WEBVTT

00:00.360 --> 00:02.700
مرحبًا ومرحبًا بكم في برنامج Python التعليمي هذا.

00:02.730 --> 00:08.370
والآن الخطوة التالية هي جعل عدد الخلايا العصبية يعمل والذي سيعطينا ما نريد.

00:08.370 --> 00:14.040
هذا هو عدد الخلايا العصبية في هذا الناقل الضخم بعد تطبيق التلافيف.

00:14.070 --> 00:19.260
هذه هي المعلومات الوحيدة المفقودة التي نحتاجها الآن ، وسوف نحصل عليها من خلال الدالة.

00:19.410 --> 00:21.570
لذلك دعونا نجعل هذه الوظيفة.

00:21.570 --> 00:27.390
سوف نسميها العد ، تسطير الخلايا العصبية بكل بساطة.

00:27.540 --> 00:29.550
وما هو هذا العدد؟

00:29.580 --> 00:32.070
سوف تتخذ الخلايا العصبية وظيفة الحجج؟

00:32.220 --> 00:38.340
حسنًا ، سيأخذ الجسم نفسه ، ولكن بعد ذلك سيأخذ شيئًا آخر ، لأن هذا العدد من الخلايا

00:38.340 --> 00:44.350
العصبية الناتجة في طبقة التسطيح يعتمد في الواقع على شيء واحد فقط.

00:44.370 --> 00:50.760
يعتمد ذلك على أبعاد صورة الإدخال الأصلية ، تلك التي تظهر في بداية الشبكة

00:50.760 --> 00:51.750
العصبية.

00:51.930 --> 00:57.240
وبالتالي فإن الحجة الوحيدة التي نحتاجها الآن هي في الواقع هذه الأبعاد ، أبعاد الصور

00:57.240 --> 00:57.930
المدخلة.

00:58.170 --> 01:03.540
لذلك ، دعنا نطلق اسمًا على هذه الحجة التي تمثل أبعاد الصورة

01:03.540 --> 01:06.590
المدخلة ، وسنسميها صورة قاتمة.

01:07.050 --> 01:07.620
حسنا.

01:07.620 --> 01:14.670
ويمكنني أن أخبرك الآن أن الأبعاد الفعلية للصور المدخلة القادمة من الموت

01:14.670 --> 01:16.500
ستكون 80 × 80.

01:16.590 --> 01:23.250
سنقوم بتقليل حجم الصور الأصلية إلى 80 × 80 ، وهذا سيكون تنسيق الصور التي

01:23.250 --> 01:25.970
تدخل في الشبكة العصبية.

01:25.980 --> 01:32.400
إذن ، ستكون Image STEM في الواقع 188 وتتوافق مع حقيقة أننا نعمل مع صور بالأبيض

01:32.400 --> 01:35.220
والأسود ، أي بقناة واحدة فقط.

01:35.220 --> 01:40.440
لذا تخيل أنها ستكون متساوية فيما بعد مع المجموعة الأولى ، 80 و 80.

01:41.160 --> 01:41.460
حسنا.

01:41.460 --> 01:43.470
إذن هذه هي الحجة الوحيدة التي نحتاجها.

01:43.470 --> 01:45.620
والآن دعونا نحسب الخلايا العصبية.

01:45.630 --> 01:47.220
إذن كيف سنفعل ذلك؟

01:47.250 --> 01:51.030
حسنًا ، أولاً وقبل كل شيء ، ليس لدينا أي ضرر في الإدخال حاليًا.

01:51.030 --> 01:53.910
ليس لدينا أي صورة عذاب يمكننا استيرادها.

01:53.910 --> 01:55.220
سنفعل ذلك لاحقًا.

01:55.230 --> 02:00.210
لذا فإن أول شيء يتعين علينا القيام به هو إنشاء صورة مزيفة ، لكن أبعادها 80.

02:00.210 --> 02:05.700
بحلول 80 ، سننشئ تلك الصورة المزيفة بوحدات بكسل مزيفة ، وسيظل هذا يمنحنا في النهاية

02:05.700 --> 02:11.490
الرقم الذي نريده ، لأن هذا الرقم يعتمد فقط على الأبعاد وليس على وحدات البكسل الموجودة

02:11.490 --> 02:13.050
داخل الصور.

02:13.050 --> 02:18.120
لذلك دعونا فقط ننشئ صورة مزيفة للبدء وبعد ذلك سنحسب عدد الخلايا العصبية التي نريدها.

02:18.300 --> 02:25.230
لذا فإن الحيلة لإنشاء صورة مزيفة هي ، حسنًا ، سنسميها X أولاً وقبل كل شيء ، ثم سنستخدم المصباح

02:25.230 --> 02:32.010
الذي يتمزق لأنه ، كما تعلمون ، سنضع بعض وحدات البكسل العشوائية في هذه الصورة حيث نستخدم

02:32.010 --> 02:36.810
هذه الوظائف العشوائية من الشعلة ، وهي وظيفة التشغيل.

02:36.930 --> 02:44.300
ثم في الداخل سنقوم بإدخال أبعاد الصور التي تبلغ 188.

02:44.340 --> 02:50.130
ولكن نظرًا لأننا سنقوم بإدخال هذه الصورة في الشبكة العصبية وكما تتذكر ، يمكن للشبكة العصبية

02:50.130 --> 02:55.110
فقط قبول مجموعات من حالة الإدخال الموجودة هنا ، مجموعات من صور الإدخال.

02:55.110 --> 03:00.420
سنقوم بإنشاء هذا البعد المزيف الذي يمكننا القيام به مباشرة في وظيفة التشغيل هذه.

03:00.420 --> 03:05.270
نحتاج في الواقع فقط أن نبدأ بالجزء الذي يتوافق مع الدُفعة ،

03:05.280 --> 03:10.860
وبعد ذلك يمكننا فقط وضعه في Apple 188 المطابق لأبعاد صورة الإدخال.

03:10.860 --> 03:16.950
وكما فهمت ، فإن هذه الأبعاد متضمنة في هذه الصورة الخافتة التي تمثل

03:16.950 --> 03:26.640
الجدول 188 لذا ، الآن نحتاج فقط إلى إضافة صورة قاتمة ولكن من أجل تمرير عناصر المعبد لأن صورتها الآن عبارة

03:26.640 --> 03:34.140
عن مجموعة بصفتها قائمة الحجج للدالة التي نحتاج إلى إضافتها هنا قبل تصويرها قبل

03:34.140 --> 03:36.260
الجدول.

03:36.330 --> 03:43.140
سيسمح المتجر في المتجر بتمرير عناصر الصورة المعتمة كقائمة من الوسائط لوظيفة

03:43.140 --> 03:43.920
ما.

03:43.920 --> 03:49.380
وكما ترون ، هذا هو بالضبط ما تم تحديده هنا بالنجمة والأبعاد.

03:49.740 --> 03:50.130
حسنا.

03:50.130 --> 03:53.940
لذلك سيؤدي ذلك إلى إنشاء صورة لوحدات البكسل المزيفة.

03:54.000 --> 03:56.550
لذلك لن يكون لذلك علاقة بصور الهلاك.

03:56.550 --> 04:00.000
لكن مرة أخرى ، سنظل قادرين على الحصول على العدد النهائي من الخلايا العصبية.

04:00.300 --> 04:07.770
والآن آخر شيء يجب أن نتذكره هو تحويل متجه دفعة الإدخال هذا إلى متغير شعلة

04:07.950 --> 04:12.270
لأن هذا سيذهب إلى الشبكة العصبية.

04:12.870 --> 04:13.320
حسنا.

04:13.320 --> 04:20.070
هذا يمثل الآن صورة إدخال لوحدات البكسل العشوائية التي تم تحويلها للتو إلى متغير شعلة.

04:20.070 --> 04:25.680
وهذا سيذهب الآن إلى الشبكة العصبية وبشكل أكثر تحديدًا ، الطبقات التلافيفية للشبكة

04:25.680 --> 04:26.490
العصبية.

04:26.490 --> 04:32.130
نظرًا لأننا نحتاج فقط إلى عدد الخلايا العصبية بعد تطبيق التلافيفات ، فسننتقل

04:32.130 --> 04:33.990
إلى الالتفاف ثلاثة.

04:33.990 --> 04:39.390
لذلك بعد الطبقة التلافيفية الثالثة مباشرة ولن نتطرق إلى الوصلات الكاملة هنا.

04:39.600 --> 04:44.970
وذلك لأن عدد الخلايا العصبية التي نريدها يقع بين التفاف ثلاثة و FC واحد.

04:45.360 --> 04:45.660
حسنا.

04:45.660 --> 04:52.710
والآن بعد أن أصبح لدينا صورة إدخال واحدة بالأبعاد الصحيحة ، حسنًا ، حان الوقت لنشر هذه الصورة في

04:52.710 --> 04:55.980
الشبكة العصبية للوصول إلى طبقة التسطيح.

04:56.070 --> 05:01.650
ثم سنحصل على الخلايا العصبية في طبقة التسطيح وسنحصل فقط على المعلومات التي نريدها.

05:01.650 --> 05:04.710
هذا هو عدد الخلايا العصبية في هذه الطبقة المسطحة.

05:04.710 --> 05:08.670
إذن ما يتعين علينا فعله الآن هو بالضبط ما نفعله في الدالة الأمامية.

05:08.670 --> 05:14.490
نحتاج إلى نشر الإشارات في الشبكة العصبية ، ولكن فقط في الطبقات التلافيفية حتى نصل

05:14.490 --> 05:16.050
إلى طبقة التسطيح.

05:16.050 --> 05:17.130
لذلك دعونا نفعل هذا.

05:17.130 --> 05:19.680
سنقوم بتحديث x.

05:19.680 --> 05:26.850
الآن x هي صورة الإدخال ومع x الثانية هنا ستصبح x الطبقة التلافيفية الأولى.

05:27.030 --> 05:29.970
والآن ما يتعين علينا القيام به هو عملية من ثلاث خطوات.

05:29.970 --> 05:33.600
الخطوة الأولى نطبق الالتفاف على الصور المدخلة.

05:33.600 --> 05:38.370
ثم الخطوة الثانية نطبق الحد الأقصى من التقليم على الصور الملتفة التي تم الحصول عليها.

05:38.370 --> 05:44.250
ثم الخطوة الثالثة نقوم بتنشيط الخلايا العصبية في هذه الصور المعقدة والمجمعة.

05:44.250 --> 05:50.370
وهكذا ستصبح X هذه الطبقة التلافيفية الأولى المكونة من كل هذه التجمعات ، الصور الملتفة.

05:50.790 --> 05:56.760
لنقم بهذه الخطوة الأولى ، ونطبق الالتفاف الأول ، الالتفاف الأول على الصور المدخلة.

05:56.760 --> 06:04.380
إذن ما نفعله هو أن نأخذ الالتفاف نقطة واحدة ذاتية الالتفاف.

06:04.380 --> 06:05.250
هناك نذهب.

06:05.280 --> 06:11.130
نقوم بتطبيقه على صور الإدخال لدينا والتي يتم تمثيلها حتى الآن بواسطة X.

06:11.250 --> 06:12.480
هذه هي الخطوة الأولى.

06:12.480 --> 06:13.590
تم إنجاز الخطوة الأولى.

06:13.590 --> 06:21.420
الآن الخطوة الثانية ، سنقوم بتطبيق الحد الأقصى من التجميع على صورنا الملتفة التي يتم إرجاعها بواسطة الالتفاف واحد

06:21.420 --> 06:23.550
X وتطبيق الحد الأقصى للتجميع.

06:23.550 --> 06:29.850
حسنًا ، سنأخذ دالة من الوحدة الوظيفية ، لذلك نأخذ F الاختصار ثم النقطة

06:29.850 --> 06:38.250
، ثم سنستخدم الدالة max pool إلى D وهي التي نضع التفافًا ذاتيًا واحدًا X بين قوسي أقصى

06:38.250 --> 06:40.410
تجمع لتحديد.

06:41.660 --> 06:45.080
لأننا نطبق الحد الأقصى من التجميع على الصور المعقدة.

06:45.500 --> 06:53.020
لكن هذه الدالة max pooling تتطلب وسيطات إضافية هي حجم النواة أولاً.

06:53.030 --> 06:59.030
مرة أخرى ، هذا هو حجم النافذة التي تنزلق عبر صورك وسيستغرق ذلك أقصى عدد من وحدات

06:59.030 --> 07:00.650
البكسل في كل شريحة.

07:00.690 --> 07:06.680
سيظل هذا يكتشف الميزات لأن الميزات مرتبطة بقيمة عالية من البكسل في المصفوفات

07:06.680 --> 07:09.530
، كما رأيت في محاضرات الحدس.

07:09.530 --> 07:15.500
إذن هذه الحجة الأولى التي نحتاج إلى إدخالها هنا هي حجم النواة هذا وسنأخذ ثلاثة.

07:15.500 --> 07:17.630
هذا اختيار شائع لحجم النواة.

07:17.630 --> 07:25.400
ثم نحتاج إلى إدخال الخطوة بعدد البكسلات التي ستنزلق في الصور وسنقوم بخطوة

07:25.400 --> 07:27.170
مقدارها اثنان.

07:27.320 --> 07:29.120
مرة أخرى ، هذا خيار شائع.

07:29.630 --> 07:30.500
لذا ها نحن ذا.

07:30.500 --> 07:32.390
الآن تم الانتهاء من الخطوة الثانية.

07:32.390 --> 07:38.840
والآن دعنا ننتقل إلى الخطوة الثالثة ، وهي تنشيط جميع الخلايا العصبية في هذه الصور المجمعة والمعقدة

07:38.840 --> 07:41.210
في هذه الطبقة التلافيفية الأولى.

07:41.240 --> 07:45.920
وللقيام بذلك مرة أخرى ، سنقوم بتطبيق دالة على كل هذا.

07:45.920 --> 07:51.500
وها أنا هنا أتناول F مرة أخرى لأننا سنأخذ وظيفة أخرى والتي ، كما قد تكون

07:51.500 --> 07:57.230
خمنت ، ستكون وظيفة تنشيط ، ولكن أي منها كالمعتاد ، ستكون وظيفة تنشيط

07:57.230 --> 07:58.430
المعدل.

07:58.610 --> 08:02.120
وربما تتذكر اسم ريلو لذلك.

08:02.570 --> 08:03.320
هناك نذهب.

08:03.320 --> 08:04.130
هذا هو.

08:04.130 --> 08:10.190
ولذا فإننا نطبق قيمة على صورنا المعقدة المجمعة.

08:10.190 --> 08:11.630
هذا كل هذا.

08:12.380 --> 08:12.860
حسنا.

08:12.860 --> 08:14.180
وهذا كل شيء.

08:14.180 --> 08:15.200
ثلاث خطوات أنجزت.

08:15.200 --> 08:16.280
كان ذلك سريعًا جدًا.

08:16.280 --> 08:22.880
لذا تذكر ، الطريقة التي يجب أن ننظر بها إلى هذا هي أولاً أننا نطبق الالتفاف على صورنا المدخلة ، ثم نطبق

08:22.910 --> 08:28.640
الحد الأقصى من التجميع على صورنا الملتفة التي تم الحصول عليها من خلال الالتفاف.

08:28.640 --> 08:36.260
ثم نقوم بتنشيط الخلايا العصبية في كل هذه الطبقة التلافيفية المجمعة بوظيفة تنشيط المعدل.

08:37.030 --> 08:37.980
مثالي جدا.

08:37.990 --> 08:45.070
نحصل على أول طبقة تلافيفية تم تطبيق تجميعها الأقصى والتي يتم فيها تنشيط الخلايا العصبية

08:45.070 --> 08:45.990
الآن.

08:46.000 --> 08:51.610
وبالتالي فإن ما تفعله أساسًا هو أنها تنشر الإشارات من الطبقة التلافيفية الأولى إلى الطبقة

08:51.610 --> 08:52.390
التالية.

08:52.390 --> 08:56.260
وبالحديث عن المرحلة التالية ، هذا بالضبط ما سنعتني به الآن.

08:56.290 --> 09:01.630
سنفعل نفس الشيء الذي فعلناه للتو على الطبقة التلافيفية الأولى إلى الطبقة التلافيفية

09:01.630 --> 09:08.110
الثانية لنشر الإشارات مرة أخرى في الشبكة العصبية عن طريق تنشيط الخلايا العصبية للطبقة التلافيفية

09:08.110 --> 09:09.610
الثانية.

09:09.610 --> 09:12.820
لكن قبل القيام بذلك ، نحتاج إلى الحصول على هذه الطبقة التلافيفية.

09:12.820 --> 09:16.330
لذا سنطبق الالتفاف على x.

09:16.330 --> 09:21.610
هذه هي أول طبقة تلافيفية حيث سنقوم بتطبيق الالتفاف على X للحصول على الطبقة التلافيفية

09:21.610 --> 09:27.400
الثانية وبعد ذلك سنقوم بسحبها إلى أقصى حد ثم نقوم في النهاية بتنشيط خلاياها العصبية.

09:27.760 --> 09:28.930
لذلك دعونا نفعل هذا.

09:28.930 --> 09:30.010
إنه في الواقع سهل للغاية.

09:30.010 --> 09:35.170
نحتاج فقط إلى نسخ ذلك ولصقه أدناه.

09:35.200 --> 09:39.100
والآن بالطبع نحن بحاجة إلى استبدال الالتفاف واحد بالالتفاف الثاني.

09:39.220 --> 09:40.360
وها نحن ذا.

09:40.360 --> 09:41.830
هذا بالفعل جاهز.

09:41.830 --> 09:43.390
C سهل جدا.

09:43.660 --> 09:49.780
والآن مع هذا الخط ، ننشر الإشارات من الطبقة التلافيفية الثانية إلى الطبقة التالية ، والتي

09:49.780 --> 09:52.450
ستكون الطبقة التلافيفية الثالثة.

09:52.450 --> 09:56.830
وللحصول على هذه الطبقة التلافيفية الثالثة ، حسنًا ، نحتاج إلى تطبيق ذلك مرة أخرى.

09:57.010 --> 10:03.460
لذلك أقوم بنسخ هذا اللصق أدناه واستبدال الالتفاف الثاني بالالتفاف الثالث.

10:03.700 --> 10:04.690
وقد تم ذلك.

10:04.720 --> 10:06.130
أليس عملي جدا؟

10:06.130 --> 10:13.060
ننشر الإشارات في الطبقات التلافيفية الثلاث ومصباح يدوي بفضل هذا الهيكل الرائع.

10:13.860 --> 10:14.220
حسنا.

10:14.220 --> 10:15.190
مثالي جدا.

10:15.210 --> 10:22.230
الآن لدينا إشاراتنا تنتشر حتى الطبقة التلافيفية الثالثة وبعدها ونتحدث عنها بعد

10:22.230 --> 10:25.890
، يقودنا ذلك إلى ما نبحث عنه ، ما يهمنا.

10:25.890 --> 10:27.900
هذه هي طبقة التسطيح.

10:28.290 --> 10:28.710
حسنا.

10:28.710 --> 10:36.170
والآن بعد أن أصبح لدينا الطبقة التلافيفية الثالثة ، وهي آخر X هنا ، فقد حان الوقت للحصول على طبقة التسطيح.

10:36.180 --> 10:38.250
وهذا بالضبط ما سنفعله الآن.

10:38.250 --> 10:42.990
سنقوم بتسوية جميع وحدات البكسل لهذه الطبقة التلافيفية الثالثة.

10:42.990 --> 10:48.330
أي أننا سنأخذ كل البكسلات لجميع قنوات الطبقة التلافيفية الثالثة.

10:48.360 --> 10:51.840
سنضعهم واحدًا تلو الآخر في ناقل ضخم.

10:51.840 --> 10:55.920
وبالطبع ، لن يكون هذا المتجه الضخم سوى طبقة التسطيح.

10:55.980 --> 11:01.890
وفي نفس الوقت ، سنستخدم حيلة للحصول على عدد الخلايا العصبية في طبقة التسطيح هذه.

11:01.890 --> 11:03.510
هذا بالضبط ما نبحث عنه.

11:03.540 --> 11:05.520
هذا هو عدد الخلايا العصبية التي نفتقدها.

11:05.520 --> 11:08.580
وبالتالي ، دعنا نعيد ما نريد مباشرةً.

11:08.580 --> 11:14.070
وفي هذه العودة ، سنقوم بتسطيح الطبقة التلافيفية الثالثة ومع ذلك في نفس الوقت ، عدد الخلايا

11:14.070 --> 11:16.200
العصبية في هذه الطبقة المسطحة.

11:16.350 --> 11:19.920
إذن سنأخذ X ، وهي الطبقة التلافيفية الثالثة.

11:20.070 --> 11:25.080
سنأخذ جميع قنوات هذه الطبقة التلافيفية الثالثة ، وسنستخدم

11:25.080 --> 11:31.830
وظيفة هي دالة الحجم لتسطيح كل وحدات البكسل لكل هذه القنوات في متجه واحد ضخم.

11:31.950 --> 11:35.850
وهكذا يمكنك العثور على الحيلة في البرنامج التعليمي PyTorch.

11:35.850 --> 11:42.090
حسنًا ، نأخذ بيانات X أولاً لأن X عبارة عن هيكل خاص ، إنه متغير شعلة.

11:42.090 --> 11:44.100
إذاً لها هيكل معقد جداً.

11:44.100 --> 11:51.840
لكن علينا أولاً الوصول إليها بالبيانات هنا ، ثم نحتاج إلى عرض ما بداخلها.

11:51.840 --> 11:57.630
لذلك نستخدم دالة العرض هذه ، والآن نحتاج للوصول إلى ما نبحث عنه ، ويتم

11:57.630 --> 12:01.800
توفير ذلك من خلال الوسيطتين واحد وناقص واحد.

12:02.010 --> 12:06.600
ليس عليك أن تفهم ما بداخل الهيكل ، لكن يمكنك فقط أن تفهم أن هذه هي الطريقة التي سنحصل

12:06.600 --> 12:08.790
بها على هذا العدد من الخلايا العصبية.

12:08.790 --> 12:15.360
ولكي ننتهي ، نحتاج إلى إضافة الحجم ، ثم الأقواس ، وداخلها نقوم بإدخال واحد.

12:15.600 --> 12:21.570
إذن ما نقوم به هنا بشكل أساسي ، ما نفعله هو أننا نأخذ كل وحدات البكسل لجميع القنوات ونضعها واحدة

12:21.570 --> 12:26.610
تلو الأخرى في هذا المتجه الضخم ، والذي سيكون مدخلات الشبكة المتصلة بالكامل.

12:26.940 --> 12:29.190
هذا في الأساس ما يفعله الحجم.

12:29.190 --> 12:33.480
وبهذا ، يمكننا الحصول على هذا العدد من الخلايا العصبية التي نبحث عنها.

12:33.870 --> 12:34.260
حسنا.

12:34.260 --> 12:36.270
حتى الآن نحصل على ما نريد.

12:36.270 --> 12:43.830
وأخيرًا ، يمكننا استبدال الخلايا العصبية العددية هنا بما يتم إرجاعه بواسطة هذه

12:43.830 --> 12:49.920
الوظيفة عند تطبيقها على تنسيق صور الموت ، أي واحد في 80 في 80.

12:49.920 --> 12:57.180
لذا ما يتعين علينا فعله الآن هو استبدال الخلايا العصبية العددية بأخذ عدد الخلايا العصبية.

12:57.790 --> 13:05.830
الوظيفة التي نطبقها على تنسيق صور التكبير والتي ستكون مجموعة الصفوف.

13:06.840 --> 13:08.820
80 و 80.

13:09.240 --> 13:10.340
وها نحن ذا.

13:10.350 --> 13:17.040
وبالطبع ، نحن لا ننسى أنفسنا لأن عد الخلايا العصبية هو في الواقع طريقة من فئة CNN.

13:17.040 --> 13:20.700
لذلك نحن بحاجة إلى إضافة الذات والآن يجب أن يختفي التحذير.

13:20.970 --> 13:22.020
وها نحن ذا.

13:22.290 --> 13:23.720
الآن كل شيء جيد.

13:23.730 --> 13:27.900
نحصل على بنية الشبكة العصبية مع عدم وجود أي شيء مفقود.

13:27.900 --> 13:29.060
ولدينا هذا العدد.

13:29.070 --> 13:34.230
تعمل الخلايا العصبية في حالة ما إذا كنت تريد تجربة بعض البنى الأخرى ولا تريد حساب هذا العدد

13:34.230 --> 13:36.120
من الخلايا العصبية يدويًا.

13:36.150 --> 13:41.370
ما عليك سوى استخدام هذه الوظيفة ، وتقوم بتطبيقها على تنسيق صورك وسيوفر لك هذا ما تريده

13:41.370 --> 13:42.000
مباشرة.

13:42.000 --> 13:47.730
هذا هو عدد الخلايا العصبية في طبقة الفيضان دون الحاجة إلى فعل أي شيء وأيًا كانت البنية.

13:48.240 --> 13:49.350
هذا رائع جدًا.

13:49.350 --> 13:55.950
والآن انتهينا من أول خطوة مهمة كبيرة في هذا الدماغ التي نتخذها.

13:55.950 --> 14:02.340
ولدينا خطوة أخيرة وهي وظيفة أخيرة علينا القيام بها ، والتي ستكون دالة الأمام الرئيسية.

14:02.340 --> 14:07.530
لذلك سنقوم بنشر الإشارات من بداية الدماغ ، أي من عيون الذكاء الاصطناعي

14:07.530 --> 14:09.720
حتى طبقة الإخراج.

14:09.720 --> 14:12.060
هذا بعد الاتصال الكامل الثاني.

14:12.180 --> 14:14.100
لذلك سنفعل ذلك في البرنامج التعليمي التالي.

14:14.100 --> 14:15.870
وحتى ذلك الحين ، استمتع بـ i.