SıradakiSonraki rehber
Distance Metrics in Machine Learning
Temeller
Temel Bilgiler KILAVUZU
Üçlü Kayıp ve Metrik Öğrenme
Üçlü kayıp, bir sinir ağına benzer öğeleri birbirine yakın ve farklı öğeleri bir yerleştirme alanına birbirinden uzak yerleştirmeyi öğretir.
Bu kılavuzu dinleyinAI tarafından anlatılan · ~2 min
Bu sayfada2 dakika okuma
Genel Bakış
Nesneleri yalnızca sınıflandırmak yerine karşılaştırması gereken yüz tanıma, görsel arama ve öneri sistemlerinin arkasındaki temel budur.
Derin Dalış
Metrik öğrenme, mesafenin benzerliği yansıttığı vektörler olan yerleştirmeleri üretmek için bir modeli eğitir. Üçlü kayıp bunu aynı anda üç girdi kullanarak yapar: bir çapa, bir pozitif (çapa ile aynı sınıf) ve bir negatif (farklı sınıf). Amaç, çapayı en azından sabit bir farkla negatiften ziyade pozitife yaklaştırıyor. Biçimsel olarak kayıp max(0, d(a,p) - d(a,n) + marj) olup d genellikle Öklid mesafesidir. Google'in 2015 FaceNet'i, 128 boyutlu yüz yerleştirmelerini doğrudan öğrenerek bu yaklaşımı popüler hale getirdi. Eğitildikten sonra herhangi iki öğeyi mesafeyi hesaplayarak karşılaştırabilirsiniz; yeni kimlikler için yeniden eğitime gerek yoktur. Bu açık küme yeteneği, metrik öğrenmenin doğrulama ve geri alma görevlerini sınıflandırmanın kolayca üstesinden gelememesinin nedenidir.
Gerçek Dünya Uygulaması
FaceNet tarzı yüz doğrulama: Telefonlar ve pasaport kapıları, iki yüz yerleştirmesinin belirli bir mesafe eşiği dahilinde olup olmadığını kontrol ederek kimliği doğrular.
Görsel ürün arama: e-ticaret siteleri, alışveriş yapanların bir fotoğraf yüklemesine ve en yakın komşu yerleştirme aramasıyla görsel olarak benzer öğeleri almasına olanak tanır.
Konuşmacı doğrulaması: Sesli asistanlar bir ses örneği yerleştirir ve kimin konuştuğunu doğrulamak için bunu kayıtlı bir profille karşılaştırır.
İmza ve el yazısı doğrulaması: Bankalar referans yerleştirir, imzaları sorgular ve mesafe öğrenilen marjı aştığında sahtecilikleri işaretler.
Üçlü Kaybın ve Metrik Öğrenmenin Geleceği
Saf üçlü kaybın yerini giderek çoklu benzerlik, proxy-çapa ve adım başına birçok çifti karşılaştıran ve daha hızlı yakınsayan karşılaştırmalı kayıplar (InfoNCE) gibi toplu çapındaki hedefler alıyor. SimCLR gibi kendi kendini denetleyen yöntemler, metrik öğrenmenin, artırılmış görünümleri pozitif olarak ele alarak etiketler olmadan çalışabileceğini gösterir. Vektör veritabanları ve erişimle artırılmış üretim arttıkça, öğrenilen yerleştirmeler milyar öğe ölçeğinde anlamsal aramayı desteklemektedir; dolayısıyla, belirli üçlü formülasyon kaybolsa bile, benzerlik olarak mesafeye ilişkin temel fikir daha merkezi hale gelmektedir.
Uygulamaya koymak
Neden önemli?
- Daha net kararlar. Açık teknik iddiaları pazarlama dilinden ayırmanıza yardımcı olur.
- Maliyet ve bütçe. Para veya zaman harcamadan önce daha iyi uygulama soruları sorabilirsiniz.
- Ekip ve iş akışı. Ortak anlayışa sahip ekipler daha iyi ürün, politika ve öğrenme kararları verir.
Dikkat edin
- Farklı ekipler aynı terimi farklı şekilde kullanabilir; bu nedenle kapsamı erken tanımlayın.
- Gerçek dünya performansı dengesizken karşılaştırmalar güçlü görünebilir.
- Veri kalitesini ve değerlendirme planlarını göz ardı etmek çoğu zaman hassas sonuçlar doğurur.
Sonraki adımlar
- İhtiyacınız olan sonucun sade bir dille tanımlanmasıyla başlayın.
- Test etmeden önce bir başarı ölçüsü ve bir başarısızlık koşulu seçin.
- Gösterişli bir demo seti yerine, temsili verilerle küçük bir pilot çalışma yürütün.
- Üçlü Kayıp ve Metrik Öğrenmenin nerede yardımcı olduğunu ve daha basit yöntemlerin nerede daha iyi olduğunu belgeleyin.
Keşfetmeye Devam Edin
Ücretsiz bülten
Günlük AI brifingini alın
Hafta içi her sabah sade İngilizce yazılmış, doğrulanmış üç yapay zeka hikayesi. Sonsuza kadar ücretsiz, reklam yok.
Hafta içi her gün bir e-posta. Tek tıklamayla aboneliğinizi iptal edin. Adresinizi asla satmayız veya paylaşmayız.
Kendinizi test edin
Take the Triplet Loss and Metric Learning quiz
Her yanıtla ilgili anında geri bildirim ve bir kursu geçtiğinizde doğrulanabilir bir kimliğe sahip paylaşılabilir bir sertifika.
Ücretsiz AI eğitimini destekleyin. AI Understanding, bir 501(c)(3) kâr amacı gütmeyen kuruluştur; hiçbir zaman reklam yoktur, ödeme duvarı yoktur. Bağış yap
Sık sorulan sorular
Üçlü Kayıp ve Metrik Öğrenme Nedir?
Üçlü kayıp, bir sinir ağına benzer öğeleri birbirine yakın ve farklı öğeleri bir yerleştirme alanına birbirinden uzak yerleştirmeyi öğretir. Nesneleri yalnızca sınıflandırmak yerine karşılaştırması gereken yüz tanıma, görüntü arama ve öneri sistemlerinin arkasındaki temel budur.
Üçlü kayıpta üçlüyü hangi üç girdi oluşturur?
Üçlü bir çapadan, çapanın sınıfını paylaşan bir pozitiften ve farklı bir sınıftan bir negatiften oluşur.
Üçlü kayıp neden bir marj terimi içeriyor?
Model, bir kenar boşluğu olmadan her şeyi aynı noktaya eşleyebilir, tüm mesafeleri sıfırlayabilir ve kaybı önemsiz bir şekilde karşılayabilir. Kenar boşluğu gerçek ayrılığı zorlar.
Hangi ünlü 2015 sistemi yüz tanıma için üçlü kaybı popüler hale getirdi?
Google'in FaceNet'i, kompakt yüz yerleştirmelerini öğrenmek ve yüz doğrulamada bir referans noktası oluşturmak için üçlü kaybı kullandı.
Eğitilmiş bir metrik öğrenme modeli her girdi için ne çıktı sağlar?
Model, girdileri gömme vektörleriyle eşler; daha sonra öğeleri yerleştirmeleri arasındaki mesafeyi ölçerek karşılaştırırsınız.
Metrik öğrenme neden yeni yüzlerin eklenmesi gibi açık problemlere çok uygundur?
Tanıma, yerleştirme mesafesine dayalı olduğundan, yeni bir kimliği yalnızca yerleştirmeyi depolayarak kaydedebilirsiniz; modelin yeniden eğitilmesine gerek yoktur.
Öğrenmeye devam et
İlgili kılavuzlar
Bu konu için daha fazla rehber seçildi