Neural Network Basics — A Quick Recap

ভূমিকা (Motivation)

যেকোনো CNN, তা যতই গভীর বা অদ্ভুত হোক না কেন, দিনশেষে তৈরি হয় সাধারণ নিউরাল নেটওয়ার্কের সেই একই পরিচিত লেগো ব্লক বা ইট দিয়ে: একটি নিউরন যা কিছু ইনপুট গ্রহণ করে, সেগুলোকে ওয়েট দিয়ে গুণ করে, বায়াস যোগ করে এবং চূড়ান্ত ফলাফলকে একটি অ্যাক্টিভেশন ফাংশনের মধ্য দিয়ে প্রবাহিত করে। কনভোলিউশন নিয়ে গভীরভাবে কথা বলার আগে, আমরা সেই লেগো ব্লক, তা দিয়ে তৈরি হওয়া fully connected বা ডেন্স নেটওয়ার্ক এবং কীভাবে একটি ছবি আসলে কম্পিউটারে সংখ্যা আকারে রিপ্রেজেন্ট বা উপস্থাপিত হয় — সে সম্পর্কে একটি সংক্ষিপ্ত ও সরাসরি রিফ্রেশার বা রিভিশন দিয়ে নেব। কারণ এই প্রতিটি আইডিয়াই কনভোলিউশনাল লেয়ারে গিয়ে সামান্য পরিবর্তিত রূপে বারবার ফিরে আসবে।

কৃত্রিম নিউরন, আরেকবার (The Artificial Neuron, Refreshed)

পারসেপ্ট্রন, এক বাক্যে (The Perceptron, in One Sentence)

পারসেপ্ট্রন (perceptron) (Rosenblatt, 1958) হলো সবচেয়ে সহজ ও মৌলিক নিউরাল একক: এটি একটি ওয়েটেড সাম বা যোগফল ক্যালকুলেট করে এবং একটি হার্ড স্টেপ ফাংশন (hard step function) প্রয়োগ করে একটি বাইনারি সিদ্ধান্ত আউটপুট দেয়। এটি একটি চমৎকার লিনিয়ার ক্লাসিফায়ার, তবে এটি শুধুমাত্র লিনিয়ারলি সেপারেবল ডেটাই আলাদা করতে পারে — যা XOR ফাংশন শিখতে না পারার অযোগ্যতার মাধ্যমে ঐতিহাসিকভাবে প্রমাণিত হয়েছিল।

মাল্টি-লেয়ার পারসেপ্ট্রন, এক বাক্যে (Multi-Layer Perceptrons, in One Sentence)

আগের চ্যাপ্টারে যেমনটি বিস্তারিতভাবে বলা হয়েছে, সরাসরি raw পিক্সেল ইনপুটের ওপর ডেন্স কানেকশন প্রয়োগ করলে তা প্যারামিটারের অবাস্তব বিস্ফোরণ ঘটায়, ছবির স্থানিক বা স্পেশাল কাঠামো নষ্ট করে দেয় এবং কোনো ট্রান্সলেশন ইনভ্যারিয়েন্স দেয় না। CNN একই নিউরন এবং লেয়ার সাজানোর ধারণাটি বজায় রাখে ঠিকই, কিন্তু ডেন্স কানেকশনের জায়গায় লোকাল ও শেয়ারড কনভোলিউশনাল কানেকশন ব্যবহার করে — যা আমাদের এই কোর্সের মূল বিষয়বস্তু।

একটি ছবি কীভাবে বাস্তবে সংখ্যায় রূপান্তরিত হয় (How an Image Actually Becomes Numbers)

কনভোলিউশন কীভাবে কাজ করে তা বোঝার আগে, এটি জানা দরকার যে একটি CNN আসলে ঠিক কোন জিনিসের ওপর কনভোলিউশন অপারেশনটি চালায়।

পিক্সেল (Pixels)

আরজিবি চ্যানেল (RGB Channels)

একটি রঙিন ছবি সাধারণত তিনটি স্তুপীকৃত চ্যানেল — লাল (Red), সবুজ (Green) এবং নীল (Blue) — আকারে জমা থাকে। প্রতিটি চ্যানেল নিজেই আলোর তীব্রতার বা intensities-এর একটি সম্পূর্ণ 2D ম্যাট্রিক্স, যার মান ০ (কোনো আলো নেই) থেকে ২৫৫ (সবচেয়ে তীব্র আলো) পর্যন্ত হয়, এবং এই তিনটি চ্যানেলকে একটির ওপর আরেকটি বসালে আমরা চূড়ান্ত রঙিন ছবিটি দেখতে পাই।

ফিচার এক্সট্র্যাকশন: মূল ধারণা (Feature Extraction: The Core Idea)

ঐতিহ্যবাহী কম্পিউটার ভিশন মূলত নিজে হাতে ডিজাইন করা ফিচারের (hand-crafted features) ওপর নির্ভর করত: যেমন SIFT, HOG এবং Canny edge detection-এর মতো অ্যালগরিদম, যার প্রতিটি মানব বিশেষজ্ঞরা ছবিতে নির্দিষ্ট ধরনের ভিজ্যুয়াল স্ট্রাকচার সনাক্ত করার জন্য বহু কষ্টে ডিজাইন করেছিলেন। bittersweet বা সেই ফিক্সড ফিচারগুলোর ওপর একটি ক্লাসিফায়ার (সাধারণত SVM) ট্রেন করা হতো। CNN এই পাইপলাইনের দুটি অংশকেই একটি স্বয়ংক্রিয় প্রক্রিয়ায় প্রতিস্থাপন করে: যেখানে ফিচার এক্সট্র্যাক্ট করা কনভোলিউশন ফিল্টার এবং সেটিকে ব্যবহার করা ক্লাসিফায়ার উভয়েই সরাসরি লেবেলযুক্ত ডেটা থেকে শুরু থেকে শেষ পর্যন্ত একসাথে ট্রেন হয়।

একটি একক নিউরন ইমপ্লিমেন্ট করা (Implementing a Single Neuron)

কনভোলিউশনে যাওয়ার আগে, এই চ্যাপ্টারের শুরুতে আলোচনা করা নিউরনের সমীকরণটি কোডে দেখে নেওয়া যাক — এটি ঠিক একই ডট-প্রোডাক্ট-প্লাস-বায়াস-প্লাস-অ্যাক্টিভেশন প্যাটার্ন যা প্রতিটি কনভোলিউশন ফিল্টার বারবার ব্যবহার করবে।

import numpy as np
 
def relu(z):
    return np.maximum(0, z)
 
def neuron_output(x, w, b, activation=relu):
    """একটি একক কৃত্রিম নিউরন: ওয়েটেড সাম, বায়াস এবং অ্যাক্টিভেশন।"""
    z = np.dot(w, x) + b
    return activation(z)
 
x = np.array([0.5, -1.2, 3.0])   # ইনপুটসমূহ
w = np.array([0.8, 0.4, -0.6])   # লার্নেবল ওয়েটস
b = 0.1                          # বায়াস
 
a = neuron_output(x, w, b)
print(f"z = {np.dot(w, x) + b:.3f}, a = {a:.3f}")

পরের চ্যাপ্টারগুলোতে আপনি যে কনভোলিউশন ফিল্টারগুলোর মুখোমুখি হবেন, সেগুলোর মূলে রয়েছে ঠিক একই হিসাব — একটি ডট প্রোডাক্ট এবং একটি বায়াস — যা একটি ফ্ল্যাট ফিচার ভেক্টরের ওপর একবার প্রয়োগ করার বদলে ছবির ছোট ছোট লোকাল প্যাচ বা অঞ্চলের ওপর বারবার প্রয়োগ করা হয়।

মূল বিষয়গুলো (Key Takeaways)

সাধারণ ভুল ধারণা (Common Mistakes)

Interview Corner

বাস্তবে এটি কোথায় দেখা যায় (Where This Shows Up in Practice)

আপনি যে ডিপ লার্নিং ফ্রেমওয়ার্কই ব্যবহার করেন না কেন — PyTorch, TensorFlow বা JAX — ছবিগুলোকে তাদের ভেতরে ঠিক এই চ্যাপ্টারের বলা টেন্সরের আকার $H \times W \times C$ (অথবা ব্যাচের জন্য $N \times H \times W \times C$) হিসেবেই রিপ্রেজেন্ট করা হয়, যা আপনার পরিচিত ওয়েটেড-সাম-প্লাস-অ্যাক্টিভেশন নিউরন দিয়েই তৈরি। এই পরিভাষাগুলো স্পষ্টভাবে জানার পর, আমরা পরবর্তী চ্যাপ্টারগুলোতে কনভোলিউশন নিজে কীভাবে কাজ করে তার গাণিতিক রূপগুলো খুব সহজেই আয়ত্ত করতে পারব।