WEBVTT 00:00.150 --> 00:02.140 Hallo en welkom bij deze Python-tutorial. 00:02.550 --> 00:08.130 Nu moeten we de vijf variabelen van deze init-functie definiëren, dat wil zeggen de drie windingen 00:08.130 --> 00:09.180 en de Tufo-verbindingen. 00:09.690 --> 00:10.890 Dus laten we beginnen met de eerste. 00:11.100 --> 00:18.630 Convolutionele men past convolutie toe op de invoerbeelden zodat de originele afbeeldingen en nu ga je zien hoe alles 00:18.630 --> 00:22.600 zo eenvoudig zal worden om deze convolutie te creëren. 00:22.620 --> 00:29.010 Welnu, wat we moeten doen, is een object van een specifieke klasse maken en deze klasse wordt 00:29.010 --> 00:32.220 van hen overgenomen en dan komen de klassen. 00:33.070 --> 00:40.480 Naar t t omdat we met de afbeeldingen werken en nu, zoals je kunt zien, moeten we verschillende argumenten aanvoeren. 00:40.780 --> 00:45.250 De eerste is in kanalen, dus laten we het in kanalen plaatsen. 00:45.850 --> 00:48.550 De tweede is uit kanalen. 00:49.210 --> 00:56.110 De derde is Colonel Size, en de rest is het beste voor de opvulling, de vertraging in groepen en 00:56.110 --> 00:56.800 vooringenomenheid. 00:56.980 --> 00:58.960 En we hebben standaardwaarden voor al deze. 00:59.110 --> 01:00.460 Die gaan we dus niet opleggen. 01:00.460 --> 01:02.080 We gaan de standaardwaarden behouden. 01:02.350 --> 01:07.390 Maar wat belangrijk is, zijn deze drie argumenten in kanalen en kanalen en valuta's. 01:07.540 --> 01:09.480 En dus raad je waar ze mee overeenkomen? 01:09.730 --> 01:15.580 Nou, heel eenvoudig in kanalen komen overeen met de invoer van de convolutie en alle kanalen komen overeen met 01:15.580 --> 01:17.440 de uitvoer van de convolutie. 01:17.800 --> 01:19.630 Dus in kanalen, wat gaat het worden? 01:19.930 --> 01:24.160 Nou, heel eenvoudig, dat wordt het aantal kanalen in onze afbeeldingen. 01:24.430 --> 01:29.680 En eigenlijk gaan we werken met zwart-wit beelden omdat we in principe geen kleuren nodig hebben om 01:29.680 --> 01:31.030 de monsters te herkennen. 01:31.300 --> 01:35.080 De gegevens zijn volledig in staat om de monsters in zwart-wit te herkennen. 01:35.320 --> 01:36.610 Dus we hebben de kleuren niet nodig. 01:36.790 --> 01:41.410 Het zal ze gewoon herkennen aan hun vorm en daarom gaan we één kanaal gebruiken. 01:41.590 --> 01:45.940 Dus één kanaal is wanneer je zwart-wit afbeeldingen hebt en drie kanalen is wanneer je gekleurde afbeeldingen 01:45.940 --> 01:46.450 hebt. 01:46.750 --> 01:51.100 En daarom, aangezien we met zwart-witafbeeldingen in kanalen werken, zal het gelijk zijn aan 01:51.100 --> 01:51.520 één. 01:52.620 --> 01:59.660 Dan onze kanalen, dus onze kanalen zullen gelijk zijn aan de afbeeldingen die je wilt hebben in de convolutionele 01:59.670 --> 02:02.640 daar, wat de output is van deze convolutie. 02:02.790 --> 02:08.760 Dit is in feite gelijk aan het aantal kenmerken dat u in uw originele afbeeldingen wilt detecteren, omdat we 02:09.120 --> 02:14.370 één afbeelding per kenmerk maken dat we willen detecteren, omdat u in feite weet hoe het 02:14.370 --> 02:14.750 werkt. 02:14.940 --> 02:21.330 We passen één kenmerkdetector toe op het invoerbeeld om een specifiek kenmerk in het invoerbeeld en dus het 02:21.330 --> 02:23.010 aantal uitvoerbeelden te detecteren. 02:23.010 --> 02:25.740 Dit is het aantal functies dat we willen detecteren. 02:26.310 --> 02:29.820 Dus nu is de vraag, hoeveel functies willen we detecteren? 02:30.090 --> 02:34.440 Welnu, het is gebruikelijk om te beginnen met 32 functiedetectoren. 02:34.920 --> 02:41.020 En dat leidt ons naar 32 procent afbeeldingen in deze eerste convolutionele laag. 02:41.340 --> 02:45.510 De invoer is dus één zwart-wit beeld, een echt beeld. 02:45.780 --> 02:51.090 En de uitvoer in de eerste convolutionele laag is 32 bewerkte afbeeldingen. 02:51.270 --> 02:57.150 En met verwerkt bedoel ik natuurlijk dat de convolutie werd toegepast op het invoerbeeld om tweeëndertig nieuwe 02:57.150 --> 02:59.310 beelden te krijgen die kenmerken detecteerden. 03:00.060 --> 03:06.300 En dan moeten we een kernelgrootte specificeren, die niets anders is dan de afmetingen van het vierkant 03:06.510 --> 03:09.150 dat door de originele afbeelding gaat. 03:09.420 --> 03:15.080 En in de praktijk gebruiken we ofwel twee bij twee of drie bij drie of vijf bij vijf. 03:15.480 --> 03:20.540 En voor de eerste gaan we een vijf bij vijf kenmerkende detector gebruiken. 03:20.970 --> 03:26.490 Dat is een feature-detector die vijf bij vijf dimensies zal hebben en dan zullen we de grootte van deze 03:26.490 --> 03:28.750 kernel verkleinen voor de volgende convolutionele lagen. 03:29.160 --> 03:32.030 En nu we het er toch over hebben, dit is precies wat we nu gaan doen. 03:32.190 --> 03:37.230 We gaan dit kopiëren om de tweede convolutie te definiëren. 03:37.860 --> 03:40.800 En daarom plaats ik dat hier en nu. 03:40.800 --> 03:42.080 Het is heel grappig en heel gemakkelijk. 03:42.090 --> 03:43.050 Het is als een dominosteen. 03:43.380 --> 03:49.510 Het ingangskanaal van de tweede convolutionele laag is het uitgangskanaal van de eerste convolutionele daar. 03:49.830 --> 03:53.790 Dus dit aantal outputs, tweeëndertig hier is hetzelfde aantal inputs. 03:54.120 --> 03:55.040 Tweeëndertig hier. 03:55.260 --> 04:00.950 En dat komt omdat we tweeëndertig afbeeldingen hebben in de invoerconvolutielaag van de tweede convolutie. 04:01.260 --> 04:10.080 En dus wordt de tweede convolutie toegepast op deze tweede convolutionele laag om een derde convolutionele laag terug te geven. 04:10.350 --> 04:13.110 En dus is nu de vraag hoeveel nieuwe afbeeldingen we willen. 04:13.290 --> 04:13.840 Nou, hetzelfde. 04:13.860 --> 04:15.750 Laten we 32 nieuwe afbeeldingen maken. 04:15.870 --> 04:19.760 Tweeëndertig is eigenlijk een veel voorkomend getal in convolutionele neurale netwerken. 04:19.770 --> 04:23.420 Als je naar de architecturen kijkt, zul je er in veel ervan tweeëndertig vinden. 04:23.850 --> 04:27.930 En dan voor de kernelgrootte, nou ja, we moeten de kernelgrootte verkleinen. 04:27.930 --> 04:30.340 Dat zijn de afmetingen van onze feature detector. 04:30.570 --> 04:37.150 En dus gaan we nu van vijf naar vier of zelfs drie en dan gaan we nog kleiner. 04:37.740 --> 04:38.100 Oke. 04:38.100 --> 04:40.250 Dus onze tweede convolutie is klaar. 04:40.650 --> 04:48.120 Het heeft als invoer nodig om afbeeldingen te verwerken, waarbij elk een eerste kenmerk van het originele invoerbeeld detecteert. 04:48.480 --> 04:54.430 En het creëert 32 nieuwe afbeeldingen dankzij deze kleinere afmetingen van de feature-detector. 04:54.960 --> 04:57.060 En dus laten we dit nu nog meer pushen. 04:57.150 --> 05:04.900 Dus ik kopieer dit en plak dat hier om een derde convolutie te maken om enkele functies te detecteren. 05:05.310 --> 05:07.940 En dus nu is dat hetzelfde de ingangskanalen. 05:07.950 --> 05:12.660 Hier is het aantal invoerbeelden aan de linkerkant van de convolutieverbinding. 05:12.780 --> 05:17.640 En er is een aantal bewerkte afbeeldingen die rechts van de vorige convolutieverbindingen stonden. 05:17.670 --> 05:18.570 Dat is tweeëndertig. 05:18.600 --> 05:19.950 Daarom houden we hier tweeëndertig. 05:19.950 --> 05:20.670 Dat is perfect. 05:21.030 --> 05:24.770 En nu is de vraag opnieuw, hoeveel nieuwe beelden willen we detecteren? 05:25.170 --> 05:30.840 We gaan nu 64 in, dus 64 outputs, verwerkte beelden nemen. 05:31.050 --> 05:35.990 En natuurlijk nemen we nu een kleinere kernelgrootte en we gaan er twee nemen. 05:36.630 --> 05:40.560 En dat is dus een zeer klassieke architectuur van een convolutionele daar. 05:40.860 --> 05:45.360 En het is zeer efficiënt om een hoog niveau van functiedetectie in afbeeldingen te hebben. 05:46.050 --> 05:46.550 Oke. 05:46.560 --> 05:52.950 En dus nu we onze drie convolutionele connecties daar hebben, dankzij onze drie convolutionele connecties hier, nou, nu is 05:52.950 --> 05:57.360 het tijd om onze twee volledige connecties te krijgen die ik eraan herinner. 05:57.360 --> 06:04.860 We nemen deze enorme vector die we verkrijgen na het afvlakken van alle 64 keer, 32 keer, 32 keer, afbeeldingen die 06:04.860 --> 06:07.650 we van al deze windingen hebben gekregen. 06:08.040 --> 06:14.280 Dus we vlakken alle pixels van deze afbeeldingen af en we kunnen één enorme vector maken die de invoer wordt van 06:14.280 --> 06:16.270 een nieuw volledig verbonden neuraal netwerk. 06:16.680 --> 06:21.780 En dat is het moment waarop we deze paar verbindingen moeten maken tussen, eerst, deze enorme vector 06:21.780 --> 06:27.300 en een verborgen laag en dan een tweede volledige verbinding tussen de verborgen laag en de uitvoerlaag die 06:27.300 --> 06:31.410 bestaat uit de uitvoerneuronen, elk corresponderend met een kubuswaarde van de mogelijke acties. 06:31.850 --> 06:33.800 Dus laten we deze twee volledige verbindingen maken. 06:33.810 --> 06:35.060 Je weet hoe je dat moet doen. 06:35.070 --> 06:37.260 Dat is precies wat we deden voor de zelfrijdende auto. 06:37.500 --> 06:38.470 Dus laten we dat nog een keer doen. 06:38.820 --> 06:41.160 Nou, eerst nemen we onze end in module. 06:41.670 --> 06:48.100 Dan nemen we de lineaire klasse, want nogmaals, de volledige verbinding die we maken is een object van de lineaire 06:48.190 --> 06:48.630 klasse. 06:49.080 --> 06:52.130 En dan tussen haakjes, nou, dat is hetzelfde voor ons. 06:52.240 --> 07:00.340 Voer de invoerfuncties in, dat is het aantal, dan de uitvoerfuncties en dus de invoerfuncties voor de 07:00.340 --> 07:02.000 eerste volledige verbinding. 07:02.020 --> 07:02.800 Wat gaat het worden? 07:03.190 --> 07:09.610 Nou, dat zal gelijk zijn aan het aantal pixels in deze enorme vector, verkregen na het afvlakken 07:09.610 --> 07:13.200 van alle verwerkte afbeeldingen na de drie windingen. 07:13.660 --> 07:14.770 En wat is dit nummer dan? 07:15.070 --> 07:16.870 Nou, eigenlijk is er hier een truc. 07:17.230 --> 07:19.230 Dit nummer is eigenlijk moeilijk te krijgen. 07:19.510 --> 07:22.520 We moeten eigenlijk een functie maken om dat getal te berekenen. 07:22.810 --> 07:25.490 We hebben geen variabele die ons dit nummer geeft. 07:25.510 --> 07:26.520 We moeten het berekenen. 07:26.800 --> 07:32.470 En daarom, wat we nu en nu gaan doen, is het erg belangrijk om de mentaliteit van programmeren te 07:32.470 --> 07:38.290 begrijpen die we moeten hebben en proberen te brengen tot de mentaliteit die je nu moet denken om dit obstakel 07:38.290 --> 07:43.690 te overwinnen, want de eerste keer dat je zou kunnen zeggen, hey, ik heb niet dit aantal neuronen 07:43.690 --> 07:46.360 in de afgeplatte vector, wat moet ik doen? 07:46.480 --> 07:47.300 Ik zit hier vast. 07:47.650 --> 07:54.790 Nou, nee, eigenlijk, want wat je nu kunt doen is hier gewoon alles invoeren dat dit 07:54.790 --> 07:56.140 aantal neuronen vertegenwoordigt. 07:56.150 --> 07:59.020 Dus ik noem het aantal neuronen, aantal neuronen. 07:59.470 --> 08:05.620 En dan zullen we gewoon een functie maken die in dit aantal neuronen variabele zal terugkeren, dit aantal pixels waarnaar we 08:05.620 --> 08:06.840 op zoek zijn. 08:07.210 --> 08:08.790 Dat kunnen we dus helemaal. 08:08.800 --> 08:10.520 We kunnen deze variabele volledig plaatsen. 08:10.540 --> 08:15.880 Nou, natuurlijk krijgen we een waarschuwing omdat het nog niet bestaat, maar we zullen het daarna maken 08:16.030 --> 08:20.750 met een functie en dat is helemaal toegestaan, zelfs als de functie daarna komt. 08:20.980 --> 08:25.640 Dus dat is een typisch programmeerdenken dat je moet hebben als je dat soort obstakels tegenkomt. 08:25.840 --> 08:28.600 Nou, je kunt een functie maken om te krijgen wat je mist. 08:29.560 --> 08:29.970 Oke. 08:29.980 --> 08:36.130 En dan functies eruit en functies eruit dat het aantal neuronen in de verborgen laag en dat deze 08:36.130 --> 08:37.540 keer aan jou is. 08:37.720 --> 08:40.750 Dat hangt af van de architectuur van het neurale netwerk dat je wilt creëren. 08:41.080 --> 08:44.040 En dus zou een goed aantal geen klein aantal zijn. 08:44.080 --> 08:46.900 Dus bijvoorbeeld 40 neuronen kunnen prima zijn. 08:46.900 --> 08:48.430 We kunnen proberen het te vergroten. 08:48.610 --> 08:50.980 Als de training niet te langzaam is, kun je proberen deze te verhogen. 08:51.160 --> 08:53.350 Misschien dat dat de voorspellingen verbetert. 08:53.650 --> 08:54.750 Maar laten we beginnen met 40. 08:54.760 --> 08:56.260 Misschien verhogen we dat daarna. 08:56.950 --> 08:57.360 Oke. 08:57.400 --> 08:59.590 Dat was het voor de eerste volledige verbinding. 08:59.920 --> 09:05.280 Dan kopiëren we dit met de afbeelding naar beneden hier voor de tweede volledige verbinding. 09:05.290 --> 09:08.860 Dat is de verbinding tussen de verborgen laag en de uitvoerlaag. 09:09.160 --> 09:15.560 En dus worden de kenmerken hier de buitenste kenmerken van de vorige laag, en dat is 40. 09:15.640 --> 09:17.620 U voert dus 40 in. 09:18.040 --> 09:20.230 Dat is natuurlijk het aantal neuronen in de verborgen laag. 09:20.680 --> 09:26.920 En onze functies hier zullen gelijk zijn aan het aantal output-neuronen dat er in ons netwerk zou moeten zijn. 09:27.130 --> 09:33.310 En aangezien elk outputneuron overeenkomt met één sleutelwaarde en één Kovalik-reactie op één actie, terwijl het 09:33.310 --> 09:38.890 aantal neuronen hier natuurlijk het aantal acties is en we hiervoor één variabele hebben, dat 09:38.890 --> 09:41.890 is geen acties en daarom hier invoer. 09:42.160 --> 09:42.790 Nee. 09:43.800 --> 09:50.960 Acties en daar gaan we, gefeliciteerd, we hebben de architectuur van ons neurale netwerk gedefinieerd, ons neurale 09:50.970 --> 09:55.670 netwerk is samengesteld uit drie convolutionele lagen en een verborgen laag. 09:55.950 --> 10:02.700 Dit alles in één grote CNN en deze CNN zal de functies in het spel detecteren, zodat het oog weet waar het 10:02.730 --> 10:06.150 moet doen, waar het heen moet en waar het moet schieten. 10:06.750 --> 10:08.040 Dus daar gaan we voor deze stap. 10:08.190 --> 10:10.210 Dat is een eerste zeer belangrijke stap gezet. 10:10.500 --> 10:15.870 Nu gaan we naar de volgende stap, en dat is natuurlijk om dit aantal neuronen te krijgen dat nog 10:15.870 --> 10:16.710 steeds ontbreekt. 10:16.860 --> 10:21.600 Dat is eigenlijk waar we de waarschuwing hier hebben en het uiteindelijke aantal neuronen binaries. 10:21.810 --> 10:26.910 Nu zullen we een functie maken die het aantal neuronen in deze enorme vector zal teruggeven en we zullen dat 10:26.910 --> 10:29.800 aantal in een variabele plaatsen die het aantal neuronen zal oproepen. 10:30.120 --> 10:31.930 Dus laten we dit de komende tijd doen. 10:31.950 --> 10:32.980 Dat is onze volgende stap. 10:33.000 --> 10:34.420 En tot die tijd, geniet ervan.