डीप न्यूरल नेटवर्क्स का परिचय

आधुनिक दौर में डीप न्यूरल नेटवर्क्स ने कृत्रिम बुद्धिमत्ता के परिदृश्य को बदल दिया है। हाल के समय में डीप लर्निंग और न्यूरल नेटवर्क्स दोनों में काफी शोध प्रगति हुई है, जिसने कृत्रिम बुद्धिमत्ता से संबंधित परियोजनाओं की गुणवत्ता को नाटकीय रूप से बढ़ा दिया है।

ये डीप न्यूरल नेटवर्क्स डेवलपर्स को अधिक टिकाऊ और उच्च-गुणवत्ता वाले परिणाम प्राप्त करने में मदद करते हैं। इसलिए, वे कई पारंपरिक मशीन लर्निंग तकनीकों की जगह भी ले रहे हैं।

लेकिन डीप न्यूरल नेटवर्क्स वास्तव में हैं क्या, और वे इतने व्यापक कार्यों के लिए सबसे उपयुक्त विकल्प क्यों हैं? और डीप न्यूरल नेटवर्क्स के साथ शुरुआत करने के लिए अलग-अलग लाइब्रेरीज़ और टूल्स कौन-कौन से हैं?

यह लेख डीप न्यूरल नेटवर्क्स, उनकी लाइब्रेरी आवश्यकताओं, और शून्य से एक मूलभूत डीप न्यूरल नेटवर्क आर्किटेक्चर कैसे बनाएं, इसकी व्याख्या करेगा।

डीप न्यूरल नेटवर्क्स क्या हैं?

एक आर्टिफिशियल न्यूरल नेटवर्क (ANN) या सरल पारंपरिक न्यूरल नेटवर्क का उद्देश्य एक सीधी-सादी नेटवर्क रूपरेखा के साथ सामान्य कार्यों को हल करना है। आर्टिफिशियल न्यूरल नेटवर्क जैविक न्यूरल नेटवर्क्स से ढीले तौर पर प्रेरित है। यह किसी खास कार्य को करने के लिए परतों का एक समूह होता है। प्रत्येक परत में एक साथ काम करने वाले नोड्स का एक संग्रह होता है।

ये नेटवर्क सामान्यतः एक इनपुट लेयर, एक से दो हिडन लेयर्स और एक आउटपुट लेयर से बने होते हैं। जबकि सरल गणितीय सवालों और कंप्यूटर समस्याओं, जिनमें बुनियादी गेट संरचनाएं और उनके ट्रुथ टेबल शामिल हैं, को हल करना संभव है, इन नेटवर्क्स के लिए जटिल इमेज प्रोसेसिंग, कंप्यूटर विज़न और नैचुरल लैंग्वेज प्रोसेसिंग कार्यों को हल करना कठिन होता है।

ऐसी समस्याओं के लिए, हम डीप न्यूरल नेटवर्क्स का उपयोग करते हैं, जिनमें अक्सर जटिल हिडन लेयर संरचना होती है और विविध प्रकार की परतें शामिल होती हैं, जैसे कॉन्वोल्यूशनल लेयर, मैक्स-पूलिंग लेयर, डेंस लेयर, और अन्य विशिष्ट लेयर्स। ये अतिरिक्त लेयर्स मॉडल को समस्याओं को बेहतर ढंग से समझने और जटिल परियोजनाओं के लिए सर्वोत्तम समाधान प्रदान करने में मदद करती हैं। एक डीप न्यूरल नेटवर्क में ANN की तुलना में अधिक परतें (अधिक गहराई) होती हैं और प्रत्येक परत मॉडल में जटिलता जोड़ती है, जबकि मॉडल को इनपुट्स को संक्षेप में संसाधित करने में सक्षम बनाती है ताकि आदर्श समाधान निकाला जा सके।

ANN बनाम DNN - छवि स्रोत

डीप न्यूरल नेटवर्क्स ने अपनी उच्च दक्षता के कारण, जो अनेक प्रकार की डीप लर्निंग परियोजनाओं में परिणाम दिलाते हैं, असाधारण लोकप्रियता हासिल की है। एक अलग लेख में मशीन लर्निंग और डीप लर्निंग के बीच के अंतर को खोजें। 

DNN का उपयोग क्यों करें?

एक अच्छे से निर्मित डीप न्यूरल नेटवर्क को प्रशिक्षित करने के बाद, वे उच्च सटीकता स्कोर के साथ वांछित परिणाम प्राप्त कर सकते हैं। वे डीप लर्निंग के सभी पहलुओं में लोकप्रिय हैं, जिनमें कंप्यूटर विज़न, नैचुरल लैंग्वेज प्रोसेसिंग और ट्रांसफर लर्निंग शामिल हैं।

डीप न्यूरल नेटवर्क्स की प्रमुखता के प्रमुख उदाहरण हैं वस्तु पहचान में YOLO (You Only Look Once) जैसे मॉडलों के साथ इनका उपयोग, भाषा अनुवाद कार्यों में BERT (Bidirectional Encoder Representations from Transformers) मॉडल्स, ट्रांसफर लर्निंग मॉडल्स जैसे VGG-19, RESNET-50, EfficientNet, और छवि प्रसंस्करण परियोजनाओं के लिए अन्य समान नेटवर्क्स।

कृत्रिम बुद्धिमत्ता की इन डीप लर्निंग अवधारणाओं को और सहजता से समझने के लिए, मैं DataCamp के Deep Learning in Python कोर्स को देखने की सलाह देता/देती हूँ।

डीप लर्निंग टूल्स और लाइब्रेरीज़

न्यूरल नेटवर्क्स को शून्य से बनाना प्रोग्रामर्स को अवधारणाओं को समझने और इन नेटवर्क्स में परिवर्तन करके सामान्य कार्यों को हल करने में मदद करता है। हालांकि, इन्हें शून्य से बनाना समय-साध्य होता है और अत्यधिक प्रयास की आवश्यकता होती है। डीप लर्निंग को सरल बनाने के लिए, हमारे पास कई टूल्स और लाइब्रेरीज़ उपलब्ध हैं, जिनसे कुछ पंक्तियों के कोड में जटिल समस्याओं को हल करने में सक्षम एक प्रभावी डीप न्यूरल नेटवर्क मॉडल बनाया जा सकता है।

डीप न्यूरल नेटवर्क्स के निर्माण के लिए उपयोग की जाने वाली सबसे लोकप्रिय डीप लर्निंग लाइब्रेरीज़ और टूल्स TensorFlow, Keras और PyTorch हैं। TensorFlow 2.0 की शुरुआत से Keras और TensorFlow लाइब्रेरीज़ को समानार्थक रूप से जोड़ा गया है। यह इंटीग्रेशन उपयोगकर्ताओं को TensorFlow इकोसिस्टम के भीतर Keras के जरिए उच्च-स्तरीय कोड संरचनाओं के साथ जटिल न्यूरल नेटवर्क विकसित करने की अनुमति देता है।

PyTorch

PyTorch लाइब्रेरी एक और अत्यंत लोकप्रिय मशीन लर्निंग फ्रेमवर्क है जो उपयोगकर्ताओं को उच्च-स्तरीय शोध परियोजनाएँ विकसित करने में सक्षम बनाता है।

हालाँकि यह विज़ुअलाइज़ेशन के मामले में थोड़ा पीछे रह जाता है, PyTorch अपनी कॉम्पैक्ट और तेज़ परफॉर्मेंस के साथ इसकी भरपाई करता है, और डीप न्यूरल नेटवर्क मॉडल बनाने के लिए अपेक्षाकृत तेज़ और सरल GPU इंस्टॉलेशंस प्रदान करता है।

DataCamp का Introduction to Deep Learning with PyTorch कोर्स PyTorch के बारे में अधिक सीखने के लिए सबसे अच्छा शुरुआती बिंदु है।

TensorFlow और Keras

TensorFlow फ्रेमवर्क अपने डेवलपर्स को डीप लर्निंग कार्यों के लिए विज़ुअलाइज़ेशन टूल्स के शानदार विकल्पों की एक विस्तृत श्रृंखला प्रदान करता है। टेन्सरबोर्ड ग्राफिक डैशबोर्ड डेटा और परिणामों का विज़ुअलाइज़ेशन, विश्लेषण और व्याख्या करने के लिए एक उत्कृष्ट विकल्प प्रस्तुत करता है।

Keras लाइब्रेरी का इंटीग्रेशन सरल कोड संरचनाओं के साथ परियोजनाओं के तेज़ निर्माण की अनुमति देता है, जिससे यह दीर्घकालिक विकास परियोजनाओं के लिए एक लोकप्रिय विकल्प बनता है। Introduction to TensorFlow in Python शुरुआती लोगों के लिए TensorFlow से शुरुआत करने की एक बेहतरीन जगह है।

एक बुनियादी डीप न्यूरल नेटवर्क कैसे बनाएं

इस खंड में, हम डीप न्यूरल नेटवर्क्स की कुछ मूलभूत अवधारणाओं को समझेंगे और शून्य से ऐसा नेटवर्क कैसे बनाएं, यह जानेंगे।

आवश्यक लाइब्रेरीज़ इम्पोर्ट करना

पहला कदम आवश्यक एप्लिकेशन के लिए अपनी पसंदीदा लाइब्रेरी चुनना है। हम डीप न्यूरल नेटवर्क बनाने के लिए TensorFlow और Keras डीप लर्निंग फ्रेमवर्क्स का उपयोग करेंगे।

# Importing the necessary functionality
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Input, Dense, Conv2D
from tensorflow.keras.layers import Flatten, MaxPooling2Dसंचालित द्वारा

सीक्वेंशियल-टाइप मॉडल बनाना

एक बार जब हम इस कार्य के लिए वांछित लाइब्रेरीज़ इम्पोर्ट कर लेते हैं, तो हम डीप लर्निंग मॉडल बनाने के लिए Sequential प्रकार के मॉडलिंग का उपयोग करेंगे। सीक्वेंशियल मॉडल परतों का एक साधारण स्टैक है जिसमें एक इनपुट और एक आउटपुट मान होता है। अन्य उपलब्ध विकल्पों में फंक्शनल API क्लास या कस्टम मॉडल बिल्ड शामिल हैं। हालांकि, Sequential क्लास न्यूरल नेटवर्क आर्किटेक्चर बनाने के लिए सीधे-सादे तरीके की सुविधा देती है।

# Creating the model
DNN_Model = Sequential()
संचालित द्वारा

डीप न्यूरल नेटवर्क आर्किटेक्चर का निर्माण

हम एक इनपुट शेप जोड़ेंगे, जो आमतौर पर आपके प्रोजेक्ट में उपयोग की जा रही छवि के प्रकार के आकार के बराबर होता है। आकार में छवि की चौड़ाई, ऊँचाई और रंग कोडिंग शामिल होती है। नीचे दिए गए उदाहरण कोड में, छवि की ऊँचाई और चौड़ाई 256 है और रंग योजना RGB है, जिसे 3 द्वारा दर्शाया गया है (1 ग्रेस्केल छवियों के लिए उपयोग होता है)। फिर हम विभिन्न फ़िल्टर आकारों के साथ कॉन्वोल्यूशन और मैक्स-पूलिंग लेयर्स के साथ आवश्यक हिडन लेयर्स का निर्माण करेंगे। अंत में, हम आउटपुट्स को समतल करने के लिए एक फ्लैटन्ड लेयर का उपयोग करेंगे और अंतिम आउटपुट लेयर के रूप में एक डेंस लेयर का उपयोग करेंगे।

हिडन लेयर्स न्यूरल नेटवर्क की जटिलता बढ़ाती हैं। एक कॉन्वोल्यूशनल लेयर दृश्य छवियों पर जानकारी को फ़िल्टर करने के लिए कॉन्वोल्यूशन ऑपरेशन करती है। कॉन्वोल्यूशन लेयर में प्रत्येक फ़िल्टर आकार इनपुट से विशिष्ट फीचर्स निकालने में मदद करता है। एक मैक्स-पूलिंग लेयर निकाले गए फीचर्स में से अधिकतम मानों पर विचार करके फीचर्स की संख्या को डाउनसैंपल (कम) करने में मदद करती है।

एक फ्लैटन्ड लेयर तेज़ गणना के लिए स्थानिक आयामों को एकल आयाम में कम कर देती है। एक डेंस लेयर सबसे सरल परत है जो पिछली परतों से आउटपुट प्राप्त करती है और आमतौर पर आउटपुट लेयर के रूप में उपयोग होती है। 2D कॉन्वोल्यूशन 2D इनपुट पर एलीमेंटवाइज़ गुणन करता है। ReLU (rectified linear unit) एक्टिवेशन फ़ंक्शन मॉडल को बेहतर गणनात्मक प्रदर्शन के लिए नॉन-लिनियरिटी प्रदान करता है। हम कॉन्वोल्यूशनल लेयर्स के इनपुट और आउटपुट शेप बनाए रखने के लिए सेम पैडिंग का उपयोग करेंगे।

# Inputting the shape to the model
DNN_Model.add(Input(shape = (256, 256, 3)))

# Creating the deep neural network
DNN_Model.add(Conv2D(256, (3, 3), activation='relu', padding = "same"))
DNN_Model.add(MaxPooling2D(2, 2))
DNN_Model.add(Conv2D(128, (3, 3), activation='relu', padding = "same"))
DNN_Model.add(MaxPooling2D(2, 2))
DNN_Model.add(Conv2D(64, (3, 3), activation='relu', padding = "same"))
DNN_Model.add(MaxPooling2D(2, 2))

# Creating the output layers
DNN_Model.add(Flatten())
DNN_Model.add(Dense(64, activation='relu'))
DNN_Model.add(Dense(10))संचालित द्वारा

मॉडल आर्किटेक्चर

निर्मित डीप न्यूरल नेटवर्क की मॉडल संरचना और उसका प्लॉट डायग्राम नीचे प्रदान किया गया है।

Model: "sequential_2"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 conv2d_5 (Conv2D)           (None, 256, 256, 256)     7168      
                                                                 
 max_pooling2d_5 (MaxPooling  (None, 128, 128, 256)    0         
 2D)                                                             
                                                                 
 conv2d_6 (Conv2D)           (None, 128, 128, 128)     295040    
                                                                 
 max_pooling2d_6 (MaxPooling  (None, 64, 64, 128)      0         
 2D)                                                             
                                                                 
 conv2d_7 (Conv2D)           (None, 64, 64, 64)        73792     
                                                                 
 max_pooling2d_7 (MaxPooling  (None, 32, 32, 64)       0         
 2D)                                                             
                                                                 
 flatten_2 (Flatten)         (None, 65536)             0         
                                                                 
 dense_4 (Dense)             (None, 64)                4194368   
                                                                 
 dense_5 (Dense)             (None, 10)                650       
                                                                 
=================================================================
Total params: 4,571,018
Trainable params: 4,571,018
Non-trainable params: 0
_________________________________________________________________संचालित द्वारा

प्लॉट इस प्रकार है:

tf.keras.utils.plot_model(DNN_Model, to_file='model_big.png', show_shapes=True)संचालित द्वारा

अतिरिक्त जानकारी

मशीन लर्निंग वर्कफ़्लो - छवि स्रोत

मॉडल बनने के बाद, उसे कॉन्फ़िगर करने के लिए कम्पाइल करना होता है। मॉडल के कम्पाइल होने के दौरान, डीप लर्निंग मॉडलों में प्रमुख प्रक्रियाओं में फ़ॉरवर्ड प्रोपेगेशन और बैकप्रोपेगेशन शामिल होते हैं। फ़ॉरवर्ड प्रोपेगेशन में, सभी आवश्यक जानकारी विभिन्न नोड्स के माध्यम से आउटपुट लेयर तक पहुँचाई जाती है। आउटपुट लेयर में, वर्गीकरण कार्यों के लिए, भविष्यवाणी किए गए मान और वास्तविक मान के बीच गणना की जाती है।

ट्रेनिंग या फिटिंग चरण में बैकप्रोपेगेशन की प्रक्रिया होती है। वज़नों को प्रत्येक लेयर में समायोजित किया जाता है, जब तक कि भविष्यवाणी और वास्तविक मान एक-दूसरे के क़रीब न आ जाएँ, ताकि वांछित परिणाम प्राप्त हो सकें। इस विषय की गहन व्याख्या के लिए, मैं बैकप्रोपेगेशन गाइड और Introduction to Deep Learning in Python कोर्स देखने की अनुशंसा करता/करती हूँ।

डीप लर्निंग का अन्वेषण करने में कई बारीकियाँ हैं। डीप न्यूरल नेटवर्क्स का निर्माण और बेहतर समझने के लिए मैं Deep Learning with Keras कोर्स देखने की उच्च अनुशंसा करता/करती हूँ।

डीप लर्निंग मॉडलों को समझना

किसी विशेष मशीन लर्निंग कार्य की गणना करने के लिए आवश्यक कार्रवाइयाँ करने हेतु एक विशिष्ट डीप न्यूरल नेटवर्क की आवश्यकता होती है। दो प्रमुख रूप से उपयोग किए जाने वाले डीप लर्निंग मॉडल हैं कॉन्वोल्यूशनल न्यूरल नेटवर्क्स (CNN) और रीकरेंट न्यूरल नेटवर्क्स (RNN)। कॉन्वोल्यूशनल न्यूरल नेटवर्क्स का इमेज प्रोसेसिंग और कंप्यूटर विज़न परियोजनाओं में अत्यधिक उपयोग है।

इन डीप न्यूरल नेटवर्क्स में, हिडन लेयर्स में सामान्य मैट्रिक्स ऑपरेशन करने के बजाय, हम कॉन्वोल्यूशन ऑपरेशन करते हैं। यह नेटवर्क को अधिक स्केलेबल दृष्टिकोण प्रदान करता है जिससे उच्च दक्षता और सटीक परिणाम प्राप्त होते हैं। इमेज क्लासिफिकेशन और ऑब्जेक्ट डिटेक्शन कार्यों में, मॉडल को संसाधित करने के लिए बहुत सारा डेटा और छवियाँ होती हैं। ये कॉन्वोल्यूशनल न्यूरल नेटवर्क्स इन चुनौतियों का सफलतापूर्वक सामना करने में मदद करते हैं।

नैचुरल लैंग्वेज प्रोसेसिंग और सैमांटिक परियोजनाओं के लिए, परिणामों को अनुकूलित करने हेतु अक्सर रीकरेंट न्यूरल नेटवर्क्स का उपयोग किया जाता है। इन RNNs का एक लोकप्रिय रूप, लॉन्ग-शॉर्ट टर्म मेमोरी (LSTMs), आमतौर पर विभिन्न मशीन अनुवाद कार्यों, टेक्स्ट क्लासिफिकेशन, स्पीच रिकग्निशन और अन्य समान कार्यों को करने के लिए उपयोग किया जाता है।

ये नेटवर्क प्रत्येक पूर्ववर्ती सेल से आवश्यक जानकारी लेकर उसे अगले तक पहुँचाते हैं, जबकि अनुकूलित मॉडल प्रदर्शन के लिए महत्वपूर्ण जानकारी को संग्रहीत रखते हैं। Image Modeling with Keras CNNs पर अधिक खोजबीन के लिए एक शानदार गाइड है और Deep Learning in Python डीप लर्निंग की समग्र समझ के लिए।

डीप न्यूरल नेटवर्क्स में चुनौतियाँ और विचार

हमने TensorFlow डीप लर्निंग फ्रेमवर्क के साथ डीप न्यूरल नेटवर्क्स और उनके निर्माण की एक संक्षिप्त समझ प्राप्त की। हालांकि, कुछ चुनौतियाँ हैं जिन पर किसी विशेष परियोजना के लिए न्यूरल नेटवर्क विकसित करने से पहले हर डेवलपर को विचार करना चाहिए। आइए इनमें से कुछ चुनौतियों पर नज़र डालते हैं।

डेटा आवश्यकताएँ

डीप लर्निंग की प्राथमिक आवश्यकताओं में से एक डेटा है। उच्च सटीकता वाला मॉडल बनाने में डेटा सबसे महत्वपूर्ण घटक है। कई मामलों में, डीप न्यूरल नेटवर्क्स को ओवरफिटिंग रोकने और अच्छा प्रदर्शन करने के लिए सामान्यतः बड़े पैमाने पर डेटा की आवश्यकता होती है। ऑब्जेक्ट डिटेक्शन कार्यों के लिए डेटा आवश्यकताएँ अधिक हो सकती हैं ताकि मॉडल विभिन्न ऑब्जेक्ट्स को उच्च सटीकता से पहचान सके।

जबकि डेटा ऑग्मेंटेशन तकनीकें इन समस्याओं में से कुछ के लिए त्वरित समाधान के रूप में उपयोगी हैं, हर डीप लर्निंग परियोजना के लिए डेटा आवश्यकताओं पर विचार करना अनिवार्य है।

कम्प्यूटेशनल संसाधन

अधिक मात्रा में डेटा के अलावा, डीप न्यूरल नेटवर्क की गणना की उच्च कम्प्यूटेशनल लागत पर भी विचार करना चाहिए। उदाहरण के लिए, Generative Pre-trained Transformer 3 (GPT-3) जैसे मॉडलों में 175 बिलियन पैरामीटर्स हैं।

जटिल कार्यों के लिए मॉडलों का कम्पाइल और ट्रेनिंग संसाधनपूर्ण GPU की आवश्यकता करेगा। अक्सर मॉडल्स को CPUs की तुलना में GPUs या TPUs पर अधिक कुशलतापूर्वक प्रशिक्षित किया जा सकता है। अत्यंत जटिल कार्यों के लिए, सिस्टम आवश्यकताएँ अधिक होती हैं और किसी विशेष कार्य हेतु अधिक संसाधनों की दरकार होती है।

ट्रेनिंग से जुड़ी समस्याएँ

ट्रेनिंग के दौरान, मॉडल को अंडरफिटिंग या ओवरफिटिंग जैसी समस्याओं का भी सामना करना पड़ सकता है। अंडरफिटिंग आमतौर पर डेटा की कमी के कारण होता है, जबकि ओवरफिटिंग एक अधिक प्रमुख समस्या है जो तब होती है जब ट्रेनिंग डेटा का प्रदर्शन लगातार बेहतर होता जाता है जबकि टेस्ट डेटा स्थिर रहता है। इसलिए, ट्रेनिंग एक्यूरसी उच्च होती है, लेकिन वेलिडेशन एक्यूरसी कम, जिससे अत्यधिक अस्थिर मॉडल बनता है जो सर्वोत्तम परिणाम नहीं देता।

अंतिम विचार

इस लेख में, हमने डीप न्यूरल नेटवर्क्स का अन्वेषण किया और उनके मुख्य सिद्धांतों को समझा। हमने इन न्यूरल नेटवर्क्स और पारंपरिक नेटवर्क के बीच का अंतर समझा और डीप लर्निंग परियोजनाओं की गणना के लिए विभिन्न प्रकार के डीप लर्निंग फ्रेमवर्क्स की समझ विकसित की। फिर हमने डीप न्यूरल नेटवर्क के निर्माण को प्रदर्शित करने के लिए TensorFlow और Keras लाइब्रेरीज़ का उपयोग किया। अंत में, हमने डीप लर्निंग की कुछ महत्वपूर्ण चुनौतियों और उन्हें दूर करने के कुछ तरीकों पर विचार किया।

डीप न्यूरल नेटवर्क्स अधिकांश सामान्य कृत्रिम बुद्धिमत्ता अनुप्रयोगों और परियोजनाओं को पूरा करने के लिए एक शानदार संसाधन हैं। वे हमें इमेज प्रोसेसिंग और नैचुरल लैंग्वेज प्रोसेसिंग कार्यों को उच्च सटीकता के साथ हल करने में सक्षम बनाते हैं।

सभी कुशल डेवलपर्स के लिए उभरते रुझानों से अद्यतन रहना महत्वपूर्ण है, क्योंकि जो मॉडल आज लोकप्रिय है, वह आने वाले समय में उतना लोकप्रिय या सर्वोत्तम विकल्प नहीं हो सकता।

इसलिए, सीखते रहना और ज्ञान अर्जित करते रहना आवश्यक है, क्योंकि कृत्रिम बुद्धिमत्ता की दुनिया उत्साह और नई तकनीकी प्रगतियों से भरा एक रोमांच है। अद्यतन रहने के सर्वोत्तम तरीकों में से एक है DataCamp का Deep Learning in Python स्किल ट्रैक देखना, जिसमें TensorFlow और Keras शामिल हैं, और PyTorch के बारे में अधिक जानने के लिए Deep Learning with PyTorch। आप AI Fundamentals कोर्स भी एक सरल परिचय के लिए देख सकते हैं। पहला डीप लर्निंग परियोजनाओं की अपार क्षमता को उजागर करने में मदद करता है, जबकि दूसरा बुनियाद को मजबूत करने में।