WEBVTT 00:00.530 --> 00:02.950 Halo dan selamat datang di tutorial Python ini. 00:02.990 --> 00:08.520 Jadi sekarang langkah selanjutnya adalah membuat fungsi neuron hitungan yang akan memberikan apa yang kita inginkan. 00:08.540 --> 00:14.130 Itulah jumlah neuron dalam vektor besar ini setelah konvolusi diterapkan. 00:14.300 --> 00:19.640 Itulah satu-satunya informasi yang hilang yang kami butuhkan saat ini dan kami akan mendapatkannya dengan fungsinya. 00:19.700 --> 00:23.930 Jadi mari kita buat fungsi ini yang kita sebut sebagai hitungan. 00:24.280 --> 00:27.570 Dan neuron-neuron inti itu sangat sederhana. 00:27.830 --> 00:32.220 Dan apa fungsi hitungan neuron ini akan mengambil sebagai argumen. 00:32.510 --> 00:39.450 Yah itu akan mengambil objek sendiri tetapi kemudian akan mengambil sesuatu yang lain karena jumlah 00:39.450 --> 00:44.540 neuron output di lapisan rata sebenarnya hanya tergantung pada satu hal. 00:44.660 --> 00:50.840 Itu tergantung pada dominasi gambar input asli yang masuk di awal jaringan 00:50.840 --> 00:51.930 saraf. 00:52.160 --> 00:58.370 Dan satu-satunya argumen yang kita butuhkan saat ini sebenarnya waktu menyebutkan waktu gambar input. 00:58.370 --> 01:03.410 Oleh karena itu mari kita beri nama untuk argumen ini yang mewakili berlian dan gambar input. 01:03.520 --> 01:06.790 Dan kita akan menyebutnya gambar. 01:07.220 --> 01:07.690 Baiklah. 01:07.850 --> 01:14.720 Dan saya dapat memberitahu Anda sekarang bahwa dimensi sebenarnya dari gambar input yang berasal dari Dume akan 01:14.720 --> 01:16.850 menjadi 80 kali 80. 01:16.850 --> 01:23.330 Kita akan mengurangi ukuran gambar asli menjadi 80 dengan 80 dan itu akan menjadi format 01:23.390 --> 01:26.270 gambar yang masuk ke jaringan saraf. 01:26.270 --> 01:32.300 Jadi Gambar mereka sebenarnya akan menjadi satu 80 80 dan yang sesuai dengan kenyataan bahwa kami bekerja dengan 01:32.300 --> 01:33.750 gambar hitam dan putih. 01:33.830 --> 01:41.040 Itu hanya dengan satu saluran sehingga gambar mereka akan dikorelasikan dengan total satu delapan puluh dan 80. 01:41.280 --> 01:41.560 Baiklah. 01:41.560 --> 01:43.590 Jadi itulah satu-satunya argumen yang kita butuhkan. 01:43.660 --> 01:45.670 Dan sekarang mari kita memindai neuron. 01:45.850 --> 01:47.280 Jadi bagaimana Anda akan melakukannya. 01:47.500 --> 01:51.110 Yah pertama-tama kita sebenarnya tidak memiliki gambar input apa pun sekarang. 01:51.250 --> 01:54.070 Kami tidak memiliki gambar malapetaka yang dapat kami impor. 01:54.070 --> 01:55.330 Kami akan melakukannya nanti. 01:55.540 --> 02:01.240 Jadi hal pertama yang harus kita lakukan adalah membuat gambar palsu tapi itu sudah dilakukan intron 80 lebih dari 80. 02:01.240 --> 02:06.160 Kita akan membuat gambar palsu dengan piksel palsu dan yang akhirnya akan memberi kita 02:06.160 --> 02:12.280 jumlah yang kita inginkan karena angka itu hanya tergantung pada dimensi dan bukan pada piksel yang ada di 02:12.280 --> 02:13.320 dalam gambar. 02:13.330 --> 02:15.640 Jadi ini hanya membuat gambar palsu untuk memulai. 02:15.730 --> 02:18.520 Dan kemudian kita akan menghitung jumlah neuron yang kita inginkan. 02:18.520 --> 02:23.860 Jadi trik untuk membuat gambar palsu adalah baik kita akan menyebutnya x. 02:23.890 --> 02:30.700 Pertama-tama dan kemudian kami akan menggunakan obor Rand itu karena Anda tahu kami akan menempatkan beberapa piksel 02:30.700 --> 02:37.200 acak dalam gambar ini yang kami gunakan fungsi acak ini dari torche yang merupakan fungsi rand. 02:37.250 --> 02:42.740 Kemudian di dalam kita akan input karena Anda dapat melihat kutukan gambar. 02:42.850 --> 02:44.400 Itu adalah satu 80 80. 02:44.560 --> 02:50.500 Tetapi karena kita akan menempatkan gambar ini ke dalam jaringan saraf dan seperti yang Anda ingat, jaringan saraf 02:50.500 --> 02:55.170 hanya dapat menerima kumpulan status masukan yang ada di sini kumpulan gambar input. 02:55.370 --> 03:00.600 Kita akan membuat berlian palsu di mana kita bisa langsung menjalankan fungsi ini. 03:00.670 --> 03:05.720 Kami sebenarnya baru saja memulai dengan yang akan sesuai dengan 03:05.730 --> 03:11.070 batch dan kemudian kita bisa memasukan semuanya sesuai dengan dominasi gambar input. 03:11.110 --> 03:16.980 Dan seperti yang Anda pahami, nominasi-nominasi ini terkandung dalam gambar ini, argumen mereka yang 03:16.980 --> 03:19.330 mewakili tabel 1 80 80. 03:19.420 --> 03:23.290 Jadi kita hanya perlu menambahkan gambarnya. 03:23.620 --> 03:29.410 Tetapi untuk melewati elemen-elemen tabel karena Anda tahu sekarang Gambar mereka adalah ganda sebagai 03:29.410 --> 03:31.940 daftar argumen dari suatu fungsi. 03:32.020 --> 03:39.460 Kita perlu menambahkan di sini sebelum gambar mereka ada sebelum Apple menyimpan toko akan memungkinkan untuk melewati elemen 03:39.550 --> 03:44.100 yang dicitrakan padanya ke Apple sebagai daftar argumen untuk fungsi. 03:44.170 --> 03:49.600 Dan seperti yang Anda lihat, itulah yang ditentukan di sini dengan toko dan berliannya. 03:49.930 --> 03:56.640 Baiklah, itu akan membuat gambar piksel palsu yang tidak ada hubungannya dengan gambar. 03:56.800 --> 04:01.720 Tetapi sekali lagi kita masih bisa mendapatkan jumlah neuron terakhir 04:01.720 --> 04:11.080 dan sekarang hal terakhir yang perlu kita ingat adalah mengubah vektor input ini menjadi variabel obor karena ini akan masuk 04:11.380 --> 04:13.060 ke jaringan saraf. 04:13.060 --> 04:13.380 Baiklah. 04:13.390 --> 04:20.650 Jadi ini sekarang merupakan gambar input piksel acak yang baru saja dikonversi menjadi layak dan yang sekarang akan 04:20.650 --> 04:22.440 masuk ke jaringan saraf. 04:22.570 --> 04:28.330 Dan lebih khusus lagi lapisan konvolusional dari jaringan saraf karena karena kita 04:28.330 --> 04:34.100 hanya perlu jumlah neuron setelah konvolusi diterapkan, kita akan naik ke konvolusi 3. 04:34.210 --> 04:36.440 Jadi sampai ke lapisan konvolusional ketiga. 04:36.580 --> 04:39.630 Dan kita tidak akan masuk ke dua koneksi penuh di sini. 04:39.850 --> 04:45.490 Dan itu karena jumlah neuron yang kita inginkan adalah antara konvolusi 3 dan f. c 1. 04:45.520 --> 04:52.120 Baiklah jadi sekarang kita memiliki satu input gambar dengan menyebutkan benar Nah saatnya untuk menyebarkan gambar ini 04:52.180 --> 04:58.330 ke jaringan saraf untuk mencapai lapisan perataan maka kita akan mendapatkan neuron di lapisan rata dan 04:58.330 --> 05:03.850 kita hanya akan mendapatkan informasi yang kami inginkan adalah jumlah neuron dalam lapisan yang 05:03.850 --> 05:04.750 rata ini. 05:04.990 --> 05:08.950 Jadi sekarang yang harus kita lakukan adalah apa yang kita lakukan di fungsi maju. 05:08.950 --> 05:14.560 Kita perlu menyebarkan sinyal ke jaringan saraf tetapi hanya di lapisan convolutional sampai kita 05:14.560 --> 05:16.120 mencapai lapisan flooding. 05:16.330 --> 05:17.360 Jadi mari kita lakukan ini. 05:17.360 --> 05:25.660 Kita akan memperbarui x sekarang x adalah gambar input dan dengan X kedua di sini X akan menjadi 05:25.660 --> 05:27.050 lapisan convolutional pertama. 05:27.310 --> 05:32.930 Dan sekarang yang harus kita lakukan adalah proses tiga langkah langkah pertama kita menerapkan dekonvolusi ke 05:32.950 --> 05:33.790 gambar input. 05:33.850 --> 05:40.960 Kemudian langkah kedua kita menerapkan pemangkasan campuran ke gambar berbelit-belit dan memasukkan 05:40.960 --> 05:48.160 bahwa kita mengaktifkan neuron dalam gambar berbelit-belit berdenyut ini dan x akan menjadi 05:48.160 --> 05:50.590 konvolusional pertama ini. 05:51.010 --> 05:56.840 Jadi mari kita lakukan langkah pertama ini menerapkan konvolusi konvolusi pertama ke gambar input. 05:57.040 --> 06:07.540 Jadi apa yang kita lakukan adalah mengambil konvolusi satu diri dengan obrolan Lucian yang kita lanjutkan, kita terapkan pada gambar input 06:07.550 --> 06:11.360 kami yang sejauh ini diwakili oleh x. 06:11.500 --> 06:14.290 Jadi itulah yang pertama yang dilakukan sekarang. 06:14.320 --> 06:22.630 Langkah kedua kita akan menerapkan spooling ke gambar berbelit-belit kami dikembalikan oleh konvolusi ketika X dan dua klimaks 06:22.640 --> 06:26.880 menarik Yah kita akan mengambil fungsi dari modul fungsional. 06:26.920 --> 06:34.610 Jadi kita mengambil jalan pintas dari itu dan kemudian kita akan menggunakan fungsi Max pool ke D. 06:34.810 --> 06:42.340 Itulah yang kami letakkan konvolusi diri satu X dalam tanda kurung dari tarikan maks ke karena kami memainkan tarikan 06:42.360 --> 06:45.220 berikutnya ke dalam gambar yang berbelit-belit. 06:45.750 --> 06:53.140 Tetapi fungsi selanjutnya ini membutuhkan argumen tambahan yang mana pertama-tama adalah ukuran kernel. 06:53.190 --> 06:59.190 Jadi sekali lagi itu ukuran jendela yang menggeser gambar Anda dan itu akan mengambil maksimum piksel 06:59.190 --> 07:00.710 di setiap slide. 07:00.830 --> 07:06.750 Sehingga masih akan mendeteksi fitur-fitur tersebut karena fitur-fitur tersebut terkait dengan nilai piksel yang tinggi 07:06.840 --> 07:07.750 dalam array. 07:07.890 --> 07:09.580 Seperti yang Anda katakan kuliah intuisi. 07:09.780 --> 07:14.020 Jadi input manusia yang pertama kali didokumentasikan untuk input adalah ukuran kernel ini. 07:14.100 --> 07:15.560 Dan kita akan mengambil tiga. 07:15.660 --> 07:17.650 Itu pilihan umum untuk ukuran kernel. 07:17.940 --> 07:25.200 Dan kemudian kita perlu meletakkan langkah yang Anda tahu dengan berapa banyak piksel yang akan meluncur dalam gambar. 07:25.200 --> 07:27.560 Dan kita akan mengambil langkah dua. 07:27.610 --> 07:29.400 Sekali lagi itu adalah pilihan umum. 07:29.820 --> 07:30.670 Jadi begitulah. 07:30.690 --> 07:32.530 Sekarang langkah kedua selesai. 07:32.620 --> 07:38.910 Dan sekarang mari kita lanjutkan ke langkah ketiga yaitu untuk mengaktifkan semua neuron di kolam ini dan gambar yang 07:38.910 --> 07:39.580 berbelit-belit. 07:39.610 --> 07:46.090 Dan ini lapisan konvolusi pertama dan untuk melakukan ini lagi kita akan menerapkan fungsi untuk semua ini. 07:46.170 --> 07:51.960 Jadi di sini dan mengambil lagi karena kita akan mengambil fungsi lain yang seperti yang Anda 07:52.050 --> 07:55.170 duga akan menjadi fungsi aktivasi tetapi yang mana. 07:55.230 --> 08:01.410 Seperti biasa itu akan diperbaiki fungsi aktivasi dan mungkin Anda ingat nama untuk yang 08:01.620 --> 08:02.330 sebenarnya. 08:02.790 --> 08:03.410 Itu dia. 08:03.450 --> 08:04.290 Itu dia. 08:04.290 --> 08:12.540 Jadi kami benar-benar menerapkan gambar berbelit-belit yang dikumpulkan ini. 08:12.540 --> 08:12.940 Baiklah. 08:12.990 --> 08:14.270 Dan itu saja. 08:14.370 --> 08:15.320 Tiga langkah dilakukan. 08:15.330 --> 08:16.370 Itu sangat cepat. 08:16.500 --> 08:23.460 Jadi ingat cara kita harus melihat ini, pertama kita menerapkan konvolusi ke gambar input kita, lalu 08:23.460 --> 08:28.830 kita menerapkan Max menarik ke gambar berbelit-belit yang diperoleh dengan konvolusi. 08:28.950 --> 08:35.730 Dan kemudian kita mengaktifkan neuron dalam semua lapisan konvolusional ini dengan fungsi aktivasi 08:35.730 --> 08:43.960 penyearah yang begitu sempurna, kita mendapatkan lapisan konvolusional pertama kita yang menarik klimaks dan di mana 08:44.050 --> 08:46.200 neuron sekarang diaktifkan. 08:46.260 --> 08:51.640 Dan pada dasarnya yang dilakukannya adalah menyebarkan sinyal dari lapisan konvolusional pertama ke 08:51.640 --> 08:52.500 yang berikutnya. 08:52.630 --> 08:56.580 Dan berbicara tentang yang berikutnya itulah yang akan kita tangani saat ini. 08:56.570 --> 09:01.660 Kita akan melakukan hal yang sama seperti yang baru saja kita lakukan pada konvolusional pertama 09:01.660 --> 09:08.170 di sana ke lapisan konvolusional kedua untuk menyebarkan kembali sinyal lebih jauh ke dalam jaringan saraf dengan mengaktifkan neuron 09:08.170 --> 09:09.660 pada lapisan konvolusional kedua. 09:09.850 --> 09:12.910 Tetapi sebelum melakukan ini kita perlu mendapatkan lapisan konvolusional ini. 09:13.120 --> 09:18.330 Jadi kita akan menerapkan konvolusi ke X yang sekarang merupakan lapisan konvolusional pertama. 09:18.460 --> 09:24.070 Yah kita akan menerapkan konvolusi ke 2 x untuk mendapatkan lapisan konvolusional kedua setelah itu akan 09:24.070 --> 09:25.120 Max menariknya. 09:25.240 --> 09:27.860 Dan akhirnya mengaktifkan Sirat. 09:27.970 --> 09:29.070 Jadi mari kita lakukan ini. 09:29.170 --> 09:35.350 Sebenarnya sangat mudah kita hanya menyalinnya dan menempelkannya di bawah. 09:35.350 --> 09:39.240 Sekarang tentu saja kita perlu mengganti konvolusi satu dengan konvolusi juga. 09:39.520 --> 09:40.460 Dan kita mulai. 09:40.480 --> 09:43.650 Itu sebenarnya sudah siap dilihat dengan sangat mudah. 09:43.900 --> 09:50.200 Dan sekarang dengan garis ini kita menyebarkan sinyal dari konvolusional kedua di sana ke yang berikutnya yang 09:50.260 --> 09:52.580 akan menjadi konvolusional ketiga di sana. 09:52.720 --> 09:57.220 Dan untuk mendapatkan konvolusional ketiga ini perlu menerapkannya lagi. 09:57.220 --> 10:04.630 Jadi saya menyalin ini paste di bawah ini dan mengganti konvolusi juga dengan konvolusi 3 dan itu dilakukan 10:04.870 --> 10:06.340 bukan begitu praktis. 10:06.340 --> 10:11.490 Kami menyebarkan sinyal dalam tiga huruf konvolusional dalam senter. 10:11.500 --> 10:13.100 Berkat struktur yang luar biasa ini. 10:14.020 --> 10:15.340 Baiklah, begitu sempurna. 10:15.340 --> 10:21.250 Sekarang sinyal kami disebarkan ke lapisan konvolusional ketiga dan sesudahnya. 10:21.360 --> 10:24.780 Dan berbicara tentang setelah itu menuntun kita ke apa yang kita cari. 10:24.820 --> 10:28.510 Yang kami minati adalah perataan di sana. 10:28.510 --> 10:33.620 Baiklah sekarang kita memiliki konvolusional ketiga di sana, itulah X terakhir di sini. 10:33.790 --> 10:36.120 Sudah waktunya untuk mengeluarkan kita. 10:36.490 --> 10:37.990 Dan itulah yang akan kita lakukan. 10:37.990 --> 10:44.200 Sekarang kita akan meratakan semua piksel dari lapisan konvolusional ketiga ini yaitu kita akan 10:44.290 --> 10:48.430 mengambil semua piksel semua saluran dari lapisan konvolusional ketiga. 10:48.640 --> 10:51.920 Kita akan menempatkan mereka satu per satu dalam vektor besar. 10:52.150 --> 10:56.920 Dan tentu saja vektor besar ini akan menjadi tidak lain dari lapisan perataan dan pada 10:56.920 --> 11:02.000 saat yang sama kita akan menggunakan trik untuk mendapatkan jumlah neuron dalam perataan ini di sana. 11:02.070 --> 11:03.790 Itu yang kami cari. 11:03.790 --> 11:09.370 Itu adalah jumlah neuron yang hilang dan oleh karena itu mari kita langsung mengembalikan apa yang kita inginkan 11:09.370 --> 11:15.130 dan dalam pengembalian ini kita akan meratakan lapisan konvolusional ketiga dan mendapatkan yang sama dan jumlah neuron dalam lapisan 11:15.130 --> 11:16.330 yang mendatar ini. 11:16.630 --> 11:20.150 Jadi kita akan mengambil X. yang convolutional ketiga kami di sana. 11:20.320 --> 11:25.150 Kita akan mengambil semua saluran konvolusional ketiga di sana dan kita akan 11:25.150 --> 11:32.160 menggunakan fungsi yang merupakan fungsi ukuran untuk meratakan semua piksel semua saluran dalam satu vektor besar yang sama. 11:32.230 --> 11:35.930 Dan trik yang Anda dapat menemukannya di layang-layang menonton jerih payah. 11:36.130 --> 11:42.400 Yah pertama-tama kita ambil data X karena X adalah struktur khusus lho Voivode obor Jadi dia punya 11:42.400 --> 11:44.250 struktur yang cukup kompleks. 11:44.320 --> 11:51.920 Tetapi pertama-tama kita perlu mengaksesnya dengan data di sini kemudian kita perlu melihat apa yang ada di dalamnya. 11:52.090 --> 11:57.700 Jadi kita menggunakan fungsi view ini dan sekarang kita perlu mengakses apa yang kita 11:57.700 --> 12:01.980 cari dan itu bahkan dengan argumen 1 dan minus 1. 12:02.230 --> 12:04.390 Anda harus memahami apa yang ada di dalam struktur. 12:04.510 --> 12:10.060 Tapi Anda bisa mengerti bahwa ini adalah bagaimana kita akan mendapatkan jumlah neuron ini dan 12:10.150 --> 12:15.560 kemudian untuk menyelesaikan kita perlu menambahkan ukuran dalam tanda kurung dan input dalam 1. 12:15.880 --> 12:21.610 Jadi pada dasarnya apa yang kami lakukan di sini adalah apa yang kami lakukan adalah mengambil semua piksel dari semua saluran 12:21.610 --> 12:27.180 dan kami menempatkannya satu demi satu dalam vektor besar ini yang akan menjadi input dari jaringan yang sepenuhnya terhubung. 12:27.190 --> 12:29.250 Itu pada dasarnya apa ukurannya. 12:29.410 --> 12:34.060 Dan dengan ini kita bisa mendapatkan jumlah yang baru yang kita cari. 12:34.060 --> 12:36.460 Baiklah sekarang kita mendapatkan apa yang kita inginkan. 12:36.490 --> 12:44.350 Dan akhirnya kita dapat mengganti neuron angka di sini dengan apa yang dikembalikan oleh fungsi ini 12:44.530 --> 12:47.400 ketika diterapkan pada format gambar. 12:47.440 --> 12:50.140 Itu satu per 80 oleh 80. 12:50.170 --> 13:00.040 Jadi yang harus kita lakukan sekarang adalah mengganti neuron bilangan dengan mengambil fungsi neuron 13:00.250 --> 13:09.040 hitung yang kita terapkan pada format gambar yang totalnya 80 dan 80. 13:09.460 --> 13:10.400 Dan kita mulai. 13:10.510 --> 13:17.140 Dan tentu saja kita tidak lupa diri karena Count neuron sebenarnya adalah metode tes CNN. 13:17.170 --> 13:18.490 Jadi kita perlu menambahkan. 13:18.700 --> 13:21.190 Dan sekarang peringatan itu seharusnya hilang. 13:21.190 --> 13:22.540 Dan kita mulai. 13:22.540 --> 13:23.890 Sekarang semuanya baik-baik saja. 13:23.980 --> 13:29.930 Kami mendapatkan arsitektur jaringan saraf dengan tidak ada yang hilang dan kami memiliki fungsi balasan ini jika 13:30.140 --> 13:35.290 Anda tahu Anda ingin mencoba beberapa arsitektur lain dan Anda tidak ingin menghitung jumlah neuron 13:35.290 --> 13:36.210 secara manual. 13:36.340 --> 13:39.940 Anda cukup menggunakan fungsi ini, Anda memainkannya dengan format gambar Anda. 13:40.180 --> 13:42.130 Dan ini akan memberi Anda langsung apa yang Anda inginkan. 13:42.130 --> 13:45.810 Itu adalah jumlah neuron di lapisan flooding tanpa harus melakukan apa pun. 13:45.820 --> 13:49.450 Dan di mana pun arsitekturnya itu penting. 13:49.480 --> 13:57.040 Dan sekarang kita sudah selesai dengan langkah penting pertama dari otak yang kita buat ini dan kita punya satu langkah 13:57.040 --> 13:57.720 terakhir. 13:57.790 --> 14:02.500 Itu adalah satu fungsi terakhir yang akan menjadi fungsi maju utama. 14:02.590 --> 14:07.730 Jadi kita akan menyebarkan sinyal dari awal otak yang dari 14:07.730 --> 14:12.160 mata ke lapisan output yang setelah koneksi kedua. 14:12.460 --> 14:15.850 Jadi kita akan melakukan itu dalam dua toile berikutnya dan sampai saat itu AI kita.