तंत्रिका नेटवर्क को ब्लैक बॉक्स के रूप में मानना ​​क्यों पर्याप्त है?

यदि आप लंबे समय से तंत्रिका नेटवर्क प्रौद्योगिकियों के शौकीन रहे हैं, तो आप शायद एक राय भर में आ गए हैं जो बयानबाजी में संक्षिप्त रूप से निष्कर्ष निकाला गया है: "आप किसी व्यक्ति को कैसे समझाते हैं जब एक तंत्रिका नेटवर्क मानता है कि उसे कैंसर है?" और अगर सबसे अच्छी स्थिति में इस तरह के विचार आपको पर्याप्त जिम्मेदार क्षेत्रों में तंत्रिका नेटवर्क के उपयोग पर संदेह करते हैं, तो सबसे खराब स्थिति में आप अपने सभी हित खो सकते हैं।

मैं सबसे अच्छे विकल्प के रूप में आया - मैंने शांतिपूर्वक इस सीमा को स्वीकार किया और बिना ज्यादा सोचे-समझे कंप्यूटर विज़न के क्षेत्र में तंत्रिका नेटवर्क तकनीकों का उपयोग करना जारी रखा।

कार्य

हाल ही में, एक कार्य मुझ पर गिर गया - जल्दी से भावनाओं का एक व्यावहारिक डिटेक्टर बनाने के लिए। शर्तों को स्पष्ट रूप से निर्धारित किया गया था - 100x100 के संकल्प के साथ एक सामने स्थित व्यक्ति। तैयार किए गए डेटासेट की खोज में, मैंने कुछ घंटे बिताए और महसूस किया कि व्यावहारिक रूप से मुझे कुछ भी पसंद नहीं है। या "अनुसंधान उद्देश्यों" के लिए भी डेटासेट तक पहुंचना बहुत मुश्किल था। जिस तरह से जल्दी से पाया गया था - एक दर्जन फीचर फिल्में लेने के लिए और बस उनके माध्यम से हर चेहरे को उतारने के लिए हर कैस्केड चलाएं। रात के दौरान, 30k से अधिक (!) चित्र प्राप्त हुए। इसके अलावा, प्राप्त छवियों को 5 मुख्य भावनाओं (खुश, उदास, तटस्थ, क्रोधित, आश्चर्यचकित) द्वारा क्रमबद्ध किया गया था। बेशक, सभी छवियां दूर हैं, और परिणामस्वरूप, 400-500 चेहरे की छवियां प्रत्येक श्रेणी में गिर गईं।

फिर यह सब तंत्रिका नेटवर्क के परिणामों को समझाने के विषय के साथ शुरू हुआ। पर्याप्त रूप से उच्च-गुणवत्ता वाले कस्टम डेटा वृद्धि के साथ भी, ऐसा डेटा सेट स्पष्ट रूप से अपर्याप्त लगता था। रेसनेट ब्लॉक पर आधारित नेटवर्क का प्रशिक्षण देते समय, मैट्रिक्स के लिए निम्न संख्याएँ प्राप्त की गई थीं:



उदाहरणों की अपर्याप्त संख्या की पृष्ठभूमि के खिलाफ रिट्रेनिंग स्पष्ट है, लेकिन समय की कमी के कारण यह सुनिश्चित करना तत्काल था कि नेटवर्क कम से कम कुछ हद तक संतोषजनक ढंग से काम करता है और उदाहरण के लिए, भावनाओं का निर्धारण नहीं करता है।

मुझे लाइम और केरस-विज़ जैसे उपकरणों के साथ काम करना पड़ता था, लेकिन यह यहाँ था कि वे एक दार्शनिक पत्थर बन सकते थे जो एक ब्लैक बॉक्स को कुछ अधिक पारदर्शी बनाता है। दोनों उपकरणों का सार लगभग समान है - स्रोत छवि के क्षेत्रों को निर्धारित करने के लिए जो अंतिम नेटवर्क समाधान में सबसे बड़ा योगदान देते हैं। परीक्षण के लिए, मैंने एक वीडियो शूट किया जो विभिन्न भावनाओं की नकल करता है। विभिन्न भावनाओं के अनुरूप चेहरे के भावों को उतारने के बाद, मैंने उन पर उपरोक्त उपकरण चलाए

निम्नांकित परिणाम निम्बू से प्राप्त हुए:



दुर्भाग्य से, यहां तक ​​कि कार्यों के विभिन्न मापदंडों को बदलते हुए, लाइम को पर्याप्त मानव-पठनीय प्रदर्शन नहीं मिल सका। किसी कारण के लिए, चेहरे का दाहिना आधा "गुस्सा" वर्ग से संबंधित है। "खुश" के लिए केवल एक चीज मुंह का तार्किक क्षेत्र है और एक मुस्कान का मंद रंग है।

इसके अलावा, सभी समान चित्र केरस-विज़ और बिंगो के माध्यम से चलाए गए थे:



हैप्पी आंखों के स्थान और मुंह के आकार की तलाश में है। दुखी भौहें और पलकें छोड़ने पर ध्यान केंद्रित करता है। तटस्थ पूरे चेहरे को एक पूरे के रूप में और छवि के निर्दोष निचले कोनों पर देखने की कोशिश करता है। "गुस्से में तार्किक रूप से स्थानांतरित भौहें पर ध्यान केंद्रित करता है, लेकिन मुंह के आकार के बारे में भूल जाता है और किसी कारण से निचले दाएं कोने में सुविधाओं की तलाश करता है। और "आश्चर्यचकित" मुंह के आकार और बाईं ओर (!) उभरी हुई पलक को देखता है - यह सही के रूप में अच्छी तरह से पहचानना शुरू करने का समय है।

परिणामों ने प्रसन्न किया और परिणामी नेटवर्क की ताकत और कमजोरियों को देखना संभव बना दिया। आश्चर्य और गुस्सा वर्ग के वर्गीकरण में कमजोरियों को महसूस करने के बाद, मैंने नमूने को थोड़ा बढ़ाने की ताकत पाई और एक बूंद और गिरा दी। अगले पुनरावृत्ति पर, निम्न परिणाम प्राप्त हुए:



यह देखा गया है कि सक्रियण क्षेत्र अधिक स्थानीय थे। "एंग्री" के मामले में पृष्ठभूमि पर नेटवर्क का ध्यान गायब हो गया है। बेशक, नेटवर्क में अभी भी अपनी कमियां हैं, एक तरफ भौं के बारे में भूलकर और इसी तरह। लेकिन इस दृष्टिकोण ने यह समझना बेहतर बना दिया कि परिणामी मॉडल क्या और क्यों करता है। यह दृष्टिकोण उन मामलों में आदर्श है जहां हमें नेटवर्क के सही अभिसरण के बारे में संदेह है।

निष्कर्ष

तंत्रिका नेटवर्क जटिल अनुकूलन समस्या का सिर्फ समाधान है। लेकिन यहां तक ​​कि सबसे सरल नेटवर्क ध्यान कार्ड इस जंगल में कुछ पारदर्शिता लाते हैं। यह दृष्टिकोण नुकसान फ़ंक्शन के सामान्य अभिविन्यास के साथ-साथ उपयोग किया जा सकता है, जो और भी अधिक जागरूक नेटवर्क प्राप्त करने की अनुमति देगा।

यदि हम लेख की शुरुआत से बयानबाजी के प्रश्न को याद करते हैं, तो हम कह सकते हैं कि नेटवर्क की अंतिम प्रतिक्रिया के साथ-साथ ध्यान कार्ड का उपयोग पहले से ही एक निश्चित स्पष्ट स्पष्टीकरण वहन करता है जो इतना अभाव था।

कल्पना करो, कल्पना करो और फिर से कल्पना करो!