WEBVTT 00:00.390 --> 00:02.490 Hallo en welkom bij deze Python-tutorial. 00:02.850 --> 00:08.410 Dus nu is de volgende stap om die telneuronen te laten functioneren, die ons zullen geven wat we willen. 00:08.430 --> 00:13.880 Dat is dit aantal neuronen in deze enorme vector nadat de windingen zijn toegepast. 00:14.160 --> 00:16.710 Dat is de enige ontbrekende informatie die we nu nodig hebben. 00:16.920 --> 00:19.030 En we gaan het krijgen met een functie. 00:19.560 --> 00:21.290 Dus laten we deze functie maken. 00:21.750 --> 00:27.180 We gaan het heel eenvoudig het aantal onderstrepingsneuronen noemen. 00:27.610 --> 00:31.800 En wat gaat deze telling-neuronenfunctie als argumenten gebruiken? 00:32.340 --> 00:38.190 Wel, het zal het object zelf nemen, maar dan zal het iets anders nodig hebben, 00:38.340 --> 00:44.160 omdat dit aantal output-neuronen in de afvlakkende laag eigenlijk maar van één ding afhangt. 00:44.490 --> 00:50.760 Het hangt af van de afmetingen van het oorspronkelijke invoerbeeld, het beeld dat helemaal aan het begin van het neurale 00:50.760 --> 00:51.570 netwerk staat. 00:51.990 --> 00:57.270 Het enige argument dat we nu nodig hebben, zijn eigenlijk deze afmetingen, de afmetingen van de 00:57.270 --> 00:57.750 invoerbeelden. 00:58.260 --> 01:03.030 Laten we daarom een naam geven aan dit argument dat de afmetingen van de invoerafbeelding vertegenwoordigt. 01:03.330 --> 01:06.420 En we zouden het imago-dema gaan noemen. 01:07.050 --> 01:07.460 Oke. 01:07.680 --> 01:14.670 En ik kan je nu vertellen dat de werkelijke afmetingen, de invoerafbeeldingen die van jou komen, 80 01:14.670 --> 01:16.320 bij 80 zullen zijn. 01:16.680 --> 01:21.060 We gaan de grootte van de originele afbeeldingen verkleinen tot 80 bij 80. 01:21.300 --> 01:25.760 En dat wordt het formaat van de beelden die in het neurale netwerk gaan. 01:26.130 --> 01:29.670 Dus het beeld wordt eigenlijk één 188. 01:29.910 --> 01:34.470 En de ene komt overeen met het feit dat we met zwart-wit beelden werken, dat wil zeggen met maar 01:34.470 --> 01:35.070 één kanaal. 01:35.370 --> 01:39.180 Dus beeld ze zullen later gelijk zijn aan de tupel. 01:39.180 --> 01:40.260 Tachtig en tachtig. 01:41.110 --> 01:45.400 Oké, dus dat is het enige argument dat we nodig hebben en laten we nu de neuronen tellen. 01:45.730 --> 01:46.960 Dus hoe gaan we dat doen? 01:47.350 --> 01:50.960 Allereerst hebben we momenteel geen invoerafbeelding. 01:51.040 --> 01:53.890 We hebben geen dume-afbeelding die we kunnen importeren. 01:53.920 --> 01:55.000 Dat gaan we later doen. 01:55.420 --> 01:58.300 Dus het eerste dat we moeten doen, is een nep-afbeelding maken. 01:58.570 --> 02:00.760 Maar dat heeft afmetingen 80 bij 80. 02:01.090 --> 02:04.000 We gaan die nepafbeelding maken met neppixels. 02:04.180 --> 02:08.860 En dat geeft ons uiteindelijk toch het aantal dat we willen, want dat aantal hangt alleen af 02:08.860 --> 02:12.830 van de afmetingen en niet van de pixels die in de afbeeldingen zitten. 02:13.210 --> 02:17.890 Dus laten we om te beginnen een nep-afbeelding maken en dan zullen we het aantal neuronen berekenen dat we willen. 02:18.400 --> 02:24.400 Dus de truc om een nep-afbeelding te maken is, nou, we gaan het eerst X noemen. 02:24.760 --> 02:31.030 En dan zouden we de toorts die rand gebruiken, want, weet je, we gaan wat willekeurige pixels 02:31.030 --> 02:36.580 in deze afbeeldingen plaatsen die deze willekeurige functies van Torch gebruiken, wat de RAND-functie is. 02:37.060 --> 02:42.430 Binnen gaan we, zoals je kunt zien, de afmetingen van de afbeeldingen invoeren. 02:42.700 --> 02:44.160 Dat is een 1880. 02:44.440 --> 02:50.110 Maar aangezien we dit beeld in het neurale netwerk gaan invoeren en zoals je je herinnert, kan 02:50.110 --> 02:55.750 het neurale netwerk alleen batches van invoerstatus accepteren die hier zijn, batches invoer, afbeeldingen, we gaan 02:55.750 --> 03:00.240 die nep-dimensie creëren, die we kunnen direct doen in deze ronde functie. 03:00.520 --> 03:05.260 We hoeven eigenlijk alleen maar te beginnen met degene die overeenkomt met de batch 03:05.260 --> 03:10.680 en dan kunnen we gewoon de tuple 188 plaatsen die overeenkomt met de afmetingen van de invoerafbeelding. 03:10.930 --> 03:16.750 En zoals je begreep, zijn deze dimensies vervat in deze afbeelding dan argument, dat 03:16.750 --> 03:18.610 de tupel 188 vertegenwoordigt. 03:19.280 --> 03:22.990 Dus nu hoeven we ze alleen nog maar een afbeelding toe te voegen. 03:23.500 --> 03:28.810 Maar om de elementen van een tuple door te geven, want, weet je, nu is image dan 03:29.050 --> 03:36.120 een tuple als een lijst met argumenten van een functie die we hier moeten toevoegen voor image, dan is dat voor de tuple en 03:36.340 --> 03:42.970 start de ster zal toestaan om de elementen van de afbeelding door te geven en vervolgens tuple als een lijst met argumenten 03:42.970 --> 03:43.650 voor functie. 03:43.990 --> 03:49.150 En zoals je kunt zien, is dat precies wat hier is gespecificeerd met de ster en de afmetingen. 03:49.780 --> 03:50.140 Oke. 03:50.150 --> 03:56.400 Dus dat zal een afbeelding van neppixels creëren die niets met de afbeeldingen te maken hebben. 03:56.680 --> 03:59.770 Maar nogmaals, we zullen nog steeds in staat zijn om het uiteindelijke aantal neuronen te krijgen. 04:00.380 --> 04:07.000 En het laatste wat we moeten doen, onthoud, is om deze input-betere vector om te 04:07.000 --> 04:12.070 zetten in een fakkelvariabele, omdat dit in het neurale netwerk gaat. 04:12.880 --> 04:19.480 Oké, dus dit vertegenwoordigt nu een invoerbeeld van willekeurige pixels die zojuist is omgezet in een fakkelvariabele en die 04:19.480 --> 04:25.360 nu in het neurale netwerk zal gaan en meer specifiek, de convolutionele lagen van het neurale 04:25.360 --> 04:30.760 netwerk, want aangezien we alleen het aantal nodig hebben van neuronen nadat de windingen zijn 04:30.760 --> 04:33.830 toegepast, gaan we gewoon door tot conclusie drie. 04:34.060 --> 04:39.190 Dus direct na de derde convolutionele laag en we zullen hier niet ingaan op de twee volledige verbindingen. 04:39.670 --> 04:44.780 En dat komt omdat het aantal neuronen dat we willen tussen convolutie drie en FS1 ligt. 04:45.370 --> 04:45.700 Oke. 04:45.700 --> 04:52.540 Dus nu we één invoerafbeelding met de juiste afmetingen hebben, is het tijd om deze afbeelding in het neurale 04:52.720 --> 04:55.740 netwerk te verspreiden om de afvlakkingslaag te bereiken. 04:55.990 --> 05:01.180 En dan krijgen we de neuronen in de afvlakkingslaag en krijgen we gewoon de informatie die we 05:01.180 --> 05:01.660 willen. 05:01.670 --> 05:04.480 Dat is het aantal neuronen in deze afvlakkende laag. 05:04.870 --> 05:08.560 Dus wat we nu moeten doen, is precies wat we doen in de voorwaartse functie. 05:08.800 --> 05:14.500 We moeten de signalen in het neurale netwerk verspreiden, maar alleen in de convolutionele lagen totdat we 05:14.500 --> 05:15.790 de afvlakkingslaag bereiken. 05:16.180 --> 05:17.010 Dus laten we dit doen. 05:17.170 --> 05:20.200 We gaan X nu updaten. 05:20.200 --> 05:26.600 X is het invoerbeeld en met de tweede X hier, wordt X, nou ja, de eerste convolutionele laag. 05:27.130 --> 05:29.860 Wat we nu moeten doen, is een proces in drie stappen. 05:30.010 --> 05:30.910 Eerste stap. 05:30.910 --> 05:33.420 We passen de convolutie toe op de invoerbeelden. 05:33.700 --> 05:40.900 Dan de tweede stap, passen we toe op de verkregen ingewikkelde afbeeldingen en dan de derde stap, we activeren 05:40.900 --> 05:44.080 de neuronen in deze samengevoegde, ingewikkelde afbeeldingen. 05:44.260 --> 05:50.160 En zo wordt X deze eerste convolutionele laag die bestaat uit al deze poelen, gecompliceerde beelden. 05:50.890 --> 05:56.550 Dus laten we deze eerste stap doen, de eerste convolutie convolutie één toepassen op de invoerafbeeldingen. 05:56.890 --> 06:00.910 Dus wat we doen is onze convolutie zelf nemen. 06:01.360 --> 06:04.180 Die convolutie. 06:04.420 --> 06:05.020 Daar gaan we. 06:05.410 --> 06:10.900 We passen het toe op onze invoerafbeeldingen, die tot nu toe worden weergegeven door X. 06:11.350 --> 06:12.400 Dus dat is de eerste stap. 06:12.520 --> 06:13.360 Eerste stap gedaan. 06:13.690 --> 06:15.130 Nu, tweede stap. 06:15.130 --> 06:22.990 We gaan Max pooling toepassen op onze ingewikkelde afbeeldingen die zijn geretourneerd door bijdrage één X en Max Pwning 06:22.990 --> 06:23.560 toepassen. 06:23.560 --> 06:26.590 Welnu, we nemen een functie van de functionele module. 06:26.770 --> 06:34.330 Dus we nemen f de snelkoppeling, dan punt en dan gaan we de functie max pool naar G gebruiken. 06:34.660 --> 06:40.780 Dat is degene die we zelfconvolutie één X tussen haakjes plaatsen van de max pool van de functie. 06:41.620 --> 06:48.850 Omdat we aan het spelen zijn, poolen in de ingewikkelde beelden, maar deze maximale pooling-functie vereist 06:48.850 --> 06:53.050 extra argumenten die voorop staan, zegt de kolonel. 06:53.080 --> 06:59.050 Dus nogmaals, dat is de grootte van het venster dat door je afbeeldingen schuift en dat zal het maximum van de pixels 06:59.050 --> 07:00.430 in elk licht nodig hebben. 07:00.700 --> 07:06.670 Die zal de features nog detecteren omdat de features gekoppeld zijn aan een hogere waarde van de pixel in de 07:06.670 --> 07:09.310 arrays, zoals je bij de intuïtieve docent zag. 07:09.670 --> 07:15.300 Dus dit eerste argument dat we hier moeten invoeren, is deze kernelgrootte en we gaan er drie nemen. 07:15.490 --> 07:17.380 Dat is een gebruikelijke keuze voor de kernelgrootte. 07:17.740 --> 07:24.700 En dan moeten we de stappen invoeren, weet je, met hoeveel pixels het in de afbeeldingen gaat schuiven. 07:25.030 --> 07:26.920 En we zouden een staking van twee nemen. 07:27.280 --> 07:28.930 Nogmaals, dat is een veelvoorkomende keuze. 07:29.680 --> 07:30.360 Dus daar gaan we. 07:30.550 --> 07:32.220 Nu is de tweede stap gedaan. 07:32.380 --> 07:38.830 En laten we nu verder gaan met de derde stap, namelijk het activeren van alle neuronen in deze poel en ingewikkelde 07:38.830 --> 07:40.960 beelden in deze eerste convolutionele laag. 07:41.380 --> 07:45.730 En om dit opnieuw te doen, gaan we een functie op dit alles toepassen. 07:45.980 --> 07:51.400 En dus doe ik hem hier weer uit, want we gaan een andere functie nemen, die, zoals je 07:51.400 --> 07:53.980 misschien al geraden had, een activeringsfunctie zal zijn. 07:54.160 --> 07:55.050 Maar welke? 07:55.060 --> 07:58.210 Zoals gewoonlijk wordt het een activeringsfunctie van de gelijkrichter. 07:58.690 --> 08:04.090 En misschien herinner je je de naam daarvoor is dat we gaan, dat is het. 08:04.120 --> 08:10.200 En dus passen we echt toe op onze samengevoegde, ingewikkelde afbeeldingen. 08:10.210 --> 08:11.400 Dat is dit alles. 08:12.370 --> 08:12.870 Oke. 08:12.880 --> 08:14.020 En dat is het. 08:14.230 --> 08:15.190 Drie stappen gedaan. 08:15.220 --> 08:16.150 Dat was heel snel. 08:16.360 --> 08:22.600 Dus onthoud, de manier waarop we hier naar moeten kijken, is dat we eerst de convolutie toepassen op onze invoerafbeeldingen. 08:23.020 --> 08:28.390 Dan passen we, Max, volledig toe op onze ingewikkelde afbeeldingen die met de convolutie zijn verkregen. 08:28.780 --> 08:36.070 En dan activeren we de neuronen in deze gepoolde convolutionele laag met de gelijkrichteractiveringsfunctie. 08:37.090 --> 08:44.080 Zo perfect, we krijgen onze eerste convolutionele laag waarop max pooling is aangebracht en waarin de neuronen 08:44.080 --> 08:45.750 nu worden geactiveerd. 08:46.090 --> 08:51.580 Wat het eigenlijk doet, is dat het de signalen van de eerste convolutionele laag naar de volgende 08:51.580 --> 08:52.240 propageert. 08:52.450 --> 08:56.130 En over de volgende gesproken, dat is precies waar we nu voor gaan zorgen. 08:56.380 --> 09:01.630 We gaan hetzelfde doen als op de eerste convolutionele laag naar de tweede convolutionele laag 09:01.630 --> 09:08.080 om de signalen opnieuw verder in het neurale netwerk te verspreiden door de neuronen van de tweede convolutionele 09:08.080 --> 09:09.370 laag te activeren. 09:09.690 --> 09:12.630 Maar voordat we dit doen, moeten we deze convolutionele laag krijgen. 09:12.940 --> 09:16.330 En dus gaan we convolutie toepassen op X. 09:16.330 --> 09:21.610 Dat is nu de eerste convolutionele laag waarop we convolutie gaan toepassen op X om 09:21.610 --> 09:27.170 de tweede convolutionele laag te verkrijgen, waarna we eraan trekken en dan uiteindelijk zijn Terrans activeren. 09:27.820 --> 09:28.740 Dus laten we dit doen. 09:28.960 --> 09:30.010 Het is eigenlijk heel gemakkelijk. 09:30.020 --> 09:34.930 We hoeven dat alleen maar te kopiëren en hieronder te plakken. 09:35.170 --> 09:38.890 Nu moeten we natuurlijk ook convolutie één door convolutie vervangen. 09:39.310 --> 09:40.330 En daar gaan we. 09:40.330 --> 09:43.180 Dat is eigenlijk klaar c heel gemakkelijk. 09:43.720 --> 09:50.140 En nu met deze lijn, propageren we de signalen van de tweede convolutionele laag naar de volgende, die 09:50.140 --> 09:52.300 de derde convolutionele laag zal zijn. 09:52.510 --> 09:56.610 En om de derde convolutionele laag te krijgen, moeten we die opnieuw toepassen. 09:57.070 --> 10:03.240 Dus ik kopieer dit, plak dat hieronder en vervang convolutie door convolutie drie. 10:03.760 --> 10:04.540 En dat is gedaan. 10:04.690 --> 10:11.770 Is het niet zo praktisch dat we de signalen in de drie convolutionele lagen en een zaklamp verspreiden dankzij 10:11.770 --> 10:12.910 deze geweldige structuur. 10:13.840 --> 10:15.220 Oké, zo perfect. 10:15.250 --> 10:22.240 Nu hebben we onze signalen gepropageerd naar de derde convolutionele laag en daarna en sprekend van daarna, dat leidt ons 10:22.240 --> 10:25.720 naar wat we zoeken, waar we in geïnteresseerd zijn. 10:26.020 --> 10:27.670 Dat is de afvlakking daar. 10:28.330 --> 10:28.720 Oke. 10:28.720 --> 10:35.880 Dus nu we onze derde convolutie daar hebben, dat is de laatste X hier, is het tijd om onze Flatman-laag te krijgen. 10:36.310 --> 10:38.250 En dat is dus precies wat we nu gaan doen. 10:38.260 --> 10:42.790 We gaan alle pixels van deze derde convolutionele laag afvlakken. 10:43.090 --> 10:48.070 Dat wil zeggen dat we alle pixels van alle kanalen van de derde convolutionele laag gaan nemen. 10:48.490 --> 10:51.690 We gaan ze een voor een in een enorme vector plaatsen. 10:51.940 --> 10:55.740 En natuurlijk zal deze enorme vector niets anders zijn dan de afvlakkingslaag. 10:56.080 --> 11:01.720 En tegelijkertijd zullen we een truc gebruiken om het aantal neuronen in deze afvlakkende laag te krijgen. 11:01.930 --> 11:03.420 Dat is precies wat we zoeken. 11:03.610 --> 11:05.410 Dat is het aantal neuronen dat we missen. 11:05.560 --> 11:08.320 En laten we daarom direct teruggeven wat we willen. 11:08.680 --> 11:14.260 En in deze terugkeer gaan we de derde convolutionele laag afvlakken en tegelijkertijd het aantal neuronen in 11:14.260 --> 11:15.990 deze afgeplatte laag krijgen. 11:16.480 --> 11:19.690 Dus we gaan X nemen, wat onze derde convolutie daar is. 11:20.170 --> 11:23.440 We nemen alle kanalen van de derde convolutie daar. 11:23.680 --> 11:29.350 En we gaan een functie gebruiken die de groottefunctie is om alle pixels van al deze kanalen in 11:29.350 --> 11:31.620 éénzelfde enorme vector af te vlakken. 11:32.020 --> 11:35.630 En dus de truc, je kunt het vinden in de Python-tutorial. 11:35.980 --> 11:40.560 Welnu, we nemen eerst de gegevens van X omdat X een speciale structuur is. 11:40.750 --> 11:42.100 Weet je, het is een fakkelvariabele. 11:42.100 --> 11:44.000 Het heeft dus een vrij complexe structuur. 11:44.140 --> 11:47.170 Maar eerst moeten we hier toegang krijgen met gegevens. 11:48.040 --> 11:51.660 Dan moeten we kijken wat erin zit. 11:51.940 --> 11:56.590 Dus we gebruiken deze weergavefunctie en nu moeten we toegang krijgen tot wat we zoeken. 11:56.680 --> 12:01.560 En dat wordt gegeven met de argumenten één en min één. 12:02.050 --> 12:06.610 Je hoeft niet te begrijpen wat er in de structuur zit, maar je kunt gewoon begrijpen dat dit is 12:06.610 --> 12:08.530 hoe we dit aantal neuronen gaan krijgen. 12:08.920 --> 12:15.130 En om te eindigen, moeten we de grootte tussen haakjes toevoegen en binnenin voeren we er een in. 12:15.760 --> 12:21.550 Dus wat we hier doen, is dat we alle pixels van alle kanalen nemen en ze een voor een 12:21.550 --> 12:26.420 in deze enorme vector plaatsen, die de invoer zal zijn van het volledig verbonden netwerk. 12:27.040 --> 12:29.020 Dat is eigenlijk wat deze maat doet. 12:29.200 --> 12:33.250 En hiermee kunnen we het aantal neuronen krijgen waarnaar we op zoek zijn. 12:33.880 --> 12:34.270 Oke. 12:34.270 --> 12:36.290 Dus nu krijgen we wat we willen. 12:36.310 --> 12:43.690 En ten slotte kunnen we hier een aantal neuronen vervangen door wat deze functie teruggeeft wanneer deze wordt 12:43.690 --> 12:47.030 toegepast op het formaat van de afbeeldingen. 12:47.260 --> 12:49.730 Dat is één bij acht bij acht. 12:50.050 --> 12:56.920 Dus wat we nu moeten doen is geen neuronen vervangen, maar we nemen het aantal neuronen. 12:57.800 --> 13:05.600 Functie, die we toepassen op het formaat van de afbeeldingen, die de tupel zal zijn. 13:06.760 --> 13:14.860 Tachtig en tachtig en daar gaan we en natuurlijk vergeten we het zelf niet, want Counts Neuron is eigenlijk een methode van 13:15.040 --> 13:18.280 de CNN-klasse, dus we moeten het zelf toevoegen. 13:18.490 --> 13:20.490 En nu zou de waarschuwing moeten verdwijnen. 13:21.010 --> 13:21.800 En daar gaan we. 13:22.390 --> 13:23.610 Nu is alles goed. 13:23.800 --> 13:27.730 We krijgen de architectuur van het neurale netwerk zonder dat er iets ontbreekt. 13:28.000 --> 13:33.010 En we hebben de functie van aftellen voor het geval je een aantal andere architecturen wilt proberen 13:33.160 --> 13:35.950 en dit aantal neuronen niet handmatig wilt tellen. 13:36.160 --> 13:37.450 Deze functie gebruik je gewoon. 13:37.450 --> 13:39.760 Je past het toe op het formaat van je afbeeldingen. 13:40.000 --> 13:42.000 En hiermee krijgt u direct wat u wilt. 13:42.010 --> 13:47.520 Dat is het aantal neuronen in de overstromende laag zonder iets te hoeven doen en wat de architectuur ook is. 13:48.230 --> 13:49.350 Dus dat is best gaaf. 13:49.360 --> 13:55.750 En nu zijn we klaar met de eerste grote, belangrijke stap van dit brein die we maken. 13:56.020 --> 13:57.610 En we hebben nog een laatste stap. 13:57.610 --> 14:02.130 Dat is een functie minder om te maken, wat de belangrijkste voorwaartse functie zal zijn. 14:02.440 --> 14:06.040 Dus we gaan de signalen vanaf het begin van de hersenen verspreiden. 14:06.190 --> 14:11.880 Dat is van de ogen van het oog tot aan de uitgangslaag die na de tweede doorverbinding is. 14:12.310 --> 14:14.110 Dus dat doen we in de volgende tutorial. 14:14.110 --> 14:15.790 En tot dan en ik.