WEBVTT 00:00.420 --> 00:06.440 Halo dan selamat datang di langkah terakhir dari proses kami untuk membuat otak kita memiliki satu fungsi untuk dibiarkan. 00:06.450 --> 00:12.180 Ini adalah fungsi maju yang akan menyebarkan sinyal di semua lapisan jaringan saraf termasuk 00:12.510 --> 00:16.180 tiga lapisan konvolusional dan lapisan yang terhubung penuh. 00:16.380 --> 00:21.660 Dan fungsi ini adalah fungsi maju persis seperti untuk mobil self-driving kecuali 00:21.780 --> 00:27.440 kali ini kita harus menyebarkan sinyal di lapisan convolutional sebelum lapisan sepenuhnya terhubung. 00:27.660 --> 00:32.610 Dan kabar baiknya adalah kita sudah melakukan itu pada langkah sebelumnya dengan menghitung fungsi Newnes. 00:32.640 --> 00:37.160 Jadi kita sudah memiliki kode untuk menyebarkan sinyal di negara ini. 00:37.340 --> 00:38.940 Jadi ini akan sangat cepat. 00:38.950 --> 00:43.950 Kami hanya akan menggabungkan apa yang kami lakukan di sini dan apa yang kami lakukan untuk mobil kapal selam dan kami 00:43.950 --> 00:45.720 akan mendapatkan fungsi maju untuk otak kami. 00:45.780 --> 00:46.860 Jadi mari kita lakukan ini. 00:46.860 --> 00:54.660 Kami memperkenalkan fungsi baru di sini yang terakhir untuk otak dan fungsi ini adalah fungsi maju 00:55.170 --> 00:56.940 yang mengambil argumen. 00:57.160 --> 01:05.400 Yah persis seperti sebelumnya untuk merujuk ke objek dan X yang akan menjadi gambar input pertama dan kemudian Anda 01:05.400 --> 01:10.280 tahu X akan diperbarui saat sinyal disebarkan ke jaringan baru. 01:10.650 --> 01:11.460 Baiklah. 01:11.460 --> 01:14.350 Jadi Cullen lalu mari masuk ke dalam fungsi. 01:14.370 --> 01:20.500 Jadi seperti yang saya katakan tadi kita sudah membuat kode untuk menyebarkan sinyal di tiga lapisan konvolusional. 01:20.580 --> 01:23.440 Itulah tiga baris kode ini. 01:23.640 --> 01:29.040 Jadi saya menyalinnya dan menempelkannya di sana-sini. 01:29.040 --> 01:34.430 Kami sudah memiliki propagasi sinyal di tiga lapisan konvolusional. 01:34.520 --> 01:40.830 Dan sekarang kita hanya perlu menyebarkan sinyal dari lapisan konvolusional ke lapisan tersembunyi dan akhirnya 01:40.830 --> 01:46.680 ke lapisan keluaran yang ada di ujung jaringan saraf dan untuk melakukan ini 01:46.680 --> 01:53.520 pertama-tama kita perlu meratakan lapisan konvolusional ketiga yang kita didapat disini ingat X pada awalnya adalah 01:53.520 --> 01:54.610 input gambar. 01:54.720 --> 02:00.780 Maka di sini X menjadi lapisan konvolusional pertama kemudian X menjadi konvolusional kedua di sana. 02:00.930 --> 02:03.840 Dan kemudian di sini X menjadi konvolusional ketiga di sana. 02:03.960 --> 02:07.730 Jadi sekarang pada tahap X ini adalah lapisan konvolusional ketiga. 02:07.860 --> 02:15.000 Dan sekarang untuk mengambil perataan di sana kita perlu meratakan lapisan konvolusional ketiga X ini dan untuk melakukan ini kita akan 02:15.070 --> 02:20.220 melakukan sesuatu yang sangat mirip seperti yang kita lakukan di sini hanya saat ini kita 02:20.220 --> 02:25.090 tidak perlu jumlah neuron kita hanya perlu meratakannya saluran di convolutional ketiga di sana. 02:25.140 --> 02:28.130 Jadi ini akan menjadi lebih sederhana tetapi sangat mirip. 02:28.410 --> 02:35.570 Dan untuk melakukan ini dengan baik kita akan mengambil X lagi karena X akan menjadi lapisan perataan. 02:35.890 --> 02:43.990 Kami hanya memperbarui X sehingga x sama dengan kemudian kita mengambil X lagi tapi X ini adalah X lama yang merupakan lapisan konvolusional 02:43.990 --> 02:44.480 ketiga. 02:44.550 --> 02:51.510 Jadi kita mengambil konvolusional ketiga di sana tetapi kemudian kita mengambil fungsi tampilan yang kita gunakan 02:51.510 --> 02:52.460 untuk argumen 02:52.530 --> 02:55.730 Yang pertama adalah X yang berukuran nol. 02:56.100 --> 03:01.800 Jadi sekali lagi kita mengambil fungsi ukuran untuk mengambil semua piksel dari semua saluran dan lapisan konvolusional ketiga 03:01.800 --> 03:07.320 dan kita menempatkan mereka satu demi satu dalam vektor besar ini yang akan menjadi X di sini 03:07.320 --> 03:11.280 dan X ini kemudian akan menjadi input dari jaringan yang sepenuhnya terhubung. 03:11.460 --> 03:12.860 Tapi bukan itu yang perlu kita lakukan. 03:13.080 --> 03:14.530 Dan ini dia. 03:14.650 --> 03:15.990 Dan minus satu. 03:16.200 --> 03:19.170 Agar trik itu Anda bisa menemukannya di tutorial arloji saku. 03:19.350 --> 03:25.130 Begitulah cara Anda bisa meratakan konvolusional mereka terdiri dari beberapa saluran dengan menggunakan fungsi ukuran. 03:25.200 --> 03:29.890 Dan tentu saja jika Anda ingin detail lebih lanjut tentang cara kerjanya, Anda dapat pergi ke tutorial arloji saku. 03:30.030 --> 03:31.410 Saya akan memberikan tautannya. 03:31.800 --> 03:38.250 Jadi sekarang kita punya perataan di sana dengan baik Anda tahu perataan ini akan menjadi 03:38.580 --> 03:43.800 input dari jaringan klasik sepenuhnya terhubung dengan transmisi linier sederhana dari sinyal. 03:43.830 --> 03:49.440 Dan sekarang kita tidak akan menggunakan fungsi konvolusi untuk meneruskan sinyal kita akan menggunakan 03:49.440 --> 03:54.720 transmisi linear dengan kelas linier dan kemudian memecah linearitas karena ketika kita bekerja 03:54.780 --> 03:57.670 dengan gambar dan gambar memiliki hubungan linear. 03:57.900 --> 04:03.360 Kita akan menggunakan fungsi yang dapat diperbaiki untuk dapat mempelajari hubungan non-linear ini. 04:03.510 --> 04:04.560 Jadi mari kita lakukan ini. 04:04.560 --> 04:06.160 Ini sebenarnya langkah selanjutnya. 04:06.210 --> 04:09.320 Dan sekarang persis seperti yang kami lakukan untuk mobil self-driving. 04:09.360 --> 04:15.030 Kami mengambil X karena kami ingin memperbaruinya lagi dan kami ingin mendapatkan lapisan tersembunyi sekarang. 04:15.100 --> 04:20.970 Dan pertama-tama yang kita lakukan adalah mengambil koneksi penuh SE1 karena koneksi penuh. 04:20.970 --> 04:27.030 FC one adalah yang menghubungkan layer perataan ke hidden di sana dan oleh karena itu kita perlu 04:27.300 --> 04:32.850 mengambil SE1 dan menerapkannya ke X yang kita miliki sekarang yaitu flooding di sana. 04:33.000 --> 04:38.780 Dan kita tentu saja tidak melupakan diri sendiri karena setiap orang adalah variabel dari fungsi init kita. 04:38.890 --> 04:45.510 Jadi otodidak SE1 X dan yang meneruskan secara linear sinyal dari yang datar ke yang tersembunyi di sana. 04:45.690 --> 04:49.990 Tetapi sekarang kita perlu mengaktifkan neuron-neuron ini sementara pada saat yang sama melanggar hukum dalam kekeliruan. 04:50.130 --> 04:53.480 Dan itulah yang kami lakukan dengan fungsi aktivasi penyearah. 04:53.490 --> 05:00.990 Jadi sekarang yang harus kita lakukan adalah mengambil modul fungsional kita dan dari modul fungsional ini kita mengambil tentu saja atau fungsi 05:01.140 --> 05:03.870 yang dapat diperbaiki yang adalah Anda yang sebenarnya. 05:04.230 --> 05:08.130 Dan kami menempatkan SE1 otodidak di dalam kurung. 05:08.220 --> 05:14.280 Baiklah apa yang terjadi pada baris kode ini adalah bahwa pertama-tama kita menyebarkan sinyal dari lapisan perataan 05:14.280 --> 05:17.210 ke lapisan tersembunyi dari jaringan yang terhubung sepenuhnya. 05:17.580 --> 05:23.970 Dan kemudian kita mengaktifkan neuron dari lapisan tersembunyi ini dengan memecahkan di udara dengan fungsi aktivasi penyearah 05:23.970 --> 05:29.100 ini dan kita mendapatkan kepala kita di sana yang ada di sini sempurna. 05:29.130 --> 05:35.370 Dan sekarang kita memiliki satu langkah terakhir untuk melakukannya tentu saja untuk menyebarkan sinyal dari lapisan tersembunyi ke 05:35.670 --> 05:39.680 lapisan keluaran dengan neuron keluaran akhir dan untuk melakukan ini. 05:39.720 --> 05:41.160 Yah, itu sangat sederhana. 05:41.160 --> 05:43.680 Persis seperti yang kami lakukan dengan mobil di dalam. 05:43.680 --> 05:51.720 Kami mengambil koleksi penuh kedua C2 kami dan kami menerapkannya untuk tentu saja neuron lapisan tersembunyi 05:51.990 --> 05:53.700 yang sekarang x 05:53.740 --> 05:55.900 Jadi inilah neuron di sana-sini. 05:56.040 --> 06:02.840 Ini semua x dan x di sini tentu saja menjadi neuron keluaran dari lapisan keluaran yang berisi nilai-nilai kubus. 06:03.210 --> 06:10.070 Dan akhirnya kita cukup mengembalikan neuron keluaran x dengan nilai-nilai kubus. 06:10.320 --> 06:11.240 Begitu sempurna. 06:11.250 --> 06:16.950 Selamat kami baru saja membuat otak kami baru saja membuat otak AI kami dengan mata dan 06:16.950 --> 06:17.740 sel-sel lainnya. 06:17.790 --> 06:19.130 Jadi selamat. 06:19.140 --> 06:23.550 Sekarang saatnya membuat tubuh yang mendefinisikan bagaimana kita akan memainkan aksinya. 06:23.550 --> 06:26.480 Toh semua sinyal diproses di otak. 06:26.690 --> 06:28.370 Jadi itu langkah besar kedua kita. 06:28.380 --> 06:30.280 Mari kita lakukan ini di tutorial selanjutnya. 06:30.300 --> 06:31.780 Dan sampai saat itu AI.