ปัญหา
ข้อมูลการฝึกอบรมสำหรับระบบที่เสนอมีดังนี้
- เมทริกบูลีนเป็นตัวแทนของพื้นผิวของการออกแบบทางเรขาคณิตที่เป็นของแข็ง
- ยังแสดงในเมทริกซ์คือความแตกต่างระหว่างมุมภายในและภายนอกของขอบ
- ป้ายกำกับ (อธิบายด้านล่าง)
นูนและเว้าไม่ใช่คำที่ถูกต้องในการอธิบายความไม่ต่อเนื่องของการไล่ระดับสีพื้นผิว ขอบภายในเช่นทำจากดอกเอ็นมิลไม่ใช่ผิวจริงของเว้า ความไม่ต่อเนื่องของการไล่ระดับพื้นผิวจากมุมมองของแบบจำลองของแข็งในอุดมคติมีรัศมีเป็นศูนย์ ขอบด้านนอกไม่ได้เป็นส่วนนูนของพื้นผิวด้วยเหตุผลเดียวกัน
ผลลัพธ์ที่ตั้งใจไว้ของระบบที่ผ่านการฝึกอบรมที่นำเสนอคืออาร์เรย์บูลีนที่แสดงถึงคุณสมบัติการออกแบบทางเรขาคณิตที่เป็นของแข็ง
- สล็อตหนึ่งช่องขึ้นไป
- เจ้านายหนึ่งคนขึ้นไป
- หนึ่งหลุมขึ้นไป
- กระเป๋าหนึ่งใบหรือมากกว่า
- หนึ่งขั้นตอนขึ้นไป
อาร์เรย์ของค่าบูลีนนี้ยังใช้เป็นป้ายกำกับสำหรับการฝึกอบรม
Caveats ที่เป็นไปได้ในแนวทาง
มีการทำแผนที่ความไม่ลงรอยกันในวิธีนี้ พวกเขาตกคร่าว ๆ เป็นหนึ่งในสี่ประเภท
- ความกำกวมที่สร้างขึ้นโดยการทำแผนที่โทโพโลยีในแบบจำลอง CAD ไปยังเมทริกซ์ - รูปทรงเรขาคณิตที่เป็นของแข็งซึ่งไม่มีการจับภาพหลักในการเข้ารหัสเมทริกซ์
- แบบจำลอง CAD ที่ไม่มีเมทริกซ์อยู่ - กรณีที่ขอบเปลี่ยนจากมุมด้านในถึงด้านนอกหรือเกิดจากความโค้ง
- ความกำกวมในการระบุคุณลักษณะจากเมทริกซ์ - ซ้อนทับระหว่างคุณลักษณะที่สามารถระบุรูปแบบในเมทริกซ์
- เมทริกซ์อธิบายคุณลักษณะที่ไม่ได้อยู่ในห้าข้อนี้อาจกลายเป็นปัญหาการสูญหายของข้อมูลในการพัฒนา
นี่เป็นเพียงตัวอย่างเล็ก ๆ น้อย ๆ ของปัญหาทอพอโลยีที่อาจพบได้บ่อยในโดเมนการออกแบบเชิงกลบางอย่างและทำให้การทำแผนที่ข้อมูลยุ่งเหยิง
- รูมีเมทริกซ์เดียวกับเฟรมกล่องที่มีรัศมีภายใน
- รัศมีภายนอกอาจนำไปสู่การขยายใหญ่เกินไปในเมทริกซ์
- รูที่ตัดกับขอบอาจแยกไม่ออกจากทอพอโลยีอื่นในรูปแบบเมทริกซ์
- สองจุดขึ้นไปที่ตัดผ่านรูอาจทำให้เกิดความกำกวม
- ครีบและซี่โครงที่รองรับผู้บังคับบัญชารอบที่มีรูตรงกลางอาจแยกไม่ออก
- ลูกบอลและพรูมีเมทริกซ์เดียวกัน
- ดิสก์และแถบที่มีกากบาทเป็นรูปหกเหลี่ยมที่มีการบิด 180 องศามีเมทริกซ์เดียวกัน
คำเตือนที่เป็นไปได้เหล่านี้อาจเป็นหรือไม่เป็นกังวลสำหรับโครงการที่กำหนดไว้ในคำถาม
การตั้งค่าขนาดใบหน้าให้สมดุลกับความน่าเชื่อถือ แต่ จำกัด การใช้งาน อาจมีวิธีการที่ใช้ประโยชน์จากหนึ่งในสายพันธุ์ของ RNNs ซึ่งอาจอนุญาตให้มีการครอบคลุมขนาดแบบจำลองโดยพลการโดยไม่ลดประสิทธิภาพลงสำหรับรูปทรงเรขาคณิตที่เรียบง่าย วิธีการดังกล่าวอาจเกี่ยวข้องกับการกระจายเมทริกซ์ออกมาเป็นลำดับสำหรับแต่ละตัวอย่างโดยใช้กลยุทธ์การทำให้เป็นมาตรฐานปกติสำหรับแต่ละเมทริกซ์ การแพ็ดดิ้งอาจมีประสิทธิภาพหากไม่มีข้อ จำกัด ด้านประสิทธิภาพการฝึกอบรมและมีจำนวนใบหน้าสูงสุดในทางปฏิบัติ
พิจารณาการนับและความแน่นอนเป็นผลลัพธ์
∈ [ 0.0 , 1.0 ]
ความเป็นไปได้ของการใช้เอาต์พุตจำนวนเต็มที่ไม่เป็นลบในฐานะตัวแทนไบนารีที่ไม่ได้ลงนามที่สร้างโดยการรวมเซลล์เอาต์พุตไบนารีจำนวนมากแทนที่จะเป็นบูลีนเดี่ยวต่อคุณลักษณะควรพิจารณาอย่างน้อยเช่นกัน ดาวน์สตรีมความสามารถในการนับคุณสมบัติอาจมีความสำคัญ
สิ่งนี้นำไปสู่การเปลี่ยนลำดับที่เป็นจริงห้าประการเพื่อพิจารณาซึ่งสามารถสร้างขึ้นโดยเครือข่ายที่ผ่านการฝึกอบรมสำหรับคุณลักษณะแต่ละอย่างของแบบจำลองเรขาคณิตแข็งแต่ละแบบ
- บูลีนแสดงว่ามีอยู่จริง
- จำนวนเต็มที่ไม่ใช่เชิงลบที่ระบุการนับอินสแตนซ์
- บูลีนและความแน่นอนที่แท้จริงของหนึ่งหรือมากกว่าหนึ่งอินสแตนซ์
- จำนวนเต็มที่ไม่เป็นลบแสดงจำนวนอินสแตนซ์ที่เป็นไปได้มากที่สุดและความแน่นอนที่แท้จริงของอินสแตนซ์อย่างน้อยหนึ่งรายการ
- ค่าเฉลี่ยจริงและส่วนเบี่ยงเบนมาตรฐาน
การจดจำรูปแบบหรืออะไร
ในวัฒนธรรมปัจจุบันการใช้เครือข่ายเทียมกับปัญหานี้ไม่ได้อธิบายตามปกติว่าเป็นการจดจำรูปแบบในแง่ของการมองเห็นด้วยคอมพิวเตอร์หรือการประมวลผลเสียง มันเป็นความคิดของการเรียนรู้การทำแผนที่การทำงานที่ซับซ้อนผ่านการบรรจบกันในทิศทางที่หยาบของการทำแผนที่ความคิดกำหนดความใกล้ชิดความถูกต้องและความน่าเชื่อถือ พารามิเตอร์ของฟังก์ชั่นฉอินพุตที่กำหนด Xถูกขับเคลื่อนไปยังป้ายกำกับที่เกี่ยวข้อง Y ระหว่างการฝึก
ฉ( X)⟹Y
หากคลาสแนวคิดถูกประมาณฟังก์ชั่นการใช้งานโดยเครือข่ายแสดงอย่างเพียงพอในตัวอย่างที่ใช้สำหรับการฝึกอบรมและตัวอย่างของตัวอย่างการฝึกอบรมถูกวาดในลักษณะเดียวกับที่โปรแกรมเป้าหมายจะวาดในภายหลังการประมาณนั้นน่าจะเพียงพอ
ในโลกของทฤษฎีข้อมูลมีความแตกต่างระหว่างการจดจำรูปแบบและการประมาณฟังก์ชั่นการเบลอของภาพที่ควรจะเป็นในระดับที่สูงกว่านามธรรมแนวคิด AI
ความเป็นไปได้
เครือข่ายจะเรียนรู้การแมปเมทริกซ์กับ [อาร์เรย์ของ] บูลีน [ตัวบ่งชี้] ของคุณสมบัติการออกแบบหรือไม่
หากคำเตือนที่ระบุไว้ข้างต้นเป็นที่ยอมรับของผู้มีส่วนได้ส่วนเสียของโครงการตัวอย่างจะมีการระบุไว้อย่างดีและมีจำนวนเพียงพอและการทำให้ข้อมูลเป็นปกติ, ฟังก์ชั่นการสูญเสีย, พารามิเตอร์ไฮเปอร์และการจัดเลเยอร์ การฝึกอบรมและระบบระบุคุณสมบัติอัตโนมัติที่เหมาะสม อีกครั้งความสามารถในการใช้งานของบานพับรูปทรงของแข็งใหม่ที่ดึงมาจากคลาสแนวคิดเหมือนกับตัวอย่างการฝึกอบรม ความน่าเชื่อถือของระบบขึ้นอยู่กับการฝึกอบรมที่เป็นตัวแทนของกรณีใช้งานในภายหลัง
