ต่อไปคำแนะนำต่อไป
เมตริกซ์ระยะทางในแมชชีนเลิร์นนิง
ความรู้พื้นฐาน
คู่มือพื้นฐาน
การสูญเสียแฝดจะสอนโครงข่ายประสาทเทียมให้วางสิ่งของที่คล้ายกันไว้ใกล้กันและสิ่งของที่ไม่เหมือนกันให้แยกจากกันในพื้นที่ฝัง
ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min
It is the foundation behind face recognition, image search, and recommendation systems that need to compare things rather than just classify them.
การเรียนรู้แบบเมตริกฝึกแบบจำลองเพื่อสร้างการฝัง เวกเตอร์ที่ระยะทางสะท้อนถึงความคล้ายคลึงกัน การสูญเสียแบบทริปเล็ตทำได้โดยใช้อินพุต 3 ตัวในแต่ละครั้ง ได้แก่ จุดยึด ค่าบวก (คลาสเดียวกับจุดยึด) และค่าลบ (คลาสต่างกัน) วัตถุประสงค์จะดันสมอให้เข้าใกล้ค่าบวกมากกว่าค่าลบอย่างน้อยด้วยระยะขอบคงที่เป็นอย่างน้อย อย่างเป็นทางการ การสูญเสียคือสูงสุด(0, d(a,p) - d(a,n) + ส่วนต่าง) โดยที่ d โดยปกติคือระยะทางแบบยุคลิด FaceNet ปี 2015 ของ Google ทำให้แนวทางนี้เป็นที่นิยม โดยเรียนรู้การฝังใบหน้า 128 มิติโดยตรง เมื่อผ่านการฝึกอบรมแล้ว คุณจะเปรียบเทียบสองรายการใดๆ ตามระยะทางในการคำนวณ โดยไม่จำเป็นต้องฝึกอบรมซ้ำสำหรับข้อมูลประจำตัวใหม่ ความสามารถแบบเปิดนี้เป็นเหตุผลว่าทำไมการเรียนรู้แบบเมตริกจึงเพิ่มพลังในการตรวจสอบและจำแนกงานการดึงข้อมูลไม่สามารถจัดการได้อย่างง่ายดาย
การตรวจสอบใบหน้าแบบ FaceNet: โทรศัพท์และประตูหนังสือเดินทางยืนยันตัวตนด้วยการตรวจสอบว่าการฝังใบหน้าสองใบอยู่ในเกณฑ์ระยะทางหรือไม่
การค้นหาผลิตภัณฑ์ด้วยภาพ: ไซต์อีคอมเมิร์ซช่วยให้ผู้ซื้ออัปโหลดภาพถ่ายและรับสินค้าที่มีลักษณะคล้ายกันโดยการค้นหาที่ฝังไว้จากเพื่อนบ้านที่ใกล้ที่สุด
การยืนยันผู้พูด: ผู้ช่วยเสียงฝังตัวอย่างเสียงและเปรียบเทียบกับโปรไฟล์ที่ลงทะเบียนเพื่อยืนยันว่าใครกำลังพูด
การตรวจสอบลายเซ็นและลายมือ: ธนาคารฝังลายเซ็นอ้างอิงและแบบสอบถาม และการปลอมแปลงธงเมื่อระยะทางเกินขอบเขตที่เรียนรู้
การสูญเสียแฝดที่แท้จริงถูกแทนที่ด้วยวัตถุประสงค์ทั่วทั้งกลุ่มมากขึ้น เช่น ความคล้ายคลึงกันหลายจุด พร็อกซีแองเคอร์ และการสูญเสียเชิงเปรียบเทียบ (InfoNCE) ที่เปรียบเทียบหลายคู่ต่อขั้นตอนและมาบรรจบกันเร็วขึ้น วิธีการควบคุมตนเอง เช่น SimCLR แสดงให้เห็นว่าการเรียนรู้แบบเมตริกสามารถทำงานได้โดยไม่ต้องมีป้ายกำกับ โดยถือว่ามุมมองเสริมเป็นผลบวก ในขณะที่ฐานข้อมูลเวกเตอร์และการสร้างแบบดึงข้อมูลที่เพิ่มขึ้นอย่างรวดเร็ว การฝังแบบเรียนรู้ช่วยสนับสนุนการค้นหาความหมายในระดับพันล้านรายการ ดังนั้นแนวคิดหลักเกี่ยวกับระยะทางเท่าความคล้ายคลึงจึงกลายเป็นศูนย์กลางมากขึ้น แม้ว่าสูตร Triplet ที่เฉพาะเจาะจงจะจางหายไปก็ตาม
จดหมายข่าวฟรี
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
การสูญเสียแฝดจะสอนโครงข่ายประสาทเทียมให้วางสิ่งของที่คล้ายกันไว้ใกล้กันและสิ่งของที่ไม่เหมือนกันให้แยกจากกันในพื้นที่ฝัง เป็นรากฐานเบื้องหลังระบบการจดจำใบหน้า การค้นหารูปภาพ และระบบแนะนำที่จำเป็นต้องเปรียบเทียบสิ่งต่างๆ ไม่ใช่แค่จำแนกประเภทเท่านั้น
แฝดประกอบด้วยสมอ ขั้วบวกที่มีคลาสเดียวกับสมอ และขั้วลบจากคลาสอื่น
หากไม่มีระยะขอบ แบบจำลองสามารถแมปทุกอย่างไปยังจุดเดียวกัน ทำให้ระยะทางทั้งหมดเป็นศูนย์และพอใจกับการสูญเสียเพียงเล็กน้อย ระยะขอบบังคับให้แยกจากกันอย่างแท้จริง
FaceNet ของ Google ใช้การสูญเสียแบบ Triplet เพื่อเรียนรู้การฝังใบหน้าแบบกระชับ และกำหนดเกณฑ์มาตรฐานในการตรวจสอบใบหน้า
โมเดลแมปอินพุตกับการฝังเวกเตอร์ จากนั้นคุณเปรียบเทียบรายการต่างๆ โดยการวัดระยะห่างระหว่างการฝังรายการเหล่านั้น
เนื่องจากการจดจำขึ้นอยู่กับระยะทางในการฝัง คุณจึงสามารถลงทะเบียนข้อมูลประจำตัวใหม่ได้ง่ายๆ โดยการจัดเก็บการฝังไว้ ไม่จำเป็นต้องฝึกอบรมโมเดลใหม่
เรียนรู้ต่อไป
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้
ต่อไปคำแนะนำต่อไป
เมตริกซ์ระยะทางในแมชชีนเลิร์นนิง
ความรู้พื้นฐาน