WEBVTT 00:00.530 --> 00:02.950 Ciao e benvenuto in questo tutorial Python. 00:02.990 --> 00:08.520 Quindi ora il prossimo passo è quello di far funzionare quel conteggio dei neuroni che ci darà quello che vogliamo. 00:08.540 --> 00:14.130 Questo è il numero di neuroni in questo enorme vettore dopo l'applicazione delle spire. 00:14.300 --> 00:19.640 Questa è l'unica informazione mancante di cui abbiamo bisogno in questo momento e la otterremo con la funzione. 00:19.700 --> 00:23.930 Quindi rendiamo conto di questa funzione che chiameremo. 00:24.280 --> 00:27.570 E quei neuroni centrali molto semplicemente. 00:27.830 --> 00:32.220 E come funzionano questi argomenti i neuroni del conteggio. 00:32.510 --> 00:39.450 numero di neuroni di uscita nello strato di appiattimento dipende in realtà solo da una cosa. 00:39.450 --> 00:44.540 Beh, prenderà l'oggetto in sé, ma poi prenderà qualcos'altro perché questo 00:44.660 --> 00:50.840 Dipende dalle dominazioni dell'immagine di input originale quella che si trova all'inizio della 00:50.840 --> 00:51.930 rete neurale. 00:52.160 --> 00:58.370 E quindi l'unico argomento di cui abbiamo bisogno in questo momento è in realtà il momento menziona il tempo delle immagini di input. 00:58.370 --> 01:03.410 Diamo quindi un nome a questo argomento che rappresenta il diamante e l'immagine di input. 01:03.520 --> 01:06.790 E lo chiameremo immagine. 01:07.220 --> 01:07.690 Tutto ok. 01:07.850 --> 01:14.720 dirti che le dimensioni effettive delle immagini di input provenienti da Dume saranno 80 per 80. 01:14.720 --> 01:16.850 E in questo momento posso 01:16.850 --> 01:23.330 Ridurremo le dimensioni delle immagini originali a 80 per 80 e questo sarà il formato 01:23.390 --> 01:26.270 delle immagini che entrano nella rete neurale. 01:26.270 --> 01:32.300 Quindi immaginarli sarà in realtà uno 80 80 e quello corrisponde al fatto che stiamo lavorando con immagini 01:32.300 --> 01:33.750 in bianco e nero. 01:33.830 --> 01:41.040 Questo è con un solo canale, quindi l'immagine sarà correlata al totale degli ottanta e ottanta. 01:41.280 --> 01:41.560 Tutto ok. 01:41.560 --> 01:43.590 Quindi questo è l'unico argomento di cui abbiamo bisogno. 01:43.660 --> 01:45.670 E ora esaminiamo i neuroni. 01:45.850 --> 01:47.280 Quindi, come hai intenzione di farlo. 01:47.500 --> 01:51.110 Beh, prima di tutto in realtà non abbiamo alcuna immagine di input in questo momento. 01:51.250 --> 01:54.070 Non abbiamo alcuna immagine negativa che possiamo importare. 01:54.070 --> 01:55.330 Lo faremo più tardi. 01:55.540 --> 02:01.240 Quindi la prima cosa che dobbiamo fare è creare un'immagine falsa ma che ha fatto introni 80 su 80. 02:01.240 --> 02:06.160 con pixel falsi e questo ci darà comunque il numero che vogliamo perché 02:06.160 --> 02:12.280 quel numero dipende solo dalle dimensioni e non dai pixel che si trovano all'interno delle immagini. 02:12.280 --> 02:13.320 Creeremo quell'immagine falsa 02:13.330 --> 02:15.640 Quindi questo crea solo un'immagine falsa per iniziare. 02:15.730 --> 02:18.520 E poi calcoleremo il numero di neuroni che vogliamo. 02:18.520 --> 02:23.860 Quindi il trucco per creare un'immagine falsa è bene lo chiameremo x. 02:23.890 --> 02:30.700 Prima di tutto e poi avremmo usato la torcia di Rand perché sai che metteremo dei pixel 02:30.700 --> 02:37.200 casuali in queste immagini che stiamo usando queste funzioni casuali da torche che è la funzione rand. 02:37.250 --> 02:42.740 Poi all'interno inseriremo come puoi vedere le dannate immagini. 02:42.850 --> 02:44.400 Quello è uno 80 80. 02:44.560 --> 02:50.500 Ma dal momento che metteremo questa immagine nella rete neurale e ricordando che la rete neurale può accettare 02:50.500 --> 02:55.170 solo lotti di stati di input che sono qui lotti di immagini di input. 02:55.370 --> 03:00.600 Creeremo quei diamanti falsi in cui possiamo eseguire direttamente questa funzione di esecuzione. 03:00.670 --> 03:05.720 In realtà, iniziamo solo con quello che corrisponderà al batch e quindi 03:05.730 --> 03:11.070 possiamo semplicemente metterlo su tutti i 188 corrispondenti ai domini dell'immagine di input. 03:11.110 --> 03:16.980 E come hai capito queste nomination sono contenute in questa immagine, argomento che rappresenta 03:16.980 --> 03:19.330 quella tabella 1 80 80. 03:19.420 --> 03:23.290 Quindi, abbiamo solo bisogno di aggiungere loro un'immagine. 03:23.620 --> 03:29.410 Ma per passare gli elementi del tavolo perché lo sai ora Image è un doppio come 03:29.410 --> 03:31.940 una lista di argomenti di una funzione. 03:32.020 --> 03:39.460 Abbiamo bisogno di aggiungere qui prima di immaginarli prima che il negozio di Apple consenta di passare gli elementi del 03:39.550 --> 03:44.100 file di Apple a lui come elenco di argomenti per la funzione. 03:44.170 --> 03:49.600 E come puoi vedere è esattamente ciò che viene specificato qui con il negozio e il diamante. 03:49.930 --> 03:56.640 Va bene, così creerai un'immagine di pixel falsi che non avrà nulla a che fare con le immagini. 03:56.800 --> 04:01.720 ancora in grado di ottenere il numero finale di neuroni e 04:01.720 --> 04:11.080 ora l'ultima cosa che dobbiamo ricordare è convertire questo vettore di input in una variabile torcia perché questo entrerà nella rete neurale. 04:11.380 --> 04:13.060 Ma di nuovo saremo 04:13.060 --> 04:13.380 Tutto ok. 04:13.390 --> 04:20.650 Quindi questo rappresenta ora un'immagine di input di pixel casuali che è stata appena convertita in una valida e che 04:20.650 --> 04:22.440 ora entrerà nella rete neurale. 04:22.570 --> 04:28.330 E più precisamente gli strati convoluzionali della rete neurale perché poiché abbiamo solo bisogno del 04:28.330 --> 04:34.100 numero di neuroni dopo che le circonvoluzioni sono state applicate, andremo semplicemente alle convoluzioni 3. 04:34.210 --> 04:36.440 Quindi fino al terzo strato convoluzionale. 04:36.580 --> 04:39.630 E non entreremo nei due collegamenti completi qui. 04:39.850 --> 04:45.490 E questo perché il numero di neuroni che vogliamo è tra la convoluzione 3 e la f. c 1. 04:45.520 --> 04:52.120 Va bene ora che abbiamo una immagine di input con le giuste menzioni Beh, è ​​tempo di propagare 04:52.180 --> 04:58.330 questa immagine nella rete neurale per raggiungere lo strato appiattito, quindi otterremo i neuroni nello strato appiattito 04:58.330 --> 05:03.850 e otterremo solo il informazione che vogliamo che sia il numero di neuroni in questo 05:03.850 --> 05:04.750 livello di appiattimento. 05:04.990 --> 05:08.950 Quindi ora dobbiamo fare esattamente quello che facciamo in una funzione avanzata. 05:08.950 --> 05:14.560 Abbiamo bisogno di propagare i segnali nella rete neurale ma solo negli strati convoluzionali fino a 05:14.560 --> 05:16.120 raggiungere lo strato di inondazione. 05:16.330 --> 05:17.360 Quindi facciamolo. 05:17.360 --> 05:25.660 Stiamo aggiornando x ora x è l'immagine di input e con la seconda X qui X diventerà il 05:25.660 --> 05:27.050 primo strato convoluzionale. 05:27.310 --> 05:32.930 E ora quello che dobbiamo fare è che i tre passaggi procedono nel primo passo applicando la deconvoluzione alle 05:32.950 --> 05:33.790 immagini di input. 05:33.850 --> 05:40.960 Poi il secondo passo applichiamo la potatura alle immagini e agli inserti convoluti che attiviamo i 05:40.960 --> 05:48.160 neuroni in queste immagini contorte e la x diventerà questo primo convoluzionale. Sono composti da tutti 05:48.160 --> 05:50.590 questi gruppi di Energis contorti. 05:51.010 --> 05:56.840 Facciamo quindi questo primo passo applicando la prima convoluzione alle immagini di input. 05:57.040 --> 06:07.540 Quindi quello che facciamo è prendere la nostra convoluzione in un solo io che convoca Lucian che andiamo applichiamo alle nostre immagini 06:07.550 --> 06:11.360 di input che finora sono rappresentate da x. 06:11.500 --> 06:14.290 Quindi questo è il primo che è stato fatto per primo. 06:14.320 --> 06:22.630 Secondo passo applicheremo lo spooling alle nostre immagini convolute restituite dalla convoluzione quando X e due climax 06:22.640 --> 06:26.880 che tirano Bene, prenderemo una funzione dal modulo funzionale. 06:26.920 --> 06:34.610 Quindi prendiamo la scorciatoia e poi useremo la funzione Max pool a D. 06:34.810 --> 06:42.340 una X tra parentesi del tiro massimo verso il perché suoniamo il prossimo tiro nelle immagini contorte. 06:42.360 --> 06:45.220 È quello che mettiamo in auto-convoluzione 06:45.750 --> 06:53.140 Ma questa funzione successiva richiede argomenti addizionali che sono prima la dimensione del kernel. 06:53.190 --> 06:59.190 Quindi di nuovo questa è la dimensione della finestra che scorre attraverso le immagini e che prenderà il massimo 06:59.190 --> 07:00.710 dei pixel in ogni diapositiva. 07:00.830 --> 07:06.750 In questo modo verranno comunque rilevate le funzionalità poiché le funzionalità sono associate a un valore elevato del 07:06.840 --> 07:07.750 pixel negli array. 07:07.890 --> 07:09.580 Come dici tu lezioni di intuizione. 07:09.780 --> 07:14.020 Quindi questa prima necessità umana documentata di input è questa dimensione del kernel. 07:14.100 --> 07:15.560 E ne prenderemo tre. 07:15.660 --> 07:17.650 Questa è una scelta comune per le dimensioni del kernel. 07:17.940 --> 07:25.200 E poi abbiamo bisogno di mettere il passo che sai per quanti pixel scivolerà nelle immagini. 07:25.200 --> 07:27.560 E faremo un passo indietro di due. 07:27.610 --> 07:29.400 Ancora una volta è una scelta comune. 07:29.820 --> 07:30.670 Quindi eccoci. 07:30.690 --> 07:32.530 Ora il secondo passo è fatto. 07:32.620 --> 07:38.910 passiamo al terzo passo che è quello di attivare tutti i neuroni in questo pool e le immagini contorte. 07:38.910 --> 07:39.580 E ora 07:39.610 --> 07:46.090 E questo primo strato di convoluzione e per fare questo ancora applicheremo una funzione a tutto questo. 07:46.170 --> 07:51.960 E così qui e riprenderò perché prenderemo un'altra funzione che, come avresti potuto immaginare, 07:52.050 --> 07:55.170 sarà una funzione di attivazione, ma quale. 07:55.230 --> 08:01.410 Come al solito verrà ripristinata la funzione di attivazione e forse ti ricordi il nome per quello 08:01.620 --> 08:02.330 è davvero. 08:02.790 --> 08:03.410 Eccoci. 08:03.450 --> 08:04.290 È lui. 08:04.290 --> 08:12.540 E così applichiamo davvero alle nostre immagini complesse raggruppate che è tutto questo. 08:12.540 --> 08:12.940 Tutto ok. 08:12.990 --> 08:14.270 E questo è tutto. 08:14.370 --> 08:15.320 Tre passi fatti. 08:15.330 --> 08:16.370 E 'stato molto veloce 08:16.500 --> 08:23.460 Quindi ricordate il modo in cui dobbiamo guardare questo è il primo che applichiamo la convoluzione alle nostre 08:23.460 --> 08:28.830 immagini di input, quindi applichiamo Max alle nostre immagini contorte ottenute con una convoluzione. 08:28.950 --> 08:35.730 strato convoluzionale su cui si è tirato un climax e in cui i neuroni sono ora attivati. 08:35.730 --> 08:43.960 E poi attiviamo i neuroni in tutto questo strato convoluzionale dello stagno con la funzione di attivazione del raddrizzatore così perfetta 08:44.050 --> 08:46.200 che otteniamo il nostro primo 08:46.260 --> 08:51.640 E così fondamentalmente ciò che fa è che si propaga i segnali dal primo strato convoluzionale 08:51.640 --> 08:52.500 a quello successivo. 08:52.630 --> 08:56.580 E a proposito di quello successivo è esattamente ciò di cui ci occuperemo adesso. 08:56.570 --> 09:01.660 Faremo la stessa cosa che abbiamo appena fatto sul primo convoluzionale al 09:01.660 --> 09:08.170 secondo strato convoluzionale per propagare nuovamente i segnali ulteriormente nella rete neurale attivando i neuroni 09:08.170 --> 09:09.660 del secondo strato convoluzionale. 09:09.850 --> 09:12.910 Ma prima di fare questo dobbiamo ottenere questo strato convoluzionale. 09:13.120 --> 09:18.330 E quindi applicheremo la convoluzione a X che ora è il primo strato convoluzionale. 09:18.460 --> 09:24.070 Bene applicheremo la convoluzione a 2 x per ottenere il secondo strato convoluzionale dopo il quale 09:24.070 --> 09:25.120 Max lo tirerà. 09:25.240 --> 09:27.860 E poi finalmente attivando Sirat. 09:27.970 --> 09:29.070 Quindi facciamolo. 09:29.170 --> 09:35.350 In realtà è molto facile solo copiarlo e incollarlo sotto. 09:35.350 --> 09:39.240 Ovviamente, dobbiamo sostituire anche la convoluzione per convoluzione. 09:39.520 --> 09:40.460 E noi andiamo. 09:40.480 --> 09:43.650 In realtà è pronto, vedi molto facile. 09:43.900 --> 09:50.200 E ora con questa linea propagiamo i segnali dal secondo convoluzionale al successivo che 09:50.260 --> 09:52.580 sarà il terzo convoluzionale lì. 09:52.720 --> 09:57.220 E per ottenere questo terzo convincente dovrà applicarlo di nuovo. 09:57.220 --> 10:04.630 Quindi sto copiando questo incollaggio qui sotto e sostituendo la convoluzione anche con la convoluzione 3 e ciò è fatto 10:04.870 --> 10:06.340 non è così pratico. 10:06.340 --> 10:11.490 Propaghiamo i segnali nelle tre lettere convoluzionali in una torcia elettrica. 10:11.500 --> 10:13.100 Grazie a questa fantastica struttura. 10:14.020 --> 10:15.340 Va bene così perfetto. 10:15.340 --> 10:21.250 Ora abbiamo i nostri segnali propagati fino al terzo strato convoluzionale e dopo. 10:21.360 --> 10:24.780 E a proposito di questo ci porta a ciò che stiamo cercando. 10:24.820 --> 10:28.510 Quello che ci interessa è l'appiattimento lì. 10:28.510 --> 10:33.620 Va bene ora che abbiamo il nostro terzo convoluzionale là che è l'ultima X qui. 10:33.790 --> 10:36.120 È tempo di fare il nostro appiattimento. 10:36.490 --> 10:37.990 E così è esattamente quello che faremo. 10:37.990 --> 10:44.200 Ora andremo ad appiattire tutti i pixel di questo terzo strato convoluzionale che stiamo per prendere 10:44.290 --> 10:48.430 tutti i pixel di tutti i canali del terzo strato convoluzionale. 10:48.640 --> 10:51.920 Li metteremo uno dopo l'altro in un enorme vettore. 10:52.150 --> 10:56.920 E ovviamente questo enorme vettore non sarà altro che lo strato appiattito e allo 10:56.920 --> 11:02.000 stesso tempo useremo un trucco per ottenere il numero di neuroni in questo appiattimento. 11:02.070 --> 11:03.790 Questo è quello che stiamo cercando. 11:03.790 --> 11:09.370 di neuroni che ci manca e quindi restituiamo direttamente ciò che vogliamo e in questo ritorno andremo ad appiattire 11:09.370 --> 11:15.130 il terzo strato convoluzionale e raggiungere lo stesso numero e il numero di neuroni in questo livello di appiattimento. 11:15.130 --> 11:16.330 Questo è il numero 11:16.630 --> 11:20.150 Quindi prenderemo X. che è il nostro terzo convoluzionale là. 11:20.320 --> 11:25.150 Prenderemo tutti i canali del terzo convoluzionale e useremo una funzione che è 11:25.150 --> 11:32.160 la funzione delle dimensioni per appiattire tutti i pixel di tutti questi canali in uno stesso enorme vettore. 11:32.230 --> 11:35.930 E quindi il trucco lo puoi trovare nel pito a guardare la fatica. 11:36.130 --> 11:42.400 Bene prima prendiamo i dati di X perché X è una struttura speciale, sai che è una torcia Voivode 11:42.400 --> 11:44.250 Quindi ha una struttura piuttosto complessa. 11:44.320 --> 11:51.920 Ma prima dobbiamo accedervi con i dati qui, quindi dobbiamo vedere cosa c'è dentro. 11:52.090 --> 11:57.700 Quindi usiamo questa funzione di visualizzazione e ora abbiamo bisogno di accedere a ciò che stiamo 11:57.700 --> 12:01.980 cercando e che è anche con gli argomenti 1 e meno 1. 12:02.230 --> 12:04.390 Devi capire cosa c'è dentro la struttura. 12:04.510 --> 12:10.060 Ma puoi capire che questo è il modo in cui otterremo questo numero di 12:10.150 --> 12:15.560 neuroni e quindi per finire dobbiamo aggiungere dimensioni tra parentesi e input interni 1. 12:15.880 --> 12:21.610 Quindi, in pratica, ciò che facciamo qui è che prendiamo tutti i pixel di tutti i canali 12:21.610 --> 12:27.180 e li mettiamo uno dopo l'altro in questo enorme vettore che sarà l'input della rete completamente connessa. 12:27.190 --> 12:29.250 Questo è fondamentalmente ciò che fa la dimensione. 12:29.410 --> 12:34.060 E con questo possiamo ottenere questo numero di nuovi che stiamo cercando. 12:34.060 --> 12:36.460 Va bene così ora otteniamo ciò che vogliamo. 12:36.490 --> 12:44.350 E così finalmente possiamo sostituire qui i neuroni del numero con ciò che viene restituito da questa funzione 12:44.530 --> 12:47.400 quando viene applicata al formato delle immagini. 12:47.440 --> 12:50.140 Quello è uno per 80 per 80. 12:50.170 --> 13:00.040 Quindi quello che dobbiamo fare ora è sostituire i neuroni del numero con la funzione dei neuroni 13:00.250 --> 13:09.040 di conteggio che applichiamo al formato delle immagini che sarà il totale 80 e 80. 13:09.460 --> 13:10.400 E noi andiamo. 13:10.510 --> 13:17.140 E naturalmente non dimentichiamo noi stessi perché il conteggio dei neuroni è in realtà un metodo del test della CNN. 13:17.170 --> 13:18.490 Quindi abbiamo bisogno di aggiungere il. 13:18.700 --> 13:21.190 E ora l'avviso dovrebbe scomparire. 13:21.190 --> 13:22.540 E noi andiamo. 13:22.540 --> 13:23.890 Ora tutto è buono. 13:23.980 --> 13:29.930 Otteniamo l'architettura della rete neurale senza nulla e abbiamo questa funzione di contrappesi nel caso in 13:30.140 --> 13:35.290 cui tu sappia che vuoi provare altre architetture e non vuoi contare manualmente il 13:35.290 --> 13:36.210 numero di neuroni. 13:36.340 --> 13:39.940 Basta usare questa funzione per riprodurla nel formato delle tue immagini. 13:40.180 --> 13:42.130 E questo ti porterà direttamente ciò che desideri. 13:42.130 --> 13:45.810 Questo è il numero di neuroni nello strato di inondazione senza dover fare nulla. 13:45.820 --> 13:49.450 E ovunque l'architettura è critica. 13:49.480 --> 13:57.040 E ora abbiamo finito con il primo grande passo importante di questo cervello che stiamo facendo e abbiamo un 13:57.040 --> 13:57.720 ultimo passo. 13:57.790 --> 14:02.500 Questa è l'ultima funzione per stabilire quale sarà la principale funzione di avanzamento. 14:02.590 --> 14:07.730 occhi dell'occhio allo strato di output che è dopo la seconda connessione. 14:07.730 --> 14:12.160 Quindi propagheremo i segnali dall'inizio del cervello che proviene dagli 14:12.460 --> 14:15.850 Quindi lo faremo nei prossimi due toile e fino ad allora la nostra IA.