yo, လူတိုင်းဘာဖြစ်နေတာလဲ ကျွန်ုပ်သည် Transformer ထုတ်ကုန်များပေးသွင်းသူတစ် ဦး ဖြစ်ပြီး Transformers နှင့် conculuntional nernure neurure neural neural neural networks (CNNS) အကြားကွဲပြားခြားနားမှုများအကြောင်းယနေ့ငါစကားပြောလိုသည်။ ၎င်းသည်အထူးသဖြင့် AI နှင့် Data Science ၏ကမ္ဘာတွင်အထူးစိတ်ဝင်စားဖွယ်အကြောင်းအရာဖြစ်သည်။
ဒီနှစ်ခုအရာရဲ့အခြေခံနားလည်မှုရဖို့နဲ့စကြရအောင်။ အတိုချုပ်အဘို့အ connolutional အာရုံကြောကွန်ယက်သို့မဟုတ် CNN ခဏပတ်ပတ်လည်ရှိခဲ့ပါတယ်။ ၎င်းကိုအစပိုင်းတွင်ပုံရိပ်ထုတ်ယူခြင်းအတွက်ဒီဇိုင်းပြုလုပ်ထားသော်လည်းလူများသည်၎င်းကိုစာသားအပြောင်းအလဲအတွက်စတင်အသုံးပြုကြသည်။ CNNS သည် input data မှ Kernel ဟုလည်းလူသိများသော filter သေးသေးလေးတစ်ခုလျှောခြင်းဖြင့်အလုပ်လုပ်သည်။ စာသား၏အမှု၌, ဤသည်စကားလုံးများ၏ sequence ကိုဖြစ်နိုင်ပါတယ်။ အဆိုပါ filter သည်ဒေတာများပေါ်တွင် convolution ဟုခေါ်သောသင်္ချာစစ်ဆင်ရေးကိုလုပ်ဆောင်သည်။ ၎င်းသည်အင်္ဂါရပ်များကိုထုတ်ယူရန်ကူညီသည်။ ဥပမာအားဖြင့်, သင်သည်သတင်းဆောင်းပါးကိုလေ့လာနေပါက CNN သည်ဆောင်းပါး၏ခေါင်းစဉ်ကိုဖော်ပြသည့်စကားလုံးများသို့မဟုတ်စကားစုများ၏ကြိမ်နှုန်းကဲ့သို့သောပုံစံများကိုကောက်ယူနိုင်လိမ့်မည်။
အခြားတစ်ဖက်တွင်မူ, ထရန်စဖော်မာသည်ပိတ်ပင်တားဆီးမှုတွင်အတော်လေးအသစ်အဆန်းဖြစ်သည်။ ၎င်းကို 2017 ခုနှစ်တွင် "အာရုံစိုက်မှုအားလုံး" ဟုခေါ်သောစာရွက်တစ်ရွက်တွင်မိတ်ဆက်ခဲ့သည်။ Transformer ဗိသုကာပညာသည်မိမိကိုယ်ကိုအာရုံစိုက်ခြင်းအပေါ်အခြေခံသည်။ ရိုးရှင်းသောအာရုံကြောကွန်ယက်များကဲ့သို့အချက်အလက်များကိုထုတ်ဖော်မည့်အစား Transformer သည် input sequence ၏အစိတ်အပိုင်းအားလုံးကိုတစ်ပြိုင်နက်တည်းကြည့်ရှုနိုင်သည်။ ၎င်းသည်စာသားအပြောင်းအလဲကိုစာသားအတွင်းရှိကာလရှည်သောအကွာအဝေးမှီခိုမှုကိုဖမ်းယူရန်ခွင့်ပြုထားသောကြောင့်၎င်းသည်စာသားပြုပြင်ခြင်းဖြင့်ဂိမ်းတစ်ခုဖြစ်သည်။ ဥပမာအားဖြင့်, အကယ်. သင်သည်ဝတ်ထုတစ်ပုဒ်ကိုဖတ်နေပါကအခန်းများစွာဖြစ်ပျက်ခဲ့သည့်အရာတစ်ခုခုကိုရည်ညွှန်းသည်ဆိုပါက Transformer သည်ထိုအစက်များကိုအလွယ်တကူချိတ်ဆက်နိုင်သည်။
နှစ်ခုအကြားအဓိကကွဲပြားခြားနားမှုများထဲမှတစ်ခုမှာသူတို့နောက်ဆက်တွဲအချက်အလက်များကိုမည်သို့ကိုင်တွယ်ပုံဖြစ်သည်။ CNNS တွင်မှန်ကန်သောလက်ခံသောလယ်ကွက်တစ်ခုရှိသည်။ ဆိုလိုသည်မှာ filter သည်တစ်ချိန်တည်းတွင်အချို့သောဒြပ်စင်များစွာကိုသာကြည့်နိုင်သည်ဟုဆိုလိုသည်။ ၎င်းသည်ရှည်လျားသောစာသားများနှင့်ဆက်ဆံရာတွင်ကိုင်တွယ်ဖြေရှင်းသည့်အခါ၎င်းသည်ဝေးကွာသောစကားလုံးများအကြားအရေးကြီးသောဆက်ဆံရေးကိုလွဲချော်နိုင်သည်။ ဥပမာအားဖြင့်, Paris တွင်ကျင်းပခဲ့သောညီလာခံတွင်ပြီးခဲ့သည့်အပတ်ကတွေ့ဆုံဆွေးနွေးပွဲတွင်ပြီးခဲ့သည့်အပတ်ကတွေ့ဆုံခဲ့သူသည် "ပြီးခဲ့သည့်အပတ်ကတွေ့ဆုံခဲ့သူသည်" CNN သည်ကျွမ်းကျင်သူ "နှင့်" ကျွမ်းကျင်သူ "နှင့်အတူ" နှင့်ဆက်သွယ်ရန် "သူ" နှင့်အတူ "CNN သည်ကျွမ်းကျင်သူ" နှင့်အတူ "ကိုဆက်သွယ်ရန်ရုန်းကန်နေရလိမ့်မည်။
ဆန့်ကျင်ဘက်အနေဖြင့် Transformer ၏ကိုယ်ပိုင်အာရုံစူးစိုက်မှုယန္တရားသည်၎င်းကို input sequence ၏မည်သည့်အစိတ်အပိုင်းကိုမဆိုတိုက်ရိုက်တက်ရောက်ရန်ခွင့်ပြုသည်။ ၎င်းသည်စကားလုံးတစ်စုံတစ်ခုစီအတွက်ရမှတ်တစ်ခုစီအတွက်ရမှတ်ကိုတွက်ချက်သည်။ ၎င်းသည်သူတို့နှင့်တစ် ဦး နှင့်တစ် ဦး မည်မျှသက်ဆိုင်သည်ကိုကိုယ်စားပြုသည်။ ဤနည်းအားဖြင့်၎င်းသည် "ထိုသူ" နှင့် "ကျွမ်းကျင်သူ" အကြားဆက်နွယ်မှုကိုအလွယ်တကူဖမ်းယူနိုင်သည်။
နောက်ထပ်ခြားနားချက်သည်လေ့ကျင့်ရေးထိရောက်မှုတွင်တည်ရှိသည်။ CNNS သည်ပိုမိုမြန်ဆန်စွာလေ့ကျင့်ရန်ပိုမိုမြန်ဆန်စွာလေ့ကျင့်ရန်ပိုမိုမြန်ဆန်သည်။ Filter သည်ထည့်သွင်းမှု၏သေးငယ်သောအပိုင်းကိုသာကြည့်သောကြောင့်ကွန်ပျူတာရှုပ်ထွေးမှုသည်အတော်အတန်နည်းသည်။ သို့သော်ကမ္ဘာလုံးဆိုင်ရာသတင်းအချက်အလက်များကိုဖမ်းယူခြင်းနှင့် ပတ်သက်. CNN များသည်လေ့ကျင့်ရေးအချိန်နှင့် parameters တွေကိုတိုးစေနိုင်သည့်အလွှာမျိုးစုံကိုစုဆောင်းရန်လိုအပ်သည်။
ထရန်စဖော်မာသူတို့သည်ကမ္ဘာလုံးဆိုင်ရာအချက်အလက်များကိုပိုမိုထိရောက်စွာဖမ်းယူနိုင်သော်လည်းလေ့ကျင့်ခန်းစဉ်အတွင်းပိုမိုမြင့်မားသောတွက်ချက်မှုရှုပ်ထွေးမှုများရှိသည်။ မိမိကိုယ်ကိုအာရုံစူးစိုက်မှုယန္တရားသည်အဆက်မပြတ်ပြုလုပ်ထားသောဒြပ်စင်အားလုံးအတွက်ကွန်ပျူတာများလိုအပ်သည်။ အထူးသဖြင့်ရှည်လျားသောအစီအစဉ်များအတွက်အထူးလေ့မွမ်းမံခြင်းနှင့်မှတ်ဉာဏ်များပြုလုပ်နိုင်သည်။ သို့သော်လတ်တလောတွင်ဖော်ပြထားသောအာရုံစူးစိုက်မှုနှင့်အရေအတွက်နည်းသောတိုးတက်မှုများသည်ဤပြ issues နာများကိုလျှော့ချရန်နှင့်ထရန်စဖော်မာလေ့ကျင့်မှုများကိုပိုမိုထိရောက်စေရန်ကူညီပေးခဲ့သည်။
ယခုတွင်ကွဲပြားခြားနားသောစာသားပြုပြင်ခြင်းလုပ်ငန်းများ၌စွမ်းဆောင်ရည်အကြောင်းပြောဆိုကြပါစို့။ စာသားအမျိုးအစားခွဲခြားခြင်းကဲ့သို့သောအလုပ်များတွင် CNN များသည်အတော်လေးထိရောက်မှုရှိနိုင်သည်။ ၎င်းတို့သည်စာသားမှစာသားများကိုစာသားများကိုလျင်မြန်စွာထုတ်ယူနိုင်သည်။ ၎င်းကိုကွဲပြားခြားနားသောအမျိုးအစားများခွဲခြားရန်အသုံးပြုနိုင်သည်။ ဥပမာအားဖြင့်, သင်သည်သတင်းဆောင်းပါးများကိုနိုင်ငံရေး, အားကစား,
Transformers မှသော်လည်းကောင်း, စက်ဘာသာပြန်ခြင်း, မေးခွန်း - အဖြေစနစ်များနှင့်စာသားမျိုးဆက်ကဲ့သို့သောအခြေအနေများနှင့်ရှည်လျားသောအကွာအဝေးမှီခိုမှုများကိုနားလည်ရန်လိုအပ်သည့်လုပ်ငန်းများကိုပိုမိုရှာဖွေရန်လိုအပ်သည်။ ဥပမာအားဖြင့်စက်ဘာသာပြန်ခြင်းတွင် Transformer သည်သီအိုရီတစ်ခုလုံး၏အဓိပ္ပာယ်ကိုနားလည်နိုင်ပြီး Target Language တွင်ပိုမိုတိကျသောဘာသာပြန်ဆိုမှုကိုနားလည်နိုင်ပြီး Target Language တွင်ပိုမိုတိကျသောဘာသာပြန်ဆိုမှုကိုနားလည်နိုင်သည်။ ၎င်းသည်ရှုပ်ထွေးသောဝါကျအဆောက်အအုံများနှင့် Idiomatic အသုံးအနှုန်းများကို CNN ထက်ပိုမိုကောင်းမွန်အောင်ကိုင်တွယ်နိုင်သည်။
အကယ်. သင်သည်မြင့်မားသောအရည်အသွေးမြင့်မားသော transformer ထုတ်ကုန်များအတွက်စျေးကွက်တွင်ရှိလျှင်သင်၏စာသားပြုပြင်ခြင်းလိုအပ်ချက်များအတွက်စျေးကွက်တွင်ရှိလျှင်သင်ဖုံးလွှမ်းထားသည်။ ကျနော်တို့ကျယ်ပြန့်အမျိုးမျိုးကိုဆက်ကပ်3 phase auto transformer,လျှပ်စစ်လျှပ်စစ်စွမ်းအင်သုံးနှင့်Rectifier Transformer၎င်းသည်မတူညီသော application များ၏မတူကွဲပြားသောလိုအပ်ချက်များနှင့်ကိုက်ညီရန်ဒီဇိုင်းပြုလုပ်ထားသည်။ သင်ဟာ NLP စီမံကိန်းအသစ်တခုခုကိုအလုပ်လုပ်နေတာလား, လက်ရှိစာသားပြုပြင်ခြင်းစနစ်တွေကိုတိုးတက်အောင်လုပ်ဖို့မျှော်လင့်နေတဲ့ကုမ္ပဏီကြီးတခုခုဒါမှမဟုတ်စီးပွားရေးလုပ်ငန်းကြီးတခုခုကိုလုပ်ဆောင်နေတာလား,
အကယ်. သင်သည်ကျွန်ုပ်တို့၏ထုတ်ကုန်များအကြောင်းပိုမိုလေ့လာရန်သို့မဟုတ်အလားအလာရှိသော 0 ယ်ခြင်းအကြောင်းဆွေးနွေးရန်စိတ်ဝင်စားပါကဆက်သွယ်ရန်မတွန့်ဆုတ်ပါနှင့်။ ကျွန်ုပ်တို့သည်အမြဲတမ်းစကားပြောရန်နှင့်သင်၏စာသားပြုပြင်ခြင်းကိုနောက်အဆင့်သို့ပို့ဆောင်ရန်ကျွန်ုပ်တို့မည်သို့ကူညီနိုင်ကြောင်းကြည့်ရှုရန်အမြဲပျော်ရွှင်ပါသည်။
ကိုးကားခြင်း
- Vaswani, A. , Shazer, N. , Pararar, J. Jon, Jon, Jons, Jons, Jons, Jons, L. , Gomez, A & Polosukhin, A. အာရုံစူးစိုက်မှုကသင်လိုအပ်သမျှပါ။ အာရုံကြောသတင်းအချက်အလက်ပြုပြင်ခြင်းစနစ်များအတွက်တိုးတက်မှု။
- Lecun, Y. , Bandio, Y. , Hinton, G. (2015) ။ နက်ရှိုင်းသောသင်ယူမှု။ သဘာဝ, 521 (7553), 436 - 444 ။
