WEBVTT 00:00.530 --> 00:02.950 Bonjour et bienvenue dans ce tutoriel sur Python. 00:02.990 --> 00:08.520 La prochaine étape consiste donc à faire en sorte que les compteurs fonctionnent, ce qui nous donnera ce que nous voulons. 00:08.540 --> 00:14.130 C'est ce nombre de neurones dans cet énorme vecteur après l'application des convolutions. 00:14.300 --> 00:19.640 C'est la seule information manquante dont nous avons besoin pour le moment et nous allons l'obtenir avec la fonction. 00:19.700 --> 00:23.930 Faisons donc cette fonction que nous allons appeler elle compte. 00:24.280 --> 00:27.570 Et ces neurones de base très simplement. 00:27.830 --> 00:32.220 Et quelle est cette fonction compte neurones va prendre comme arguments. 00:32.510 --> 00:39.450 Eh bien, il va prendre l'objet lui-même, mais ensuite, il faudra autre chose, car le nombre de neurones 00:39.450 --> 00:44.540 de sortie dans la couche aplatie ne dépend en réalité que d'une chose. 00:44.660 --> 00:50.840 Cela dépend des dominations de l'image d'entrée d'origine, celle qui se situe au tout début du réseau 00:50.840 --> 00:51.930 de neurones. 00:52.160 --> 00:58.370 Ainsi, le seul argument dont nous avons besoin pour le moment est en réalité que le moment mentionne la synchronisation des images d'entrée. 00:58.370 --> 01:03.410 Donnons donc un nom à cet argument représentant le losange et l'image d'entrée. 01:03.520 --> 01:06.790 Et nous allons appeler cela une image. 01:07.220 --> 01:07.690 D'accord. 01:07.850 --> 01:14.720 Et je peux vous dire maintenant que les dimensions réelles des images d’entrée provenant de Dume vont 01:14.720 --> 01:16.850 être 80 x 80. 01:16.850 --> 01:23.330 Nous allons réduire la taille des images d'origine à 80 sur 80, ce qui constituera le 01:23.390 --> 01:26.270 format des images destinées au réseau neuronal. 01:26.270 --> 01:32.300 Donc, leur image va en réalité être un 80 80 et celui correspond au fait que nous travaillons avec des images 01:32.300 --> 01:33.750 en noir et blanc. 01:33.830 --> 01:41.040 C’est avec un seul canal, donc les images vont être corrélées au total 80 et 80. 01:41.280 --> 01:41.560 D'accord. 01:41.560 --> 01:43.590 C'est donc le seul argument dont nous avons besoin. 01:43.660 --> 01:45.670 Et maintenant, scrutons les neurones. 01:45.850 --> 01:47.280 Alors, comment vas-tu faire ça? 01:47.500 --> 01:51.110 Tout d’abord, nous n’avons actuellement aucune image en entrée. 01:51.250 --> 01:54.070 Nous n'avons aucune image catastrophique que nous puissions importer. 01:54.070 --> 01:55.330 Nous allons le faire plus tard. 01:55.540 --> 02:01.240 La première chose à faire est donc de créer une fausse image, mais cela a permis de créer des introns de 80 à 80. 02:01.240 --> 02:06.160 Nous allons créer cette fausse image avec de faux pixels et nous donnerons toujours le 02:06.160 --> 02:12.280 nombre que nous voulons, car ce nombre ne dépend que des dimensions et non des pixels contenus dans 02:12.280 --> 02:13.320 les images. 02:13.330 --> 02:15.640 Donc, cela crée simplement une fausse image pour commencer. 02:15.730 --> 02:18.520 Et ensuite, nous allons calculer le nombre de neurones que nous voulons. 02:18.520 --> 02:23.860 Donc, le truc pour créer une fausse image est bien, nous allons l'appeler x. 02:23.890 --> 02:30.700 Tout d'abord, nous allions utiliser la torche avec Rand parce que vous savez que nous allons insérer des pixels 02:30.700 --> 02:37.200 aléatoires dans ces images. Nous utilisons ces fonctions aléatoires à partir de torche, qui est la fonction rand. 02:37.250 --> 02:42.740 Ensuite, à l'intérieur, nous allons entrer car vous pouvez voir les damnations des images. 02:42.850 --> 02:44.400 C'est un 80 80. 02:44.560 --> 02:50.500 Mais puisque nous allons placer cette image dans le réseau de neurones et que vous vous en souvenez, le réseau de 02:50.500 --> 02:55.170 neurones ne peut accepter que des lots d’états d’entrée qui sont ici des lots d’images d’entrée. 02:55.370 --> 03:00.600 Nous allons créer ces faux diamants dans lesquels nous pouvons directement exécuter cette fonction d'exécution. 03:00.670 --> 03:05.720 En fait, nous commençons tout juste avec celui qui correspond au lot, puis 03:05.730 --> 03:11.070 nous pouvons simplement le placer tous les 188 correspondant aux dominations de l'image d'entrée. 03:11.110 --> 03:16.980 Et comme vous l'avez compris, ces désignations sont contenues dans cette image, l'argument qui représente 03:16.980 --> 03:19.330 ce tableau 1 80 80. 03:19.420 --> 03:23.290 Il suffit donc d’ajouter des images. 03:23.620 --> 03:29.410 Mais pour pouvoir passer les éléments de la table parce que vous savez maintenant, Image les est un double 03:29.410 --> 03:31.940 en tant que liste d'arguments d'une fonction. 03:32.020 --> 03:39.460 Nous devons ajouter ici avant l'image qu'il y a avant que Apple Store, le magasin lui permette de transmettre à Apple les 03:39.550 --> 03:44.100 éléments de l'image avec lui en tant que liste d'arguments pour la fonction. 03:44.170 --> 03:49.600 Et comme vous pouvez le voir, c’est exactement ce qui est spécifié ici avec le magasin et le diamant. 03:49.930 --> 03:56.640 Très bien, cela créera une image de faux pixels qui n'aura rien à voir avec les images. 03:56.800 --> 04:01.720 Mais encore une fois, nous serons toujours en mesure d’obtenir le nombre final de 04:01.720 --> 04:11.080 neurones et la dernière chose dont nous devons nous souvenir est de convertir ce vecteur d’entrée en une variable de la flamme, car cela ira dans 04:11.380 --> 04:13.060 le réseau de neurones. 04:13.060 --> 04:13.380 D'accord. 04:13.390 --> 04:20.650 Donc, cela représente maintenant une image d'entrée de pixels aléatoires qui vient d'être convertie en une image viable et qui ira maintenant 04:20.650 --> 04:22.440 dans le réseau de neurones. 04:22.570 --> 04:28.330 Et plus spécifiquement les couches convolutives du réseau de neurones car, puisque nous n’avons besoin 04:28.330 --> 04:34.100 que du nombre de neurones après l’application des convolutions, nous ne ferons que remonter aux convolutions 3. 04:34.210 --> 04:36.440 Donc, jusqu’à la troisième couche convolutive. 04:36.580 --> 04:39.630 Et nous n'entrerons pas dans les deux connexions complètes ici. 04:39.850 --> 04:45.490 Et c’est parce que le nombre de neurones que nous voulons est compris entre la convolution 3 et f. c 1. 04:45.520 --> 04:52.120 Bon, maintenant que nous avons une image d'entrée avec les bonnes mentions Eh bien, il est temps de propager cette image 04:52.180 --> 04:58.330 dans le réseau de neurones pour atteindre la couche aplatie, puis nous allons obtenir les neurones dans la couche aplatie 04:58.330 --> 05:03.850 et nous allons simplement obtenir le L'information que nous voulons, c'est le nombre de neurones dans cette 05:03.850 --> 05:04.750 couche aplatie. 05:04.990 --> 05:08.950 Alors maintenant, nous devons faire exactement ce que nous faisons dans une fonction avancée. 05:08.950 --> 05:14.560 Nous devons propager les signaux dans le réseau neuronal, mais uniquement dans les couches de convolution, jusqu'à 05:14.560 --> 05:16.120 atteindre la couche d'inondation. 05:16.330 --> 05:17.360 Alors faisons ceci. 05:17.360 --> 05:25.660 Nous allons mettre à jour x maintenant x est l'image d'entrée et avec le deuxième X ici, X deviendra bien la 05:25.660 --> 05:27.050 première couche convolutive. 05:27.310 --> 05:32.930 Et maintenant, nous devons suivre la première étape du processus en trois étapes, à savoir l’application de la déconvolution aux 05:32.950 --> 05:33.790 images d’entrée. 05:33.850 --> 05:40.960 Ensuite, lors de la deuxième étape, nous appliquons l’élagage mixte aux images compliquées et aux inserts que nous 05:40.960 --> 05:48.160 activons les neurones dans ces images compliquées puled. Le x deviendra cette première convolution, il est composé de 05:48.160 --> 05:50.590 tous ces pools complétés d’Energis. 05:51.010 --> 05:56.840 Faisons donc cette première étape pour appliquer la première convolution à la convolution aux images d’entrée. 05:57.040 --> 06:07.540 Donc ce que nous faisons est de prendre notre propre convolution qui convoite celle de Lucian que nous allons appliquer à nos images 06:07.550 --> 06:11.360 d’entrée qui sont représentées jusqu’à présent par x. 06:11.500 --> 06:14.290 C'est donc la première fois que la première est faite maintenant. 06:14.320 --> 06:22.630 Dans un deuxième temps, nous allons appliquer le spooling à nos images alambiquées retournées par convolution lorsque X et deux arrachements atteignent 06:22.640 --> 06:26.880 leur point culminant. Nous allons prendre une fonction du module fonctionnel. 06:26.920 --> 06:34.610 Donc, nous prenons le raccourci que cela et ensuite nous allons utiliser la fonction Max pool à D. 06:34.810 --> 06:42.340 C’est celui que nous avons mis en auto-convolution un X dans la parenthèse du tirant maximal au tirant d’avance parce que nous 06:42.360 --> 06:45.220 jouons au tirage suivant dans les images alambiquées. 06:45.750 --> 06:53.140 Mais cette fonction suivante prend des arguments supplémentaires qui sont d'abord la taille du noyau. 06:53.190 --> 06:59.190 Encore une fois, c’est la taille de la fenêtre qui glisse dans vos images et qui prend le maximum de 06:59.190 --> 07:00.710 pixels dans chaque diapositive. 07:00.830 --> 07:06.750 Cela détectera donc toujours les caractéristiques car celles-ci sont associées à une valeur élevée du pixel dans 07:06.840 --> 07:07.750 les tableaux. 07:07.890 --> 07:09.580 Comme vous dites intuition des conférences. 07:09.780 --> 07:14.020 Donc, ce premier besoin humain documenté est la taille du noyau. 07:14.100 --> 07:15.560 Et nous allons en prendre trois. 07:15.660 --> 07:17.650 C'est un choix commun pour la taille du noyau. 07:17.940 --> 07:25.200 Et ensuite, nous devons définir les progrès que vous connaissez en termes de nombre de pixels que les images vont glisser. 07:25.200 --> 07:27.560 Et nous allons faire un pas de deux. 07:27.610 --> 07:29.400 Encore une fois, c'est un choix commun. 07:29.820 --> 07:30.670 Alors on y va. 07:30.690 --> 07:32.530 Maintenant, la deuxième étape est terminée. 07:32.620 --> 07:38.910 Et maintenant, passons à la troisième étape qui consiste à activer tous les neurones de ce pool et les 07:38.910 --> 07:39.580 images alambiquées. 07:39.610 --> 07:46.090 Et cette première couche de convolution et pour refaire cela, nous allons appliquer une fonction à tout cela. 07:46.170 --> 07:51.960 Et donc ici et reprenons parce que nous allons prendre une autre fonction qui, comme vous l'avez 07:52.050 --> 07:55.170 peut-être deviné, sera une fonction d'activation mais laquelle. 07:55.230 --> 08:01.410 Comme d’habitude, la fonction d’activation sera corrigée et vous vous souviendrez peut-être du nom de cette 08:01.620 --> 08:02.330 fonction. 08:02.790 --> 08:03.410 Nous y voilà. 08:03.450 --> 08:04.290 C'est celui-là. 08:04.290 --> 08:12.540 Nous appliquons donc vraiment à nos images compliquées mises en commun, c’est tout cela. 08:12.540 --> 08:12.940 D'accord. 08:12.990 --> 08:14.270 Et c'est tout. 08:14.370 --> 08:15.320 Trois étapes effectuées. 08:15.330 --> 08:16.370 C'était très rapide. 08:16.500 --> 08:23.460 Alors rappelez-vous que la façon dont nous devons regarder ceci est d’abord d’appliquer la convolution à nos images d’entrée, 08:23.460 --> 08:28.830 puis nous appliquons le tirage Max à nos images alambiquées obtenues avec une convolution. 08:28.950 --> 08:35.730 Ensuite, nous activons les neurones de toute cette couche convolutive de pool avec la fonction d’activation 08:35.730 --> 08:43.960 du redresseur. Nous obtenons ainsi notre première couche convolutive sur laquelle était tiré un point culminant et dans laquelle les 08:44.050 --> 08:46.200 neurones sont maintenant activés. 08:46.260 --> 08:51.640 Et donc, en gros, il propage les signaux de la première couche convolutive à 08:51.640 --> 08:52.500 la suivante. 08:52.630 --> 08:56.580 Et en parlant de la prochaine, c'est exactement ce dont nous allons nous occuper maintenant. 08:56.570 --> 09:01.660 Nous allons faire la même chose que nous venons de faire lors de la première convolution vers la 09:01.660 --> 09:08.170 deuxième couche de convolution pour propager à nouveau les signaux plus loin dans le réseau de neurones en activant les neurones de la 09:08.170 --> 09:09.660 deuxième couche de convolution. 09:09.850 --> 09:12.910 Mais avant cela, nous devons obtenir cette couche convolutionnelle. 09:13.120 --> 09:18.330 Nous allons donc appliquer la convolution à X qui est maintenant la première couche de convolution. 09:18.460 --> 09:24.070 Bien, nous allons appliquer la convolution à 2 x pour obtenir la deuxième couche convolutive, après quoi 09:24.070 --> 09:25.120 Max le tirera. 09:25.240 --> 09:27.860 Et puis finalement activer Sirat. 09:27.970 --> 09:29.070 Alors faisons ceci. 09:29.170 --> 09:35.350 En fait, il est très facile de copier cela et de le coller ci-dessous. 09:35.350 --> 09:39.240 Bien entendu, nous devons également remplacer la convolution une par convolution. 09:39.520 --> 09:40.460 Et c'est parti. 09:40.480 --> 09:43.650 C'est en fait prêt à voir très facile. 09:43.900 --> 09:50.200 Et maintenant, avec cette ligne, nous propagons les signaux de la deuxième convolution vers la suivante, 09:50.260 --> 09:52.580 qui sera la troisième convolution. 09:52.720 --> 09:57.220 Et pour obtenir cette troisième convolution, vous devrez l'appliquer à nouveau. 09:57.220 --> 10:04.630 Je copie donc le collage ci-dessous et remplace la convolution par la convolution 3, ce qui est fait, n'est-ce 10:04.870 --> 10:06.340 pas si pratique? 10:06.340 --> 10:11.490 Nous propagons les signaux dans les trois lettres de convolution dans une lampe de poche. 10:11.500 --> 10:13.100 Merci à cette structure géniale. 10:14.020 --> 10:15.340 Très bien si parfait. 10:15.340 --> 10:21.250 Nous avons maintenant nos signaux propagés jusqu’à la troisième couche de convolution et après. 10:21.360 --> 10:24.780 Et parler de cela nous amène à ce que nous recherchons. 10:24.820 --> 10:28.510 Ce qui nous intéresse, c’est l’aplatissement. 10:28.510 --> 10:33.620 Très bien, maintenant que nous avons notre troisième convolution là-bas, c'est le dernier X ici. 10:33.790 --> 10:36.120 Il est temps de nous aplatir. 10:36.490 --> 10:37.990 Et c'est exactement ce que nous allons faire. 10:37.990 --> 10:44.200 Nous allons maintenant aplatir tous les pixels de cette troisième couche de convolution, c'est-à-dire que nous allons prendre tous 10:44.290 --> 10:48.430 les pixels de tous les canaux de la troisième couche de convolution. 10:48.640 --> 10:51.920 Nous allons les mettre l'un après l'autre dans un énorme vecteur. 10:52.150 --> 10:56.920 Et bien sûr, cet énorme vecteur ne sera rien d’autre que la couche d’aplatissement et 10:56.920 --> 11:02.000 nous utiliserons en même temps une astuce pour obtenir le nombre de neurones dans cet aplatissement. 11:02.070 --> 11:03.790 C'est ce que nous recherchons. 11:03.790 --> 11:09.370 C'est le nombre de neurones qui nous manque et, par conséquent, retournons directement ce que nous voulons et, 11:09.370 --> 11:15.130 dans ce retour, nous allons aplatir la troisième couche de convolution et obtenir le même nombre de neurones dans 11:15.130 --> 11:16.330 cette couche d'aplatissement. 11:16.630 --> 11:20.150 Nous allons donc prendre X. qui est notre troisième convolution ici. 11:20.320 --> 11:25.150 Nous allons prendre ici tous les canaux de la troisième convolution et utiliser une 11:25.150 --> 11:32.160 fonction qui est la fonction de taille pour aplatir tous les pixels de tous ces canaux dans un même vecteur énorme. 11:32.230 --> 11:35.930 Et si le truc que vous pouvez trouver dans la pitié regarder le labeur. 11:36.130 --> 11:42.400 Bien, prenons d’abord les données de X parce que X est une structure spéciale, vous savez que c’est un voivode de torche. Il 11:42.400 --> 11:44.250 a donc une structure assez complexe. 11:44.320 --> 11:51.920 Mais nous devons d’abord y accéder avec des données, puis voir ce qu’il contient. 11:52.090 --> 11:57.700 Nous utilisons donc cette fonction de vue et nous devons maintenant accéder à ce que 11:57.700 --> 12:01.980 nous recherchons, à savoir avec les arguments 1 et moins 1. 12:02.230 --> 12:04.390 Vous devez comprendre ce qu'il y a à l'intérieur de la structure. 12:04.510 --> 12:10.060 Mais vous pouvez simplement comprendre que c'est comme cela que nous allons obtenir ce nombre de neurones et 12:10.150 --> 12:15.560 que pour finir, nous devons ajouter de la taille entre parenthèses et à l'intérieur des entrées 1. 12:15.880 --> 12:21.610 En gros, ce que nous faisons ici, c'est que nous prenons tous les pixels de tous les canaux et que 12:21.610 --> 12:27.180 nous les plaçons les uns après les autres dans cet énorme vecteur qui sera l'entrée du réseau entièrement connecté. 12:27.190 --> 12:29.250 C'est essentiellement ce que fait la taille. 12:29.410 --> 12:34.060 Et avec cela, nous pouvons obtenir le nombre de nouveaux que nous recherchons. 12:34.060 --> 12:36.460 D'accord, maintenant nous obtenons ce que nous voulons. 12:36.490 --> 12:44.350 Nous pouvons donc enfin remplacer ici les neurones numériques par ce que cette fonction renvoie si elle 12:44.530 --> 12:47.400 est appliquée au format des images. 12:47.440 --> 12:50.140 C'est un par 80 par 80. 12:50.170 --> 13:00.040 Nous devons donc maintenant remplacer les neurones numériques en prenant la fonction de neurones de comptage 13:00.250 --> 13:09.040 que nous appliquons au format des images, soit 80 et 80 au total. 13:09.460 --> 13:10.400 Et c'est parti. 13:10.510 --> 13:17.140 Et bien sûr, nous ne nous oublions pas nous-mêmes, car Count neuron est en fait une méthode du test CNN. 13:17.170 --> 13:18.490 Nous devons donc ajouter le. 13:18.700 --> 13:21.190 Et maintenant, l'avertissement devrait disparaître. 13:21.190 --> 13:22.540 Et c'est parti. 13:22.540 --> 13:23.890 Maintenant tout va bien. 13:23.980 --> 13:29.930 Nous obtenons l'architecture du réseau de neurones sans rien manquer et nous avons cette fonction de combinaison si vous 13:30.140 --> 13:35.290 savez que vous voulez essayer d'autres architectures et que vous ne voulez pas compter le nombre de 13:35.290 --> 13:36.210 neurones manuellement. 13:36.340 --> 13:39.940 Si vous utilisez simplement cette fonction, vous la lisez au format de vos images. 13:40.180 --> 13:42.130 Et cela vous donnera directement ce que vous voulez. 13:42.130 --> 13:45.810 C'est le nombre de neurones dans la couche d'inondation sans rien faire. 13:45.820 --> 13:49.450 Et partout où l’architecture est cruciale. 13:49.480 --> 13:57.040 Et maintenant, nous en avons terminé avec la première grande étape importante de ce cerveau que nous faisons et nous avons une dernière 13:57.040 --> 13:57.720 étape. 13:57.790 --> 14:02.500 C’est une dernière fonction à créer, qui sera la principale fonction de transmission. 14:02.590 --> 14:07.730 Nous allons donc propager les signaux du début du cerveau qui vont des yeux 14:07.730 --> 14:12.160 à la couche de sortie qui se trouve après la deuxième connexion. 14:12.460 --> 14:15.850 Nous le ferons donc dans les deux prochaines pages et d’ici là notre IA.