WEBVTT 00:00.420 --> 00:06.440 Cześć i witamy w ostatnim kroku naszego procesu, aby mózg miał jedną funkcję, aby zrobić lewe. 00:06.450 --> 00:12.180 Jest to funkcja do przodu, która propaguje sygnały we wszystkich warstwach sieci neuronowej, w tym 00:12.510 --> 00:16.180 trzy warstwy splotowe i w pełni połączoną warstwę. 00:16.380 --> 00:21.660 Funkcja ta jest więc funkcją do przodu dokładnie tak, jak w przypadku samochodu 00:21.780 --> 00:27.440 samojezdnego, ale tym razem musimy propagować sygnały w warstwach splotowych przed całkowicie połączoną warstwą. 00:27.660 --> 00:32.610 Dobra wiadomość jest taka, że zrobiliśmy to już w poprzednim kroku dzięki funkcji count Newnes. 00:32.640 --> 00:37.160 Mamy już kod propagujący sygnał w kraju. 00:37.340 --> 00:38.940 I tak będzie bardzo szybko. 00:38.950 --> 00:43.950 Po prostu połączymy to, co tutaj zrobiliśmy, z tym, co zrobiliśmy dla samochodu podwodnego, a otrzymamy funkcję 00:43.950 --> 00:45.720 do przodu dla naszego mózgu. 00:45.780 --> 00:46.860 Zróbmy to. 00:46.860 --> 00:54.660 Wprowadzamy tutaj nową funkcję dla mózgu, a ta funkcja jest funkcją do przodu, która 00:55.170 --> 00:56.940 przyjmuje argument. 00:57.160 --> 01:05.400 Dokładnie tak jak przed siebie, aby odwoływać się do obiektów i X, które będą pierwszymi obrazami wejściowymi, a następnie wiadomo, 01:05.400 --> 01:10.280 że X zostanie zaktualizowany, gdy sygnał jest propagowany do nowej sieci. 01:10.650 --> 01:11.460 W porządku. 01:11.460 --> 01:14.350 Cullen, a następnie przejdźmy do funkcji. 01:14.370 --> 01:20.500 Tak jak właśnie powiedziałem, że już stworzyliśmy kod propagujący sygnały w trzech splotowych warstwach. 01:20.580 --> 01:23.440 To dokładnie te trzy linie kodu. 01:23.640 --> 01:29.040 Więc kopiuję je i wklejając je tu i tam. 01:29.040 --> 01:34.430 Mamy już naszą propagację sygnału w trzech warstwach splotu. 01:34.520 --> 01:40.830 Teraz musimy tylko propagować sygnał z warstw splotowych do ukrytej warstwy, a następnie do 01:40.830 --> 01:46.680 warstwy wyjściowej znajdującej się na samym końcu sieci neuronowej i aby to 01:46.680 --> 01:53.520 zrobić, najpierw musimy spłaszczyć trzecią warstwę splotową, którą uzyskane tutaj pamiętaj X na początku jest 01:53.520 --> 01:54.610 obrazem wejściowym. 01:54.720 --> 02:00.780 Wtedy X staje się pierwszą warstwą splotu, a X staje się tam drugim splotem. 02:00.930 --> 02:03.840 I tu X staje się trzecim splotem. 02:03.960 --> 02:07.730 Tak więc teraz na tym etapie X jest trzecią warstwą splotową. 02:07.860 --> 02:15.000 A teraz, aby spłaszczyć, musimy spłaszczyć tę trzecią splotową warstwę X i aby to zrobić, zrobimy coś 02:15.070 --> 02:20.220 bardzo podobnego, jak to zrobiliśmy tutaj, tylko tym razem nie potrzebujemy liczby 02:20.220 --> 02:25.090 neuronów, które po prostu trzeba spłaszczyć. kanały w trzecim sprzeciwie. 02:25.140 --> 02:28.130 Będzie to znacznie prostsze, ale bardzo podobne. 02:28.410 --> 02:35.570 I żeby to zrobić dobrze, weźmiemy X ponownie, ponieważ X stanie się warstwą spłaszczającą. 02:35.890 --> 02:43.990 Aktualizujemy tylko X, więc x jest równy, a następnie X, ale ten X jest starym X, który jest trzecią warstwą 02:43.990 --> 02:44.480 splotową. 02:44.550 --> 02:51.510 Więc wtedy bierzemy trzeci splot, ale wtedy przyjmujemy funkcję widoku, do której odnosimy się do 02:51.510 --> 02:52.460 argumentów. 02:52.530 --> 02:55.730 Pierwszy to X o wielkości zero. 02:56.100 --> 03:01.800 Więc ponownie bierzemy funkcję rozmiaru, aby wziąć wszystkie piksele ze wszystkich kanałów i trzeciej warstwy splotowej 03:01.800 --> 03:07.320 i umieszczamy je jeden po drugim w tym ogromnym wektorze, który stanie się tym X, 03:07.320 --> 03:11.280 a to X stanie się wejściem w pełni połączona sieć. 03:11.460 --> 03:12.860 Ale to nie wszystko, czego potrzebujemy. 03:13.080 --> 03:14.530 I oto podszedł. 03:14.650 --> 03:15.990 I minus jeden. 03:16.200 --> 03:19.170 Tę sztuczkę można znaleźć w samouczkach zegarków kieszonkowych. 03:19.350 --> 03:25.130 W ten sposób można spłaszczyć splot, składają się one z kilku kanałów za pomocą funkcji rozmiaru. 03:25.200 --> 03:29.890 I oczywiście, jeśli chcesz więcej szczegółów na temat tego, jak to działa, możesz przejść do samouczków kieszonkowych zegarków. 03:30.030 --> 03:31.410 Podam link. 03:31.800 --> 03:38.250 Teraz, gdy mamy już dobrze spłaszczone, wiesz, że spłaszczenie stanie się wejściem klasycznej, 03:38.580 --> 03:43.800 w pełni połączonej sieci z prostą linearną transmisją sygnału. 03:43.830 --> 03:49.440 Teraz nie użyjemy funkcji splotu, aby przekazać sygnał, że zamierzamy użyć liniowej transmisji 03:49.440 --> 03:54.720 z liniową klasą, a następnie przełamać liniowość, ponieważ kiedy pracujemy z 03:54.780 --> 03:57.670 obrazami i obrazami, mamy relacje liniowe. 03:57.900 --> 04:03.360 Cóż, użyjemy funkcji rektyfikowalnej, aby nauczyć się tych nieliniowych relacji. 04:03.510 --> 04:04.560 Zróbmy to. 04:04.560 --> 04:06.160 To jest w rzeczywistości następny krok. 04:06.210 --> 04:09.320 I tak teraz jest dokładnie tak, jak zrobiliśmy dla samochodu do samodzielnego prowadzenia. 04:09.360 --> 04:15.030 Bierzemy X, ponieważ chcemy go ponownie zaktualizować, chcemy teraz uzyskać ukrytą warstwę. 04:15.100 --> 04:20.970 Tak więc najpierw, co robimy, przejmujemy pełne połączenie SE1, ponieważ pełne połączenie. 04:20.970 --> 04:27.030 FC jeden jest tym, który łączy spłaszczoną warstwę z ukrytą i dlatego musimy wziąć SE1 04:27.300 --> 04:32.850 i zastosować ją do X, który mamy teraz, czyli tam, gdzie jest powódź. 04:33.000 --> 04:38.780 I oczywiście nie zapominamy o sobie, ponieważ każdy jest zmienną naszej funkcji init. 04:38.890 --> 04:45.510 Tak więc samouk SE1 X i tak przekazuje liniowo sygnał od pochlebnego do ukrytego tam. 04:45.690 --> 04:49.990 Ale teraz musimy aktywować te neurony, jednocześnie łamiąc prawo w errancy. 04:50.130 --> 04:53.480 I dokładnie to robimy z funkcją aktywacji prostownika. 04:53.490 --> 05:00.990 Musimy więc wziąć nasz moduł funkcjonalny iz tego modułu funkcyjnego przyjmiemy oczywiście 05:01.140 --> 05:03.870 funkcję prostą lub prostą. 05:04.230 --> 05:08.130 W nawiasie umieszczamy samouka SE1. 05:08.220 --> 05:14.280 W porządku, więc to, co dzieje się w tym wierszu kodu, polega na tym, że najpierw propagujemy sygnały z 05:14.280 --> 05:17.210 warstwy spłaszczającej do ukrytej warstwy w pełni połączonej sieci. 05:17.580 --> 05:23.970 A potem aktywujemy neurony tej ukrytej warstwy, włamując się w powietrze za pomocą tej funkcji 05:23.970 --> 05:29.100 aktywacji prostownika, a my dostajemy tam naszą głowę, która jest tutaj idealna. 05:29.130 --> 05:35.370 A teraz mamy jeden ostatni krok do zrobienia, to oczywiście propagowanie sygnału z ukrytej warstwy do 05:35.670 --> 05:39.680 warstwy wyjściowej z końcowymi neuronami wyjściowymi i do tego. 05:39.720 --> 05:41.160 To bardzo proste. 05:41.160 --> 05:43.680 Dokładnie tak, jak zrobiliśmy z samochodem. 05:43.680 --> 05:51.720 Przyjmujemy naszą drugą pełną kolekcję C2 i stosujemy ją oczywiście do neuronów ukrytej warstwy, która 05:51.990 --> 05:53.700 jest teraz x. 05:53.740 --> 05:55.900 Więc tutaj są neurony tu i tam. 05:56.040 --> 06:02.840 To wszystko x i x staje się oczywiście neuronami wyjściowymi warstwy wyjściowej zawierającej wartości kostek. 06:03.210 --> 06:10.070 I w końcu po prostu zwracamy neurony wyjściowe, które są x z wartościami kostki. 06:10.320 --> 06:11.240 Tak doskonały. 06:11.250 --> 06:16.950 Gratulacje, właśnie zrobiliśmy mózg, który właśnie stworzyliśmy mózg naszej sztucznej inteligencji z oczami i resztą 06:16.950 --> 06:17.740 komórek. 06:17.790 --> 06:19.130 Gratulacje. 06:19.140 --> 06:23.550 Teraz nadszedł czas, aby stworzyć ciało, które definiuje, w jaki sposób zamierzamy zagrać w akcję. 06:23.550 --> 06:26.480 Po tym wszystkim sygnały są przetwarzane w mózgu. 06:26.690 --> 06:28.370 To nasz drugi duży krok. 06:28.380 --> 06:30.280 Zróbmy to w następnych tutorialach. 06:30.300 --> 06:31.780 A do tego czasu AI.