WEBVTT 00:00.530 --> 00:02.950 Bună ziua și bun venit la acest tutorial Python. 00:02.990 --> 00:08.520 Deci, acum, următorul pas este acela de a face ca funcția de neuroni să numere ceea ce ne va da ceea ce vrem. 00:08.540 --> 00:14.130 Acesta este numărul de neuroni din acest vector uriaș după aplicarea convoluțiilor. 00:14.300 --> 00:19.640 Aceasta este singura informație lipsă de care avem nevoie acum și o vom obține cu funcția. 00:19.700 --> 00:23.930 Deci, să facem această funcție pe care o vom numi contează. 00:24.280 --> 00:27.570 Și acei neuroni de bază foarte simplu. 00:27.830 --> 00:32.220 Și ce este această funcție neuronilor contează va lua ca argumente. 00:32.510 --> 00:39.450 Ei bine, este de gând să ia obiectul de sine, dar apoi va lua altceva, deoarece acest număr de neuroni 00:39.450 --> 00:44.540 de ieșire în stratul de aplatizare, de fapt depinde doar de un singur lucru. 00:44.660 --> 00:50.840 Depinde de dominările imaginii originale de intrare care se află la începutul 00:50.840 --> 00:51.930 rețelei neuronale. 00:52.160 --> 00:58.370 Și astfel, singurul argument de care avem nevoie chiar acum este momentul în care se menționează calendarul imaginilor de intrare. 00:58.370 --> 01:03.410 De aceea, să dăm un nume acestui argument care reprezintă diamantul și imaginea de intrare. 01:03.520 --> 01:06.790 Și o vom numi imaginea. 01:07.220 --> 01:07.690 In regula. 01:07.850 --> 01:14.720 Și vă pot spune chiar acum că dimensiunile reale ale imaginilor de intrare de la Dume vor 01:14.720 --> 01:16.850 fi 80 la 80. 01:16.850 --> 01:23.330 Vom reduce dimensiunea imaginilor originale la 80 la 80 și asta va fi formatul 01:23.390 --> 01:26.270 imaginilor care intră în rețeaua neurală. 01:26.270 --> 01:32.300 Deci imaginea de fapt va fi una 80 80 și una corespunde faptului că lucrăm 01:32.300 --> 01:33.750 cu imagini alb-negru. 01:33.830 --> 01:41.040 Acesta este un singur canal, astfel încât imaginea va fi corelată cu totalul celor optzeci și 80. 01:41.280 --> 01:41.560 In regula. 01:41.560 --> 01:43.590 Deci, acesta este singurul argument de care avem nevoie. 01:43.660 --> 01:45.670 Și acum să scanăm neuronii. 01:45.850 --> 01:47.280 Și cum o să faci asta? 01:47.500 --> 01:51.110 În primul rând, de fapt, nu avem nici o imagine de intrare chiar acum. 01:51.250 --> 01:54.070 Nu avem nicio imagine care să putem importa. 01:54.070 --> 01:55.330 O să facem asta mai târziu. 01:55.540 --> 02:01.240 Deci, primul lucru pe care trebuie să-l facem este să creezi o imagine falsă, dar asta a făcut introni 80 peste 80. 02:01.240 --> 02:06.160 Vom crea acea imagine falsă cu pixeli falsi și asta ne va da în cele 02:06.160 --> 02:12.280 din urmă numărul dorit, deoarece acest număr depinde numai de dimensiuni și nu de pixelii care se află în 02:12.280 --> 02:13.320 interiorul imaginilor. 02:13.330 --> 02:15.640 Deci, acest lucru creează doar o imagine falsă pentru a începe. 02:15.730 --> 02:18.520 Apoi vom calcula numărul de neuroni pe care îi dorim. 02:18.520 --> 02:23.860 Deci, trucul pentru a crea o imagine falsă este bine că o vom numi x. 02:23.890 --> 02:30.700 Mai întâi de toate și apoi urma să folosim torța pe care Rand o știe că vom pune niște pixeli 02:30.700 --> 02:37.200 aleatorii în aceste imagini pe care le folosim aceste funcții aleatoare de la torche, care este funcția rand. 02:37.250 --> 02:42.740 Apoi, înăuntru vom intra, așa cum puteți vedea defăimările imaginilor. 02:42.850 --> 02:44.400 Acesta este un 80 80. 02:44.560 --> 02:50.500 Dar, din moment ce vom pune această imagine în rețeaua neuronală și după cum vă amintiți, rețeaua neurală poate 02:50.500 --> 02:55.170 accepta doar loturi de stări de intrare care sunt loturi de imagini de intrare. 02:55.370 --> 03:00.600 Vom crea acele diamante false în care putem face direct această funcție. 03:00.670 --> 03:05.720 De fapt, începem doar cu cel care va corespunde lotului și 03:05.730 --> 03:11.070 apoi îl putem pune doar pe cele care corespund dominării imaginii de intrare. 03:11.110 --> 03:16.980 Și cum ați înțeles aceste nominalizări sunt cuprinse în această imagine argumentul care 03:16.980 --> 03:19.330 reprezintă tabelul 1 80 80. 03:19.420 --> 03:23.290 Așa că trebuie doar să le adăugăm imaginea. 03:23.620 --> 03:29.410 Dar pentru a trece elementele tabelului deoarece știți chiar acum Imaginea este un dublu ca 03:29.410 --> 03:31.940 o listă a argumentelor unei funcții. 03:32.020 --> 03:39.460 Trebuie să adăugăm aici înainte de a le imagina că există înainte ca Apple să stocheze magazinul va permite să treacă elementele 03:39.550 --> 03:44.100 imaginii pe care l-au înregistrat Apple ca o listă de argumente pentru funcția. 03:44.170 --> 03:49.600 Și după cum puteți vedea exact ceea ce este specificat aici cu magazinul și cu diamantul. 03:49.930 --> 03:56.640 În regulă, pentru a crea o imagine a pixelilor falsi care nu vor avea nimic de-a face cu imaginile. 03:56.800 --> 04:01.720 Dar, din nou, vom reuși să obținem numărul final de neuroni și 04:01.720 --> 04:11.080 acum ultimul lucru pe care trebuie să-l amintim este să convertiți acest vector de intrare într-o variabilă a torței, deoarece aceasta va merge 04:11.380 --> 04:13.060 în rețeaua neuronală. 04:13.060 --> 04:13.380 In regula. 04:13.390 --> 04:20.650 Deci, aceasta reprezintă acum o imagine de intrare a pixelilor aleatorii, care tocmai a fost transformată într-o soluție viabilă și care va 04:20.650 --> 04:22.440 intra acum în rețeaua neuronală. 04:22.570 --> 04:28.330 Și mai precis straturile convoluționale ale rețelei neuronale, deoarece deoarece avem nevoie 04:28.330 --> 04:34.100 doar de numărul de neuroni după aplicarea convoluțiilor, vom merge doar la convoluții 3. 04:34.210 --> 04:36.440 Deci până la al treilea strat convoluțional. 04:36.580 --> 04:39.630 Și nu vom intra în cele două conexiuni complete aici. 04:39.850 --> 04:45.490 Și asta pentru că numărul de neuroni pe care îl dorim este între convoluția 3 și f. c 1. 04:45.520 --> 04:52.120 În regulă, acum că avem o imagine de intrare cu mențiunea corectă Este momentul să propagăm această imagine în 04:52.180 --> 04:58.330 rețeaua neuronală pentru a ajunge la stratul de aplatizare, apoi vom obține neuronii în stratul aplatizat și 04:58.330 --> 05:03.850 vom obține doar informațiile pe care le dorim este numărul de neuroni din acest strat 05:03.850 --> 05:04.750 de aplatizare. 05:04.990 --> 05:08.950 Deci, acum trebuie să facem exact ceea ce facem într-o funcțiune înainte. 05:08.950 --> 05:14.560 Trebuie să propagăm semnalele în rețeaua neurală, dar numai în straturile convoluționale până când ajungem 05:14.560 --> 05:16.120 la stratul de inundare. 05:16.330 --> 05:17.360 Deci, să facem asta. 05:17.360 --> 05:25.660 Vom actualiza x acum x este imaginea de intrare iar cu al doilea X ​​aici X va deveni 05:25.660 --> 05:27.050 primul strat convoluțional. 05:27.310 --> 05:32.930 Și acum ceea ce trebuie să facem este procesul cu cele trei etape, primul pas în care aplicăm deconvoluția imaginilor 05:32.950 --> 05:33.790 de intrare. 05:33.850 --> 05:40.960 Apoi, al doilea pas în care aplicăm tăierea mișcării pe imaginile și inserțiile convoluate pe care 05:40.960 --> 05:48.160 le activam neuronii în imaginile înfundate și x va deveni prima convoluție, ele fiind compuse din 05:48.160 --> 05:50.590 toate aceste bazine convoluționate Energis. 05:51.010 --> 05:56.840 Deci, să facem acest prim pas să aplicăm prima convoluție convoluție imaginilor de intrare. 05:57.040 --> 06:07.540 Deci, ceea ce facem este să ne luăm convoluția un sine în care convo Lucian o mergem să o aplicăm imaginilor noastre de 06:07.550 --> 06:11.360 intrare care până acum sunt reprezentate de x. 06:11.500 --> 06:14.290 Deci asta este primul care a făcut mai întâi asta. 06:14.320 --> 06:22.630 În al doilea rând, vom aplica spooling imaginilor noastre convolute întoarse prin convoluție când X și două puncte culminante tragând 06:22.640 --> 06:26.880 Ei bine, vom lua o funcție din modulul funcțional. 06:26.920 --> 06:34.610 Așa că luăm scurtăturile și apoi vom folosi funcția Max pool pentru D. 06:34.810 --> 06:42.340 Asta este cea pe care o punem în singură convoluție cu o X în paranteza tragerii max până la faptul 06:42.360 --> 06:45.220 că jucăm următorul tras în imaginile convolute. 06:45.750 --> 06:53.140 Dar această funcție urmărește argumente suplimentare care sunt mai întâi dimensiunea kernel-ului. 06:53.190 --> 06:59.190 Din nou, aceasta este dimensiunea ferestrei alunecând prin imaginile dvs. și care va lua maximum de 06:59.190 --> 07:00.710 pixeli în fiecare diapozitiv. 07:00.830 --> 07:06.750 Deci, aceasta va detecta în continuare caracteristicile, deoarece caracteristicile sunt asociate unei valori ridicate a pixelului 07:06.840 --> 07:07.750 din matrice. 07:07.890 --> 07:09.580 După cum spui prelegerile de intuiție. 07:09.780 --> 07:14.020 Deci, această primă nevoie umană documentată trebuie să introducă această dimensiune a kernel-ului. 07:14.100 --> 07:15.560 Și vom lua trei. 07:15.660 --> 07:17.650 Aceasta este o alegere comună pentru dimensiunea kernelului. 07:17.940 --> 07:25.200 Și apoi trebuie să punem pasul pe care-l cunoașteți cu câte pixeli va aluneca în imagini. 07:25.200 --> 07:27.560 Și vom face un pas de doi. 07:27.610 --> 07:29.400 Din nou, aceasta este o alegere comună. 07:29.820 --> 07:30.670 Așa că mergem. 07:30.690 --> 07:32.530 Acum se face al doilea pas. 07:32.620 --> 07:38.910 Acum, hai să trecem la cel de-al treilea pas, care este de a activa toți neuronii din acest bazin și 07:38.910 --> 07:39.580 imagini înfundate. 07:39.610 --> 07:46.090 Și acest prim strat de convoluție și pentru a face acest lucru din nou, vom aplica o funcție pentru toate acestea. 07:46.170 --> 07:51.960 Și deci luați-o din nou pentru că vom lua o altă funcție care după cum probabil ați ghicit va 07:52.050 --> 07:55.170 fi o funcție de activare, dar care dintre ele. 07:55.230 --> 08:01.410 Ca de obicei, va fi rectificată funcția de activare și poate vă amintiți numele pentru că este 08:01.620 --> 08:02.330 într-adevăr. 08:02.790 --> 08:03.410 Vom merge acolo. 08:03.450 --> 08:04.290 Asta e una. 08:04.290 --> 08:12.540 Și astfel ne-am aplicat cu adevărat imaginilor noastre îngroșate care sunt toate acestea. 08:12.540 --> 08:12.940 In regula. 08:12.990 --> 08:14.270 Si asta e. 08:14.370 --> 08:15.320 Trei pași făcuți. 08:15.330 --> 08:16.370 A fost foarte rapid. 08:16.500 --> 08:23.460 Deci, amintiți-vă modul în care trebuie să ne uităm la acest lucru este mai întâi că vom aplica convoluția imaginilor noastre 08:23.460 --> 08:28.830 de intrare, apoi vom aplica Max tragere la imaginile noastre convoluted obținute cu o convoluție. 08:28.950 --> 08:35.730 Și apoi activăm neuronii în tot stratul de bazin convoluțional cu funcția de activare a 08:35.730 --> 08:43.960 redresorului atât de perfectă încât primim primul nostru strat convoluțional pe care era un punct culminant și în care 08:44.050 --> 08:46.200 neuronii sunt acum activi. 08:46.260 --> 08:51.640 Și așa, practic, ceea ce face este că el propagă semnalele de la primul strat convoluțional la 08:51.640 --> 08:52.500 cel următor. 08:52.630 --> 08:56.580 Și vorbind despre următorul lucru exact despre care vom avea grijă acum. 08:56.570 --> 09:01.660 O să facem același lucru ca și pe primul convoluție de la cel de-al 09:01.660 --> 09:08.170 doilea strat convoluțional, pentru a propaga din nou semnalele în rețeaua neuronală prin activarea neuronilor celui de-al 09:08.170 --> 09:09.660 doilea strat convoluțional. 09:09.850 --> 09:12.910 Dar înainte de a face acest lucru trebuie să obținem acest strat convoluțional. 09:13.120 --> 09:18.330 Și așa vom aplica convoluția lui X, care este acum primul strat convoluțional. 09:18.460 --> 09:24.070 Ei bine, vom aplica convoluția la 2 x pentru a obține cel de-al doilea strat convoluțional, după care Max 09:24.070 --> 09:25.120 îl va trage. 09:25.240 --> 09:27.860 Și apoi, activând Sirat. 09:27.970 --> 09:29.070 Deci, să facem asta. 09:29.170 --> 09:35.350 De fapt, este foarte ușor să copiem și să lipim mai jos. 09:35.350 --> 09:39.240 Acum, desigur, trebuie să înlocuim și convoluția prin convoluție. 09:39.520 --> 09:40.460 Și acolo mergem. 09:40.480 --> 09:43.650 Asta este de fapt gata să vezi foarte ușor. 09:43.900 --> 09:50.200 Și acum, cu această linie, propagăm semnalele de la cea de-a doua convoluție la următoarea, care va 09:50.260 --> 09:52.580 fi a treia convoluție acolo. 09:52.720 --> 09:57.220 Și pentru a obține această a treia voință convoluțională va trebui să o aplici din nou. 09:57.220 --> 10:04.630 Deci, am copiat această lipire care mai jos și înlocuind convoluția prea de convoluție 3 și asta a făcut nu este 10:04.870 --> 10:06.340 atât de practic. 10:06.340 --> 10:11.490 Am propagat semnalele din cele trei litere convoluționale într-o lanternă. 10:11.500 --> 10:13.100 Datorită acestei structuri minunate. 10:14.020 --> 10:15.340 În regulă, atât de perfectă. 10:15.340 --> 10:21.250 Acum avem semnalele noastre propagate până la al treilea strat convoluțional și după. 10:21.360 --> 10:24.780 Și vorbind după aceea ne conduce la ceea ce căutăm. 10:24.820 --> 10:28.510 Ceea ce ne interesează este aplatizarea acolo. 10:28.510 --> 10:33.620 În regulă, acum că avem al treilea convoluțional acolo, este ultimul X aici. 10:33.790 --> 10:36.120 E timpul să ne lămurim. 10:36.490 --> 10:37.990 Și așa este exact ceea ce vom face. 10:37.990 --> 10:44.200 Acum o să loviți toți pixelii celui de-al treilea strat convoluțional, și anume că vom 10:44.290 --> 10:48.430 lua toți pixelii tuturor canalelor celui de-al treilea strat convoluțional. 10:48.640 --> 10:51.920 Le vom pune unul după altul într-un vector imens. 10:52.150 --> 10:56.920 Și, desigur, acest vector imens nu va fi altceva decât stratul de aplatizare și, în 10:56.920 --> 11:02.000 același timp, vom folosi un truc pentru a obține numărul de neuroni în acest aplatizare acolo. 11:02.070 --> 11:03.790 Aceasta este ceea ce căutăm. 11:03.790 --> 11:09.370 Acesta este numărul de neuroni pe care îi lipsește și, prin urmare, să revenim în mod direct ceea ce dorim și 11:09.370 --> 11:15.130 în această întoarcere vom ajunge să alunecăm cel de-al treilea strat convoluțional și să ajungem la același număr și numărul de neuroni 11:15.130 --> 11:16.330 din acest strat aplatizat. 11:16.630 --> 11:20.150 Așa că o să luăm X. care este a treia convoluție acolo. 11:20.320 --> 11:25.150 Vom lua toate canalele celei de-a treia convoluții acolo și vom folosi 11:25.150 --> 11:32.160 o funcție care este funcția de mărime pentru a aplatiza toți pixelii tuturor acestor canale într-un singur vector imens. 11:32.230 --> 11:35.930 Iar trucul îl găsiți în pâine ce privește munca. 11:36.130 --> 11:42.400 Ei bine, mai întâi vom lua datele lui X, deoarece X este o structură specială pe care o cunoașteți că este o torță Voievodă 11:42.400 --> 11:44.250 Deci are o structură destul de complexă. 11:44.320 --> 11:51.920 Dar mai întâi trebuie să-l accesăm cu date aici, atunci trebuie să vedem ce se află în ea. 11:52.090 --> 11:57.700 Deci, folosim această funcție de vizualizare și acum trebuie să accesăm ceea ce căutăm 11:57.700 --> 12:01.980 și asta chiar cu argumentele 1 și minus 1. 12:02.230 --> 12:04.390 Trebuie să înțelegi ce se află în interiorul structurii. 12:04.510 --> 12:10.060 Dar poti sa intelegi ca asa vom obtine acest numar de neuroni si 12:10.150 --> 12:15.560 apoi sa terminam trebuie sa adaugam marimea in paranteza si intrarile 1. 12:15.880 --> 12:21.610 Deci, practic ceea ce facem aici, ceea ce facem este să luăm toți pixelii tuturor canalelor și 12:21.610 --> 12:27.180 le punem una după alta în acest vector imens, care va fi intrarea rețelei conectate complet. 12:27.190 --> 12:29.250 Aceasta este în esență ceea ce are dimensiunea. 12:29.410 --> 12:34.060 Și cu asta putem obține acest număr de noi pe care îl căutăm. 12:34.060 --> 12:36.460 Bine, acum avem ce vrem. 12:36.490 --> 12:44.350 Și astfel, în final, putem înlocui neuronii de număr aici prin ceea ce este returnat de această funcție 12:44.530 --> 12:47.400 atunci când este aplicat formatul imaginilor. 12:47.440 --> 12:50.140 Acesta este unul de 80 la 80. 12:50.170 --> 13:00.040 Deci, ceea ce trebuie să facem acum este înlocuirea neuronilor prin preluarea funcției neuronilor pe 13:00.250 --> 13:09.040 care le aplicăm la formatul imaginilor, care vor fi total 80 și 80. 13:09.460 --> 13:10.400 Și acolo mergem. 13:10.510 --> 13:17.140 Și bineînțeles că nu uităm de sine, deoarece contele neuron este de fapt o metodă a testului CNN. 13:17.170 --> 13:18.490 Așa că trebuie să adăugăm. 13:18.700 --> 13:21.190 Și acum avertismentul ar trebui să dispară. 13:21.190 --> 13:22.540 Și acolo mergem. 13:22.540 --> 13:23.890 Acum totul este bun. 13:23.980 --> 13:29.930 Atragem arhitectura rețelei neuronale fără să lipsească nimic și avem această funcție de contraste, în cazul în 13:30.140 --> 13:35.290 care știi că vrei să încerci alte arhitecturi și nu vrei să numeri manual numărul 13:35.290 --> 13:36.210 de neuroni. 13:36.340 --> 13:39.940 Utilizați doar această funcție pe care o redați la formatul imaginilor. 13:40.180 --> 13:42.130 Și asta vă va aduce direct ceea ce doriți. 13:42.130 --> 13:45.810 Acesta este numărul de neuroni din stratul inundabil fără a trebui să facă nimic. 13:45.820 --> 13:49.450 Și oriunde arhitectura este critică. 13:49.480 --> 13:57.040 Și acum am terminat cu primul mare pas important al acestui creier pe care îl facem și avem un ultim 13:57.040 --> 13:57.720 pas. 13:57.790 --> 14:02.500 Aceasta este o ultimă funcție care trebuie făcută care va fi principala funcție de transmitere. 14:02.590 --> 14:07.730 Deci, vom propaga semnalele de la începutul creierului, care este de la ochii 14:07.730 --> 14:12.160 ochiului la stratul de ieșire care este după a doua conexiune. 14:12.460 --> 14:15.850 Așa că o să facem asta în următoarele două toaletă și până atunci la AI.