WEBVTT 00:00.300 --> 00:06.300 Hallo en welkom bij de laatste stap van ons proces om de hersenen te maken, hebben we één functie over om te maken. 00:06.330 --> 00:12.120 Dit is de voorwaartse functie die de signalen in alle lagen van het neurale netwerk zal verspreiden, 00:12.360 --> 00:15.870 inclusief de drie convolutionele lagen en de volledig verbonden laag. 00:16.200 --> 00:21.630 En dus is deze functie de voorwaartse functie precies zoals voor de zelfrijdende auto, behalve 00:21.630 --> 00:27.200 dat we deze keer de signalen in de convolutionele lagen moeten propageren voor de volledig verbonden laag. 00:27.480 --> 00:32.190 En het goede nieuws is dat we dat al in de vorige stap hebben gedaan met de continuümfunctie. 00:32.490 --> 00:36.960 We hebben dus al de code om het signaal in de congreslagen te verspreiden. 00:37.170 --> 00:38.790 En dat gaat dus heel snel. 00:38.820 --> 00:44.430 We zullen gewoon combineren wat we hier hebben gedaan en wat we hebben gedaan voor de zuidelijke auto en krijgen onze Ford-functie voor 00:44.430 --> 00:45.150 onze hersenen. 00:45.660 --> 00:46.680 Dus laten we dit doen. 00:46.710 --> 00:50.550 We introduceren hier een nieuwe functie, de laatste voor de hersenen. 00:50.820 --> 00:59.070 En deze functie is de voorwaartse functie, die als argument neemt, nou ja, precies zoals voorheen zelf om naar het object 00:59.220 --> 01:06.270 te verwijzen en X, die eerst de invoerafbeeldingen zullen zijn en dan, weet je, X zal worden bijgewerkt 01:06.270 --> 01:09.870 terwijl het signaal wordt voortgeplant in het neurale netwerk. 01:10.470 --> 01:10.980 Oke. 01:11.340 --> 01:13.780 Dus Colin, en laten we dan naar de functie gaan. 01:14.250 --> 01:20.190 Dus zoals ik net zei, we hebben de code al gemaakt om de signalen in de drie convolutionele lagen te 01:20.430 --> 01:20.850 verspreiden. 01:20.850 --> 01:23.190 Precies deze drie regels code. 01:23.490 --> 01:28.890 Dus ik kopieer ze en plaats ze hier en daar gaan we. 01:28.900 --> 01:33.990 We hebben al onze voortplanting van het signaal in de drie convolutionele lagen. 01:34.350 --> 01:40.770 En dus hoeven we nu alleen het signaal van de convolutionele lagen naar de verborgen lagen te verspreiden en dan uiteindelijk 01:40.770 --> 01:44.940 naar de outputlaag die helemaal aan het einde van het neurale netwerk is. 01:45.210 --> 01:50.750 En om dit te doen, moeten we eerst de derde convolutionele laag die we hier verkrijgen, afvlakken. 01:50.910 --> 01:54.240 Onthoud dat X in eerste instantie het invoerbeeld is. 01:54.540 --> 02:00.570 Dan wordt hier X de eerste convolutionele laag, dan wordt hier X de tweede convolutionele laag, en dan 02:00.720 --> 02:03.540 wordt hier X de derde convolutionele laag. 02:03.810 --> 02:07.470 Dus op dit moment, in dit stadium, is X de derde convolutionele laag. 02:07.680 --> 02:13.800 En om de afvlakking daar te verkrijgen, moeten we deze derde convolutionele laag X afvlakken. 02:14.100 --> 02:17.940 En om dit te doen, gaan we iets vergelijkbaars doen als hier. 02:18.060 --> 02:20.640 Alleen hebben we deze keer het aantal neuronen niet nodig. 02:20.820 --> 02:24.700 We hoeven alleen maar de kanalen in de derde convolutionele laag af te vlakken. 02:24.990 --> 02:27.780 Dit zal dus vrij eenvoudig zijn, maar zeer vergelijkbaar. 02:28.260 --> 02:35.180 En om dit goed te doen, nemen we X opnieuw omdat X de afvlakkingslaag wordt. 02:35.780 --> 02:40.350 We krijgen gewoon X dus X gelijk, dan nemen we X opnieuw. 02:40.350 --> 02:44.270 Maar deze X is de oude X die de derde convolutionele laag is. 02:44.370 --> 02:51.180 Dus we nemen de derde convolutionele laag, dan punt, dan nemen we de view-functie waarop we toepassen 02:51.180 --> 02:52.050 op argumenten. 02:52.410 --> 02:55.330 De eerste is X die maat nul is. 02:55.920 --> 03:01.770 Dus nogmaals, we nemen deze groottefunctie om alle pixels van alle kanalen en de derde convolutionele laag te nemen en 03:01.770 --> 03:07.260 we plaatsen ze een voor een in deze enorme vector die deze X hier zal worden en deze 03:07.260 --> 03:10.980 X zal dan de invoer worden van het volledig verbonden netwerk. 03:11.340 --> 03:13.650 Maar dat is niet alles wat we hier hoeven toe te voegen. 03:13.650 --> 03:15.730 Kom op en min één. 03:16.050 --> 03:18.960 Dus die truc kun je vinden in de Python-tutorials. 03:19.200 --> 03:24.870 Zo kun je een convolutionele laag die uit meerdere kanalen bestaat, plat maken met behulp van de size-functie. 03:25.020 --> 03:29.670 En natuurlijk, als je meer details wilt over hoe dit werkt, kun je naar de Python-tutorials gaan. 03:29.850 --> 03:30.960 Ik zal de link geven. 03:31.650 --> 03:36.840 Dus nu we onze afvlakking daar hebben, weet je, deze afvlakkingslaag wordt 03:36.840 --> 03:43.360 de invoer van een klassiek volledig verbonden netwerk met een eenvoudige lineaire transmissie van het signaal. 03:43.620 --> 03:48.120 En dus gaan we nu geen convolutiefunctie gebruiken om het signaal door te geven. 03:48.240 --> 03:53.850 We gaan een lineaire transmissie gebruiken met de lineaire klasse en dan de lineariteit verbreken, want, weet 03:53.850 --> 03:58.350 je, we werken met afbeeldingen en afbeeldingen, hebben niet-lineaire relaties waarbij we een 03:58.350 --> 04:02.840 gelijkrichtfunctie gaan gebruiken om te kunnen om deze niet-lineaire relaties te leren. 04:03.360 --> 04:04.390 Dus laten we dit doen. 04:04.410 --> 04:05.840 Dit is eigenlijk de volgende stap. 04:06.000 --> 04:08.970 En dat is nu precies hetzelfde als wat we deden voor de zelfrijdende auto. 04:09.190 --> 04:12.000 We nemen X omdat we het opnieuw willen bijwerken. 04:12.000 --> 04:14.360 We willen nu de verborgen laag krijgen. 04:14.940 --> 04:22.050 En dus nemen we eerst onze volledige verbinding, FS1, omdat de volledige verbinding, FS1 degene is die 04:22.050 --> 04:25.140 de afvlakkingslaag verbindt met het verborgene daar. 04:25.380 --> 04:32.580 En daarom moeten we FS1 nemen en het toepassen op de X die we nu hebben, de overstromingslaag. 04:32.790 --> 04:38.490 En we vergeten natuurlijk het zelf niet, want iedereen is een variabele van onze init-functie. 04:38.730 --> 04:44.910 Dus zelf die FS1 X en dus dat geeft lineair het signaal door van de afvlakkingslaag naar het daar 04:44.910 --> 04:45.240 verborgene. 04:45.550 --> 04:49.770 Maar nu moeten we deze neuronen activeren en tegelijkertijd de lineariteit doorbreken. 04:49.920 --> 04:52.960 En dat is precies wat we doen met de activeringsfunctie van de gelijkrichter. 04:53.370 --> 04:59.640 Dus wat we nu moeten doen is onze functionele module nemen en van deze functionele module wij. 05:00.160 --> 05:06.400 Natuurlijk, onze corrigerende functie, dat is de realiteit, en we plaatsen onszelf en iedereen tussen 05:06.640 --> 05:07.490 haakjes. 05:08.020 --> 05:08.410 Oke. 05:08.410 --> 05:14.680 Dus wat er in deze regel code gebeurt, is dat we eerst de signalen van de afvlakkende laag naar de verborgen 05:14.680 --> 05:16.900 laag van het volledig verbonden netwerk verspreiden. 05:17.380 --> 05:23.380 En dan activeren we de neuronen van deze verborgen laag door de lineariteit te doorbreken met 05:23.380 --> 05:24.300 deze gelijkrichteractiveringsfunctie. 05:24.610 --> 05:28.930 En we krijgen onze verborgen laag die Axia perfect is. 05:28.930 --> 05:30.910 En nu hebben we een stap minder te doen. 05:31.030 --> 05:37.540 Het is natuurlijk om het signaal van de verborgen laag naar de uitgangslaag te verspreiden met de 05:37.540 --> 05:38.380 uiteindelijke uitgangsneuronen. 05:38.680 --> 05:39.570 En om dit te doen. 05:39.580 --> 05:40.770 Nou, dat is heel eenvoudig. 05:41.020 --> 05:43.370 Dat is precies hetzelfde als wat we deden voor de zelfrijdende auto. 05:43.540 --> 05:51.220 We voeren onze tweede volledige verbinding uit en passen deze natuurlijk toe op de neuronen van de verborgen laag 05:51.220 --> 05:53.170 die nu X is. 05:53.590 --> 05:55.590 Dus X hier zijn de neuronen van het hier en daar. 05:55.900 --> 06:01.960 Deze oude X en X worden hier natuurlijk de uitgangsneuronen van de uitgangslaag die de sleutelwaarden 06:01.960 --> 06:02.410 bevat. 06:03.040 --> 06:09.780 En ten slotte retourneren we gewoon de outputneuronen die X zijn met de sleutelwaarden. 06:10.180 --> 06:11.070 Zo perfect. 06:11.080 --> 06:12.160 Gefeliciteerd. 06:12.160 --> 06:17.530 We hebben net een brein gemaakt, we hebben net het brein van onze A gemaakt. L. met de ogen en de rest van de cellen. 06:17.650 --> 06:18.990 Gefeliciteerd dus. 06:19.030 --> 06:24.610 Nu is het tijd om het lichaam te maken dat bepaalt hoe we de actie gaan spelen nadat alle signalen 06:24.610 --> 06:26.160 in de hersenen zijn verwerkt. 06:26.590 --> 06:28.170 Dus dat is onze tweede grote stap. 06:28.240 --> 06:30.160 Laten we dit doen in de volgende tutorials. 06:30.160 --> 06:31.720 En tot die tijd, geniet van de.