Chapter 4 of 28
The vocabulary you need before the math starts
এই চ্যাপ্টারটি বা অধ্যায়টি CNN-এর অভ্যন্তরীণ কাঠামো গভীরভাবে পড়ার আগে আপনার জানার জন্য অত্যন্ত প্রয়োজনীয় প্রতিটি মৌলিক শব্দ বা পরিভাষাকে এক জায়গায় নিয়ে এসেছে — সাধারণ ইমেজের পরিভাষা থেকে শুরু করে কনভোলিউশনের বিল্ডিং ব্লক এবং ট্রেনিংয়ের দৈনন্দিন শব্দগুলো পর্যন্ত। এটিকে একটি কুইক-রেফারেন্স গ্লসারি বা শব্দকোষ হিসেবে বিবেচনা করুন, যাতে পরবর্তী কোনো চ্যাপ্টারে কোনো শব্দ অপরিচিত ঠেকলে আপনি এখানে এসে দ্রুত চোখ বুলিয়ে নিতে পারেন।
একটি নন-লিনিয়ার বা অ-রৈখিক ফাংশন (যেমন ReLU, Sigmoid ইত্যাদি) যা একটি লিনিয়ার অপারেশনের পর প্রয়োগ করা হয়। এটি নেটওয়ার্কটিকে নন-লিনিয়ার সম্পর্কগুলো মডেল করতে সাহায্য করে, যাতে নেটওয়ার্কে যত বেশি লেয়ারই থাকুক না কেন তা কোনো একটিমাত্র বিশাল লিনিয়ার ফাংশনে পরিণত বা ভেঙে না পড়ে।
একটি ওয়ান-টাইম ওয়েট আপডেটের আগে একসাথে প্রসেস করা ট্রেনিং ডেটার একটি ছোট অংশ বা সাবসেট, যেখানে পুরো ডেটাসেট একসাথে ব্যবহার করার বদলে বা একবারে একটি করে এক্সাম্পল ব্যবহারের বদলে এটি ব্যবহার করা হয়। ট্রেনিংয়ের ক্ষেত্রে ব্যাচ সাইজ (batch size) অন্যতম প্রভাবশালী হাইপারপ্যারামিটার।
নেটওয়ার্কের ভেতর দিয়ে সম্পূর্ণ ট্রেনিং ডেটাসেটকে একবার সম্পূর্ণ প্রবাহিত বা পাস করার প্রক্রিয়া।
একটি ইনপুটের ওপর দিয়ে কোনো ফিল্টারকে কনভলভ (convolve) বা স্লাইড করার পর প্রাপ্ত আউটপুট; এটি ছবির ঠিক কোন কোন জায়গায় একটি সুনির্দিষ্ট প্যাটার্ন সনাক্ত করা গেছে তা নির্দেশ করে।
দেখুন: Kernel / Filter।
একটি একক-চ্যানেলবিশিষ্ট ছবি যেখানে প্রতিটি পিক্সেল আলোর তীব্রতার একটি নির্দিষ্ট মান ধারণ করে, যার রেঞ্জ সাধারণত ০ (কালো) থেকে ২৫৫ (সাদা) পর্যন্ত হয়।
ভিজ্যুয়াল বা দৃশ্যমান ডেটাকে উপস্থাপন করার জন্য সংখ্যার একটি 2D (গ্রে-স্কেল) বা 3D (রঙিন) গ্রিড।
লার্নেবল ওয়েটের একটি ছোট ম্যাট্রিক্স (সাধারণত আকারের) যা ছবির ওপরে স্লাইড করে কোনো নির্দিষ্ট প্যাটার্ন — যেমন কিনারা বা টেক্সচার — সনাক্ত করতে পারে। "Kernel" এবং "filter" শব্দ দুটিকে প্রায়শই একই অর্থে ব্যবহার করা হয়; তবে সুনির্দিষ্টভাবে বলতে গেলে, একটি filter মূলত একাধিক কার্নেলের সমন্বয়ে গঠিত হতে পারে — প্রতি ইনপুট চ্যানেলে একটি করে কার্নেল।
একটি হাইপারপ্যারামিটার যা নিয়ন্ত্রণ করে ওয়েট আপডেট করার সময় অপ্টিমাইজার ঠিক কতটা বড় পদক্ষেপ বা ধাপ নেবে।
এমন একটি ফাংশন যা পরিমাপ করে মডেলের প্রেডিকশন বা অনুমানগুলো আসল লেবেল থেকে ঠিক কতটা দূরে রয়েছে; ট্রেনিং হলো মূলত এই ফাংশনের মানকে সর্বনিম্ন বা মিনিমাইজ করার প্রক্রিয়া।
ব্যাকপ্রোপাগেশন দ্বারা ক্যালকুলেট করা গ্রেডিয়েন্টগুলো ব্যবহার করে লস কমানোর জন্য নেটওয়ার্কের ওয়েট আপডেট করার অ্যালগরিদম (যেমন SGD, Adam ইত্যাদি)।
ইনপুটের সীমানার চারপাশে অতিরিক্ত পিক্সেল যোগ করা — সাধারণত শূন্য (zeros) — যাতে কোনো ফিল্টার ছবির কিনারা বা ধারের পিক্সেলগুলোকে সঠিকভাবে প্রসেস করতে পারে এবং/অথবা যাতে আউটপুটের সাইজকে নিয়ন্ত্রণ করা যায়।
একটি ছবির সবচেয়ে ছোট উপাদান, যা একটি নির্দিষ্ট ব্রাইটনেস বা কালার ভ্যালু ধারণ করে।
একটি ডাউন-স্যাম্পলিং (down-sampling) অপারেশন, যেমন Max Pooling বা Average Pooling, যা সবচেয়ে গুরুত্বপূর্ণ তথ্যগুলো ধরে রেখে ফিচার ম্যাপের স্থানিক আকারকে ছোট করে দেয়।
একটি ছবিতে থাকা পিক্সেলের সংখ্যা, যা সাধারণত প্রস্থ × উচ্চতা (যেমন, ) আকারে প্রকাশ করা হয়। উচ্চ রেজোলিউশনের অর্থ হলো ছবির বেশি ডিটেইল বা খুঁটিনাটি তথ্য এবং প্রসেস করার জন্য বেশি ডেটা।
লাল (Red), সবুজ (Green) এবং নীল (Blue) চ্যানেলের সমন্বয়ে তৈরি কালার মডেল; এই তিনটিকে ভিন্ন ভিন্ন অনুপাতে মিশিয়ে প্রতিটি দৃশ্যমান রঙ তৈরি করা যায়।
ছবির ওপর দিয়ে স্লাইড করার সময় একটি ফিল্টার প্রতিটি ধাপে ঠিক কত পিক্সেল করে এগোবে তার সংখ্যা। ১ স্ট্রাইড মানে ফিল্টারটি একবারে এক পিক্সেল করে সরবে; স্ট্রাইড বড় হলে লাফগুলো বড় হয় এবং আউটপুটের আকার ছোট হয়।
স্কেলার, ভেক্টর এবং ম্যাট্রিক্সের -মাত্রিক বা -dimensional সাধারণ রূপ। একটি একক ছবি হলো একটি 3D টেন্সর (); আর একগুচ্ছ বা এক ব্যাচ ছবি হলো একটি 4D টেন্সর ()।
এই আঠারোটি শব্দকে খুব সহজেই তিনটি বালতিতে বা ভাগে ভাগ করা যায়। ইমেজ সম্পর্কিত বেসিক: Image, Pixel, Resolution, RGB, Grayscale, Tensor। কনভোলিউশন তৈরির মূল ব্লক: Kernel/Filter, Feature Map, Stride, Padding, Pooling। ট্রেনিং সম্পর্কিত বেসিক: Activation Function, Loss Function, Optimizer, Epoch, Batch, Learning Rate। আঠারোটি শব্দকে সোজা মুখস্থ করার চেয়ে এই ভাগগুলো মনে রাখা অনেক বেশি সহজ।
এটি পরীক্ষার হলের খুব পরিচিত একটি ফাঁদ। নিরাপদ উত্তর হলো: pessimistic বা বেশিরভাগ পাঠ্যপুস্তক ও ইন্টারভিউতে, এই দুটি শব্দকে একই অর্থে ব্যবহার করা হয় যার দ্বারা ছবির ওপর দিয়ে স্লাইড করা ছোট ওয়েট ম্যাট্রিক্সকে বোঝায়। তবে কারিগরি দিক থেকে বলতে গেলে, মাল্টি-চ্যানেল ইনপুটের ক্ষেত্রে, একটি filter হলো কয়েকটি kernels-এর সমষ্টি — প্রতি ইনপুট চ্যানেলে একটি করে 2D কার্নেল — এবং ফিল্টারের প্রতি চ্যানেলের আউটপুটগুলোকে যোগ করে একটিমাত্র 2D ফিচার ম্যাপ তৈরি করা হয়।