WEBVTT 00:00.420 --> 00:06.440 Bună ziua și bun venit la ultima etapă a procesului nostru pentru a face creierul să aibă o funcție de a face stânga. 00:06.450 --> 00:12.180 Aceasta este funcția de transmitere care va propaga semnalele în toate straturile rețelei neuronale, inclusiv 00:12.510 --> 00:16.180 cele trei straturi convoluționale și stratul complet conectat. 00:16.380 --> 00:21.660 Și astfel, această funcție este funcția de transmitere exact ca în cazul autovehiculului, cu 00:21.780 --> 00:27.440 excepția momentului în care trebuie să propagăm semnalele din straturile convoluționale înainte de stratul complet conectat. 00:27.660 --> 00:32.610 Și vestea bună este că am făcut deja acest lucru în pasul anterior cu funcția Count Newnes. 00:32.640 --> 00:37.160 Așa că deja avem codul pentru a propaga semnalul din țară. 00:37.340 --> 00:38.940 Și așa va fi foarte rapid. 00:38.950 --> 00:43.950 Vom combina doar ceea ce am făcut aici și ceea ce am făcut pentru mașina submarină și vom obține 00:43.950 --> 00:45.720 funcția noastră înainte pentru creierul nostru. 00:45.780 --> 00:46.860 Deci, să facem asta. 00:46.860 --> 00:54.660 Introducem o nouă funcție aici, ultima pentru creier și această funcție este funcția forward care 00:55.170 --> 00:56.940 are un argument. 00:57.160 --> 01:05.400 Ei bine, exact ca înainte de sine să se refere la obiectele și X care vor fi mai întâi imaginile de intrare și atunci 01:05.400 --> 01:10.280 știți că X va fi actualizat ca semnalul este propagat în noua rețea. 01:10.650 --> 01:11.460 In regula. 01:11.460 --> 01:14.350 Deci, Cullen și apoi să intrăm în funcție. 01:14.370 --> 01:20.500 Așa cum am spus deja, am făcut deja codul pentru a propaga semnalele din cele trei straturi convoluționale. 01:20.580 --> 01:23.440 Exact aceste trei linii de cod. 01:23.640 --> 01:29.040 Deci le copiem și le lipim aici și acolo. 01:29.040 --> 01:34.430 Avem deja propagarea semnalului în cele trei straturi convoluționale. 01:34.520 --> 01:40.830 Și acum trebuie doar să propagăm semnalul de la straturile convoluționale la stratul ascuns și apoi în cele din 01:40.830 --> 01:46.680 urmă la stratul de ieșire care se află chiar la capătul rețelei neuronale și pentru a face 01:46.680 --> 01:53.520 acest lucru trebuie mai întâi să alunecăm al treilea strat convoluțional pe care noi obținut aici amintesc X la început este 01:53.520 --> 01:54.610 imaginea de intrare. 01:54.720 --> 02:00.780 Apoi aici X devine primul strat convoluțional, apoi X devine al doilea convoluțional acolo. 02:00.930 --> 02:03.840 Apoi aici X devine al treilea convoluțional acolo. 02:03.960 --> 02:07.730 Deci chiar acum, în acest stadiu X este al treilea strat convoluțional. 02:07.860 --> 02:15.000 Și acum, pentru a face aplatizarea acolo, trebuie să-l aplatizăm pe acest al treilea strat convoluțional X și pentru a face acest lucru vom face ceva 02:15.070 --> 02:20.220 destul de asemănător cu cel pe care l-am făcut aici doar de data aceasta nu avem nevoie de numărul 02:20.220 --> 02:25.090 de neuroni pe care pur și simplu trebuie să le aplatizăm canale în a treia convolutional acolo. 02:25.140 --> 02:28.130 Deci, acest lucru va fi mult mai simplu, dar foarte asemănător. 02:28.410 --> 02:35.570 Și pentru a face acest lucru bine vom lua X din nou pentru că X va deveni stratul de aplatizare. 02:35.890 --> 02:43.990 Suntem doar actualizarea X, astfel încât x egal atunci vom lua X din nou, dar acest X este X vechi, care este al treilea strat 02:43.990 --> 02:44.480 convolutional. 02:44.550 --> 02:51.510 Așadar, luăm a treia convoluție acolo, dar apoi luăm funcția de vedere la care aplicăm 02:51.510 --> 02:52.460 argumentelor. 02:52.530 --> 02:55.730 Primul este X cu dimensiunea zero. 02:56.100 --> 03:01.800 Așa că din nou luăm funcția de mărime pentru a lua toți pixelii tuturor canalelor și a celui de-al 03:01.800 --> 03:07.320 treilea strat convoluțional și le punem unul după altul în acest vector imens care va deveni acest 03:07.320 --> 03:11.280 X aici și acest X va deveni apoi intrarea rețeaua complet conectată. 03:11.460 --> 03:12.860 Dar asta nu e tot ce trebuie. 03:13.080 --> 03:14.530 Și vino aici. 03:14.650 --> 03:15.990 Și minus unul. 03:16.200 --> 03:19.170 Așa că trucul îl puteți găsi în tutorialele de ceas de buzunar. 03:19.350 --> 03:25.130 Așa puteți să aplatizați o convoluție, sunt compuse din mai multe canale prin utilizarea funcției de dimensiune. 03:25.200 --> 03:29.890 Și, desigur, dacă doriți mai multe detalii despre cum funcționează acest lucru, puteți merge la tutorialele de ceas de buzunar. 03:30.030 --> 03:31.410 Voi oferi legătura. 03:31.800 --> 03:38.250 Deci acum, când ne-am aplatizat bine, știți că această aplatizare va deveni intrarea unei 03:38.580 --> 03:43.800 rețele clasice complet conectate, cu o transmisie liniară simplă a semnalului. 03:43.830 --> 03:49.440 Și acum nu vom folosi o funcție de convoluție pentru a transmite semnalul pe care o vom 03:49.440 --> 03:54.720 folosi o transmisie liniară cu o clasă liniară și apoi pentru a rupe liniaritatea, deoarece atunci 03:54.780 --> 03:57.670 când lucrăm cu imagini și imagini ne- liniare. 03:57.900 --> 04:03.360 Ei bine, vom folosi o funcție rectificabilă pentru a putea învăța aceste relații neliniare. 04:03.510 --> 04:04.560 Deci, să facem asta. 04:04.560 --> 04:06.160 Acesta este de fapt următorul pas. 04:06.210 --> 04:09.320 Și așa că acum e exact ca și ceea ce am făcut pentru autoturismul. 04:09.360 --> 04:15.030 Luăm X pentru că vrem să îl actualizăm din nou, vrem să obținem stratul ascuns acum. 04:15.100 --> 04:20.970 Și astfel, mai întâi, ceea ce facem este să luăm conexiunea noastră completă SE1, deoarece conexiunea deplină. 04:20.970 --> 04:27.030 FC unul este cel care face legătura dintre stratul de aplatizare și cel ascuns acolo și, prin urmare, trebuie să 04:27.300 --> 04:32.850 luăm SE1 și să îl aplicăm la X pe care îl avem acum, care este inundarea acolo. 04:33.000 --> 04:38.780 Și nu uităm de sine, bineînțeles, pentru că toată lumea este o variabilă a funcției noastre inițiale. 04:38.890 --> 04:45.510 Deci, auto-învățat SE1 X și astfel încât să treacă liniar semnalul de la măgulitor la ascuns acolo. 04:45.690 --> 04:49.990 Dar acum trebuie să activam acești neuroni, în timp ce încalcăm legea în eroare. 04:50.130 --> 04:53.480 Și asta este exact ceea ce facem cu funcția de activare a redresorului. 04:53.490 --> 05:00.990 Așadar, ceea ce trebuie să facem este să luăm modulul nostru funcțional și din acest modul funcțional să luăm o funcție desigur 05:01.140 --> 05:03.870 sau rectifabilă, care este reală pentru tine. 05:04.230 --> 05:08.130 Și am pus SE1 auto-învățat în paranteză. 05:08.220 --> 05:14.280 În regulă, ceea ce se întâmplă în această linie de cod este că mai întâi propagăm semnalele de la stratul 05:14.280 --> 05:17.210 de aplatizare către stratul ascuns al rețelei conectate complet. 05:17.580 --> 05:23.970 Și apoi acționăm neuronii acestui strat ascuns prin ruperea în aer cu această funcție de 05:23.970 --> 05:29.100 activare a redresorului și ne dăm capul acolo care este perfect aici. 05:29.130 --> 05:35.370 Și acum avem un ultim pas pentru a face, bineînțeles, să propagăm semnalul de la stratul ascuns la stratul 05:35.670 --> 05:39.680 de ieșire cu neuronii finali de ieșire și să facem acest lucru. 05:39.720 --> 05:41.160 Ei bine, este foarte simplu. 05:41.160 --> 05:43.680 Exact ca ceea ce am făcut cu mașina în mașină. 05:43.680 --> 05:51.720 Luăm cea de-a doua colecție completă a lui C2 și îl aplicăm, desigur, neuronilor stratului ascuns, care este 05:51.990 --> 05:53.700 chiar acum x. 05:53.740 --> 05:55.900 Deci aici sunt neuronii de aici și de acolo. 05:56.040 --> 06:02.840 Toate aceste x și x aici devin desigur neuronii de ieșire ai stratului de ieșire care conține valorile cubului. 06:03.210 --> 06:10.070 Și, în final, vom întoarce pur și simplu neuronii de ieșire care este x cu valorile cubului. 06:10.320 --> 06:11.240 Atât de perfect. 06:11.250 --> 06:16.950 Felicitări am făcut doar un creier pe care tocmai l-am făcut creierul AI AI cu ochii și 06:16.950 --> 06:17.740 restul celulelor. 06:17.790 --> 06:19.130 Deci, felicitări. 06:19.140 --> 06:23.550 Acum este momentul să facem organismul să definească modul în care vom juca acțiunea. 06:23.550 --> 06:26.480 După ce toate semnalele sunt procesate în creier. 06:26.690 --> 06:28.370 Deci asta este al doilea pas mare. 06:28.380 --> 06:30.280 Să facem asta în următoarele tutoriale. 06:30.300 --> 06:31.780 Și până atunci AI.