Single Layer এবং Multi-Layer Perceptron

Perceptron হলো একটি নিউরাল নেটওয়ার্কের মৌলিক ইউনিট, যা একটি নিউরাল নেটওয়ার্কের কাঠামো তৈরি করতে সাহায্য করে। Single Layer Perceptron (SLP) এবং Multi-Layer Perceptron (MLP) হলো নিউরাল নেটওয়ার্কের দুটি গুরুত্বপূর্ণ ধরন, যা বিভিন্ন মেশিন লার্নিং সমস্যার সমাধানে ব্যবহৃত হয়। এই দুটি পারসেপ্ট্রনের মধ্যে পার্থক্য এবং তাদের ব্যবহারিক সুবিধা সম্বন্ধে বিস্তারিত আলোচনা করা হবে।

১. Single Layer Perceptron (SLP)

Single Layer Perceptron একটি নিউরাল নেটওয়ার্ক যা শুধুমাত্র একটি ইনপুট লেয়ার এবং একটি আউটপুট লেয়ার ধারণ করে। এটি একটি লিনিয়ার ক্লাসিফায়ার, অর্থাৎ এটি শুধুমাত্র লিনিয়ার সম্পর্কযুক্ত ডেটা নিয়ে কাজ করতে পারে।

গঠন:

• ইনপুট লেয়ার: ডেটার ইনপুট মান নেয়।
• আউটপুট লেয়ার: ফাইনাল আউটপুট প্রদান করে।

কাজের প্রক্রিয়া:

1. ইনপুট থেকে ওজনিত যোগফল (Weighted Sum): ইনপুট ভেরিয়েবলগুলির উপর একটি নির্দিষ্ট ওয়েট (weight) প্রযোজ্য হয় এবং সেই ওয়েটের সঙ্গে ইনপুট গুণ করা হয়।
2. অ্যাক্টিভেশন ফাংশন: ওজনিত যোগফলটি একটি অ্যাক্টিভেশন ফাংশন দ্বারা প্রক্রিয়াজাত হয়। এই ফাংশনটি আউটপুট ভ্যালু তৈরি করতে ব্যবহৃত হয়, যেমন সিগময়েড বা হেভিসাইড ফাংশন।
3. আউটপুট: আউটপুট লেয়ার থেকে ফলস্বরূপ পাওয়া যায়।

SLP এর সীমাবদ্ধতা:

SLP মূলত লিনিয়ার ক্লাসিফিকেশন সমস্যা সমাধান করতে সক্ষম। এটি অলাইনযোগ্য (Non-linearly separable) ডেটা যেমন XOR গেমের মতো সমস্যায় ভালো কাজ করতে পারে না। এর কারণ হল, এটি শুধুমাত্র লিনিয়ার সিদ্ধান্ত সীমানা তৈরি করতে সক্ষম।

উদাহরণ:

import numpy as np
from sklearn.neural_network import MLPClassifier

# ইনপুট ডেটা (XOR সমস্যা)
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y = np.array([0, 1, 1, 0])  # XOR আউটপুট

# MLPClassifier ব্যবহার করা
mlp = MLPClassifier(hidden_layer_sizes=(2,), activation='logistic', max_iter=1000)
mlp.fit(X, y)

# পূর্বানুমান
print(mlp.predict([[0, 0], [1, 1]]))  # আউটপুট হবে [0, 0]

২. Multi-Layer Perceptron (MLP)

Multi-Layer Perceptron (MLP) একটি উন্নত ধরনের নিউরাল নেটওয়ার্ক যা একাধিক লুকানো লেয়ার (Hidden Layers) নিয়ে গঠিত। এটি লিনিয়ার এবং নন-লিনিয়ার সম্পর্কের ডেটা সঠিকভাবে মডেল করতে সক্ষম এবং সাধারণত non-linearly separable ডেটা সমস্যাগুলির জন্য ব্যবহৃত হয়।

গঠন:

• ইনপুট লেয়ার: ডেটা গ্রহণ করে।
• লুকানো লেয়ার (Hidden Layers): ইনপুট ডেটা প্রক্রিয়া করতে এবং জটিল সম্পর্ক শিখতে ব্যবহৃত হয়।
• আউটপুট লেয়ার: আউটপুট প্রদান করে, যেমন শ্রেণীভিত্তিক আউটপুট (classification) বা নম্বর (regression)।

কাজের প্রক্রিয়া:

1. ইনপুট থেকে ওজনিত যোগফল: ইনপুট মানের সাথে ওয়েট গুণ করা হয় এবং আউটপুট হিসাব করা হয়।
2. লুকানো লেয়ার: প্রতিটি লুকানো লেয়ারে একটি অ্যাক্টিভেশন ফাংশন (যেমন ReLU বা Sigmoid) ব্যবহার করা হয়, যা ইনপুটের উপর একটি নির্দিষ্ট পদ্ধতিতে কাজ করে।
3. আউটপুট লেয়ার: ফাইনাল আউটপুট প্রদান করে।

MLP এর সুবিধা:

• MLP লিনিয়ার এবং নন-লিনিয়ার ডেটার মধ্যে সম্পর্ক শিখতে সক্ষম।
• এটি বিভিন্ন ধরণের সমস্যা সমাধানে কার্যকরী, যেমন প্যাটার্ন রেকগনিশন, কনভলিউশনের কাজ, এবং আরও অনেক কিছু।

উদাহরণ:

import numpy as np
from sklearn.neural_network import MLPClassifier

# ইনপুট ডেটা (XOR সমস্যা)
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y = np.array([0, 1, 1, 0])  # XOR আউটপুট

# MLPClassifier ব্যবহার করা
mlp = MLPClassifier(hidden_layer_sizes=(4, 4), activation='relu', max_iter=1000)
mlp.fit(X, y)

# পূর্বানুমান
print(mlp.predict([[0, 0], [1, 1]]))  # আউটপুট হবে [0, 0]

SLP বনাম MLP

সারাংশ

• Single Layer Perceptron (SLP) হলো একটি মৌলিক নিউরাল নেটওয়ার্ক যা লিনিয়ার সম্পর্কযুক্ত ডেটার জন্য কার্যকরী।
• Multi-Layer Perceptron (MLP) একটি উন্নত নিউরাল নেটওয়ার্ক যা একাধিক লুকানো লেয়ার নিয়ে গঠিত এবং এটি লিনিয়ার এবং নন-লিনিয়ার সম্পর্কযুক্ত ডেটার জন্য খুবই উপযোগী।
• SLP সহজ সমস্যাগুলির জন্য ব্যবহৃত হলেও, MLP জটিল সমস্যা সমাধানে বেশি কার্যকরী এবং এটি বেশিরভাগ আধুনিক মেশিন লার্নিং অ্যাপ্লিকেশনগুলিতে ব্যবহৃত হয়।