Convolutional Neural Networks क्या हैं? एक संपूर्ण CNN गाइड

CNNs का महत्व

आधुनिक दुनिया में CNNs के महत्वपूर्ण होने के कई कारण हैं, जिन्हें नीचे रेखांकित किया गया है:

• CNNs, SVMs और डिसीजन ट्री जैसे पारंपरिक मशीन लर्निंग एल्गोरिदम से इसलिए अलग हैं क्योंकि वे बड़े पैमाने पर स्वतः फ़ीचर्स निकाल सकती हैं, जिससे मैन्युअल फ़ीचर इंजीनियरिंग की आवश्यकता कम होती है और दक्षता बढ़ती है।

• कन्वोल्यूशनल लेयर्स CNNs को ट्रांसलेशन-इनवेरिएंस का गुण देती हैं, जिससे वे स्थिति, ओरिएंटेशन, स्केल या ट्रांसलेशन में बदलाव के बावजूद डेटा से पैटर्न और फ़ीचर्स की पहचान और निष्कर्षण कर पाती हैं।

• कई प्री-ट्रेंड CNN आर्किटेक्चर—जैसे VGG-16, ResNet50, Inceptionv3, और EfficientNet—ने शीर्ष-स्तर का प्रदर्शन दिखाया है। इन मॉडलों को फाइन-ट्यूनिंग की प्रक्रिया के माध्यम से अपेक्षाकृत कम डेटा के साथ नए कार्यों में अनुकूलित किया जा सकता है।

• इमेज क्लासिफिकेशन से आगे, CNNs बहुमुखी हैं और प्राकृतिक भाषा संसाधन, टाइम सीरीज़ विश्लेषण और स्पीच रिकग्निशन जैसे क्षेत्रों में भी लागू होती हैं।

CNN के पीछे की प्रेरणा और मानव विज़ुअल सिस्टम से समानताएँ

Convolutional neural networks मानव विज़ुअल कॉर्टेक्स की परतदार आर्किटेक्चर से प्रेरित हैं, और नीचे कुछ प्रमुख समानताएँ व भिन्नताएँ दी गई हैं:

प्राथमिक विज़ुअल कॉर्टेक्स से संबद्ध क्षेत्रों और कन्वोल्यूशनल न्यूरल नेटवर्क की लेयर्स के बीच समानता का चित्रण (स्रोत)

• पदानुक्रमित आर्किटेक्चर: CNNs और विज़ुअल कॉर्टेक्स दोनों में पदानुक्रमित संरचना होती है—शुरुआती लेयर्स में सरल फ़ीचर्स निकाले जाते हैं और गहरी लेयर्स में जटिल फ़ीचर्स बनते हैं। इससे विज़ुअल इनपुट्स के और अधिक परिष्कृत प्रतिनिधित्व संभव होते हैं।
• लोकल कनेक्टिविटी: विज़ुअल कॉर्टेक्स में न्यूरॉन्स पूरे विज़ुअल फ़ील्ड से नहीं, बल्कि इनपुट के स्थानीय क्षेत्रों से जुड़े होते हैं। इसी तरह, CNN लेयर के न्यूरॉन्स कन्वोल्यूशन ऑपरेशन के ज़रिए इनपुट वॉल्यूम के केवल स्थानीय क्षेत्र से जुड़े होते हैं। यह लोकल कनेक्टिविटी दक्षता सक्षम करती है।
• ट्रांसलेशन इनवेरिएंस: विज़ुअल कॉर्टेक्स के न्यूरॉन्स फीचर्स का पता उनके स्थान की परवाह किए बिना लगा सकते हैं। CNN में पूलिंग लेयर्स स्थानीय फ़ीचर्स का सार प्रस्तुत कर कुछ हद तक ट्रांसलेशन इनवेरिएंस प्रदान करती हैं।
• एकाधिक फ़ीचर मैप्स: विज़ुअल प्रोसेसिंग के हर चरण में कई अलग-अलग फ़ीचर मैप्स निकाले जाते हैं। CNNs इसे प्रत्येक कन्वोल्यूशन लेयर में एकाधिक फ़िल्टर मैप्स के माध्यम से अनुकरण करती हैं।
• नॉन-लिनियरिटी: विज़ुअल कॉर्टेक्स के न्यूरॉन्स गैर-रेखीय प्रतिक्रिया गुण प्रदर्शित करते हैं। CNNs प्रत्येक कन्वोल्यूशन के बाद ReLU जैसी एक्टिवेशन फ़ंक्शंस के माध्यम से नॉन-लिनियरिटी प्राप्त करती हैं।

CNNs मानव विज़ुअल सिस्टम की नकल करती हैं लेकिन सरल हैं—जटिल फ़ीडबैक तंत्रों का अभाव है और अनसुपरवाइज़्ड के बजाय सुपरवाइज़्ड लर्निंग पर निर्भर रहती हैं—फिर भी इन अंतरों के बावजूद कंप्यूटर विज़न में प्रगति को आगे बढ़ाती हैं।

CNN के प्रमुख घटक

कन्वोल्यूशनल न्यूरल नेटवर्क चार मुख्य हिस्सों से बना होता है।

लेकिन इन हिस्सों के साथ CNNs कैसे सीखती हैं?

ये हिस्से CNNs को मानव मस्तिष्क की तरह काम करने में मदद करते हैं, ताकि छवियों में पैटर्न और फ़ीचर्स पहचाने जा सकें:

• कन्वोल्यूशन लेयर्स
• रेक्टिफ़ाइड लीनियर यूनिट (संक्षेप में ReLU)
• पूलिंग लेयर्स
• फुली कनेक्टेड लेयर्स

यह अनुभाग एक हस्तलिखित अंक को वर्गीकृत करने के निम्न उदाहरण के माध्यम से प्रत्येक घटक की परिभाषा में गहराई से जाएगा।

अंक पहचान पर लागू CNNs की आर्किटेक्चर (स्रोत)

कन्वोल्यूशन लेयर्स

यह CNN का पहला बिल्डिंग ब्लॉक है। नाम से स्पष्ट है कि मुख्य गणितीय कार्य कन्वोल्यूशन है—जो एक छवि का प्रतिनिधित्व करने वाली पिक्सेल मैट्रिक्स पर स्लाइडिंग विंडो फ़ंक्शन लागू करता है। मैट्रिक्स पर लागू होने वाले इस स्लाइडिंग फ़ंक्शन को कर्नेल या फ़िल्टर कहा जाता है, और दोनों शब्द परस्पर विनिमेय हैं।

कन्वोल्यूशन लेयर में समान आकार के कई फ़िल्टर लगाए जाते हैं, और प्रत्येक फ़िल्टर छवि से किसी विशेष पैटर्न—जैसे अंकों की घुमावदार रेखाएँ, किनारे, अंकों का पूरा आकार, आदि—को पहचानने के लिए उपयोग होता है।

सरल शब्दों में, कन्वोल्यूशन लेयर में हम छोटे ग्रिड (फ़िल्टर या कर्नेल) का प्रयोग करते हैं जो छवि पर चलते हैं। हर छोटा ग्रिड एक छोटे आवर्धक काँच जैसा है जो फ़ोटो में विशिष्ट पैटर्न—जैसे रेखाएँ, वक्र, या आकार—ढूँढता है। जैसे-जैसे यह फ़ोटो पर आगे बढ़ता है, यह एक नई ग्रिड बनाता है जो बताता है कि ये पैटर्न कहाँ मिले।

उदाहरण के लिए, एक फ़िल्टर सीधी रेखाएँ ढूँढने में अच्छा हो सकता है, दूसरा वक्रों को ढूँढ सकता है, आदि। कई अलग-अलग फ़िल्टरों का प्रयोग करके, CNN छवि को बनाने वाले विभिन्न पैटर्नों की अच्छी समझ बना लेती है।

आइए 32x32 ग्रेस्केल छवि में एक हस्तलिखित अंक पर विचार करें। मैट्रिक्स के मान केवल उदाहरण के लिए दिए गए हैं।

इनपुट छवि और उसके पिक्सेल प्रतिनिधित्व का चित्रण

साथ ही, कन्वोल्यूशन के लिए प्रयुक्त कर्नेल पर विचार करें। यह 3x3 आयाम की मैट्रिक्स है। कर्नेल के प्रत्येक तत्व के वेट्स ग्रिड में दर्शाए गए हैं। शून्य वेट्स काले ग्रिड में और एक के वेट्स सफेद ग्रिड में दर्शाए गए हैं।

क्या हमें ये वेट्स मैन्युअल रूप से खोजने पड़ते हैं?

व्यवहार में, कर्नेल के वेट्स न्यूरल नेटवर्क के प्रशिक्षण के दौरान निर्धारित होते हैं।

इन दो मैट्रिक्स का उपयोग करके, हम डॉट प्रोडक्ट लागू कर कन्वोल्यूशन ऑपरेशन कर सकते हैं, और इस प्रकार काम करेंगे:

1. कर्नेल मैट्रिक्स को ऊपर-बाएँ कोने से दाएँ की ओर लगाएँ।
2. एलीमेंट-वाइज़ गुणन करें।
3. उत्पादों के मानों का योग लें।
4. यह प्राप्त मान कन्वोल्व्ड मैट्रिक्स के पहले मान (ऊपर-बाएँ कोना) के अनुरूप होगा।
5. स्लाइडिंग विंडो के आकार के अनुसार कर्नेल को नीचे खिसकाएँ।
6. छवि मैट्रिक्स पूरी तरह कवर होने तक चरण 1 से 5 दोहराएँ।

कन्वोल्व्ड मैट्रिक्स का आयाम स्लाइडिंग विंडो के आकार पर निर्भर करता है। विंडो जितनी बड़ी होगी, आयाम उतना छोटा होगा।

3x3 कर्नेल के साथ स्ट्राइड 1 का उपयोग कर कन्वोल्यूशन कार्य का अनुप्रयोग

साहित्य में कर्नेल से जुड़ा एक और नाम फ़ीचर डिटेक्टर है, क्योंकि वेट्स को इनपुट छवि में विशिष्ट फ़ीचर्स का पता लगाने के लिए फाइन-ट्यून किया जा सकता है।

उदाहरण के लिए:

• पड़ोसी पिक्सेल का औसत लेने वाला कर्नेल इनपुट छवि को धुंधला करने के लिए उपयोग हो सकता है।
• पड़ोसी पिक्सेल घटाने वाला कर्नेल एज डिटेक्शन करने के लिए उपयोग होता है।

नेटवर्क में जितनी अधिक कन्वोल्यूशन लेयर्स होंगी, उतना ही बेहतर वह अधिक अमूर्त फ़ीचर्स का पता लगाने में हो जाएगा।

एक्टिवेशन फ़ंक्शन

हर कन्वोल्यूशन ऑपरेशन के बाद ReLU एक्टिवेशन फ़ंक्शन लागू किया जाता है। यह फ़ंक्शन नेटवर्क को छवि के फ़ीचर्स के बीच गैर-रेखीय संबंध सीखने में मदद करता है, जिससे अलग-अलग पैटर्न की पहचान में नेटवर्क अधिक मज़बूत बनता है। यह वैनिशिंग ग्रेडिएंट समस्या को कम करने में भी सहायक है।

पूलिंग लेयर

पूलिंग लेयर का लक्ष्य कन्वोल्व्ड मैट्रिक्स से सबसे महत्वपूर्ण फ़ीचर्स निकालना है। यह कुछ एग्रीगेशन ऑपरेशंस लागू कर किया जाता है, जो फ़ीचर मैप (कन्वोल्व्ड मैट्रिक्स) का आयाम घटाते हैं, और इस प्रकार नेटवर्क के प्रशिक्षण के दौरान प्रयुक्त मेमोरी कम होती है। ओवरफिटिंग को कम करने में पूलिंग भी प्रासंगिक है।

सबसे सामान्य एग्रीगेशन फ़ंक्शंस जो लागू किए जा सकते हैं, ये हैं:

• मैक्स पूलिंग: फ़ीचर मैप का अधिकतम मान
• सम पूलिंग: फ़ीचर मैप के सभी मानों का योग
• औसत पूलिंग: सभी मानों का औसत

नीचे पिछले उदाहरण के प्रत्येक प्रकार का चित्रण दिया गया है:

2x2 फ़िल्टर के साथ स्ट्राइड 2 का उपयोग कर मैक्स पूलिंग का अनुप्रयोग

पूलिंग फ़ंक्शन लागू होने पर फ़ीचर मैप का आयाम भी छोटा हो जाता है।

अंतिम पूलिंग लेयर अपने फ़ीचर मैप को फ़्लैट करती है ताकि उसे फुली कनेक्टेड लेयर द्वारा प्रोसेस किया जा सके।

फुली कनेक्टेड लेयर्स

ये लेयर्स कन्वोल्यूशनल न्यूरल नेटवर्क की अंतिम परत में होती हैं, और इनका इनपुट अंतिम पूलिंग लेयर द्वारा जनित फ़्लैट की गई एक-आयामी मैट्रिक्स होती है। नॉन-लिनियरिटी के लिए उन पर ReLU एक्टिवेशन फ़ंक्शंस लागू किए जाते हैं।

अंततः, सॉफ़्टमैक्स प्रेडिक्शन लेयर संभावित आउटपुट लेबल्स के लिए प्रायिकता मान उत्पन्न करती है, और अंतिम पूर्वानुमित लेबल वह होता है जिसकी प्रायिकता सबसे अधिक होती है।

CNNs में ओवरफिटिंग और रेगुलराइज़ेशन

ओवरफिटिंग मशीन लर्निंग मॉडलों और CNN डीप लर्निंग प्रोजेक्ट्स में एक सामान्य चुनौती है। यह तब होता है जब मॉडल प्रशिक्षण डेटा को बहुत अच्छी तरह सीख लेता है (“कंठस्थ करना”), जिसमें उसका शोर और आउटलायर भी शामिल होते हैं। ऐसी सीख से बना मॉडल प्रशिक्षण डेटा पर तो अच्छा प्रदर्शन करता है, पर नए, अनदेखे डेटा पर खराब।

यह तब देखा जा सकता है जब मॉडल प्रशिक्षण डेटा पर वैलिडेशन या टेस्टिंग डेटा की तुलना में काफी अधिक सटीकता प्राप्त करता है; इसका एक ग्राफ़िकल चित्रण नीचे दिया गया है:

अंडरफिटिंग बनाम ओवरफिटिंग

डीप लर्निंग मॉडल, विशेषकर Convolutional Neural Networks (CNNs), अपनी उच्च जटिलता क्षमता और बड़े पैमाने के डेटा में विस्तृत पैटर्न सीखने की योग्यता के कारण ओवरफिटिंग के प्रति खासे संवेदनशील होते हैं।

ओवरफिटिंग को कम करने के लिए कई रेगुलराइज़ेशन तकनीकें लागू की जा सकती हैं, और कुछ नीचे दर्शाई गई हैं:

CNNs में ओवरफिटिंग को कम करने की 7 रणनीतियाँ

• ड्रॉपआउट: इसमें प्रशिक्षण के दौरान कुछ न्यूरॉन्स को यादृच्छिक रूप से हटा दिया जाता है, जिससे बचे हुए न्यूरॉन्स को इनपुट डेटा से नए फ़ीचर्स सीखने के लिए मजबूर किया जाता है।
• बैच नॉर्मलाइज़ेशन: एक्टिवेशन को समायोजित और स्केल कर इनपुट लेयर को नॉर्मलाइज़ करने से कुछ हद तक ओवरफिटिंग घटती है। यह तरीका प्रशिक्षण को तेज़ और स्थिर करने में भी उपयोगी है।
• पूलिंग लेयर्स: इनका उपयोग इनपुट छवि के स्पेशल डायमेंशंस घटाने के लिए किया जा सकता है, जिससे मॉडल को अधिक अमूर्त प्रतिनिधित्व मिलता है और ओवरफिटिंग की संभावना घटती है।
• अर्ली स्टॉपिंग: इसमें प्रशिक्षण के दौरान वैलिडेशन डेटा पर मॉडल के प्रदर्शन की निरंतर निगरानी की जाती है और जब वैलिडेशन त्रुटि में सुधार रुक जाता है तो प्रशिक्षण रोक दिया जाता है।
• नॉइज़ इंजेक्शन: प्रशिक्षण के दौरान इनपुट्स या हिडन लेयर्स के आउटपुट्स में नॉइज़ जोड़ना शामिल है, ताकि मॉडल अधिक मज़बूत बने और कमजोर जनरलाइज़ेशन से बचा रहे।
• L1 और L2 रेगुलराइज़ेशन: दोनों में वेट्स के आकार के आधार पर लॉस फ़ंक्शन में पेनल्टी जोड़ी जाती है। विशेष रूप से, L1 वेट्स को स्पार्स बनने के लिए प्रेरित करता है, जिससे बेहतर फ़ीचर चयन होता है; दूसरी ओर, L2 (जिसे वेट डिके भी कहते हैं) वेट्स को छोटा रखने के लिए प्रेरित करता है, ताकि वे भविष्यवाणियों पर अत्यधिक प्रभाव न डालें।
• डेटा ऑग्मेंटेशन: इनपुट छवियों पर रोटेशन, स्केलिंग, फ़्लिपिंग, या क्रॉपिंग जैसी यादृच्छिक ट्रांसफ़ॉर्मेशंस लागू कर प्रशिक्षण डेटासेट के आकार और विविधता को कृत्रिम रूप से बढ़ाने की प्रक्रिया।

CNNs के व्यावहारिक अनुप्रयोग

Convolutional Neural Networks ने कंप्यूटर विज़न के क्षेत्र में क्रांति ला दी है, जिससे कई वास्तविक दुनिया के अनुप्रयोगों में उल्लेखनीय प्रगति हुई है। नीचे कुछ उदाहरण दिए गए हैं कि उनका उपयोग कैसे होता है।

CNNs के कुछ व्यावहारिक अनुप्रयोग

• इमेज क्लासिफिकेशन: कन्वोल्यूशनल न्यूरल नेटवर्क्स का उपयोग छवियों को पूर्व-परिभाषित श्रेणियों में वर्गीकृत करने के लिए किया जाता है। इसका एक उपयोग सोशल मीडिया प्लेटफ़ॉर्म्स पर फ़ोटो के स्वचालित आयोजन में है।
• ऑब्जेक्ट डिटेक्शन: CNNs एक छवि में कई वस्तुओं की पहचान और उनका स्थान निर्धारित करने में सक्षम हैं। यह खुदरा में शेल्फ स्कैनिंग जैसे परिदृश्यों में स्टॉक-आउट आइटम्स की पहचान के लिए महत्वपूर्ण है।
• फ़ेशियल रिकग्निशन: यह CNNs के प्रमुख अनुप्रयोग उद्योगों में से एक है। उदाहरण के लिए, इस तकनीक को सुरक्षा प्रणालियों में एकीकृत कर चेहरे की विशेषताओं के आधार पर कुशल एक्सेस कंट्रोल किया जा सकता है।

और अधिक व्यावहारिक इम्प्लीमेंटेशन के लिए, हमारा Convolutional Neural Networks (CNN) with TensorFlow Tutorial सिखाता है कि Python में TensorFlow 2 के साथ CNNs कैसे बनाए और लागू किए जाएँ।

लोकप्रिय CNN आर्किटेक्चर

वर्षों में शोधकर्ताओं ने लगातार अधिक शक्तिशाली CNN आर्किटेक्चर विकसित किए हैं। यहाँ कुछ सबसे प्रभावशाली दिए गए हैं:

• LeNet-5 (1998): शुरुआती CNNs में से एक, हस्तलिखित अंक पहचान के लिए डिज़ाइन किया गया।
• AlexNet (2012): ImageNet प्रतियोगिता जीती और GPU प्रशिक्षण के साथ डीप CNNs को लोकप्रिय बनाया।
• VGGNet (2014): दिखाया कि छोटे 3x3 फ़िल्टर्स के साथ गहरे नेटवर्क सटीकता में सुधार करते हैं।
• GoogLeNet/Inception (2014): मल्टी-स्केल फ़ीचर एक्सट्रैक्शन के लिए समानांतर फ़िल्टर आकारों वाले इन्सेप्शन मॉड्यूल्स पेश किए।
• ResNet (2015): स्किप कनेक्शंस पेश किए, जिससे 100+ लेयर्स वाले नेटवर्क का प्रशिक्षण संभव हुआ।
• EfficientNet (2019): नेटवर्क की गहराई, चौड़ाई और रेज़ोल्यूशन का संतुलन बनाने के लिए कंपाउंड स्केलिंग का उपयोग किया।
• ConvNeXt (2022): एक परिष्कृत आधुनिक CNN डिज़ाइन जो Vision Transformers से प्रतिस्पर्धा करता है।

हालाँकि 2020 से Vision Transformers (ViTs) मजबूत विकल्प के रूप में उभरे हैं, फिर भी दक्षता, कम डेटा आवश्यकताओं और प्रोडक्शन वातावरण में परिपक्वता के कारण CNNs का व्यापक उपयोग जारी है।

CNNs के लिए डीप लर्निंग फ़्रेमवर्क

डीप लर्निंग की तेज़ वृद्धि का मुख्य कारण TensorFlow, Pytorch और Keras जैसे शक्तिशाली फ़्रेमवर्क हैं, जो कन्वोल्यूशनल न्यूरल नेटवर्क्स और अन्य डीप लर्निंग मॉडलों का प्रशिक्षण आसान बनाते हैं।

आइए प्रत्येक फ़्रेमवर्क का संक्षिप्त अवलोकन करें।

TensorFlow

TensorFlow Google द्वारा विकसित और 2015 में जारी किया गया एक ओपन-सोर्स डीप लर्निंग फ़्रेमवर्क है। यह मशीन लर्निंग विकास और परिनियोजन के लिए उपकरणों की एक शृंखला प्रदान करता है। हमारा Introduction to Deep Neural Networks आधुनिक आर्टिफ़िशियल इंटेलिजेंस की डीप लर्निंग दुनिया में डीप न्यूरल नेटवर्क्स की समझ और उनके महत्व पर एक पूर्ण मार्गदर्शिका प्रदान करता है, साथ ही TensorFlow में वास्तविक-विश्व इम्प्लीमेंटेशंस भी।

Keras

Keras Python में एक हाई-लेवल न्यूरल नेटवर्क फ़्रेमवर्क है जो तेज़ प्रयोग और विकास सक्षम करता है। यह ओपन-सोर्स है और TensorFlow का आधिकारिक हाई-लेवल API (संस्करण 2.0 से) है, जो TensorFlow इकोसिस्टम में मॉडल विकास को सरल बनाता है। हमारा कोर्स Image Processing with Keras in Python सिखाता है कि Keras के साथ Python में कन्वोल्यूशनल न्यूरल नेटवर्क बनाकर, प्रशिक्षित कर और मूल्यांकन कर इमेज विश्लेषण कैसे किया जाए।

PyTorch

Meta (पूर्व में Facebook) AI Research द्वारा 2017 में जारी, PyTorch एक जनरल-पर्पज़ डीप लर्निंग फ़्रेमवर्क है, जो अपने डायनमिक कम्प्यूटेशनल ग्राफ़, पाइथॉनिक सिंटैक्स और मज़बूत शोध समुदाय के लिए जाना जाता है। यदि आप प्राकृतिक भाषा संसाधन में गहराई से जाना चाहते हैं, तो हमारा NLP with PyTorch: A Comprehensive Guide एक बेहतरीन शुरुआती बिंदु है।

हर प्रोजेक्ट अलग होता है, इसलिए निर्णय वास्तव में इस पर निर्भर करता है कि किसी दिए गए उपयोग-प्रकरण के लिए कौन-सी विशेषताएँ सबसे महत्वपूर्ण हैं। बेहतर निर्णय में सहायक होने के लिए, निम्न तालिका इन फ़्रेमवर्क्स की संक्षिप्त तुलना करती है और उनकी विशिष्ट विशेषताओं को रेखांकित करती है।

Tensorflow, Pytorch और Keras के बीच तुलनात्मक तालिका (स्रोत)

निष्कर्ष

इस लेख में डीप लर्निंग में CNN क्या है, इसका पूर्ण अवलोकन दिया गया है, साथ ही इमेज रिकग्निशन और क्लासिफिकेशन कार्यों में उनकी महत्वपूर्ण भूमिका भी समझाई गई है।

यह CNNs के डिज़ाइन के लिए मानव विज़ुअल सिस्टम से ली गई प्रेरणा को उजागर करने से शुरू हुआ और फिर उन प्रमुख घटकों की पड़ताल की जो इन नेटवर्क्स को सीखने और भविष्यवाणी करने में सक्षम बनाते हैं।

ओवरफिटिंग की समस्या को CNNs की जनरलाइज़ेशन क्षमता के लिए एक महत्वपूर्ण चुनौती के रूप में स्वीकार किया गया। इसे कम करने के लिए, ओवरफिटिंग को घटाने और CNNs के समग्र प्रदर्शन में सुधार हेतु कई प्रासंगिक रणनीतियों की रूपरेखा प्रस्तुत की गई।

अंत में, कुछ प्रमुख डीप लर्निंग CNN फ़्रेमवर्क का उल्लेख किया गया, उनके विशिष्ट गुणों के साथ और वे एक-दूसरे की तुलना में कैसे खड़े होते हैं।

AI और मशीन लर्निंग की दुनिया में और गहराई से उतरने के इच्छुक हैं? आज ही Deep Learning with PyTorch कोर्स में दाखिला लेकर अपनी विशेषज्ञता को अगले स्तर पर ले जाएँ।