Introduction to Convolutional Neural Networks

ভূমিকা (Motivation)

কারো হাতে একটি গোল্ডেন রিট্রিভারের ছবি দিয়ে যদি জিজ্ঞেস করা হয়, "এটি কী?" — তবে সচেতনভাবে কিছু ভাবার আগেই তার মুখ থেকে উত্তর চলে আসে। আপনার ভিজ্যুয়াল কর্টেক্স (visual cortex) সারা জীবন ধরে প্রথমে ছবির কিনারা বা এজ (edge), তারপর পশমের গঠন বা টেক্সচার, তারপর কানের আকৃতি এবং শেষমেশ পুরো কুকুরটিকে সনাক্ত করতে শিখেছে — আর এই পুরো কাজটি ঘটে সেকেন্ডের একটি ভগ্নাংশে, যেখানে আপনাকে কখনোই এমন কোনো নিয়ম মুখস্থ করতে হয়নি যে, "যদি থুতনির দুই পাশে ত্রিভুজাকৃতির কান ঝুলে থাকে, তবে সেটি সম্ভবত একটি কুকুর।" কম্পিউটারের কিন্তু এমন কোনো সুবিধা বা পূর্ব অভিজ্ঞতা থাকে না। একটি মেশিনের কাছে ওই একই ছবি সংখ্যা বা পিক্সেল ভ্যালুর একটি বিশাল গ্রিড ছাড়া আর কিছুই নয়, এবং কাওকে না কাওকে একদম স্ক্র্যাচ থেকে মেশিনটিকে শেখাতে হবে যে কীভাবে ওই সংখ্যাগুলোকে "কুকুর" শব্দে রূপান্তর করা যায়।

ঠিক এই কাজটিই হলো কম্পিউটার ভিশন (Computer Vision)-এর — যা এআই (AI)-এর এমন একটি শাখা যা মেশিনকে ছবি এবং ভিডিও থেকে অর্থ বের করতে সাহায্য করে — আর এই কাজটি করার জন্য সবচেয়ে গুরুত্বপূর্ণ টুলটি হলো কনভোলিউশনাল নিউরাল নেটওয়ার্ক (Convolutional Neural Network) বা সংক্ষেপে CNN। এই চ্যাপ্টারটি মূলত একটি CNN আসলে কী, কেন ছবির জন্য এই বিশেষ নেটওয়ার্কেরই প্রয়োজন হয় এবং সামগ্রিক AI-এর মানচিত্রে CNN-এর অবস্থান ঠিক কোথায়, তা নিয়ে আলোচনা করে।

একটি বাস্তব জীবনের উদাহরণ (A Real-Life Scenario)

ধরুন, আপনি এমন একটি mobile app বানাচ্ছেন যা ব্যবহারকারীর গ্যালারির ছবিগুলোকে নিজে থেকেই আলাদা আলাদা ফোল্ডারে সাজিয়ে রাখবে: যেমন "খাবার," "পোষা প্রাণী," "রসিদ" বা "স্ক্রিনশট।" আপনি তো আর প্রতিটি ছবি দেখার জন্য আলাদা কোনো মানুষ নিয়োগ করতে পারবেন না, আর প্রতিটি সম্ভাব্য পোষা প্রাণীর ছবির জন্য নিজে হাতে কোনো if-statement-ও লিখতে পারবেন না — কারণ পৃথিবীতে হাজার হাজার জাতের কুকুর আছে, সাথে আছে আলোর ভিন্নতা, বিভিন্ন অ্যাঙ্গেল এবং ব্যাকগ্রাউন্ড। আপনার আসলে এমন একটি সিস্টেম প্রয়োজন যা নিজে থেকেই প্রচুর লেবেলযুক্ত ছবি দেখে বা বিশ্লেষণ করে শিখে নিয়েছে যে কোন ভিজ্যুয়াল প্যাটার্নগুলো "পোষা প্রাণী" থেকে "রসিদ"-কে আলাদা করে। সেই সিস্টেমের এমন ক্ষমতা থাকা দরকার যাতে ছবিটি যেকোনো জুম লেভেলে, দিনের যেকোনো সময়ে এবং ফ্রেমের যেকোনো জায়গায় তোলা হলেও সে সঠিকভাবে সনাক্ত করতে পারে। ঠিক এই সমস্যাটি সমাধান করার জন্যই CNN তৈরি করা হয়েছে, এবং এই কোর্সের শেষে আপনি নিখুঁতভাবে বুঝতে পারবেন যে তারা কীভাবে এই কাজটি করে।

কম্পিউটার ভিশন কী? (What Is Computer Vision?)

কম্পিউটার ভিশন হলো এমন একটি বিজ্ঞান যা মেশিনকে ডিজিটাল ছবি বা ভিডিও থেকে অর্থপূর্ণ তথ্য সংগ্রহ করতে এবং সেই তথ্যের ওপর ভিত্তি করে সিদ্ধান্ত নিতে বা অ্যাকশন নিতে সক্ষম করে তোলে।

বাস্তবে, "কম্পিউটার ভিশন" হলো বেশ কয়েকটি ভিন্ন ভিন্ন কাজের একটি ছাতা বা সাধারণ নাম, যার প্রতিটি ওই একই পিক্সেলগুলোর কাছে কিছুটা আলাদা প্রশ্ন জিজ্ঞেস করে:

• ইমেজ ক্লাসিফিকেশন (Image Classification) — "এই ছবিতে কী আছে?" (বিড়াল নাকি কুকুর)
• অবজেক্ট ডিটেকশন (Object Detection) — "ছবিতে অবজেক্টগুলো কোথায় আছে এবং সেগুলো কী?" (বাউন্ডিং বক্স আঁকা)
• সিমেন্টিক / ইনস্ট্যান্স সেগমেন্টেশন (Semantic / Instance Segmentation) — "সুনির্দিষ্টভাবে কোন পিক্সেলটি কোন অবজেক্টের অংশ?"
• ফেস রিকগনিশন (Face Recognition) — "এটি সুনির্দিষ্টভাবে কোন ব্যক্তি?"
• অপটিক্যাল ক্যারেক্টার রিকগনিশন (OCR) — "এখানে কী লেখা আছে?"

এই কাজগুলো শুনতে যতটাই আলাদা মনে হোক না কেন, এদের প্রতিটিই তৈরি হয়েছে ঠিক একই পেছনের মেকানিজম বা যন্ত্রপাতির ওপর যা আপনি শিখতে যাচ্ছেন।

কম্পিউটারের জন্য ছবির ডেটা বোঝা এত কঠিন কেন? (Why Is Image Data So Hard for a Computer?)

একটি গ্রে-স্কেল (grayscale) ছবি হলো মূলত ব্রাইটনেস ভ্যালুর একটি 2D ম্যাট্রিক্স; আর একটি রঙিন ছবি হলো একটি 3D গ্রিড — যার থাকে উচ্চতা, প্রস্থ এবং তিনটি কালার চ্যানেল (RGB)। এটি শুনতে বেশ সহজ মনে হতে পারে, কিন্তু তাহলে এটি এত বড় একটি কঠিন সমস্যা কেন? পিক্সেলের বেশ কয়েকটি বৈশিষ্ট্য সাধারণ অ্যালগরিদমগুলোর জন্য ছবি নিয়ে কাজ করাকে একটি দুঃস্বপ্নে পরিণত করে:

• উচ্চ মাত্রা বা High Dimensionality — একটি অতি সাধারণ $224 \times 224$ সাইজের রঙিন ছবিও মূলত $224 \times 224 \times 3 = 150{,}528$টি আলাদা আলাদা সংখ্যা। নেটওয়ার্কটি কোনো কাজ শুরু করার আগেই এটি হলো তার ইনপুটের সাইজ।
• স্থানিক কাঠামো বা Spatial Structure — একটি পিক্সেলের অর্থ সম্পূর্ণভাবে নির্ভর করে তার আসেপাশের প্রতিবেশীদের ওপর। একটি এজ বা কিনারা, একটি টেক্সচার, একটি চোখ — এগুলোর প্রতিটিই তৈরি হয় কাছাকাছি থাকা পিক্সেলগুলোর মধ্যকার সম্পর্কের দ্বারা, কোনো একক পিক্সেল দিয়ে তা বোঝানো অসম্ভব। একটি মডেল ছবি নিয়ে যাই করুক না কেন, সে কোনোভাবেই এই আশেপাশের স্থানিক সম্পর্ক বা নেইবারহুড কাঠামোকে ছুড়ে ফেলতে পারে না।
• অ্যাঙ্গেল বা ভিউপয়েন্টের ভিন্নতা (Viewpoint Variation) — একই জিনিস সামনে থেকে তুললে এবং সাইড থেকে তুললে একদম আলাদা দেখতে লাগে।
• স্কেলের ভিন্নতা (Scale Variation) — অবজেক্টগুলো ব্যাকগ্রাউন্ডে থাকলে ছোট দেখায় এবং ফোরগ্রাউন্ডে থাকলে বিশাল দেখায়, এবং একটি ভালো মডেলকে দুটিকেই একই জিনিস হিসেবে চিনে নিতে হয়।
• আলোর পরিবর্তন (Illumination Changes) — কড়া রোদে এবং ঘরের অল্প আলোতে একই জিনিসের পিক্সেল ভ্যালু সম্পূর্ণ আলাদা হয়।
• আড়াল হওয়া বা Occlusion — একটি গাছের পেছনে অর্ধেক লুকিয়ে থাকা বিড়ালও কিন্তু একটি বিড়ালই থাকে, যদিও তার অর্ধেক অংশ ঢাকা পড়ে গেছে।
• ব্যাকগ্রাউন্ডের জটিলতা (Background Clutter) — কাঙ্ক্ষিত অবজেক্টটি অনেক সময় ব্যাকগ্রাউন্ডের কোলাহলের সাথে মিশে যায়, যার ফলে তাকে আলাদা করা কঠিন হয়।
• একই ক্লাসের মধ্যকার ভিন্নতা (Intra-class Variation) — সব রঙের ও সব আকারের হাজার হাজার জাতের কুকুর কিন্তু দিনশেষে একটি "কুকুর" ক্লাসেরই অংশ।

কনভোলিউশনাল Neural Network কী? (What Is a Convolutional Neural Network?)

কনভোলিউশনাল নিউরাল নেটওয়ার্ক (CNN বা ConvNet) হলো ডিপ নিউরাল নেটওয়ার্কের এমন একটি ক্লাস বা শ্রেণী যা ছবির মতো গ্রিড-আকৃতির ডেটা প্রসেস করার জন্য বিশেষভাবে তৈরি করা হয়েছে। এটি কনভোলিউশন নামক একটি গাণিতিক অপারেশনের সাহায্যে সরাসরি raw পিক্সেল থেকে ফিচারের স্থানিক ক্রমানুসার বা স্পেশাল হায়ারার্কি (spatial hierarchies) — অর্থাৎ সাধারণ কিনারা থেকে শুরু করে জটিল অবজেক্ট পর্যন্ত — স্বয়ংক্রিয়ভাবে ও মানানসইভাবে শিখে নেয়।

সহজ কথা: প্রতিটি পিক্সেলকে আলাদাভাবে দেখার বদলে (যা একটি সাধারণ ফুললি-কানেক্টেড নেটওয়ার্ক করে থাকে), একটি CNN একটি স্লাইডিং ফিল্টারের মাধ্যমে ছোট ছোট স্থানীয় অঞ্চল বা লোকাল প্যাচগুলোকে পর্যবেক্ষণ করে এবং ছবিটির যেকোনো জায়গায় সেই নির্দিষ্ট প্যাটার্নটি — যেমন কিনারা, কোণ বা টেক্সচার — উপস্থিত থাকলেও তাকে সনাক্ত করতে শিখে নেয়।

এটাই হলো মূল আইডিয়া: একটি CNN হলো এমন একটি নেটওয়ার্ক যা প্রথমে ছোট ছোট লোকাল ভিজ্যুয়াল প্যাটার্ন চিনতে শেখে এবং তারপর ধীরে ধীরে সেই ছোট ছোট প্যাটার্নগুলোকে একত্রিত করে বড় আকৃতিতে নিয়ে যায় — যেমন কিনারাগুলো মিলে টেক্সচার তৈরি করে, টেক্সচার মিলে বিভিন্ন অংশ তৈরি করে এবং অংশগুলো মিলে একটি আস্ত অবজেক্ট তৈরি করে।

ওপরের হায়ারার্কিটি ওপর থেকে নিচে দেখলে যা দাঁড়ায়:

রাশিয়ান matryoshka পুতুলের কথা ভাবুন — একটার ভেতর আরেকটা, তার ভেতর আরেকটা। AI → ML → Deep Learning → CNN হায়ারার্কিও ঠিক তেমন — প্রতিটা পরের স্তর আগেরটার একটা ছোট, বেশি নির্দিষ্ট অংশ।

• Artificial Intelligence (AI) হলো মেশিনকে বুদ্ধিমান করে তোলার একটি সামগ্রিক লক্ষ্য।
• Machine Learning (ML) হলো AI-র একটি সাবসেট যেখানে সিস্টেম মানুষের লিখে দেওয়া নিয়মের বদলে সরাসরি ডেটা থেকে বিভিন্ন প্যাটার্ন শেখে।
• Deep Learning হলো ML-র একটি সাবসেট যা মাল্টি-লেয়ার নিউরাল নেটওয়ার্কের ওপর ভিত্তি করে তৈরি।
• CNN হলো একটি বিশেষ ডিপ লার্নিং আর্কিটেকচার, যা বিশেষভাবে গ্রিড/স্থানিক ডেটার জন্য তৈরি করা হয়েছে — সাধারণত ছবি এবং ভিডিও ফ্রেমের জন্য, যদিও এটি 1D সিগন্যাল ও গ্রাফের ক্ষেত্রেও ব্যবহৃত হতে পারে।

এক লাইনে সারসংক্ষেপ (A One-Line Summary)

$$\text{CNN} = \underbrace{\text{স্বয়ংক্রিয় ফিচার এক্সট্র্যাকশন}}_{\text{convolution + pooling}} \; + \; \underbrace{\text{ক্লাসিফিকেশন}}_{\text{fully connected layers}}$$

যেখানে: "ফিচার এক্সট্র্যাকশন" বা ফিচার বের করে নেওয়ার অংশটি ছবি থেকে কী কী জিনিস দেখতে হবে (কিনারা, টেক্সচার, আকৃতি) তা শেখে, এবং "ক্লাসিফিকেশন" অংশটি সেই শিখে নেওয়া ফিচারগুলোকে কাজে লাগিয়ে সিদ্ধান্ত নেয় যে ছবিটিতে আসলে কোন অবজেক্টটি আছে।

সহজ কথা: শেষ কয়েকটি লেয়ারের আগের সমস্ত অংশ মূলত নেটওয়ার্কের নিজেকে নিজে ছবি চেনার ক্ষমতা বাড়ানোর প্রক্রিয়া; আর পরের অংশটি হলো সাধারণ সিদ্ধান্ত নেওয়ার ধাপ। এবং সবচেয়ে বড় কথা হলো, এই দুটি অংশই ব্যাকপ্রোপাগেশন ব্যবহার করে শুরু থেকে শেষ পর্যন্ত একসাথে ট্রেন করা হয় — ফিচারগুলোকে ক্লাসিফায়ার থেকে আলাদাভাবে কোনো মানুষ নিজে হাতে ডিজাইন করে না।

মূল বিষয়গুলো (Key Takeaways)

সাধারণ ভুল ধারণা (Common Mistakes)

Interview Corner

বাস্তবে এটি কোথায় দেখা যায় (Where This Shows Up in Practice)

প্রতিটি যখন আপনার ফোনটি আপনার মুখ দেখে আনলক হয়, ফটো অ্যাপ নিজে থেকেই বন্ধুদের ছবি ট্যাগ করে দেয়, অথবা একটি সেল্ফ-ড্রাইভিং গাড়ি রাস্তার পথচারীকে চিহ্নিত করে, তার পেছনের সমস্ত কঠিন কাজটি করে একটি CNN (অথবা এর কাছাকাছি কোনো উন্নত রূপ)। আমরা এই কোর্সের বাকি অংশে ধাপে ধাপে শিখব যে কীভাবে এটি সম্ভব হয় — এবং এর শুরুতেই জানব যে কেন সাধারণ নিউরাল নেটওয়ার্কগুলো raw পিক্সেল ইনপুটের মুখোমুখি হলেই ভেঙে পড়ে।