WEBVTT

00:00.360 --> 00:02.700
Xin chào và chào mừng bạn đến với hướng dẫn Python này.

00:02.730 --> 00:08.370
Vì vậy, bây giờ bước tiếp theo là làm cho số lượng tế bào thần kinh hoạt động để cung cấp cho chúng ta những gì chúng ta muốn.

00:08.370 --> 00:14.040
Đó là số lượng tế bào thần kinh trong vectơ khổng lồ này sau khi các phản ứng chập được áp dụng.

00:14.070 --> 00:19.260
Đó là thông tin còn thiếu duy nhất mà chúng tôi cần ngay bây giờ và chúng tôi sẽ lấy nó bằng chức năng.

00:19.410 --> 00:21.570
Vì vậy, chúng ta hãy thực hiện chức năng này.

00:21.570 --> 00:27.390
Chúng ta sẽ gọi nó là số đếm, gạch dưới các tế bào thần kinh rất đơn giản.

00:27.540 --> 00:29.550
Và số lượng này là bao nhiêu?

00:29.580 --> 00:32.070
Chức năng của tế bào thần kinh sẽ được coi là đối số?

00:32.220 --> 00:38.340
Chà, nó sẽ lấy chính đối tượng, nhưng sau đó nó sẽ lấy một thứ khác, bởi vì

00:38.340 --> 00:44.350
số lượng nơ-ron đầu ra trong lớp làm phẳng thực sự chỉ phụ thuộc vào một thứ.

00:44.370 --> 00:50.760
Nó phụ thuộc vào kích thước của hình ảnh đầu vào ban đầu, hình ảnh xuất hiện ở phần đầu

00:50.760 --> 00:51.750
của mạng nơ-ron.

00:51.930 --> 00:57.240
Và vì vậy, đối số duy nhất mà chúng ta cần ngay bây giờ thực sự là các kích thước này, kích thước của các hình

00:57.240 --> 00:57.930
ảnh đầu vào.

00:58.170 --> 01:03.540
Do đó, hãy đặt tên cho đối số này đại diện cho các kích thước của hình ảnh đầu vào

01:03.540 --> 01:06.590
và chúng ta sẽ gọi nó là hình ảnh mờ.

01:07.050 --> 01:07.620
Được rồi.

01:07.620 --> 01:14.670
Và tôi có thể cho bạn biết ngay bây giờ rằng kích thước thực tế của hình ảnh đầu vào đến từ sự diệt

01:14.670 --> 01:16.500
vong sẽ là 80 x 80.

01:16.590 --> 01:23.250
Chúng tôi sẽ giảm kích thước của hình ảnh gốc xuống 80 x 80 và đó sẽ là định dạng

01:23.250 --> 01:25.970
của hình ảnh đi vào mạng nơ-ron.

01:25.980 --> 01:32.400
Vì vậy, Image STEM thực sự sẽ là 188 và tương ứng với thực tế là chúng tôi đang làm việc với hình

01:32.400 --> 01:35.220
ảnh đen trắng, tức là chỉ có một kênh.

01:35.220 --> 01:40.440
Vì vậy, hình ảnh chúng sẽ bằng nhau sau này với tuple một, 80 và 80.

01:41.160 --> 01:41.460
Được rồi.

01:41.460 --> 01:43.470
Vì vậy, đó là lý lẽ duy nhất mà chúng ta cần.

01:43.470 --> 01:45.620
Và bây giờ chúng ta hãy đếm các nơ-ron.

01:45.630 --> 01:47.220
Vì vậy, làm thế nào chúng ta sẽ làm điều đó?

01:47.250 --> 01:51.030
Trước hết, chúng tôi thực sự không có bất kỳ thiệt hại đầu vào nào ngay bây giờ.

01:51.030 --> 01:53.910
Chúng tôi không có bất kỳ hình ảnh diệt vong nào mà chúng tôi có thể nhập.

01:53.910 --> 01:55.220
Chúng ta sẽ làm điều đó sau.

01:55.230 --> 02:00.210
Vì vậy, điều đầu tiên chúng ta phải làm là tạo một hình ảnh giả, nhưng có kích thước 80.

02:00.210 --> 02:05.700
Đến năm 80, chúng ta sẽ tạo ra hình ảnh giả đó với các pixel giả, và điều đó cuối cùng sẽ vẫn cung

02:05.700 --> 02:11.490
cấp cho chúng ta con số mà chúng ta muốn, bởi vì con số đó chỉ phụ thuộc vào kích thước chứ không phụ thuộc

02:11.490 --> 02:13.050
vào pixel bên trong hình ảnh.

02:13.050 --> 02:18.120
Vì vậy, chúng ta hãy tạo một hình ảnh giả để bắt đầu và sau đó chúng ta sẽ tính toán số lượng tế bào thần kinh mà chúng ta muốn.

02:18.300 --> 02:25.230
Vì vậy, mẹo để tạo ra một hình ảnh giả là, trước hết chúng ta sẽ gọi nó là X, sau đó chúng ta sẽ sử

02:25.230 --> 02:32.010
dụng ngọn đuốc kết xuất bởi vì, bạn biết đấy, chúng ta sẽ đặt một số pixel ngẫu nhiên trong hình ảnh này khi chúng

02:32.010 --> 02:36.810
ta đang sử dụng các hàm ngẫu nhiên này từ đèn pin, đó là hàm chạy.

02:36.930 --> 02:44.300
Sau đó, bên trong chúng tôi sẽ nhập, như bạn có thể thấy, kích thước của các hình ảnh là 188.

02:44.340 --> 02:50.130
Nhưng vì chúng ta sẽ nhập hình ảnh này vào mạng nơ-ron và như bạn nhớ, mạng nơ-ron chỉ có

02:50.130 --> 02:55.110
thể chấp nhận các lô trạng thái đầu vào ở đây, các lô hình ảnh đầu vào.

02:55.110 --> 03:00.420
Chúng tôi sẽ tạo thứ nguyên giả mà chúng tôi có thể trực tiếp thực hiện trong hàm chạy này.

03:00.420 --> 03:05.270
Chúng tôi thực sự chỉ cần bắt đầu với cái sẽ tương ứng với lô và sau

03:05.280 --> 03:10.860
đó chúng tôi có thể đặt nó vào Apple 188 tương ứng với kích thước của hình ảnh đầu vào.

03:10.860 --> 03:16.950
Và như bạn đã hiểu, các kích thước này được chứa trong đối số mờ hình ảnh này đại

03:16.950 --> 03:26.640
diện cho bảng đó 188 Vì vậy, bây giờ chúng ta chỉ cần thêm mờ hình ảnh nhưng để chuyển các phần tử của ngôi đền vì ngay bây giờ hình

03:26.640 --> 03:34.140
ảnh chúng là một bộ như một danh sách các đối số của một hàm chúng ta cần thêm vào đây trước khi

03:34.140 --> 03:36.260
hình ảnh chúng ở trước bảng.

03:36.330 --> 03:43.140
Một cửa hàng mà cửa hàng sẽ cho phép chuyển các phần tử của bộ điều chỉnh độ sáng hình ảnh dưới dạng danh sách các đối số

03:43.140 --> 03:43.920
cho một hàm.

03:43.920 --> 03:49.380
Và như bạn có thể thấy, đó chính xác là những gì được chỉ định ở đây với ngôi sao và kích thước.

03:49.740 --> 03:50.130
Được rồi.

03:50.130 --> 03:53.940
Vì vậy, điều đó sẽ tạo ra một hình ảnh của pixel giả.

03:54.000 --> 03:56.550
Vì vậy, điều đó sẽ không liên quan gì đến các hình ảnh diệt vong.

03:56.550 --> 04:00.000
Nhưng một lần nữa, chúng ta vẫn có thể nhận được số lượng tế bào thần kinh cuối cùng.

04:00.300 --> 04:07.770
Và bây giờ điều cuối cùng mà chúng ta cần nhớ là chuyển đổi vectơ lô đầu vào này thành một

04:07.950 --> 04:12.270
biến ngọn đuốc vì điều này sẽ đi vào mạng nơ-ron.

04:12.870 --> 04:13.320
Được rồi.

04:13.320 --> 04:20.070
Vì vậy, điều này bây giờ đại diện cho một hình ảnh đầu vào của các pixel ngẫu nhiên vừa được chuyển đổi thành một biến ngọn đuốc.

04:20.070 --> 04:25.680
Và điều đó bây giờ sẽ đi vào mạng nơ-ron và cụ thể hơn là các lớp chập của

04:25.680 --> 04:26.490
mạng nơ-ron.

04:26.490 --> 04:32.130
Bởi vì chúng ta chỉ cần số lượng tế bào thần kinh sau khi áp dụng tích chập, chúng ta sẽ

04:32.130 --> 04:33.990
chỉ đi lên tích chập ba.

04:33.990 --> 04:39.390
Vì vậy, ngay sau lớp chập thứ ba và chúng ta sẽ không đi sâu vào các kết nối đầy đủ ở đây.

04:39.600 --> 04:44.970
Và đó là bởi vì số lượng tế bào thần kinh mà chúng ta muốn nằm giữa tích chập ba và FC một.

04:45.360 --> 04:45.660
Được rồi.

04:45.660 --> 04:52.710
Vì vậy, bây giờ chúng ta đã có một hình ảnh đầu vào với kích thước phù hợp, đã đến lúc truyền hình

04:52.710 --> 04:55.980
ảnh này vào mạng nơ-ron để đến lớp làm phẳng.

04:56.070 --> 05:01.320
Sau đó, chúng ta sẽ lấy các tế bào thần kinh trong lớp làm phẳng và chúng ta sẽ chỉ nhận được thông tin mà chúng ta

05:01.320 --> 05:01.650
muốn.

05:01.650 --> 05:04.710
Đó là số lượng tế bào thần kinh trong lớp làm phẳng này.

05:04.710 --> 05:08.670
Vì vậy, bây giờ những gì chúng ta phải làm là chính xác những gì chúng ta làm trong hàm chuyển tiếp.

05:08.670 --> 05:14.490
Chúng ta cần truyền các tín hiệu vào mạng nơ-ron, nhưng chỉ trong các lớp chập cho đến khi chúng

05:14.490 --> 05:16.050
ta đạt đến lớp phẳng.

05:16.050 --> 05:17.130
Vì vậy, chúng ta hãy làm điều này.

05:17.130 --> 05:19.680
Chúng tôi sẽ cập nhật x.

05:19.680 --> 05:26.850
Bây giờ x là hình ảnh đầu vào và với x thứ hai ở đây x sẽ trở thành lớp chập đầu tiên.

05:27.030 --> 05:29.970
Và bây giờ những gì chúng ta phải làm là một quy trình ba bước.

05:29.970 --> 05:33.600
Bước đầu tiên, chúng tôi áp dụng tích chập cho các hình ảnh đầu vào.

05:33.600 --> 05:38.370
Sau đó, bước thứ hai, chúng tôi áp dụng cắt tỉa tối đa cho các hình ảnh phức tạp thu được.

05:38.370 --> 05:44.250
Và sau đó bước thứ ba, chúng ta kích hoạt các nơ-ron trong các hình ảnh phức tạp được gộp chung này.

05:44.250 --> 05:50.370
Và vì vậy X sẽ trở thành lớp phức hợp đầu tiên bao gồm tất cả các nhóm này, các hình ảnh phức tạp.

05:50.790 --> 05:56.760
Vì vậy, chúng ta hãy thực hiện bước đầu tiên này, áp dụng tích chập đầu tiên, tích chập một cho các hình ảnh đầu vào.

05:56.760 --> 06:04.380
Vì vậy, những gì chúng tôi làm là lấy tích chập một chấm của chúng tôi.

06:04.380 --> 06:05.250
Chúng ta bắt đầu.

06:05.280 --> 06:11.130
Chúng tôi áp dụng nó cho các hình ảnh đầu vào của chúng tôi mà cho đến nay được đại diện bởi X.

06:11.250 --> 06:12.480
Vì vậy, đó là bước đầu tiên.

06:12.480 --> 06:13.590
Bước đầu tiên đã xong.

06:13.590 --> 06:21.420
Bây giờ, bước thứ hai, chúng ta sẽ áp dụng tổng hợp tối đa cho các hình ảnh phức tạp được trả về bởi tích chập một X

06:21.420 --> 06:23.550
và áp dụng tổng hợp tối đa.

06:23.550 --> 06:29.850
Chà, chúng ta sẽ lấy một hàm từ mô-đun chức năng, vì vậy chúng ta lấy F là phím tắt rồi chấm

06:29.850 --> 06:38.250
và sau đó chúng ta sẽ sử dụng nhóm tối đa của hàm thành D, đó là hàm mà chúng ta đặt tích chập một X trong ngoặc đơn

06:38.250 --> 06:40.410
của nhóm tối đa để xác định.

06:41.660 --> 06:45.080
Bởi vì chúng tôi áp dụng tổng hợp tối đa cho các hình ảnh phức tạp.

06:45.500 --> 06:53.020
Nhưng hàm tổng hợp tối đa này nhận các đối số bổ sung mà đầu tiên là kích thước hạt nhân.

06:53.030 --> 06:59.030
Vì vậy, một lần nữa, đó là kích thước của cửa sổ trượt qua các hình ảnh của bạn và điều đó sẽ chiếm tối đa

06:59.030 --> 07:00.650
số pixel trong mỗi trang chiếu.

07:00.690 --> 07:06.680
Điều đó vẫn sẽ phát hiện các đối tượng địa lý bởi vì các đối tượng địa lý được liên kết với giá trị cao của pixel trong

07:06.680 --> 07:09.530
các mảng, như bạn đã thấy trong các bài giảng về trực giác.

07:09.530 --> 07:15.500
Vì vậy, đối số đầu tiên ở đây chúng ta cần nhập là kích thước hạt nhân này và chúng ta sẽ lấy ba.

07:15.500 --> 07:17.630
Đó là một lựa chọn phổ biến cho kích thước hạt nhân.

07:17.630 --> 07:25.400
Và sau đó chúng ta cần nhập sải chân bằng bao nhiêu pixel nó sẽ trượt trong hình ảnh và chúng ta sẽ thực hiện

07:25.400 --> 07:27.170
một sải chân là hai.

07:27.320 --> 07:29.120
Một lần nữa, đó là một lựa chọn phổ biến.

07:29.630 --> 07:30.500
Vậy là xong.

07:30.500 --> 07:32.390
Bây giờ bước thứ hai đã xong.

07:32.390 --> 07:38.840
Và bây giờ chúng ta hãy chuyển sang bước thứ ba, đó là kích hoạt tất cả các nơ-ron trong các hình ảnh tổng hợp và

07:38.840 --> 07:41.210
phức tạp trong lớp phức hợp đầu tiên này.

07:41.240 --> 07:45.920
Và để làm điều này một lần nữa, chúng tôi sẽ áp dụng một hàm cho tất cả những điều này.

07:45.920 --> 07:51.500
Và vì vậy ở đây tôi lấy F một lần nữa vì chúng ta sẽ lấy một chức năng khác, như bạn có

07:51.500 --> 07:57.230
thể đoán, sẽ là một chức năng kích hoạt, nhưng chức năng nào như thường lệ, nó sẽ là một chức năng kích

07:57.230 --> 07:58.430
hoạt bộ chỉnh lưu.

07:58.610 --> 08:02.120
Và có thể bạn nhớ tên cho đó là Réélu.

08:02.570 --> 08:03.320
Chúng ta bắt đầu.

08:03.320 --> 08:04.130
Đó là một trong những.

08:04.130 --> 08:10.190
Và do đó, chúng tôi áp dụng giá trị cho các hình ảnh phức hợp tổng hợp của chúng tôi.

08:10.190 --> 08:11.630
Đó là tất cả những điều này.

08:12.380 --> 08:12.860
Được rồi.

08:12.860 --> 08:14.180
Và đó là nó.

08:14.180 --> 08:15.200
Ba bước thực hiện.

08:15.200 --> 08:16.280
Đó là rất nhanh chóng.

08:16.280 --> 08:22.880
Vì vậy, hãy nhớ rằng, cách chúng ta phải xem xét điều này là đầu tiên chúng ta áp dụng tích chập cho các hình ảnh đầu vào của

08:22.910 --> 08:28.640
chúng ta, sau đó chúng ta áp dụng tổng hợp tối đa cho các hình ảnh tích tụ thu được bằng phép tích chập.

08:28.640 --> 08:35.660
Và sau đó chúng tôi kích hoạt các nơ-ron trong tất cả lớp tích tụ được gộp chung này bằng chức năng kích hoạt bộ

08:35.660 --> 08:36.260
chỉnh lưu.

08:37.030 --> 08:37.980
Rất hoàn hảo.

08:37.990 --> 08:45.070
Chúng tôi nhận được lớp phức hợp đầu tiên của chúng tôi trên đó đã được áp dụng tổng hợp tối đa và trong đó các tế bào thần kinh bây

08:45.070 --> 08:45.990
giờ được kích hoạt.

08:46.000 --> 08:51.610
Và về cơ bản những gì nó làm là nó truyền các tín hiệu từ lớp chập đầu tiên sang lớp

08:51.610 --> 08:52.390
tiếp theo.

08:52.390 --> 08:56.260
Và nói về vấn đề tiếp theo, đó chính xác là những gì chúng tôi sẽ giải quyết ngay bây giờ.

08:56.290 --> 09:01.630
Chúng ta sẽ làm điều tương tự như chúng ta vừa làm trên lớp chập đầu tiên

09:01.630 --> 09:08.110
đến lớp chập thứ hai để lại truyền các tín hiệu vào mạng nơron bằng cách kích hoạt các nơron của

09:08.110 --> 09:09.610
lớp chập thứ hai.

09:09.610 --> 09:12.820
Nhưng trước khi làm điều này, chúng ta cần lấy lớp phức hợp này.

09:12.820 --> 09:16.330
Và vì vậy chúng ta sẽ áp dụng tích chập cho x.

09:16.330 --> 09:21.610
Đó bây giờ là lớp chập đầu tiên mà chúng ta sẽ áp dụng phép chập cho X để có được

09:21.610 --> 09:26.710
lớp chập thứ hai, sau đó chúng ta sẽ kéo tối đa nó và cuối cùng là kích hoạt các nơ-ron

09:26.710 --> 09:27.400
của nó.

09:27.760 --> 09:28.930
Vì vậy, chúng ta hãy làm điều này.

09:28.930 --> 09:30.010
Nó thực sự rất dễ dàng.

09:30.010 --> 09:35.170
Chúng tôi chỉ cần sao chép và dán nội dung đó bên dưới.

09:35.200 --> 09:39.100
Và bây giờ tất nhiên chúng ta cần thay thế tích chập một bằng tích chập hai.

09:39.220 --> 09:40.360
Và chúng ta bắt đầu.

09:40.360 --> 09:41.830
Nó thực sự đã sẵn sàng.

09:41.830 --> 09:43.390
C Rất dễ dàng.

09:43.660 --> 09:49.780
Và bây giờ với dòng này, chúng ta truyền tín hiệu từ lớp chập thứ hai sang lớp tiếp

09:49.780 --> 09:52.450
theo, sẽ là lớp chập thứ ba.

09:52.450 --> 09:56.830
Và để có được lớp phức hợp thứ ba này, chúng ta cần phải áp dụng nó một lần nữa.

09:57.010 --> 10:03.460
Vì vậy, tôi đang sao chép cách dán này bên dưới và thay thế tích chập hai bằng tích chập ba.

10:03.700 --> 10:04.690
Và thế là xong.

10:04.720 --> 10:06.130
Nó không thực tế như vậy sao?

10:06.130 --> 10:13.060
Chúng tôi truyền tín hiệu trong ba lớp phức hợp và đèn pin nhờ cấu trúc tuyệt vời này.

10:13.860 --> 10:14.220
Được rồi.

10:14.220 --> 10:15.190
Rất hoàn hảo.

10:15.210 --> 10:22.230
Bây giờ chúng ta đã truyền tín hiệu lên đến lớp phức hợp thứ ba và sau đó và nói về sau, điều đó dẫn chúng ta

10:22.230 --> 10:25.890
đến những gì chúng ta đang tìm kiếm, những gì chúng ta quan tâm.

10:25.890 --> 10:27.900
Đó là lớp làm phẳng.

10:28.290 --> 10:28.710
Được rồi.

10:28.710 --> 10:35.610
Vì vậy, bây giờ chúng ta đã có lớp chập thứ ba, đó là chữ X cuối cùng ở đây, đã đến lúc lấy lớp làm phẳng của

10:35.610 --> 10:36.170
chúng ta.

10:36.180 --> 10:38.250
Và đó chính xác là những gì chúng ta sẽ làm bây giờ.

10:38.250 --> 10:42.990
Chúng tôi sẽ làm phẳng tất cả các pixel của lớp phức hợp thứ ba này.

10:42.990 --> 10:48.330
Đó là, chúng tôi sẽ lấy tất cả các pixel của tất cả các kênh của lớp phức hợp thứ ba.

10:48.360 --> 10:51.840
Chúng ta sẽ đặt chúng lần lượt trong một vectơ lớn.

10:51.840 --> 10:55.920
Và tất nhiên, vectơ khổng lồ này sẽ không là gì khác ngoài lớp làm phẳng.

10:55.980 --> 11:01.890
Và đồng thời, chúng ta sẽ sử dụng một thủ thuật để lấy số lượng tế bào thần kinh trong lớp làm phẳng này.

11:01.890 --> 11:03.510
Đó chính xác là những gì chúng tôi đang tìm kiếm.

11:03.540 --> 11:05.520
Đó là số lượng tế bào thần kinh mà chúng ta đang thiếu.

11:05.520 --> 11:08.580
Và do đó, chúng ta hãy trực tiếp trả lại những gì chúng ta muốn.

11:08.580 --> 11:14.070
Và trong lần trở lại này, chúng ta sẽ làm phẳng lớp chập thứ ba và đồng thời, số lượng tế

11:14.070 --> 11:16.200
bào thần kinh trong lớp làm phẳng này.

11:16.350 --> 11:19.920
Vì vậy, chúng ta sẽ lấy X, là lớp chập thứ ba của chúng ta.

11:20.070 --> 11:25.080
Chúng tôi sẽ lấy tất cả các kênh của lớp tích hợp thứ ba này và chúng tôi sẽ

11:25.080 --> 11:31.830
sử dụng một hàm là hàm kích thước để làm phẳng tất cả các pixel của tất cả các kênh này trong cùng một vectơ khổng lồ.

11:31.950 --> 11:35.850
Và bạn có thể tìm thấy mẹo này trong hướng dẫn PyTorch.

11:35.850 --> 11:42.090
Đầu tiên chúng ta lấy dữ liệu của X vì X là một cấu trúc đặc biệt, nó là một biến ngọn đuốc.

11:42.090 --> 11:44.100
Vì vậy, nó có một cấu trúc khá phức tạp.

11:44.100 --> 11:51.840
Nhưng trước tiên chúng ta cần truy cập nó với dữ liệu ở đây, sau đó chúng ta cần xem những gì bên trong nó.

11:51.840 --> 11:57.630
Vì vậy, chúng tôi sử dụng chức năng khung nhìn này và bây giờ chúng tôi cần truy cập những gì chúng tôi đang tìm

11:57.630 --> 12:01.800
kiếm và điều đó được đưa ra với các đối số là một và trừ đi một.

12:02.010 --> 12:06.600
Bạn không cần phải hiểu những gì bên trong cấu trúc, nhưng bạn có thể hiểu rằng đây là cách chúng

12:06.600 --> 12:08.790
ta có được số lượng tế bào thần kinh này.

12:08.790 --> 12:15.360
Và sau đó để hoàn tất, chúng ta cần thêm kích thước, sau đó là dấu ngoặc đơn, và bên trong chúng ta nhập một.

12:15.600 --> 12:21.570
Vì vậy, về cơ bản những gì chúng tôi làm ở đây, những gì chúng tôi làm là chúng tôi lấy tất cả các pixel của tất cả

12:21.570 --> 12:26.610
các kênh và đặt chúng lần lượt vào vectơ khổng lồ này, sẽ là đầu vào của mạng được kết nối đầy đủ.

12:26.940 --> 12:29.190
Về cơ bản đó là những gì kích thước một.

12:29.190 --> 12:33.480
Và với điều này, chúng ta có thể có được số lượng tế bào thần kinh mà chúng ta đang tìm kiếm.

12:33.870 --> 12:34.260
Được rồi.

12:34.260 --> 12:36.270
Vì vậy, bây giờ chúng tôi có được những gì chúng tôi muốn.

12:36.270 --> 12:43.830
Và cuối cùng, chúng ta có thể thay thế các nơ-ron số ở đây bằng những gì được trả về bởi hàm này khi

12:43.830 --> 12:49.920
nó được áp dụng cho định dạng của hình ảnh diệt vong, đó là từng 80 x 80.

12:49.920 --> 12:57.180
Vì vậy, những gì chúng ta phải làm bây giờ là thay thế các tế bào thần kinh số bằng cách chúng ta lấy các tế bào thần kinh số đếm.

12:57.790 --> 13:05.830
Chức năng mà chúng tôi áp dụng cho định dạng của hình ảnh thu phóng sẽ là một bộ điều chỉnh.

13:06.840 --> 13:08.820
80 và 80.

13:09.240 --> 13:10.340
Và chúng ta bắt đầu.

13:10.350 --> 13:17.040
Và tất nhiên, chúng ta không quên self vì nơron đếm thực sự là một phương thức của lớp CNN.

13:17.040 --> 13:20.700
Vì vậy, chúng tôi cần thêm bản thân và bây giờ cảnh báo sẽ biến mất.

13:20.970 --> 13:22.020
Và chúng ta bắt đầu.

13:22.290 --> 13:23.720
Bây giờ mọi thứ đều tốt.

13:23.730 --> 13:27.900
Chúng tôi có được kiến trúc của mạng nơ-ron không có gì thiếu sót.

13:27.900 --> 13:29.060
Và chúng tôi có số lượng này.

13:29.070 --> 13:34.230
Bạn biết đấy, các tế bào thần kinh hoạt động trong trường hợp bạn muốn thử một số kiến trúc khác và bạn không muốn đếm số lượng

13:34.230 --> 13:36.120
tế bào thần kinh này theo cách thủ công.

13:36.150 --> 13:41.370
Bạn chỉ cần sử dụng chức năng này, bạn áp dụng nó vào định dạng hình ảnh của mình và điều này sẽ giúp bạn có được trực tiếp những

13:41.370 --> 13:42.000
gì bạn muốn.

13:42.000 --> 13:47.280
Đó là số lượng tế bào thần kinh trong lớp ngập lụt mà không cần phải làm bất cứ điều gì và bất kể kiến trúc

13:47.280 --> 13:47.730
là gì.

13:48.240 --> 13:49.350
Vì vậy, điều đó khá tuyệt.

13:49.350 --> 13:55.950
Và bây giờ chúng ta đã hoàn thành bước quan trọng đầu tiên của bộ não mà chúng ta đang tạo ra.

13:55.950 --> 14:01.620
Và chúng ta có một bước cuối cùng là một hàm cuối cùng cần thực hiện, đây sẽ là hàm chuyển

14:01.620 --> 14:02.340
tiếp chính.

14:02.340 --> 14:07.530
Vì vậy, chúng tôi sẽ truyền các tín hiệu từ đầu não, tức là từ mắt của

14:07.530 --> 14:09.720
AI cho đến lớp đầu ra.

14:09.720 --> 14:12.060
Đó là sau khi kết nối đầy đủ thứ hai.

14:12.180 --> 14:14.100
Vì vậy, chúng tôi sẽ làm điều đó trong hướng dẫn tiếp theo.

14:14.100 --> 14:15.870
Và cho đến khi đó, hãy tận hưởng tôi.