼ੁੱਧਤਾ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਦਿਖਾਇਆ ਜਾਂਦਾ ਹੈ।

dbc82e5b8b17faec972e1d09c34ec9f9cd1a33ea

ਸਾਧਾਰਨ ਸੋਚ ਦੇ ਸਾਡੇ ਖੋਜ ਵਿੱਚ, ਅਸੀਂ ਪਾਇਆ ਹੈ ਕਿ ਇੱਕ ਖਾਸ ਤੌਰ ਤੇ ਮਹੱਤਵਪੂਰਨ ਕਿਸਮ ਦਾ ਗਿਆਨ ਮਨੁੱਖੀ ਟੀਚਿਆਂ ਬਾਰੇ ਗਿਆਨ ਹੈ। ਖ਼ਾਸ ਕਰਕੇ ਜਦੋਂ ਇੰਟਰਫੇਸ ਏਜੰਟਾਂ ਲਈ ਕਾਮਨਸੈਂਸ ਤਰਕ ਨੂੰ ਲਾਗੂ ਕਰਦੇ ਹਾਂ, ਸਾਨੂੰ ਉਪਭੋਗਤਾ ਕਿਰਿਆਵਾਂ (ਯੋਜਨਾ ਦੀ ਪਛਾਣ) ਤੋਂ ਟੀਚਿਆਂ ਨੂੰ ਪਛਾਣਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਟੀਚਿਆਂ (ਯੋਜਨਾਬੰਦੀ) ਨੂੰ ਲਾਗੂ ਕਰਨ ਵਾਲੀਆਂ ਕਿਰਿਆਵਾਂ ਦੇ ਕ੍ਰਮ ਤਿਆਰ ਕਰਦੇ ਹਨ। ਸਾਨੂੰ ਅਕਸਰ ਆਮ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਦੀ ਵੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਕਿ ਟੀਚੇ ਕਦੋਂ ਅਤੇ ਕਿੱਥੇ ਹੋਣੇ ਹਨ, ਜਾਂ ਇਹ ਟੀਚਾ ਪੂਰਾ ਹੋਣ ਵਿੱਚ ਕਿੰਨਾ ਸਮਾਂ ਲੱਗੇਗਾ। ਕਾਮਨਸੈਂਸ ਗਿਆਨ ਪ੍ਰਾਪਤੀ ਤੇ ਪਿਛਲੇ ਕੰਮ ਵਿੱਚ, ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਸਿੱਧੇ ਤੌਰ ਤੇ ਅਜਿਹੀ ਜਾਣਕਾਰੀ ਲਈ ਕਿਹਾ ਗਿਆ ਹੈ। ਹਾਲ ਹੀ ਵਿੱਚ, ਹਾਲਾਂਕਿ, ਇੱਕ ਹੋਰ ਪਹੁੰਚ ਸਾਹਮਣੇ ਆਈ ਹੈ - ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਗੇਮ ਖੇਡਣ ਲਈ ਲੁਭਾਉਣ ਲਈ ਜਿੱਥੇ ਗਿਆਨ ਪ੍ਰਦਾਨ ਕਰਨਾ ਗੇਮ ਵਿੱਚ ਵਧੀਆ ਸਕੋਰ ਕਰਨ ਦਾ ਸਾਧਨ ਹੈ, ਇਸ ਤਰ੍ਹਾਂ ਖਿਡਾਰੀਆਂ ਨੂੰ ਪ੍ਰੇਰਿਤ ਕਰਨਾ. ਇਸ ਪਹੁੰਚ ਦੀ ਸ਼ੁਰੂਆਤ ਲੁਈਸ ਵਾਨ ਆਹਨ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਸਾਥੀਆਂ ਨੇ ਕੀਤੀ ਹੈ, ਜੋ ਇਸ ਨੂੰ ਮਨੁੱਖੀ ਗਣਨਾ ਕਹਿੰਦੇ ਹਨ। ਆਮ ਸਹਿਮਤੀ ਇੱਕ ਮਜ਼ੇਦਾਰ, ਸਵੈ-ਸਮਰਥਨ ਵਾਲੀ ਵੈਬ-ਅਧਾਰਤ ਖੇਡ ਹੈ, ਜੋ ਰੋਜ਼ਾਨਾ ਟੀਚਿਆਂ ਬਾਰੇ ਆਮ ਗਿਆਨ ਨੂੰ ਇਕੱਠਾ ਕਰਦੀ ਹੈ ਅਤੇ ਪ੍ਰਮਾਣਿਤ ਕਰਦੀ ਹੈ। ਇਹ ਟੀਵੀ ਗੇਮ ਸ਼ੋਅ ਫੈਮਲੀ ਫੇਡ1 ਦੀ ਬਣਤਰ ਤੇ ਅਧਾਰਤ ਹੈ। ਇੱਕ ਛੋਟੇ ਉਪਭੋਗਤਾ ਅਧਿਐਨ ਤੋਂ ਪਤਾ ਚੱਲਿਆ ਹੈ ਕਿ ਉਪਭੋਗਤਾ ਗੇਮ ਨੂੰ ਮਜ਼ੇਦਾਰ ਸਮਝਦੇ ਹਨ, ਗਿਆਨ ਦੀ ਗੁਣਵੱਤਾ ਬਹੁਤ ਚੰਗੀ ਹੈ, ਅਤੇ ਗਿਆਨ ਇਕੱਠੀ ਕਰਨ ਦੀ ਦਰ ਤੇਜ਼ ਹੈ। ਏਸੀਐਮ ਵਰਗੀਕਰਣਃ ਐਚ. 3.3 [ਜਾਣਕਾਰੀ ਸਟੋਰੇਜ ਅਤੇ ਰਿਟ੍ਰੀਵਵੈਲ]: ਜਾਣਕਾਰੀ ਖੋਜ ਅਤੇ ਮੁੜ ਪ੍ਰਾਪਤ; ਆਈ. 2.6 [ਆਰਟੀਫਿਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ]: ਸਿਖਲਾਈ

f8b1534b26c1a4a30d32aec408614ecff2412156

4c479f8d18badb29ec6a2a49d6ca8e36d833fbe9

ਪਿਛੋਕੜ ਭਾਵੇਂ ਕਿ ਇਹ ਛੋਟਾ ਹੈ, ਪਰ ਇਸ ਦੇ ਕਈ ਮਹੱਤਵਪੂਰਨ ਕੰਮ ਹਨ। ਕਈ ਮਾਸਪੇਸ਼ੀਆਂ, ਬੰਨ੍ਹਿਆਂ ਅਤੇ ਟੈਂਡਰਾਂ ਲਈ ਸੰਮਿਲਨ ਵਾਲੀ ਥਾਂ ਹੋਣ ਦੇ ਨਾਲ, ਇਹ ਤ੍ਰਿਪੋਡ ਦੀ ਇੱਕ ਲੱਤ ਦੇ ਤੌਰ ਤੇ ਵੀ ਕੰਮ ਕਰਦਾ ਹੈ-ਇਸ਼ਿਆਲ ਟਿਊਬਰੋਸੀਟੀਜ਼ ਦੇ ਨਾਲ-ਜੋ ਬੈਠੇ ਹੋਏ ਸਥਿਤੀ ਵਿੱਚ ਇੱਕ ਵਿਅਕਤੀ ਨੂੰ ਭਾਰ-ਧਾਰਣ ਸਹਾਇਤਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਕੋਕਸੀਡਿਨਿਆ (ਕੌਕਸੀਕਸ ਦੇ ਖੇਤਰ ਵਿੱਚ ਦਰਦ) ਦੀ ਘਟਨਾ ਦੀ ਰਿਪੋਰਟ ਨਹੀਂ ਕੀਤੀ ਗਈ ਹੈ, ਪਰ ਕੋਕਸੀਡਿਨਿਆ ਦੇ ਵਿਕਾਸ ਦੇ ਵਧੇ ਹੋਏ ਜੋਖਮ ਨਾਲ ਜੁੜੇ ਕਾਰਕਾਂ ਵਿੱਚ ਮੋਟਾਪਾ ਅਤੇ ਔਰਤ ਲਿੰਗ ਸ਼ਾਮਲ ਹਨ। ਇਸ ਲੇਖ ਵਿਚ ਕੋਕਸੀਡਿਨਿਆ ਦੇ ਸਰੀਰ ਵਿਗਿਆਨ, ਸਰੀਰ ਵਿਗਿਆਨ ਅਤੇ ਇਲਾਜ ਬਾਰੇ ਜਾਣਕਾਰੀ ਦਿੱਤੀ ਗਈ ਹੈ। ਨਤੀਜਾ 90% ਮਾਮਲਿਆਂ ਵਿਚ ਰਵਾਇਤੀ ਇਲਾਜ ਸਫਲ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਬਹੁਤ ਸਾਰੇ ਕੇਸ ਡਾਕਟਰੀ ਇਲਾਜ ਤੋਂ ਬਿਨਾਂ ਠੀਕ ਹੋ ਜਾਂਦੇ ਹਨ। ਅਸਥਿਰ ਕੇਸਾਂ ਦੇ ਇਲਾਜਾਂ ਵਿੱਚ ਪੇਲਵਿਕ ਫਲੋਰ ਰੀਹੈਬਲੀਟੇਸ਼ਨ, ਮੈਨੂਅਲ ਮੈਨੂਪੁਲੇਸ਼ਨ ਅਤੇ ਮਸਾਜ, ਟ੍ਰਾਂਸਕੂਟੇਨ ਇਲੈਕਟ੍ਰਿਕ ਨਰਵ ਉਤੇਜਨਾ, ਮਨੋਵਿਗਿਆਨਕ ਇਲਾਜ, ਸਟੀਰੌਇਡ ਟੀਕੇ, ਨਰਵ ਬਲਾਕ, ਰੀੜ੍ਹ ਦੀ ਹੱਡੀ ਉਤੇਜਨਾ ਅਤੇ ਸਰਜੀਕਲ ਪ੍ਰਕਿਰਿਆਵਾਂ ਸ਼ਾਮਲ ਹਨ। ਸਿੱਟਾ ਸਰੀਰਕ ਥੈਰੇਪੀ, ਅਰਗੋਨੋਮਿਕ ਅਨੁਕੂਲਤਾਵਾਂ, ਦਵਾਈਆਂ, ਟੀਕੇ ਅਤੇ ਸੰਭਵ ਤੌਰ ਤੇ ਮਨੋਵਿਗਿਆਨਕ ਇਲਾਜ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ ਬਹੁ-ਅਨੁਸ਼ਾਸਨੀ ਪਹੁੰਚ ਨਾਲ ਰੋਗਾਣੂ-ਮੁਕਤ ਕੋਕਸੀਸ ਦਰਦ ਵਾਲੇ ਮਰੀਜ਼ਾਂ ਵਿੱਚ ਸਫਲਤਾ ਦੀ ਸਭ ਤੋਂ ਵੱਡੀ ਸੰਭਾਵਨਾ ਹੁੰਦੀ ਹੈ। ਹਾਲਾਂਕਿ ਨਵੀਂ ਸਰਜੀਕਲ ਤਕਨੀਕ ਉਭਰ ਰਹੀ ਹੈ, ਪਰ ਇਸ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਨੂੰ ਸਥਾਪਤ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਹੋਰ ਖੋਜ ਦੀ ਲੋੜ ਹੈ।

0989bbd8c15f9aac24e8832327df560dc8ec5324

ਤਕਰੀਬਨ 60 ਸਾਲਾਂ ਵਿਚ ਜਦੋਂ ਤੋਂ ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਉਨ੍ਹਾਂ ਨੂੰ ਬਣਾਉਣ ਦੇ ਤਰੀਕਿਆਂ ਦੀ ਪੜਚੋਲ ਕਰਨੀ ਸ਼ੁਰੂ ਕੀਤੀ ਹੈ, ਐਕਸੋਸਕੇਲੈਟਸ ਵਿਗਿਆਨਕ ਕਲਪਨਾ ਤੋਂ ਲਗਭਗ ਵਪਾਰਕ ਉਤਪਾਦਾਂ ਵਿਚ ਅੱਗੇ ਵਧੇ ਹਨ। ਹਾਲਾਂਕਿ ਅਜੇ ਵੀ ਬਹੁਤ ਸਾਰੀਆਂ ਚੁਣੌਤੀਆਂ ਹਨ ਜੋ ਐਕਸੋਸਕੇਲਟੋਨ ਵਿਕਾਸ ਨਾਲ ਜੁੜੀਆਂ ਹਨ ਜੋ ਅਜੇ ਤੱਕ ਸੰਪੂਰਨ ਨਹੀਂ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ, ਖੇਤਰ ਵਿੱਚ ਤਰੱਕੀ ਬਹੁਤ ਵੱਡੀ ਰਹੀ ਹੈ। ਇਸ ਪੇਪਰ ਵਿੱਚ, ਅਸੀਂ ਇਤਿਹਾਸ ਦੀ ਸਮੀਖਿਆ ਕਰਦੇ ਹਾਂ ਅਤੇ ਹੇਠਲੇ ਅੰਗਾਂ ਦੇ ਐਕਸੋਸਕੇਲੈਟਸ ਅਤੇ ਐਕਟਿਵ ਓਰਥੋਸਿਸ ਦੀ ਅਤਿ ਆਧੁਨਿਕ ਸਥਿਤੀ ਬਾਰੇ ਚਰਚਾ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਸਾਹਿਤ ਵਿੱਚ ਵਰਣਿਤ ਕੀਤੇ ਗਏ ਜ਼ਿਆਦਾਤਰ ਉਪਕਰਣਾਂ ਲਈ ਹਾਰਡਵੇਅਰ, ਐਕਟੀਵੇਸ਼ਨ, ਸੈਂਸਰੀ ਅਤੇ ਕੰਟਰੋਲ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਡਿਜ਼ਾਈਨ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਉਨ੍ਹਾਂ ਵੱਡੀਆਂ ਤਰੱਕੀਆਂ ਦੀ ਚਰਚਾ ਨਾਲ ਖਤਮ ਕਰਦੇ ਹਾਂ ਜੋ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ ਅਤੇ ਅਜੇ ਵੀ ਪਾਰ ਕਰਨ ਵਾਲੀਆਂ ਰੁਕਾਵਟਾਂ ਹਨ।

4adffe0ebdda59d39e43d42a41e1b6f80164f07e

ਨਾਨ-ਨੈਗੇਟਿਵ ਮੈਟ੍ਰਿਕਸ ਫੈਕਟਰਾਈਜ਼ੇਸ਼ਨ (ਐਨਐਮਐਫ) ਇੱਕ ਸੁਪਰਵਾਈਜ਼ਡ ਲਰਨਿੰਗ ਵਿਧੀ ਹੈ ਜੋ ਚਿੱਤਰ ਪ੍ਰੋਸੈਸਿੰਗ ਅਤੇ ਦਸਤਾਵੇਜ਼ਾਂ ਦੇ ਅਰਥ ਵਿਸ਼ਲੇਸ਼ਣ ਸਮੇਤ ਵੱਖ ਵੱਖ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਲਾਭਦਾਇਕ ਹੈ। ਇਹ ਪੇਪਰ ਸਮਮਿਤੀ ਐਨਐਮਐਫ (ਐਸਐਨਐਮਐਫ) ਤੇ ਕੇਂਦ੍ਰਤ ਕਰਦਾ ਹੈ, ਜੋ ਐਨਐਮਐਫ ਵਿਗਾੜ ਦਾ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਕੇਸ ਹੈ। ਇਸ ਸਮੱਸਿਆ ਲਈ ਸਿੱਧੇ ਤੌਰ ਤੇ ਪੱਧਰ 3 ਦੇ ਬੁਨਿਆਦੀ ਰੇਖਿਕ ਅਲਜਬਰਾ ਸਬਪ੍ਰੋਗਰਾਮ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਤਿੰਨ ਸਮਾਨਾਂਤਰ ਗੁਣਾਤਮਕ ਅਪਡੇਟ ਐਲਗੋਰਿਥਮ ਵਿਕਸਿਤ ਕੀਤੇ ਗਏ ਹਨ। ਪਹਿਲਾਂ, ਯੂਕਲੀਡੀਅਨ ਦੂਰੀ ਨੂੰ ਘੱਟ ਕਰਕੇ, ਇੱਕ ਗੁਣਾਤਮਕ ਅਪਡੇਟ ਐਲਗੋਰਿਦਮ ਪ੍ਰਸਤਾਵਿਤ ਕੀਤਾ ਗਿਆ ਹੈ, ਅਤੇ ਹਲਕੇ ਹਾਲਤਾਂ ਵਿੱਚ ਇਸਦੀ ਇਕਸਾਰਤਾ ਸਾਬਤ ਕੀਤੀ ਗਈ ਹੈ। ਇਸ ਦੇ ਆਧਾਰ ਤੇ, ਅਸੀਂ ਅੱਗੇ ਦੋ ਹੋਰ ਤੇਜ਼ ਸਮਾਨਾਂਤਰ ਵਿਧੀਆਂ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ: α-SNMF ਅਤੇ β-SNMF ਐਲਗੋਰਿਥਮ. ਇਨ੍ਹਾਂ ਸਾਰਿਆਂ ਨੂੰ ਲਾਗੂ ਕਰਨਾ ਆਸਾਨ ਹੈ। ਇਹ ਐਲਗੋਰਿਥਮ ਸੰਭਾਵਨਾਵਾਦੀ ਕਲੱਸਟਰਿੰਗ ਲਈ ਲਾਗੂ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਅਸੀਂ ਚਿਹਰੇ ਦੀ ਤਸਵੀਰ ਕਲੱਸਟਰਿੰਗ, ਦਸਤਾਵੇਜ਼ ਸ਼੍ਰੇਣੀਕਰਨ, ਅਤੇ ਜੀਨ ਪ੍ਰਗਟਾਵੇ ਵਿੱਚ ਪੈਟਰਨ ਕਲੱਸਟਰਿੰਗ ਲਈ ਉਨ੍ਹਾਂ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਾਂ।

2a4423b10725e54ad72f4f1fcf77db5bc835f0a6

ਅੰਕੜਾ ਮਕੈਨਿਕ (ਇੱਕ ਸੀਮਤ ਤਾਪਮਾਨ ਤੇ ਥਰਮਲ ਸੰਤੁਲਨ ਵਿੱਚ ਆਜ਼ਾਦੀ ਦੇ ਬਹੁਤ ਸਾਰੇ ਡਿਗਰੀ ਵਾਲੇ ਪ੍ਰਣਾਲੀਆਂ ਦਾ ਵਿਵਹਾਰ) ਅਤੇ ਬਹੁ-ਵਿਰਤ ਜਾਂ ਸੰਜੋਗ ਅਨੁਕੂਲਤਾ (ਬਹੁਤ ਸਾਰੇ ਪੈਰਾਮੀਟਰਾਂ ਤੇ ਨਿਰਭਰ ਕਰਦਿਆਂ ਦਿੱਤੇ ਫੰਕਸ਼ਨ ਦਾ ਘੱਟੋ ਘੱਟ ਲੱਭਣਾ) ਵਿਚਕਾਰ ਇੱਕ ਡੂੰਘਾ ਅਤੇ ਲਾਭਦਾਇਕ ਸੰਬੰਧ ਹੈ। ਠੋਸ ਪਦਾਰਥਾਂ ਵਿੱਚ ਐਨੀਲਿੰਗ ਨਾਲ ਇੱਕ ਵਿਸਤ੍ਰਿਤ ਸਮਾਨਤਾ ਬਹੁਤ ਵੱਡੇ ਅਤੇ ਗੁੰਝਲਦਾਰ ਪ੍ਰਣਾਲੀਆਂ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਅਨੁਕੂਲਤਾ ਲਈ ਇੱਕ ਫਰੇਮਵਰਕ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ। ਅੰਕੜਾ ਮਕੈਨਿਕ ਨਾਲ ਇਹ ਕੁਨੈਕਸ਼ਨ ਨਵੀਂ ਜਾਣਕਾਰੀ ਨੂੰ ਪ੍ਰਗਟ ਕਰਦਾ ਹੈ ਅਤੇ ਰਵਾਇਤੀ ਅਨੁਕੂਲਤਾ ਸਮੱਸਿਆਵਾਂ ਅਤੇ ਤਰੀਕਿਆਂ ਤੇ ਇੱਕ ਅਣਜਾਣ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।

dec997b20ebe2b867f68cc5c123d9cb9eafad6bb

ਡੂੰਘੇ ਨਯੂਰਨ ਨੈਟਵਰਕ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਆਮ ਤੌਰ ਤੇ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਡੇਟਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਅਤੇ ਬਹੁਤ ਹੀ ਗਣਨਾ-ਨਿਰਭਰ ਹੁੰਦੀ ਹੈ। ਅਸੀਂ ਇੱਥੇ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਮਹਿੰਗੇ ਗਰੇਡੀਐਂਟ ਉਤਰਨ ਦੀ ਵਿਧੀ ਨੂੰ ਰੋਕਣਾ ਅਤੇ ਸਿਖਲਾਈ ਡੇਟਾ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਤੋਂ ਸਿੱਧੇ ਤੌਰ ਤੇ ਇਕ ਨਯੂਰਲ ਨੈਟਵਰਕ ਦੇ ਪੈਰਾਮੀਟਰ ਪ੍ਰਾਪਤ ਕਰਨਾ ਸੰਭਵ ਹੋ ਸਕਦਾ ਹੈ. ਅਸੀਂ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ, ਸੰਜੋਗ ਦੇ ਨੇੜੇ, ਇੰਪੁੱਟ ਦੇ ਨੇੜੇ ਲੇਅਰਾਂ ਲਈ ਗਰੇਡੀਐਂਟ ਡੈਸੈਂਟ ਸਮੀਕਰਨਾਂ ਨੂੰ ਲਾਈਨਰੀਜ਼ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਅਤੇ ਹਰ ਕਲਾਸ ਲਈ ਡਾਟਾ ਦੇ ਸਹਿ-ਵਿਵਹਾਰ ਨਾਲ ਸਬੰਧਤ ਰੌਲੇ ਦੇ ਨਾਲ ਸਟੋਚੈਸਟਿਕ ਸਮੀਕਰਨਾਂ ਬਣ ਸਕਦੇ ਹਨ. ਅਸੀਂ ਇਨ੍ਹਾਂ ਸਮੀਕਰਨਾਂ ਦੇ ਹੱਲਾਂ ਦੀ ਵੰਡ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਾਂ ਅਤੇ ਇਹ ਖੋਜ ਕਰਦੇ ਹਾਂ ਕਿ ਇਹ ਇੱਕ ਨਿਗਰਾਨੀ ਵਾਲੇ ਪ੍ਰਮੁੱਖ ਕੰਪੋਨੈਂਟ ਵਿਸ਼ਲੇਸ਼ਣ ਨਾਲ ਸਬੰਧਤ ਹੈ। ਅਸੀਂ ਇਨ੍ਹਾਂ ਨਤੀਜਿਆਂ ਨੂੰ ਚਿੱਤਰ ਡੇਟਾ ਸੈੱਟਾਂ MNIST, CIFAR10 ਅਤੇ CIFAR100 ਤੇ ਲਾਗੂ ਕਰਦੇ ਹਾਂ ਅਤੇ ਇਹ ਪਾਉਂਦੇ ਹਾਂ ਕਿ, ਅਸਲ ਵਿੱਚ, ਸਾਡੇ ਨਤੀਜਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਪ੍ਰੀ-ਸਿਖਲਾਈ ਵਾਲੀਆਂ ਪਰਤਾਂ ਉਸੇ ਆਕਾਰ ਅਤੇ ਆਰਕੀਟੈਕਚਰ ਦੇ ਨਯੂਰਲ ਨੈਟਵਰਕਾਂ ਦੇ ਮੁਕਾਬਲੇ ਤੁਲਨਾਤਮਕ ਜਾਂ ਉੱਤਮ ਹੁੰਦੀਆਂ ਹਨ ਜੋ ਗਰੇਡੀਐਂਟ ਉਤਰਾਈ ਨਾਲ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਹੁੰਦੀਆਂ ਹਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਸਾਡੀ ਪ੍ਰੀਟ੍ਰੇਨਡ ਲੇਅਰਾਂ ਦੀ ਗਣਨਾ ਅਕਸਰ ਸਿਖਲਾਈ ਦੇ ਅੰਕੜਿਆਂ ਦੇ ਇੱਕ ਹਿੱਸੇ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਕਿਉਂਕਿ ਕੋਵਾਰੀਐਂਸ ਮੈਟ੍ਰਿਕਸ ਦੀ ਤੇਜ਼ੀ ਨਾਲ ਇਕਸਾਰਤਾ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਸਾਡੇ ਨਤੀਜੇ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਅਸੀਂ ਸਿਖਲਾਈ ਦੇ ਸਮੇਂ ਨੂੰ ਘਟਾ ਸਕਦੇ ਹਾਂ, ਜਿਸ ਵਿੱਚ ਸਿਰਫ ਗਰੇਡੀਐਂਟ ਉਤਾਰ-ਚੜ੍ਹਾਅ ਲਈ ਵਰਤੇ ਗਏ ਡੇਟਾ ਦਾ ਇੱਕ ਹਿੱਸਾ ਲੋੜੀਂਦਾ ਹੈ, ਅਤੇ ਸਿਖਲਾਈ ਦੇ ਮਹਿੰਗੇ ਬੈਕਪ੍ਰੋਪੇਗੇਸ਼ਨ ਪੜਾਅ ਵਿੱਚ ਲੇਅਰਾਂ ਨੂੰ ਖਤਮ ਕਰਕੇ. ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹ ਖੋਜਾਂ ਅੰਸ਼ਕ ਤੌਰ ਤੇ ਡੂੰਘੇ ਨਿ neਰਲ ਨੈਟਵਰਕਸ ਦੇ ਅੰਦਰੂਨੀ ਕੰਮਕਾਜ ਨੂੰ ਸਪੱਸ਼ਟ ਕਰਦੀਆਂ ਹਨ ਅਤੇ ਸਾਨੂੰ ਗਣਿਤ ਦੇ ਤੌਰ ਤੇ ਸ਼੍ਰੇਣੀਬੱਧ ਸਮੱਸਿਆਵਾਂ ਦੇ ਕੁਝ ਪੜਾਵਾਂ ਲਈ ਅਨੁਕੂਲ ਹੱਲਾਂ ਦੀ ਗਣਨਾ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦੀਆਂ ਹਨ, ਇਸ ਤਰ੍ਹਾਂ ਅਜਿਹੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਕੁਸ਼ਲਤਾ ਨਾਲ ਹੱਲ ਕਰਨ ਦੀ ਸਾਡੀ ਯੋਗਤਾ ਨੂੰ ਮਹੱਤਵਪੂਰਣ ਰੂਪ ਵਿੱਚ ਵਧਾਉਂਦੀਆਂ ਹਨ.