WEBVTT

00:00.530 --> 00:02.950
สวัสดีและยินดีต้อนรับสู่การสอน Python นี้

00:02.990 --> 00:08.520
ดังนั้นขั้นตอนต่อไปคือการทำให้ฟังก์ชั่นการนับเซลล์ประสาทซึ่งจะให้สิ่งที่เราต้องการ

00:08.540 --> 00:14.130
นั่นคือจำนวนของเซลล์ประสาทในเวกเตอร์ขนาดใหญ่นี้หลังจากใช้การโน้มน้าวใจ

00:14.300 --> 00:19.640
นั่นเป็นข้อมูลที่ขาดหายไปเพียงอย่างเดียวที่เราต้องการในตอนนี้และเราจะได้มันมาพร้อมกับฟังก์ชั่น

00:19.700 --> 00:23.930
ลองทำฟังก์ชั่นนี้กันก่อน

00:24.280 --> 00:27.570
และเซลล์ประสาทส่วนกลางนั้นง่ายมาก

00:27.830 --> 00:32.220
และสิ่งที่ฟังก์ชั่นเซลล์ประสาทนับนี้จะเป็นอาร์กิวเมนต์

00:32.510 --> 00:39.450
ทีนี้มันจะเอาตัววัตถุออกมา แต่แล้วมันก็จะทำอย่างอื่นเพราะเซลล์ประสาทเอาท์พุทจำนวนนี้ในชั้นแบนราบจริง ๆ

00:39.450 --> 00:44.540
แล้วขึ้นอยู่กับสิ่งหนึ่ง

00:44.660 --> 00:51.930
ขึ้นอยู่กับการครอบงำของภาพอินพุตต้นฉบับที่เข้าสู่จุดเริ่มต้นของโครงข่ายประสาทเทียม

00:52.160 --> 00:58.370
ดังนั้นข้อโต้แย้งเดียวที่เราต้องการในตอนนี้คือเวลาที่กล่าวถึงเวลาของภาพที่ป้อนเข้า

00:58.370 --> 01:03.410
ดังนั้นให้ตั้งชื่อให้อาร์กิวเมนต์นี้แทนเพชรและภาพอินพุต

01:03.520 --> 01:06.790
และเราจะเรียกมันว่าภาพ

01:07.220 --> 01:07.690
เอาล่ะ

01:07.850 --> 01:14.720
และฉันสามารถบอกคุณได้ในขณะนี้ว่าขนาดที่แท้จริงของภาพอินพุตที่มาจาก Dume จะเท่ากับ 80 คูณ

01:14.720 --> 01:16.850
80

01:16.850 --> 01:23.330
เราจะลดขนาดของภาพต้นฉบับเป็น 80 x 80

01:23.390 --> 01:26.270
และนั่นจะเป็นรูปแบบของภาพที่จะเข้าสู่เครือข่ายประสาท

01:26.270 --> 01:33.750
ดังนั้นรูปภาพพวกมันจะเท่ากับ 80 80 และอันนั้นตรงกับความจริงที่ว่าเรากำลังทำงานกับภาพขาวดำ

01:33.830 --> 01:41.040
นั่นคือมีเพียงช่องทางเดียวเพื่อให้ภาพมีความสัมพันธ์กับจำนวนทั้งหมดแปดสิบและ 80

01:41.280 --> 01:41.560
เอาล่ะ

01:41.560 --> 01:43.590
นั่นคือเหตุผลเดียวที่เราต้องการ

01:43.660 --> 01:45.670
และตอนนี้ลองสแกนเซลล์ประสาท

01:45.850 --> 01:47.280
ดังนั้นคุณจะทำอย่างไร

01:47.500 --> 01:51.110
ก่อนอื่นเลยเราไม่มีภาพเข้ามา

01:51.250 --> 01:54.070
เราไม่มีภาพการลงโทษที่เราสามารถนำเข้าได้

01:54.070 --> 01:55.330
เราจะทำในภายหลัง

01:55.540 --> 02:01.240
อย่างแรกที่เราต้องทำคือสร้างภาพปลอมขึ้นมา แต่มันได้ทำอินตรอนมากกว่า 80 80

02:01.240 --> 02:13.320
เราจะสร้างภาพปลอมด้วยพิกเซลปลอมและในที่สุดเราก็จะให้หมายเลขที่เราต้องการเพราะตัวเลขนั้นขึ้นอยู่กับขนาดและไม่ใช่พิกเซลที่อยู่ภายในรูปภาพ

02:13.330 --> 02:15.640
ดังนั้นนี่เป็นเพียงการสร้างภาพปลอมขึ้นมาเพื่อเริ่มต้น

02:15.730 --> 02:18.520
จากนั้นเราจะคำนวณจำนวนของเซลล์ประสาทที่เราต้องการ

02:18.520 --> 02:23.860
ดังนั้นเคล็ดลับในการสร้างภาพปลอมจึงเป็นไปได้ว่า

02:23.890 --> 02:30.700
ก่อนอื่นเราจะใช้คบเพลิงที่แรนด์เพราะคุณรู้ว่าเราจะใส่พิกเซลแบบสุ่มในภาพเหล่านี้ที่เราใช้ฟังก์ชั่นแบบสุ่มจาก Torche

02:30.700 --> 02:37.200
ซึ่งเป็นฟังก์ชั่นแรน

02:37.250 --> 02:42.740
จากนั้นเข้าไปข้างในพวกเรากำลังจะใส่เข้าไปเพราะคุณสามารถดูความเสียหายของภาพ

02:42.850 --> 02:44.400
นั่นคือหนึ่ง 80 80

02:44.560 --> 02:55.170
แต่เนื่องจากเรากำลังจะนำภาพนี้ไปสู่เครือข่ายประสาทและในขณะที่คุณจำได้ว่าเครือข่ายประสาทสามารถยอมรับสถานะของสัญญาณเข้าเป็นชุดที่นี่เป็นชุดของภาพที่ป้อนเข้าเท่านั้น

02:55.370 --> 03:00.600
เราจะสร้างเพชรปลอมที่เราสามารถทำหน้าที่เรียกใช้นี้ได้โดยตรง

03:00.670 --> 03:05.720
ที่จริงเราเพิ่งเริ่มด้วยอันที่จะสอดคล้องกับแบทช์และจากนั้นเราก็สามารถใส่มันทั้งหมด

03:05.730 --> 03:11.070
188 ที่สอดคล้องกับการปกครองของภาพอินพุต

03:11.110 --> 03:16.980
และเมื่อคุณเข้าใจการเสนอชื่อเหล่านี้มีอยู่ในภาพนี้พวกเขาโต้แย้งซึ่งแสดงถึงตารางที่ 1 80

03:16.980 --> 03:19.330
80

03:19.420 --> 03:23.290
ดังนั้นเราต้องเพิ่มภาพพวกเขา

03:23.620 --> 03:31.940
แต่เพื่อที่จะผ่านองค์ประกอบของตารางเพราะคุณรู้ว่าตอนนี้ภาพพวกเขาเป็นสองเท่าเป็นรายการของการขัดแย้งของฟังก์ชั่น

03:32.020 --> 03:39.460
เราจำเป็นต้องเพิ่มที่นี่ก่อนภาพพวกเขามีก่อนหน้านั้นที่ร้าน Apple นั้นร้านค้าจะอนุญาตให้ส่งองค์ประกอบของภาพที่เขาถ่ายไปยัง Apple

03:39.550 --> 03:44.100
เป็นรายการอาร์กิวเมนต์สำหรับฟังก์ชั่น

03:44.170 --> 03:49.600
และอย่างที่คุณเห็นนั่นคือสิ่งที่ระบุไว้ตรงนี้กับร้านค้าและเพชร

03:49.930 --> 03:56.640
เอาล่ะเพื่อที่จะสร้างภาพพิกเซลปลอมที่ไม่มีส่วนเกี่ยวข้องกับภาพ

03:56.800 --> 04:13.060
แต่อีกครั้งเราจะยังสามารถรับจำนวนเซลล์ประสาทสุดท้ายและตอนนี้สิ่งสุดท้ายที่เราต้องจำไว้คือการแปลงเวกเตอร์อินพุตนี้เป็นตัวแปรคบเพลิงเพราะสิ่งนี้จะเข้าสู่เครือข่ายประสาท

04:13.060 --> 04:13.380
เอาล่ะ

04:13.390 --> 04:22.440
ดังนั้นสิ่งนี้จึงแสดงให้เห็นถึงภาพอินพุตของพิกเซลสุ่มที่เพิ่งถูกแปลงเป็นภาพจำลองและตอนนี้จะเข้าสู่เครือข่ายประสาท

04:22.570 --> 04:28.330
และโดยเฉพาะอย่างยิ่งเลเยอร์ convolutional ของโครงข่ายประสาทเพราะเนื่องจากเราต้องการเพียงจำนวนของเซลล์ประสาทหลังจากที่มีการใช้

04:28.330 --> 04:34.100
convolutions เราจะขึ้นไปถึง convolutions 3

04:34.210 --> 04:36.440
ขึ้นไปจนถึงชั้นที่สาม

04:36.580 --> 04:39.630
และเราจะไม่เข้าไปยังจุดเชื่อมต่อทั้งสองที่นี่

04:39.850 --> 04:45.490
และนั่นเป็นเพราะจำนวนของเซลล์ประสาทที่เราต้องการอยู่ระหว่าง 3 และ f c 1

04:45.520 --> 05:04.750
เอาล่ะตอนนี้เรามีภาพอินพุทเดียวที่ถูกต้องแล้วก็ถึงเวลาที่จะเผยแพร่ภาพนี้ไปยังเครือข่ายประสาทเพื่อไปยังเลเยอร์แบนแล้วเราจะได้เซลล์ประสาทในชั้นแบน ข้อมูลที่เราต้องการนั่นคือจำนวนของเซลล์ประสาทในชั้นแบนราบนี้

05:04.990 --> 05:08.950
ดังนั้นตอนนี้เราต้องทำคือสิ่งที่เราทำในฟังก์ชั่นการส่งต่อ

05:08.950 --> 05:16.120
เราจำเป็นต้องส่งสัญญาณไปยังเครือข่ายประสาทเทียม แต่จะอยู่ในเลเยอร์ convolutional จนกว่าเราจะถึงชั้นน้ำท่วม

05:16.330 --> 05:17.360
ลองทำสิ่งนี้กัน

05:17.360 --> 05:25.660
เรากำลังจะอัปเดต x ตอนนี้ x คือภาพอินพุตและด้วย X ที่สองที่นี่ X จะกลายเป็นเลเยอร์ convolutional

05:25.660 --> 05:27.050
แรกได้ดี

05:27.310 --> 05:33.790
และตอนนี้สิ่งที่เราต้องทำคือกระบวนการสามขั้นตอนขั้นตอนแรกเราใช้ deconvolution กับภาพอินพุต

05:33.850 --> 05:40.960
จากนั้นขั้นตอนที่สองเราใช้การตัดแต่งภาพผสมกับภาพที่ซับซ้อนและเม็ดมีดที่เราเปิดใช้งานเซลล์ประสาทในภาพที่มีความซับซ้อนแบบ puled

05:40.960 --> 05:50.590
นี้และภาพ x จะกลายเป็นภาพปกเกล้าเจ้าแรกนี้

05:51.010 --> 05:56.840
งั้นลองทำขั้นตอนแรกนี้นำสังวัตนาแรกมาปรับใช้กับภาพอินพุต

05:57.040 --> 06:11.360
ดังนั้นสิ่งที่เราทำคือนำเอาตัวตนหนึ่งของเราไปโน้มน้าวใจที่คอนเซปต์ลูเซียนซึ่งเราไปเรานำไปใช้กับภาพที่เราป้อนซึ่ง x แสดง

06:11.500 --> 06:14.290
นั่นเป็นครั้งแรกที่แรกที่ทำตอนนี้

06:14.320 --> 06:22.630
ขั้นตอนที่สองเราจะใช้การสปูลกับรูปภาพที่ซับซ้อนของเราที่ส่งคืนโดยการแปลงเมื่อ X

06:22.640 --> 06:26.880
และไคลแม็กซ์สองจุดดึงขึ้นมาเราจะต้องใช้ฟังก์ชั่นจากโมดูลการทำงาน

06:26.920 --> 06:34.610
ดังนั้นเราจะตัดสั้นกว่านั้นแล้วเราจะใช้ฟังก์ชัน Max pool กับ D

06:34.810 --> 06:42.340
นั่นคือสิ่งที่เราใส่การโน้มน้าวใจตัวเองหนึ่ง X ลงในวงเล็บของ max pull ไปที่เพราะเราเล่น

06:42.360 --> 06:45.220
pull ถัดไปเป็นภาพที่ซับซ้อน

06:45.750 --> 06:53.140
แต่ฟังก์ชั่นต่อไปนี้รับอาร์กิวเมนต์เพิ่มเติมซึ่งเป็นขนาดเคอร์เนลก่อน

06:53.190 --> 07:00.710
ดังนั้นอีกครั้งนั่นคือขนาดของหน้าต่างที่เลื่อนผ่านรูปภาพของคุณและจะใช้พิกเซลสูงสุดในแต่ละสไลด์

07:00.830 --> 07:07.750
ดังนั้นที่จะยังคงตรวจสอบคุณสมบัติเพราะคุณสมบัติที่เกี่ยวข้องกับค่าสูงของพิกเซลในอาร์เรย์

07:07.890 --> 07:09.580
ในขณะที่คุณพูดปรีชาบรรยาย

07:09.780 --> 07:14.020
ดังนั้นความต้องการของมนุษย์ในการบันทึกครั้งแรกนี้คือขนาดเคอร์เนลนี้

07:14.100 --> 07:15.560
และเราจะเอาสาม

07:15.660 --> 07:17.650
นั่นเป็นตัวเลือกทั่วไปสำหรับขนาดเคอร์เนล

07:17.940 --> 07:25.200
จากนั้นเราต้องใส่ความก้าวหน้าที่คุณรู้ด้วยจำนวนพิกเซลที่จะเลื่อนในภาพ

07:25.200 --> 07:27.560
และเราจะก้าวย่างสองอัน

07:27.610 --> 07:29.400
อีกครั้งนั่นเป็นตัวเลือกทั่วไป

07:29.820 --> 07:30.670
ดังนั้นเราไปกันเลย

07:30.690 --> 07:32.530
ตอนนี้ขั้นตอนที่สองเสร็จแล้ว

07:32.620 --> 07:39.580
และตอนนี้เรามาต่อไปยังขั้นตอนที่สามซึ่งเป็นการกระตุ้นเซลล์ประสาททั้งหมดในสระนี้และรูปภาพที่ซับซ้อน

07:39.610 --> 07:46.090
และชั้นของการโน้มน้าวใจอันแรกและเพื่อทำสิ่งนี้อีกครั้ง

07:46.170 --> 07:55.170
ดังนั้นที่นี่และรับอีกครั้งเพราะเราจะใช้ฟังก์ชั่นอื่นซึ่งคุณอาจเดาได้ว่าจะเป็นฟังก์ชั่นเปิดใช้งาน แต่อันไหน

07:55.230 --> 08:02.330
ตามปกติมันจะเป็นฟังก์ชั่นการเปิดใช้งานที่ถูกต้องและบางทีคุณอาจจำชื่อนั้นได้

08:02.790 --> 08:03.410
เราจะไปที่นั่น.

08:03.450 --> 08:04.290
นั่นคือหนึ่ง

08:04.290 --> 08:12.540
ดังนั้นเราจึงนำไปใช้กับภาพที่ซับซ้อนที่เรารวบรวมไว้ทั้งหมดนี้

08:12.540 --> 08:12.940
เอาล่ะ

08:12.990 --> 08:14.270
และนั่นคือมัน

08:14.370 --> 08:15.320
ทำสามขั้นตอน

08:15.330 --> 08:16.370
มันเร็วมาก

08:16.500 --> 08:28.830
ดังนั้นจำไว้ว่าวิธีที่เราต้องดูนี่เป็นครั้งแรกที่เราใช้การโน้มน้าวใจกับภาพอินพุตของเราจากนั้นเราใช้การดึงแม็กซ์กับภาพที่ซับซ้อนของเราที่ได้จากการบิด

08:28.950 --> 08:35.730
จากนั้นเราก็เปิดใช้งานเซลล์ประสาทในชั้น convolutional

08:35.730 --> 08:46.200
ทั้งหมดของสระว่ายน้ำนี้ด้วยฟังก์ชั่นการเปิดใช้งาน rectifier เพื่อให้สมบูรณ์แบบเราได้ชั้นแรกของ convolutional ซึ่งเป็นการดึงจุดสุดยอดและตอนนี้เซลล์ถูกเปิดใช้งาน

08:46.260 --> 08:52.500
และโดยทั่วไปสิ่งที่มันทำคือมันแพร่กระจายสัญญาณจากเลเยอร์ convolutional แรกไปยังอีกอันหนึ่ง

08:52.630 --> 08:56.580
และการพูดถึงสิ่งต่อไปนั่นคือสิ่งที่เราจะต้องดูแลในตอนนี้

08:56.570 --> 09:09.660
เรากำลังจะทำสิ่งเดียวกันกับที่เราเพิ่งทำในวันแรกที่ไปถึงชั้นที่สองเพื่อเผยแพร่สัญญาณไปยังเครือข่ายประสาทโดยเปิดใช้งานเซลล์ประสาทของชั้นที่สองอีกครั้ง

09:09.850 --> 09:12.910
แต่ก่อนที่จะทำสิ่งนี้เราจำเป็นต้องได้รับเลเยอร์ convolutional นี้

09:13.120 --> 09:18.330
ดังนั้นเราจะใช้การโน้มน้าวใจกับ X ซึ่งตอนนี้เป็นเลเยอร์แรก

09:18.460 --> 09:24.070
ทีนี้เราจะใช้การโน้มน้าวใจกับ 2 x เพื่อรับเลเยอร์ convolutional ที่สองหลังจากนั้นจะเป็นการดึง

09:24.070 --> 09:25.120
Max

09:25.240 --> 09:27.860
และในที่สุดก็เปิดใช้งาน Sirat

09:27.970 --> 09:29.070
ลองทำสิ่งนี้กัน

09:29.170 --> 09:35.350
จริงๆแล้วมันง่ายมากเราแค่คัดลอกมันแล้ววางที่ด้านล่าง

09:35.350 --> 09:39.240
ตอนนี้แน่นอนว่าเราต้องเปลี่ยนการแปลงด้วยการแปลงด้วย

09:39.520 --> 09:40.460
และเราไปกันแล้ว

09:40.480 --> 09:43.650
ที่จริงพร้อมดูง่ายมาก

09:43.900 --> 09:50.200
และตอนนี้กับบรรทัดนี้เราเผยแพร่สัญญาณจาก convolutional ที่สองที่นั่นไปที่ถัดไปซึ่งจะเป็นที่ที่สาม

09:50.260 --> 09:52.580
convolutional

09:52.720 --> 09:57.220
และเพื่อให้ได้ convolutional ที่สามนี้จะต้องใช้มันอีกครั้ง

09:57.220 --> 10:06.340
ดังนั้นฉันจึงคัดลอกการวางนี้ที่ด้านล่างและแทนที่การแปลงด้วยการแปลง 3 และทำเสร็จแล้วมันก็ไม่ได้ใช้งานได้จริง

10:06.340 --> 10:11.490
เราเผยแพร่สัญญาณในตัวอักษรสามตัวในไฟฉาย

10:11.500 --> 10:13.100
ขอบคุณโครงสร้างที่ยอดเยี่ยมนี้

10:14.020 --> 10:15.340
ถูกต้องสมบูรณ์แบบมาก

10:15.340 --> 10:21.250
ตอนนี้เรามีสัญญาณของเราแพร่กระจายไปถึงชั้นที่สามและหลังจาก

10:21.360 --> 10:24.780
และการพูดถึงสิ่งนั้นนำเราไปสู่สิ่งที่เรากำลังมองหา

10:24.820 --> 10:28.510
สิ่งที่เราสนใจนั่นก็คือความแบน

10:28.510 --> 10:33.620
เอาล่ะตอนนี้เรามี convolutional ที่สามของเรานั่นคือ X สุดท้ายที่นี่

10:33.790 --> 10:36.120
ถึงเวลาที่จะทำให้เราแบน

10:36.490 --> 10:37.990
นั่นคือสิ่งที่เรากำลังจะทำ

10:37.990 --> 10:44.200
ทีนี้เราจะแบนพิกเซลทั้งหมดของเลเยอร์ Convolutional ที่สามนี้ซึ่งเราจะเอาพิกเซลทั้งหมดของแชนเนลทั้งหมดของเลเยอร์

10:44.290 --> 10:48.430
Convolutional ที่สาม

10:48.640 --> 10:51.920
เราจะใส่พวกมันทีละอันในเวกเตอร์ขนาดใหญ่

10:52.150 --> 11:02.000
และแน่นอนเวกเตอร์ขนาดใหญ่นี้จะไม่เป็นอะไรนอกจากเลเยอร์แฟบและในเวลาเดียวกันเราจะใช้เล่ห์เหลี่ยมเพื่อให้ได้จำนวนของเซลล์ประสาทในแฟลทที่นี่

11:02.070 --> 11:03.790
นั่นคือสิ่งที่เรากำลังมองหา

11:03.790 --> 11:09.370
นั่นคือจำนวนของเซลล์ประสาทที่เราหายไปดังนั้นเราจะคืนสิ่งที่เราต้องการโดยตรงและในการกลับมานี้เราจะทำให้ชั้นที่สามของ

11:09.370 --> 11:16.330
convolutional แบนและได้จำนวนเดียวกันกับจำนวนเซลล์ประสาทในชั้นที่แบน

11:16.630 --> 11:20.150
ดังนั้นเราจะใช้ X ซึ่งเป็น convolutional ที่สามของเรามี

11:20.320 --> 11:25.150
เราจะใช้ช่องทางทั้งหมดของ

11:25.150 --> 11:32.160
convolutional ที่สามที่นั่นและเราจะใช้ฟังก์ชั่นซึ่งเป็นฟังก์ชั่นขนาดเพื่อปรับพิกเซลทั้งหมดของแชนเนลเหล่านี้ทั้งหมดในเวกเตอร์ขนาดใหญ่เดียวกัน

11:32.230 --> 11:35.930
ดังนั้นเคล็ดลับที่คุณสามารถพบได้ในการดูการทำงานหนัก

11:36.130 --> 11:42.400
ก่อนอื่นเราเอาข้อมูลของ X เพราะ X เป็นโครงสร้างพิเศษที่คุณรู้ว่ามันเป็นไฟฉาย Voivode

11:42.400 --> 11:44.250
ดังนั้นเขามีโครงสร้างที่ซับซ้อน

11:44.320 --> 11:51.920
แต่ก่อนอื่นเราต้องเข้าถึงด้วยข้อมูลที่นี่จากนั้นเราต้องดูว่ามีอะไรอยู่ข้างใน

11:52.090 --> 11:57.700
ดังนั้นเราจึงใช้ฟังก์ชั่นมุมมองนี้และตอนนี้เราจำเป็นต้องเข้าถึงสิ่งที่เรากำลังมองหาและนั่นคือถึงแม้จะมีข้อโต้แย้งที่ 1 และลบ

11:57.700 --> 12:01.980
1

12:02.230 --> 12:04.390
คุณต้องเข้าใจสิ่งที่อยู่ในโครงสร้าง

12:04.510 --> 12:10.060
แต่คุณสามารถเข้าใจได้ว่านี่คือวิธีที่เราจะได้รับจำนวนเซลล์ประสาทนี้และจากนั้นเราต้องเพิ่มขนาดในวงเล็บและด้านในอินพุต 1

12:10.150 --> 12:15.560
ให้เสร็จ

12:15.880 --> 12:27.180
ดังนั้นโดยทั่วไปสิ่งที่เราทำที่นี่สิ่งที่เราทำคือเราใช้พิกเซลทั้งหมดของทุกช่องและเราใส่เข้าไปทีละอันในเวกเตอร์ขนาดใหญ่นี้ซึ่งจะเป็นอินพุตของเครือข่ายที่เชื่อมต่ออย่างเต็มที่

12:27.190 --> 12:29.250
นั่นเป็นสิ่งที่ขนาดทำ

12:29.410 --> 12:34.060
และด้วยสิ่งนี้เราสามารถรับจำนวนใหม่ที่เรากำลังมองหา

12:34.060 --> 12:36.460
เอาล่ะตอนนี้เราได้สิ่งที่เราต้องการแล้ว

12:36.490 --> 12:47.400
ในที่สุดเราก็สามารถแทนที่จำนวนเซลล์ประสาทที่นี่ด้วยสิ่งที่ถูกส่งกลับโดยฟังก์ชั่นนี้เมื่อมันถูกนำไปใช้กับรูปแบบของภาพ

12:47.440 --> 12:50.140
นั่นคือหนึ่งคูณ 80 คูณ 80

12:50.170 --> 13:00.040
ดังนั้นสิ่งที่เราต้องทำตอนนี้คือแทนที่เซลล์จำนวนโดยเราใช้ฟังก์ชั่นการนับเซลล์ประสาทที่เราใช้กับรูปแบบของภาพซึ่งจะรวมเป็นหนึ่ง 80 และ

13:00.250 --> 13:09.040
80

13:09.460 --> 13:10.400
และเราไปกันแล้ว

13:10.510 --> 13:17.140
และแน่นอนเราไม่ลืมตัวเองเพราะ Count neuron เป็นวิธีการทดสอบ CNN

13:17.170 --> 13:18.490
ดังนั้นเราจำเป็นต้องเพิ่ม

13:18.700 --> 13:21.190
และตอนนี้คำเตือนควรหายไป

13:21.190 --> 13:22.540
และเราไปกันแล้ว

13:22.540 --> 13:23.890
ตอนนี้ทุกอย่างดี

13:23.980 --> 13:36.210
เราได้รับสถาปัตยกรรมของโครงข่ายประสาทเทียมโดยที่ไม่มีอะไรหายไปและเรามีฟังก์ชั่นการนับในกรณีที่คุณรู้ว่าคุณต้องการลองสถาปัตยกรรมอื่นและคุณไม่ต้องการนับจำนวนเซลล์ประสาทด้วยตนเอง

13:36.340 --> 13:39.940
คุณเพียงแค่ใช้ฟังก์ชั่นนี้เพื่อเล่นกับรูปแบบของภาพ

13:40.180 --> 13:42.130
และสิ่งนี้จะทำให้คุณได้สิ่งที่ต้องการโดยตรง

13:42.130 --> 13:45.810
นั่นคือจำนวนของเซลล์ประสาทในชั้นน้ำท่วมโดยไม่ต้องทำอะไรเลย

13:45.820 --> 13:49.450
และสถาปัตยกรรมก็สำคัญ

13:49.480 --> 13:57.720
และตอนนี้เราเสร็จสิ้นขั้นตอนสำคัญที่ยิ่งใหญ่ครั้งแรกของสมองนี้ที่เราสร้างขึ้นและเรามีหนึ่งขั้นตอนสุดท้าย

13:57.790 --> 14:02.500
นั่นคือฟังก์ชั่นสุดท้ายที่จะทำให้ฟังก์ชั่นส่งต่อหลัก

14:02.590 --> 14:12.160
ดังนั้นเราจะแพร่กระจายสัญญาณจากจุดเริ่มต้นของสมองที่มาจากตาของตาไปยังชั้นเอาต์พุตที่อยู่หลังจากการเชื่อมต่อที่สอง

14:12.460 --> 14:15.850
ดังนั้นเราจะทำเช่นนั้นในสอง toile ต่อไปและจนกว่าจะถึง AI ของเรา