تصویری تیاری اور شناختی کام میں کنولشنل نیٹ ورک (CNs) کثرت سے استعمال کیے جاتے ہیں. انفرادی ضمنی سطحوں کی کارکردگی کو سمجھنا نیٹ ورک ڈیزائن اور درستی میں بہتری لانے میں مدد دیتا ہے. یہ مضمون گہری سی این میں کنولول کی سطح کی کارکردگی کا ایک ضمنی تجزیہ پیش کرتا ہے۔

کام کی تیاری

اس میں تربیت اور تربیت کے دوران مجموعی نمونے کی درستی اور اس کی حساس کارکردگی پر مبنی معلومات شامل ہیں ۔

اعلیٰ تعلیم حاصل کرنا

کئی عناصر کو ضمنی سطحوں کی کارکردگی متاثر کرتے ہیں ۔ ان میں شمارندی حجم ، شمارندی ⁇ ، تناسب اور تناسب شامل ہیں . ان پیرامیٹرز کو حل کرنے کی صلاحیت کو بڑی حد تک تبدیل کر سکتی ہے کہ وہ متعلقہ خصوصیات نکال کر نیٹ ورک کی مجموعی کارکردگی کو متاثر کر سکتے ہیں۔

غیر متصل نتائج

تحقیق سے پتہ چلا ہے کہ گہری تہیں زیادہ پیچیدہ خصوصیات پر قبضہ کرنے کی طرف مائل ہوتی ہیں لیکن ان کے لیے زیادہ سے زیادہ شمارندی وسائل کی ضرورت بھی ہوتی ہے مثلاً فیلڈر کی تعداد میں بہتری آ سکتی ہے مگر زیادہ تر تربیتی وقت اور یادداشت استعمال کرنے کا باعث بن سکتی ہے ان عناصر کو فعال نیٹ ورک کارکردگی کے لیے ضروری ہے۔

کیپ میٹرکس کا سانچہ:ابتدائی ترتیب:

  • [Accuray rates: پیمائش کے لیے ہر سطح کی مجموعی طور پر درستی طور پر درستی کی جاتی ہے۔
  • کولکاتال قیمت :] تربیت اور تفاعل کے دوران میں FLOPs اور یادداشت استعمال کرنے والی اشیاء شامل ہیں۔
  • [Feature struction: [Eluates] ہر سطح سے حاصل ہونے والی خصوصیات کے فرق اور ان کی تفاعل کو ظاہر کرتا ہے۔
  • [Layer گہرائی: دلیپیں زیادہ تر کشش ثقل پر قبضہ کرنے کی طرف مائل ہوتی ہیں۔