WEBVTT 00:00.420 --> 00:06.440 Hallo und willkommen zu dem letzten Schritt unseres Prozesses, um das Gehirn zu machen, das wir nur noch eine Funktion haben müssen. 00:06.450 --> 00:12.180 Dies ist die Vorwärtsfunktion, die die Signale in allen Schichten des neuronalen Netzwerks einschließlich der 00:12.510 --> 00:16.180 drei Faltungsschichten und der vollständig verbundenen Schicht ausbreitet. 00:16.380 --> 00:21.660 Diese Funktion ist also die Vorwärtsfunktion genau wie für das selbstfahrende Auto, 00:21.780 --> 00:27.440 nur müssen wir die Signale in den Faltungsschichten vor der vollständig verbundenen Schicht ausbreiten. 00:27.660 --> 00:32.610 Und die gute Nachricht ist, dass wir dies bereits im vorherigen Schritt mit der Funktion Count Newnes getan haben. 00:32.640 --> 00:37.160 Wir haben also bereits den Code, um das Signal im Land zu verbreiten. 00:37.340 --> 00:38.940 Und das wird sehr schnell gehen. 00:38.950 --> 00:43.950 Wir kombinieren einfach das, was wir hier gemacht haben und was wir für das U-Boot-Auto getan haben, und wir 00:43.950 --> 00:45.720 bekommen unsere Vorwärtsfunktion für unser Gehirn. 00:45.780 --> 00:46.860 Also lass uns das tun. 00:46.860 --> 00:54.660 Wir führen hier eine neue Funktion ein, die letzte für das Gehirn. Diese Funktion ist die Vorwärtsfunktion, die 00:55.170 --> 00:56.940 ein Argument benötigt. 00:57.160 --> 01:05.400 Nun, genau wie vorher self, um sich auf die Objekte und X zu beziehen, die zuerst die Eingabebilder sein werden, und dann wissen Sie, 01:05.400 --> 01:10.280 dass X aktualisiert wird, wenn das Signal in das neue Netzwerk übertragen wird. 01:10.650 --> 01:11.460 Gut. 01:11.460 --> 01:14.350 Also Cullen und dann lass uns in die Funktion gehen. 01:14.370 --> 01:20.500 Wie ich gerade gesagt habe, haben wir den Code bereits erstellt, um die Signale in den drei Faltungsschichten auszubreiten. 01:20.580 --> 01:23.440 Das sind genau diese drei Codezeilen. 01:23.640 --> 01:29.040 Also kopiere ich sie und füge sie hier und da ein. 01:29.040 --> 01:34.430 Wir haben bereits eine Ausbreitung des Signals in den drei Faltungsschichten. 01:34.520 --> 01:40.830 Deshalb müssen wir nun das Signal von den Faltungsschichten zur verborgenen Schicht und schließlich 01:40.830 --> 01:46.680 zur Ausgabeschicht weiterleiten, die ganz am Ende des neuronalen Netzwerks liegt. Dazu 01:46.680 --> 01:53.520 müssen wir zuerst die dritte Faltungsschicht abflachen hier erhalten, erinnern Sie sich zuerst X ist 01:53.520 --> 01:54.610 das Eingabebild. 01:54.720 --> 02:00.780 Dann wird hier X die erste Faltungsschicht, dann wird X dort die zweite Faltung. 02:00.930 --> 02:03.840 Und dann wird X hier die dritte Faltung. 02:03.960 --> 02:07.730 In diesem Stadium ist X also die dritte Faltungsschicht. 02:07.860 --> 02:15.000 Und jetzt, um die Abflachung dort hinzunehmen, müssen wir diese dritte Faltungsschicht X abflachen, und um dies zu tun, werden wir 02:15.070 --> 02:20.220 etwas Ähnliches tun, wie wir es hier getan haben, nur diesmal brauchen wir nicht die 02:20.220 --> 02:25.090 Anzahl von Neuronen, die wir einfach abflachen müssen Kanäle in der dritten Faltung dort. 02:25.140 --> 02:28.130 Das wird also ganz einfach, aber sehr ähnlich. 02:28.410 --> 02:35.570 Und um das gut zu machen, nehmen wir X wieder, weil X die Abflachungsebene werden wird. 02:35.890 --> 02:43.990 Wir aktualisieren nur X, so dass x gleich ist, dann nehmen wir X erneut, aber dieses X ist das alte X, das die dritte Faltungsschicht 02:43.990 --> 02:44.480 ist. 02:44.550 --> 02:51.510 Wir nehmen also die dritte Faltung, dann nehmen wir aber die View-Funktion, auf die wir uns für 02:51.510 --> 02:52.460 Argumente beziehen. 02:52.530 --> 02:55.730 Der erste ist X dieser Größe Null. 02:56.100 --> 03:01.800 Also nehmen wir wieder die Größenfunktion, um alle Pixel aller Kanäle und der dritten Faltungsschicht zu nehmen, 03:01.800 --> 03:07.320 und setzen sie nacheinander in diesen riesigen Vektor, der hier zu diesem X werden wird, und 03:07.320 --> 03:11.280 dieses X wird dann die Eingabe von das vollständig verbundene Netzwerk. 03:11.460 --> 03:12.860 Aber das ist noch nicht alles, was wir brauchen. 03:13.080 --> 03:14.530 Und hier komm schon. 03:14.650 --> 03:15.990 Und minus eins. 03:16.200 --> 03:19.170 Diesen Trick findest du in den Taschenuhr-Tutorials. 03:19.350 --> 03:25.130 Auf diese Weise können Sie eine Faltung reduzieren, die aus mehreren Kanälen besteht, indem Sie die Größenfunktion verwenden. 03:25.200 --> 03:29.890 Und wenn Sie mehr darüber wissen möchten, wie dies funktioniert, können Sie zu den Taschenuhr-Tutorials gehen. 03:30.030 --> 03:31.410 Ich werde den Link zur Verfügung stellen. 03:31.800 --> 03:38.250 Nun, da wir unsere Abflachung dort hatten, wissen Sie, dass diese Abflachung der Eingang eines 03:38.580 --> 03:43.800 klassischen vollständig verbundenen Netzwerks mit einer einfachen linearen Übertragung des Signals wird. 03:43.830 --> 03:49.440 Deshalb verwenden wir jetzt keine Faltungsfunktion, um das Signal weiterzuleiten. Wir werden eine lineare 03:49.440 --> 03:54.720 Übertragung mit einer linearen Klasse verwenden und dann die Linearität durchbrechen, denn wenn 03:54.780 --> 03:57.670 wir mit Bildern arbeiten und lineare Beziehungen. 03:57.900 --> 04:03.360 Nun, wir werden eine korrigierbare Funktion verwenden, um diese nichtlinearen Beziehungen lernen zu können. 04:03.510 --> 04:04.560 Also lass uns das tun. 04:04.560 --> 04:06.160 Dies ist eigentlich der nächste Schritt. 04:06.210 --> 04:09.320 Und jetzt ist es genau das, was wir für das selbstfahrende Auto gemacht haben. 04:09.360 --> 04:15.030 Wir nehmen X, weil wir es noch einmal aktualisieren wollen, wir wollen jetzt die verborgene Ebene. 04:15.100 --> 04:20.970 Als erstes nehmen wir unsere volle Verbindung SE1, weil die volle Verbindung. 04:20.970 --> 04:27.030 FC One ist derjenige, der die Abflachungsschicht mit der dort verborgenen verbindet. Daher müssen wir SE1 nehmen 04:27.300 --> 04:32.850 und auf das X anwenden, das wir gerade haben, was die Überflutung dort ist. 04:33.000 --> 04:38.780 Und natürlich vergessen wir das Selbst nicht, weil jeder eine Variable unserer Init-Funktion ist. 04:38.890 --> 04:45.510 So lernt SE1 X autodidaktisch und so gibt das Signal das Schmeichlerische an das dort Verborgene linear weiter. 04:45.690 --> 04:49.990 Aber jetzt müssen wir diese Neuronen aktivieren und gleichzeitig das Gesetz aus Versehen brechen. 04:50.130 --> 04:53.480 Und genau das machen wir mit der Gleichrichter-Aktivierungsfunktion. 04:53.490 --> 05:00.990 Nun müssen wir unser Funktionsmodul nehmen und von diesem Funktionsmodul übernehmen wir natürlich eine rekordierbare 05:01.140 --> 05:03.870 Funktion, die Ihnen wirklich entspricht. 05:04.230 --> 05:08.130 Und wir haben den autodidaktischen SE1 in die Klammern gesetzt. 05:08.220 --> 05:14.280 In dieser Codezeile passiert also, dass wir zuerst die Signale von der Ebene der Abflachung zur 05:14.280 --> 05:17.210 verborgenen Ebene des vollständig verbundenen Netzwerks übertragen. 05:17.580 --> 05:23.970 Und dann aktivieren wir die Neuronen dieser verborgenen Schicht, indem wir mit dieser Gleichrichter-Aktivierungsfunktion in die 05:23.970 --> 05:29.100 Luft einbrechen, und wir bekommen unseren Kopf da, der hier perfekt ist. 05:29.130 --> 05:35.370 Und nun haben wir einen letzten Schritt, um das Signal von der verborgenen auf die Ausgabeschicht 05:35.670 --> 05:39.680 mit den endgültigen Ausgangsneuronen zu übertragen und dies zu tun. 05:39.720 --> 05:41.160 Das ist sehr einfach. 05:41.160 --> 05:43.680 Das ist genau wie bei dem Auto. 05:43.680 --> 05:51.720 Wir nehmen unsere zweite vollständige Sammlung von C2 und wenden sie natürlich auf die Neuronen der verborgenen Schicht an, 05:51.990 --> 05:53.700 die jetzt x ist. 05:53.740 --> 05:55.900 Hier sind also die Neuronen hier und dort. 05:56.040 --> 06:02.840 Dies alles x und x werden hier natürlich zu den Ausgabeneuronen der Ausgabeschicht, die die Würfelwerte enthält. 06:03.210 --> 06:10.070 Zum Schluss geben wir einfach die Ausgabeneuronen zurück, die x mit den Würfelwerten ist. 06:10.320 --> 06:11.240 So perfekt. 06:11.250 --> 06:16.950 Glückwunsch, wir haben gerade ein Gehirn gemacht, wir haben das Gehirn unserer KI mit den Augen und dem Rest der 06:16.950 --> 06:17.740 Zellen gemacht. 06:17.790 --> 06:19.130 Also herzlichen Glückwunsch. 06:19.140 --> 06:23.550 Jetzt ist es an der Zeit, den Körper zu bestimmen, der bestimmt, wie wir die Aktion spielen werden. 06:23.550 --> 06:26.480 Danach werden alle Signale im Gehirn verarbeitet. 06:26.690 --> 06:28.370 Das ist also unser zweiter großer Schritt. 06:28.380 --> 06:30.280 Machen wir das in den nächsten Tutorials. 06:30.300 --> 06:31.780 Und bis dahin AI.