Nyx Hrafn

بیایید براتون برم بالا منبر🗿 و تجربه کاری بگم براتون آقایان و خانم های محترم تا وقتی تو شرکت و اداره ای کار میکنید و پست یا مقام بالایی ندارید سعی نکنیدددد بهترین کار انجام بدین بی نقص ترین کار رو تحویل بدین همیشه سعی کنید یه خطای جزیی و پیش پا افتاده بزارید تو کارتون بمونه تحویل مقام مافوق بدین بره چرا؟ آقا من میام یه پرونده رو کامل کار میکنم بدون مشکل میفرستم میره اداره کل بررسی بشه حالا چی میشه؟ اونی کا اونجا بررسی میکنه برای اینکه بیاد بگه من بلدم و مقام بالا ترم نگاه میکنه میبینه اشکالی نیست و اینجوریه که چیکار کنم ؟ شروع میکنه به شر و ور گیر میده به چیزای بیخودی گیر میده این کاغذت بد پرینت شده نمیتونم بخونم پرونده رو بر میگردونم یا اینکه برو فلان نامه هارو پیدا کن میگم بالا من دیگه سه ساله این کارو میکنم بلدم اینجوری نیست یه لحظه مکث میکنه میگه نه امسال روال عوض شده اینجوری کار کن بفرست منم میدونم داره کص میگه الکی بهونه میاره بگه اینا کار بلد نیستن من بلدم ,پا میشم میرم دنبال فلان نامه میگردم که بفرستم برای حضرتعالی تا کار گیر نکنه بره جلو یا برای یه کاری چند بار امضا جمع میکنم:/ در کل اگر جایی کار کردین مجبور شدین با اداره های بالا دستی یا مقام مافوقی که کارتونو بررسی میکنه کار کنید عمدا یه چند جارو عامدانه اشتباه کار کنید که بیاد به اون گیر بده و شما سریع کار انجام بدین بره دیگه اون الکی نیوفته جون پرونده بگرده دنبال یه چیز شر و ور که به اون گیر بده @nyxhrafn

@nyxhrafn

اینم یه آهنگ از اوج کمونیست ها زنده باد ودکا فقر و گرسنگی @nyxhrafn

کمونیست خوب کمونیستی هستش که قبل اینکه کمونیست بشه مرده باشه @nyxhrafn

https://youtu.be/uTgpuFA6Iq8?is=1uVUP08tNFCQo-YH

خب خب از اونجایی که تو حالت نه صلح نه جنگ هستیم برای اینکه بتونیم زندگی کنیم نیازمند اینه که بتونیم یکم ببینیم آینده چی میشه و خب ما همیشه سه تا شاخص داریم که میتونه نشون بده چند ماه آینده آیا جنگ میشه یا نه با بررسی و نگاه اجمالی به اون سه تا میتونیم یه دید…

Damm ! 😮🔥

https://youtu.be/OTF9z8f7v6g?si=oWKAWl9RzmmHOVJC

این شبکه عصبی دو تا ویژگی داره: 1-شبکه‌های بازگشتی از اطلاعات گذشته استفاده می‌کنند. 2-در شبکه‌های بازگشتی، پارامترها یا وزن‌ها بین زمان‌ها به اشتراک گذاشته می‌شوند. به این معنا که همان وزن‌ها برای هر مرحله زمانی استفاده می‌شوند. به صورت کلی این شکبه میاد ورودی رو از ما دریافت میکنه با وزن حافظه قبلی که آموزش دیده ترکیب میکنه و میره مرحله بعدی یعنی مثلا من یک گربه مشکی دارم میاد پنج لایه درست میکنه: من + یک + گربه + مشکی+ دارم هر لایه میاد بررسی میکنه "من" رو وارد لایه اول میکنه با حافظه قدیمی که داره میاد محاسبات ریاضی انجام بعد یه خروجی میده برای لایه بعدی که "یک" هستش بعد میاد پردازی که سر من + اطلاعات گذشته انجام داده رو بعلاوه یک رو میده لایه اول و الی اخر تا برسه لایه اخر تا بتونه در آخر برای ما یک پاسخ یا خروجی تولید بکنه علت اینکه بهش میگن بازگشتی اینه که به حافظه خودش بر میگرده جهت گرفتن اطلاعات، این شبکه عصبی برای پیش بینی کلمه بعدی میاد از کلمه قبلی + حافظه قبلی وزنی که درست کرده میاد بین پارامتر های میگرده و کلمه بعدی رو پیش بینی میکنه ساختار عکس بالا چیه حالا؟ برای اینکه بهتر توضیح بدم این قسمت رو از هوش مصنوعی کمک گرفتم بیایید شکل را تجزیه کنم: شکل یک RNN را نشان می‌دهد که در سه مرحله زمانی کار می‌کند (t=1, t=2, t=3). هر مرحله دارای: - ورودی (مثل "d", "o", "g" در پایین) - مغز/حالت نهان (h0, h1, h2, h3 - بوکس های سبز بزرگ) - خروجی (مثل "o", "g", "e" در بالا) - وزن‌های مختلف: - Wx: وزن ورودی - Wh: وزن حالت نهان (بازگشتی) - Wy: وزن خروجی داخل هر بوکس سبز، درون‌افزایی (مثل a11، a12، a1j) وجود دارد که نشان‌دهنده ضرب و جمع‌های داخلی است. بیایید این را به شکل بسیار ساده برای مبتدی توضیح دهم: 1. شکل یک جمله را پردازش می‌کند 2. هر بوکس سبز = مغز شبکه در یک مرحله 3. فلش‌های بالا = خروجی (پیش‌بینی) 4. فلش‌های چپ = ورودی (کلمات) 5. فلش‌های افقی = حافظه که از مرحله قبل می‌آید# توضیح شکل RNN ## کلی نگاه کن این شکل نشان می‌ده که **RNN چطوری یک جمله رو کلمه‌کلمه پردازش می‌کنه** در **3 مرحله متوالی**: t=1 → t=2 → t=3 (لحظه‌ی اول) (دوم) (سوم) --- ## هر مرحله چی‌کار می‌کنه؟ | عنصر | معنی | |------|------| | **بوکس سبز بزرگ (h)** | 🧠 **مغز شبکه** — جایی که حافظه نگاه داشته می‌شه | | **Wx** | وزن **ورودی** (کلمه الان) | | **Wh** | وزن **حافظه** (کلمات قبلی) — **همین بازگشتی است!** | | **Wy** | وزن **خروجی** (پیش‌بینی) | | **"d", "o", "g"** | کلمات **ورودی** (پایین) | | **"o", "g", "e"** | کلمات **خروجی** (بالا) | --- ## مرحله به مرحله چی‌ارتش؟ ### 🟢 مرحله اول (t=1) ورودی: "d" ↓ h0 (حافظه اول، خالی) + Wh + "d" (ورودی) + Wx ↓ h1 (حافظه جدید) ↓ خروجی: "o" ### 🟢 مرحله دوم (t=2) ورودی: "o" ↓ h1 (حافظه قبلی) + Wh ← **یادش آمد "d" رو دید!** + "o" (ورودی جدید) + Wx ↓ h2 (حافظه جدید) ↓ خروجی: "g" ### 🟢 مرحله سوم (t=3) ورودی: "g" ↓ h2 (حافظه قبلی) + Wh ← **یادش آمد "d" و "o" رو دید!** + "g" (ورودی جدید) + Wx ↓ h3 (حافظه جدید) ↓ خروجی: "e" ## داخل بوکس سبز چی‌ه؟ درون‌نویسی‌ها مثل **a₁₁، a₁₂، a₁ⱼ** نشان می‌دهند: - **حساب و کتاب** (ضرب و جمع) - **اعدادی که شبکه به‌کار می‌برد** تو نیاز نداری اینها رو یاد بگیری. فقط بدون که **داخل این بوکس ریاضیات پیچیده‌ای انجام می‌شه!** --- ## خلاصه ساده **این شکل می‌گه:** > "ما کلمه "dog" را تشخیص می‌دهیم. شبکه هر بار یک کلمه می‌بیند، خروجی میده، و **یادش را برای دفعه بعد نگاه می‌دارد**. این همان **بازگشتی** است!" 🎯 **بازگشتی** = حافظه (h) **به خودش برمی‌گردد** و دوباره استفاده می‌شه! و در نهایت این شبکه به دلیل بررسی توالی و داشتن حافظه از داده های قبل بهتر میتونه جملات رو درک کنه و پاسخ مناسب بده ولی اگر به یاد داشته باشید تو شبکه عصبی ترنسفورمر گفته بودم آموزشش بسیار کنده به محدودیت حافظه میخوریم و اینکه کلمات و جمله های طولانی رو ممکنه فراموش کنه به همین دلیل بود که بعد ها متخصیص با مکانیزم توجه به سمت شبکه های عصبی ترنسفورمر و سپس به ال ال ام های امروزی رسیدن با این اوصاف ان شبکه عصبی رو میشه بابابزرگ ال ال ام های امروزی دانست و در نهایت لینک های مفید جهت مطالعه: لینک1 لینک2 @PhiloLearn | @NyxHrafn

شبکه عصبی بازگشتی یا Recurrent neural network پدربزرگ LLM ها! @PhiloLearn | @NyxHrafn

چند تا شات از فصل نه ریک اند مورتی @nyxhrafn

دیالوگ ماندگار @nyxhrafn