உள்ளடக்கம்
கே:
செயற்கை தொடர்ச்சியான நரம்பியல் நெட்வொர்க்குகள் ஏன் பெரும்பாலும் பயிற்சி செய்வது கடினம்?
ப:
செயற்கை தொடர்ச்சியான நரம்பியல் நெட்வொர்க்குகளுக்கு பயிற்சி அளிப்பதில் உள்ள சிரமம் அவற்றின் சிக்கலுடன் தொடர்புடையது.
தொடர்ச்சியான நரம்பியல் நெட்வொர்க்குகள் ஏன் பயிற்சியளிப்பது கடினம் என்பதை விளக்குவதற்கான எளிய வழிகளில் ஒன்று, அவை ஊட்டமளிக்கும் நரம்பியல் நெட்வொர்க்குகள் அல்ல.
ஃபீட்ஃபோர்டு நியூரல் நெட்வொர்க்குகளில், சிக்னல்கள் ஒரு வழியை மட்டுமே நகர்த்தும். சமிக்ஞை ஒரு உள்ளீட்டு அடுக்கிலிருந்து பல்வேறு மறைக்கப்பட்ட அடுக்குகளுக்கு நகர்கிறது, மேலும் முன்னோக்கி, ஒரு அமைப்பின் வெளியீட்டு அடுக்குக்கு நகரும்.
இதற்கு மாறாக, தொடர்ச்சியான நரம்பியல் நெட்வொர்க்குகள் மற்றும் பிற வகையான நரம்பியல் நெட்வொர்க்குகள் மிகவும் சிக்கலான சமிக்ஞை இயக்கங்களைக் கொண்டுள்ளன. “பின்னூட்டம்” நெட்வொர்க்குகள் என வகைப்படுத்தப்பட்ட, தொடர்ச்சியான நரம்பியல் நெட்வொர்க்குகள் முன்னும் பின்னும் பயணிக்கும் சமிக்ஞைகளைக் கொண்டிருக்கலாம், மேலும் நெட்வொர்க்கில் எண்கள் அல்லது மதிப்புகள் மீண்டும் நெட்வொர்க்கில் வழங்கப்படும் பல்வேறு “சுழல்கள்” இருக்கலாம். வல்லுநர்கள் தங்கள் நினைவகத்துடன் தொடர்புடைய தொடர்ச்சியான நரம்பியல் நெட்வொர்க்குகளின் அம்சத்துடன் இதை தொடர்புபடுத்துகிறார்கள்.
கூடுதலாக, தொடர்ச்சியான நரம்பியல் நெட்வொர்க்குகளை பாதிக்கும் மற்றொரு வகை சிக்கலானது. இதற்கு ஒரு சிறந்த எடுத்துக்காட்டு இயற்கை மொழி செயலாக்கத் துறையில் உள்ளது.
அதிநவீன இயற்கை மொழி செயலாக்கத்தில், நரம்பியல் வலைப்பின்னல் விஷயங்களை நினைவில் வைத்திருக்க வேண்டும். இது கான் உள்ளீடுகளையும் எடுக்க வேண்டும். ஒரு வார்த்தையை மற்ற சொற்களின் வாக்கியத்திற்குள் பகுப்பாய்வு செய்ய அல்லது கணிக்க விரும்பும் ஒரு நிரல் உள்ளது என்று வைத்துக்கொள்வோம். எடுத்துக்காட்டாக, கணினி மதிப்பீடு செய்ய ஐந்து சொற்களின் நிலையான நீளம் இருக்கலாம். அதாவது இந்த சொற்களில் ஒவ்வொன்றிற்கும் நரம்பியல் நெட்வொர்க்கில் உள்ளீடுகள் இருக்க வேண்டும், இந்த வார்த்தைகளின் கான் மீது "நினைவில்" அல்லது பயிற்சியளிக்கும் திறனுடன். அந்த மற்றும் பிற ஒத்த காரணங்களுக்காக, தொடர்ச்சியான நரம்பியல் நெட்வொர்க்குகள் பொதுவாக கணினியில் இந்த சிறிய மறைக்கப்பட்ட சுழல்கள் மற்றும் பின்னூட்டங்களைக் கொண்டுள்ளன.
இந்த சிக்கல்கள் நெட்வொர்க்குகளுக்கு பயிற்சி அளிப்பது கடினம் என்று நிபுணர்கள் புலம்புகிறார்கள். இதை விளக்குவதற்கான பொதுவான வழிகளில் ஒன்று வெடிக்கும் மற்றும் மறைந்துபோகும் சாய்வு சிக்கலை மேற்கோள் காட்டி. அடிப்படையில், நெட்வொர்க்கின் எடைகள் அதிக எண்ணிக்கையிலான பாஸுடன் மதிப்புகள் வெடிக்க அல்லது மறைந்துவிடும்.
நியூரல் நெட்வொர்க் முன்னோடி ஜியோஃப் ஹிண்டன் வலையில் இந்த நிகழ்வை விளக்குகிறார், பின்தங்கிய நேரியல் பாஸ்கள் சிறிய எடைகள் அதிவேகமாக சுருங்குவதற்கும் பெரிய எடைகள் வெடிப்பதற்கும் காரணமாகின்றன.
இந்த சிக்கல், அவர் தொடர்கிறார், நீண்ட காட்சிகள் மற்றும் அதிக நேர படிகளுடன் மோசமடைகிறார், இதில் சிக்னல்கள் வளர்கின்றன அல்லது சிதைவடைகின்றன. எடை துவக்கம் உதவக்கூடும், ஆனால் அந்த சவால்கள் தொடர்ச்சியான நரம்பியல் பிணைய மாதிரியில் கட்டமைக்கப்படுகின்றன. அவற்றின் குறிப்பிட்ட வடிவமைப்பு மற்றும் கட்டமைப்போடு இணைக்கப்பட்ட பிரச்சினையாக எப்போதும் இருக்கும். அடிப்படையில், மிகவும் சிக்கலான சில நரம்பியல் நெட்வொர்க்குகள் அவற்றை எளிதாக நிர்வகிக்கும் திறனை மறுக்கின்றன. நடைமுறையில் எல்லையற்ற அளவிலான சிக்கலை நாம் உருவாக்க முடியும், ஆனால் நாம் பெரும்பாலும் முன்கணிப்பு மற்றும் அளவிடக்கூடிய சவால்கள் வளர்வதைக் காண்கிறோம்.