Autoencoders، یا اتوماتیک کوډر په انګلیسي کې، ځان د ماشین زده کړې او مصنوعي استخباراتو په برخه کې د ځواکمن وسیلو په توګه موقعیت لري. دا ځانګړي عصبي شبکې د ابعاد کمولو ، بې تفاوتۍ کشف ، د معلوماتو له مینځه وړلو او نور ډیر څه لپاره کارول کیږي. دا مقاله د دې زړه راښکونکي ټیکنالوژۍ پیژندنه وړاندې کوي، د هغې کاري اصول، د هغې غوښتنلیکونه او په څیړنه او صنعت کې د هغې مخ پر ودې اهمیت په ګوته کوي.
اتوماتیک کوډر څه شی دی؟
الف اتوماتیک کوډر یو ډول مصنوعي عصبي شبکه ده چې د غیر څارل شوي زده کړې لپاره کارول کیږي. د اتوماتیک کوډر اصلي هدف دا دی چې د ان پټ ډیټا سیټ یو کمپیکٹ نمایش (کوډینګ) تولید کړي او بیا د دې نمایش څخه ډاټا بیا تنظیم کړي. نظر دا دی چې د ډیټا خورا مهم اړخونه ونیسي، ډیری وختونه د ابعاد کمولو لپاره. د آټوینکوډر جوړښت عموما د دوو اصلي برخو څخه جوړ شوی دی:
- کوډ کوونکی ((کوډ): د شبکې دا لومړۍ برخه په کمه بڼه کې د ان پټ ډیټا کمپریشن مسؤلیت لري.
- ډیکوډر ((ډیکوډ) دویمه برخه کمپریس شوي کوډونه ترلاسه کوي او د اصلي معلوماتو بیا رغولو هڅه کوي.
اتوماتیک کوډر څنګه کار کوي؟
د اتوماتیک کوډر عملیات په څو مرحلو کې تشریح کیدی شي:
- شبکه د ان پټ په توګه معلومات ترلاسه کوي.
- کوډ کوونکی ډیټا په فیچر ویکتور کې فشاروي، چې کوډ یا پټ ځای نومیږي.
- کوډ کونکی دا ویکتور اخلي او هڅه کوي چې لومړني معلومات بیا تنظیم کړي.
- د بیارغونې کیفیت د ضایع فعالیت په کارولو سره اندازه کیږي، کوم چې د اصلي آخذو او بیارغول شوي محصول ترمنځ توپیر ارزوي.
- شبکه خپل وزن د بیک پروپیګیشن الګوریتم له لارې تنظیموي ترڅو د دې ضایع فعالیت کم کړي.
د دې تکراري پروسې له لارې، اوټوینکوډر د بیارغونې پروسې په جریان کې د خورا مهم ځانګړتیاو په ساتلو ټینګار سره د معلوماتو مؤثره نمایش زده کوي.
د اتوماتیک کوډرونو عملي غوښتنلیکونه
اتوماتیک کوډرونه خورا متقابل دي او په ډیری برخو کې پلي کیدی شي:
- د ابعاد کمول: د PCA په څیر (د اصلي اجزاو تحلیل)، مګر د غیر خطي ظرفیت سره.
- له منځه وړل: دوی کولی شي په ډیټا کې “شور” له پامه غورځول زده کړي.
- د معلوماتو کمپریشن: دوی کولی شي کوډونه زده کړي چې د دودیز کمپریشن میتودونو څخه ډیر اغیزمن دي.
- د معلوماتو تولید: د پټ ځای په نیولو سره، دوی د نوي ډیټا مثالونو رامینځته کولو ته اجازه ورکوي چې د اصلي ننوتلو سره ورته وي.
- د بې نظمۍ کشف: Autoencoders کولی شي د ډیټا په موندلو کې مرسته وکړي چې د زده شوي توزیع سره سم نه وي.
په لنډه توګه، د ډیټا معنی لرونکي ځانګړتیاو موندلو او تعریف کولو لپاره د اتوماتیک کوډرانو وړتیا دوی ته د AI د هر کارګر په وسیلې کې لازمي وسیله ګرځوي.
اتوماتیک کوډر: کوډ کول، خنډ او کوډ کول
کوډ کول
کوډ کول، یا د کوډ کولو مرحله، د ان پټ ډیټا بدلول شامل دي چې په کمپریس شوي نمایش کې شامل دي. لومړني معلومات، چې کیدای شي لوی وي، د آټوینکوډر شبکې ته ورکول کیږي. د شبکې پرتونه به په تدریجي ډول د ډیټا ابعاد کم کړي، اړین معلومات په کوچني نمایش ځای کې فشاروي. د شبکې هره طبقه د نیورونونو څخه جوړه شوې ده چې غیر خطي بدلونونه پلي کوي، د بیلګې په توګه، د فعال کولو افعال لکه ReLU یا Sigmoid کارول، ترڅو د ډیټا نوي استازیتوب ته ورسیږي کوم چې اړین معلومات ساتي.
خنډ
خنډ د اوټوینکوډر مرکزي برخه ده چیرې چې د معلوماتو نمایش خپل ټیټ ابعاد ته رسي ، چې کوډ هم ورته ویل کیږي. دا دا کمپریس شوی نمایش دی چې د ان پټ ډیټا خورا مهم ځانګړتیاوې ساتي. خنډ د فلټر په توګه کار کوي اوټوینکوډر دې ته اړ کوي چې د معلوماتو کمولو لپاره مؤثره لاره زده کړي. دا د ډیټا کمپریشن ډول سره پرتله کیدی شي ، مګر چیرې چې کمپریشن د معیاري الګوریتمونو لخوا تعریف شوي پرځای د ډیټا څخه په اوتومات ډول زده کیږي.
کوډ کول
د کوډ کولو مرحله د کوډ کولو لپاره همغږي مرحله ده، چیرې چې کمپریس شوی نمایش د محصول په لور بیا رغول کیږي چې هدف یې د اصلي ان پټ سره د امکان تر حده وفادار وي. د خنډ نمایش څخه پیل کول، عصبي شبکه به په تدریجي ډول د معلوماتو ابعاد زیات کړي. دا د کوډ کولو برعکس پروسه ده: پرله پسې پرتونه د کم شوي نمایش څخه لومړني ځانګړتیاوې بیا رغوي. که چیرې کوډ کول اغیزمن وي، د آټوینکوډر محصول باید د اصلي معلوماتو سره نږدې نږدې وي.
په غیر څارل شوي زده کړې کې، اتوماتیک کوډر په ځانګړې توګه د معلوماتو د اصلي جوړښت د پوهیدو لپاره ګټور دي. د دې شبکو اغیزمنتوب د دوی د وړتیا له لارې نه اندازه کیږي چې په بشپړ ډول د معلوماتو بیا تولید کړي، بلکه د دوی د وړتیا له لارې چې په کوډ کې د ډیټا خورا مهم او اړونده صفات نیول کیږي. دا کوډ بیا په ډیرو پیچلو جوړښتونو کې د نورو عصبي شبکو لپاره د ابعاد کمولو ، لید لید ، یا حتی دمخه پروسس کولو لپاره کارول کیدی شي.
عملي غوښتنلیکونه او د اتوماتیک کوډرونو تغیرات
L’اتوماتیک کوډر، د مصنوعي استخباراتو (AI) لخوا پرمخ وړل شوي د ژورې زده کړې آرسنال کې کلیدي برخه ، یو عصبي شبکه ده چې ډیټا په ټیټ ابعاد نمایش کې کوډ کولو لپاره ډیزاین شوې او په داسې ډول تخریب کوي چې اړونده بیارغونه ممکنه وي. راځئ چې دوی معاینه کړو عملي غوښتنلیکونه او هغه ډولونه چې په دې زړه پورې ساحه کې راڅرګند شوي دي.
د اتوماتیک کوډرونو عملي غوښتنلیکونه
اوټوینکوډرانو د څارنې پرته د معلوماتو مؤثره او معنی لرونکي نمایشونو زده کولو وړتیا له امله ډیری غوښتنلیکونو ته لاره موندلې. دلته ځینې مثالونه دي:
د ابعاد کمول
د PCA (د اصلي اجزاو تحلیل) په څیر، اتوماتیک کوډرونه په مکرر ډول کارول کیږي د ابعاد کمول. دا تخنیک دا ممکنه کوي چې د متغیرونو شمیر کمولو سره د معلوماتو پروسس ساده کړي پداسې حال کې چې په اصلي ډیټاسیټ کې موجود ډیری معلومات خوندي کوي.
د شور لغوه کول (منځه وړل)
د دوی د وړتیا سره چې د جزوي ویجاړ شوي ډیټا څخه د ان پټ بیارغونې زده کړه وکړي ، اوټوینکوډر په ځانګړي توګه د دې لپاره ګټور دي شور لغوه کول. دوی د شور مداخلې سره سره د ګټورو معلوماتو پیژندلو او بحالولو اداره کوي.
د معلوماتو کمپریشن
د ډیټا انکوډ کولو زده کولو سره په ډیر کمپیکٹ فارم کې ، اوټوینکوډر د دې لپاره کارول کیدی شي د معلوماتو کمپریشن. که څه هم دوی لاهم په پراخه کچه په عمل کې د دې هدف لپاره ندي کارول شوي ، د دوی احتمال د پام وړ دی ، په ځانګړي توګه د ځانګړو ډیټا ډولونو فشارولو لپاره.
د معلوماتو تولید او تور لګول
Autoencoders د دې وړتیا لري چې نوي ډیټا مثالونه رامینځته کړي چې د دوی د روزنې ډیټا سره ورته وي. دا وړتیا هم کارول کیدی شي تورول، کوم چې په ډیټاسیټ کې د ورک شوي ډیټا ډکول شامل دي.
د Autoencoder ډولونه
د معیاري آټوینکوډر هاخوا ، مختلف ډولونه رامینځته شوي ترڅو د ډیټا ځانګړتیاو او اړینو دندو سره تطابق وکړي. دلته ځینې د پام وړ توپیرونه دي:
تغیراتي اتوماتیک کوډر (VAE)
د تغیراتي اتوماتیک کوډر ((VAE) د سټوچاسټیک پرت اضافه کړئ کوم چې د معلوماتو تولید ته اجازه ورکوي. VAEs په ځانګړي ډول د مینځپانګې په نسل کې مشهور دي ، لکه عکسونه یا میوزیک ، ځکه چې دوی دا امکان رامینځته کوي چې نوي او مختلف عناصر تولید کړي چې د ورته ماډل سره سم د منلو وړ وي.
سپارس اتوماتیک کوډرونه
د لږ اوټکوډر یو جزا شامل کړئ چې په پټو نوډونو کې محدود فعالیت وضع کوي. دوی د ډیټا د ځانګړو ځانګړتیاو په موندلو کې اغیزمن دي، کوم چې د دوی لپاره ګټور کوي طبقه بندي او د بې نظمۍ کشف.
د Autoencoders له مینځه وړل
د غیر نورمال شوي اتوماتیک کوډر د ان پټ ډیټا کې د شور معرفي کولو مقاومت لپاره ډیزاین شوي. دوی د قوي نمایندګیو زده کولو لپاره ځواکمن دي او د دې لپاره د معلوماتو دمخه پروسس کول مخکې له دې چې د ماشین زده کړې نورې دندې ترسره کړئ.
تسلسلي اتوماتیک کوډر
د ترتیبي اتوماتیک کوډرونه د پروسس ډاټا په ترتیبونو کې تنظیم شوي، لکه متن یا د وخت لړۍ. دوی ډیری وختونه تکراري شبکې کاروي لکه LSTM (اوږدې لنډ مهاله حافظه) د وخت په تیریدو سره معلومات کوډ او کوډ کولو لپاره.
د اتوماتیک کوډر او کوډ مثالونو روزلو څرنګوالی
د روزنې اتوماتیک کوډر د نورو غوښتنلیکونو په مینځ کې د ابعاد کمولو او بې نظمۍ موندلو لپاره د ماشین زده کړې په برخه کې لازمي دنده ده. دلته به وګورو چې څنګه د Python او کتابتون په کارولو سره دا ډول ماډل وروزو کیراس، د کوډ مثالونو سره چې تاسو کولی شئ ازموینه وکړئ او خپلو پروژو سره موافقت وکړئ.
د اتوماتیک کوډر د روزنې پروسه
د اتوماتیک کوډر روزلو لپاره، یو څوک عموما د ضایع میټریک کاروي، لکه د منځنۍ مربع غلطی (MSE)، کوم چې د اصلي ان پټ او بیا رغونې ترمنځ توپیر اندازه کوي. د روزنې هدف د دې ضایع فعالیت کمول دي.
د کیرا سره کوډ مثال
دلته د اتوماتیک کوډر کارولو روزنې یوه ساده بیلګه ده کیراس:
د keras.layers څخه د انپټ واردول، ډینس
د keras.models واردولو ماډل څخه
# د ننوتلو اندازه
# د پټ ځای ابعاد (د فیچر نمایش)
encoding_dim = 32
# د کوډر تعریف
input_img = ننوت(شکل=(input_dim،))
کوډ شوی = ډنډ (کوډینګ_ډیم، فعالول = 'relu') (input_img)
# د کوډر تعریف
ډیکوډ شوی = ډنډ(input_dim، فعالول = 'sigmoid') (کوډ شوی)
# د اتوماتیک کوډر ماډل
autoencoder = ماډل (input_img، کوډ شوی)
# ماډل تالیف
autoencoder.compile(optimizer='adam', loss='binary_crossentropy')
# د اتوماتیک کوډر روزنه
autoencoder.fit(X_train,
دورې = 50،
بیچ_سایز = 256،
شفل = ریښتیا،
د اعتبار_ډاټا=(X_test, X_test))
په دې مثال کې، `X_train` او `X_test` د روزنې او ازموینې ډاټا استازیتوب کوي. په یاد ولرئ چې اتوماتیک کوډر روزل شوی ترڅو د خپل ان پټ ‘X_train’ د محصول په توګه وړاندوینه وکړي.
د ښه تمرین لپاره لارښوونه
لکه تخنیکونه وکاروئ کراس تایید، هلته بسته نورمال کول او د کال بیکونه د کیراس کولی شي د آټوینکوډر ډرایو فعالیت او ثبات ښه کولو کې هم مرسته وکړي.
د اتوماتیک کوډونو غوښتنلیکونه
د روزنې وروسته، اتوماتیک کوډر کارول کیدی شي:
- د ابعاد کمول
- د بې نظمۍ کشف
- د تشریح کونکو غیر څارل شوي زده کړه د ماشین زده کړې نورو دندو لپاره ګټوره ده.
د پای ته رسولو لپاره، د آټوینکوډر روزنه یوه دنده ده چې د عصبي شبکې جوړښتونو پوهه او د ښه ټونینګ هایپر پارامیټرونو کې تجربې ته اړتیا لري. په هرصورت، د اتوماتیک کوډرونو سادگي او انعطاف دوی د ډیری ډیټا پروسس کولو ستونزو لپاره ارزښتناکه وسیله جوړوي.
