कौन से 'शीर्ष न्यूरल नेटवर्क' प्रत्येक 'एमएल इंजीनियर' को जानने की जरूरत है ?

  यहां प्रसिद्ध मस्तिष्क नेटवर्क संरचनाओं का संक्षिप्त विवरण दिया गया है जिसे प्रत्येक एमएल विशेषज्ञ को सीखना चाहिए,

ब्रेन नेटवर्क एआई का एक सबसेट है और गहन सीखने की गणना के मूल में है।  गणनाओं की प्रगति एक बातचीत के माध्यम से सूचनाओं के एक समूह में बुनियादी कनेक्शनों को समझने का प्रयास करती है जो मानव मस्तिष्क के काम करने के तरीके की प्रतिलिपि बनाता है।  इसके अलावा, मस्तिष्क नेटवर्क डिजाइन न्यूरॉन्स नामक अलग-अलग इकाइयों से बना होता है जो मन के व्यवहार के प्राकृतिक तरीके की नकल करते हैं।  यहाँ कुछ प्रसिद्ध ब्रेन नेटवर्क डिज़ाइन है जिसे प्रत्येक ML आर्किटेक्ट को सीखना चाहिए।

👉 LeNet-5: यह यान लेकन द्वारा प्रस्तावित सबसे शुरुआती पूर्व-तैयार मॉडलों में से एक है, इसमें एक अत्यंत बुनियादी इंजीनियरिंग है।  एआई इंजीनियरों ने लिखित और मशीन-मुद्रित वर्णों को समझने के लिए इस डिज़ाइन को शामिल किया और इसका उपयोग एमएनआईएसटी डेटासेट के आलोक में बैंकों द्वारा मैन्युअल रूप से लिखित चेक की पहचान करने में किया गया है।  इस डिजाइन का मौलिक लाभ गणना और सीमाओं की बचत है।  

👉 स्क्वीज़नेट: एक स्क्वीज़नेट डिज़ाइन बहुत सारे फायर मॉड्यूल और कुछ पूलिंग परतों को ढेर कर देता है।  मस्तिष्क के डिजाइनों में दबाव और विस्तार आचरण सामान्य है।  यह एक दृढ़ मस्तिष्क नेटवर्क है जो सीमाओं की मात्रा को कम करने के लिए योजना प्रणालियों का उपयोग करता है, प्रमुख रूप से अग्नि मॉड्यूल के उपयोग के साथ जो 1 × 1 संकल्पों का उपयोग करने वाली सीमाओं को "प्रेस" करता है।

👉 ENet: इसकी योजना एडम पास्ज़के ने बनाई थी।  एक सिमेंटिक डिवीजन डिज़ाइन एक रूढ़िवादी एन्कोडर-डिकोडर इंजीनियरिंग का उपयोग करता है।  यह एक असाधारण रूप से हल्का और कुशल संगठन है।

👉 नेटवर्क-इन-नेटवर्क: यह एक ब्रेन नेटवर्क इंजीनियरिंग है जो उच्च संयोजन शक्ति देता है और इसमें सीधा और असाधारण ज्ञान होता है।  यह उत्तरदायी क्षेत्र के अंदर आस-पास के सुधारों के लिए मॉडल भेदभाव को उन्नत करता है।  साधारण दृढ़ परत सूचना की जांच करने के लिए एक गैर-रेखीय सक्रियण क्षमता के बाद प्रत्यक्ष चैनलों का उपयोग करती है।

👉 डैन सेरेसन नेट: 2010 में डैन क्लॉडियू सेरेसन और जुर्गन श्मिधुबर ने जीपीयू न्यूरल नेट के पूर्ण पहले निष्पादन में से एक को वितरित किया है।  मस्तिष्क संगठन की 9 परतों पर निर्भर था।  यह एक NVIDIA GTX 280 डिज़ाइन प्रोसेसर पर किया गया था, और इसमें रिवर्स और फॉरवर्ड दोनों थे।

👉 वीजीजी: वीजीजी विजुअल ज्योमेट्री ग्रुप का प्रतिनिधित्व करता है, यह विभिन्न परतों के साथ एक मानक गहन सीएनएन डिजाइन है।  ऑक्सफोर्ड प्रत्येक दृढ़ परत में बहुत अधिक मामूली 3×3 चैनलों को शामिल करने के लिए प्रेरित था और इसके अलावा उन्हें दृढ़ संकल्प की व्यवस्था के रूप में शामिल किया गया था।  वीजीजी में, एलेक्सनेट के 9 x 9 या 11 x 11 जैसे विशाल चैनलों का उपयोग नहीं किया गया था।

👉 एलेक्सनेट: इसने 2012 में इमेजनेट की विशाल गुंजाइश दृश्य स्वीकृति चुनौती जीती है। मॉडल को एलेक्स क्रिज़ेव्स्की और उनके सहयोगियों द्वारा प्रस्तावित किया गया था।  इसने LeNet के ज्ञान के अंशों को एक बहुत बड़े मस्तिष्क नेटवर्क में बदल दिया जिसका उपयोग काफी अधिक जटिल लेख और आइटम पेकिंग ऑर्डर सीखने के लिए किया जा सकता है।

👉 ओवरफीट: यह कनवल्शनल ब्रेन नेटवर्क इंजीनियरिंग का एक अनुकरणीय प्रकार है, जो कनवल्शन, पूलिंग और पूरी तरह से संबद्ध परतों का उपयोग करता है।  2013 में यान लेकन की एनवाईयू लैब ने ओवरफीट को गढ़ा, जो एलेक्सनेट की सहायक कंपनी है।  लेख प्रस्तावित जंपिंग बॉक्स सीखने के मद्देनजर बाउंसिंग बॉक्स उठाने पर कई पेपर वितरित किए गए हैं।

👉 अड़चन: इंसेप्शन की अड़चन परत द्वारा कार्यों और तत्वों की मात्रा को कम करके प्रत्येक परत पर अनुमान का समय कम रखा गया था।  2 के बजाय 3 संकेंद्रित परतें हैं। तीन परतें 1×1, 3×3, और 1×1 कनवल्शन हैं, जहां 1×1 परतें पहलुओं को कम करने और बाद में विस्तार करने के लिए उत्तरदायी हैं, जिससे 3×3 परत एक अड़चन बन जाती है। 

👉 रेसनेट: यह माइक्रोसॉफ्ट के विश्लेषकों द्वारा प्रस्तुत अवशिष्ट नेटवर्क का प्रतिनिधित्व करता है।  यह एक मजबूत स्पाइन मॉडल है जिसका अधिकांश समय पीसी विज़न के कई कामों में उपयोग किया जाता है।  ResNet एक स्किप एसोसिएशन का उपयोग करता है और परिणाम को पिछली परत से बाद की परत में जोड़ता है और वाष्पीकरण ढलान समस्या से राहत दिलाने में मदद करता है।

यह डेटा केवल शिक्षाप्रद उद्देश्यों के लिए है।