WEBVTT

00:00.420 --> 00:06.440
Hola y bienvenidos al último paso de nuestro proceso para hacer que el cerebro tengamos una función para hacer a la izquierda.

00:06.450 --> 00:12.180
Esta es la función directa que propagará las señales en todas las capas de la red

00:12.510 --> 00:16.180
neuronal, incluidas las tres capas convolucionales y la capa totalmente conectada.

00:16.380 --> 00:21.660
Y entonces esta función es la función de avance exactamente igual que para el autoconductor, excepto

00:21.780 --> 00:27.440
que esta vez tenemos que propagar las señales en las capas convolucionales antes de la capa completamente conectada.

00:27.660 --> 00:32.610
Y la buena noticia es que ya lo hicimos en el paso anterior con la función de contar Newnes.

00:32.640 --> 00:37.160
Entonces ya tenemos el código para propagar la señal en el país.

00:37.340 --> 00:38.940
Y entonces esto será muy rápido.

00:38.950 --> 00:43.950
Simplemente combinaremos lo que hicimos aquí y lo que hicimos para el automóvil submarino y obtendremos

00:43.950 --> 00:45.720
nuestra función avanzada para nuestro cerebro.

00:45.780 --> 00:46.860
Entonces, hagamos esto.

00:46.860 --> 00:54.660
Presentamos una nueva función aquí la última para el cerebro y esta función es la función directa

00:55.170 --> 00:56.940
que toma un argumento.

00:57.160 --> 01:05.400
Bueno exactamente como antes de sí mismo para referirse a los objetos y X que serán las primeras imágenes de entrada y luego sabrá

01:05.400 --> 01:10.280
que X se actualizará a medida que la señal se propague a la nueva red.

01:10.650 --> 01:11.460
Todo bien.

01:11.460 --> 01:14.350
Entonces Cullen y luego entremos en la función.

01:14.370 --> 01:20.500
Entonces, como acabo de decir, ya hicimos el código para propagar las señales en las tres capas convolucionales.

01:20.580 --> 01:23.440
Eso es exactamente estas tres líneas de código.

01:23.640 --> 01:29.040
Así que los estoy copiando y pegándolos aquí y allá vamos.

01:29.040 --> 01:34.430
Ya tenemos nuestra propagación de la señal en las tres capas convolucionales.

01:34.520 --> 01:40.830
necesitamos propagar la señal de las capas convolucionales a la capa oculta y luego a la capa

01:40.830 --> 01:46.680
de salida que está al final de la red neuronal y para hacerlo primero necesitamos aplanar

01:46.680 --> 01:53.520
la tercera capa convolucional que tenemos obtenido aquí, recuerde que X al principio es la imagen de entrada.

01:53.520 --> 01:54.610
Y ahora solo

01:54.720 --> 02:00.780
Entonces aquí X se convierte en la primera capa convolucional, entonces X se convierte en la segunda convolucional allí.

02:00.930 --> 02:03.840
Y luego aquí X se convierte en el tercer convolucional allí.

02:03.960 --> 02:07.730
Entonces, en este momento, X es la tercera capa convolucional.

02:07.860 --> 02:15.000
Y ahora para tomar el aplanamiento necesitamos aplanar esta tercera capa convolucional X y para hacer esto vamos a hacer

02:15.070 --> 02:20.220
algo bastante similar a como lo hicimos aquí solo que esta vez no necesitamos la

02:20.220 --> 02:25.090
cantidad de neuronas que necesitamos para aplanar la canales en el tercer convolucional allí.

02:25.140 --> 02:28.130
Entonces esto será bastante más simple pero muy similar.

02:28.410 --> 02:35.570
Y para hacerlo bien, tomaremos X nuevamente porque X se convertirá en la capa de aplanamiento.

02:35.890 --> 02:43.990
Estamos actualizando X, x igual, luego tomamos X nuevamente, pero esta X es la antigua X que es la tercera capa

02:43.990 --> 02:44.480
convolucional.

02:44.550 --> 02:51.510
Entonces tomamos el tercer convolucional allí, pero luego tomamos la función de vista a la que aplicamos

02:51.510 --> 02:52.460
los argumentos.

02:52.530 --> 02:55.730
El primero es X ese tamaño cero.

02:56.100 --> 03:01.800
de todos los canales y la tercera capa convolucional y los ponemos uno tras otro en este enorme vector que

03:01.800 --> 03:07.320
se convertirá en esta X aquí y esta X se convertirá en la entrada de la red completamente conectada.

03:07.320 --> 03:11.280
Así que de nuevo tomamos la función de tamaño para tomar todos los píxeles

03:11.460 --> 03:12.860
Pero eso no es todo lo que necesitamos.

03:13.080 --> 03:14.530
Y aquí sube.

03:14.650 --> 03:15.990
Y menos uno.

03:16.200 --> 03:19.170
Entonces, ese truco lo puedes encontrar en los tutoriales de reloj de bolsillo.

03:19.350 --> 03:25.130
Así es como se puede aplanar una convolucional que están compuestos de varios canales mediante el uso de la función de tamaño.

03:25.200 --> 03:29.890
Y, por supuesto, si desea obtener más detalles sobre cómo funciona esto, puede ir a los tutoriales de reloj de bolsillo.

03:30.030 --> 03:31.410
Proporcionaré el enlace.

03:31.800 --> 03:38.250
Entonces, ahora que tenemos nuestro aplanamiento allí, usted sabe que este aplanamiento se convertirá en la entrada

03:38.580 --> 03:43.800
de una red clásica totalmente conectada con una transmisión lineal simple de la señal.

03:43.830 --> 03:49.440
Y entonces, ahora no vamos a usar una función de convolución para transmitir la señal, vamos a

03:49.440 --> 03:54.720
usar una transmisión lineal con una clase lineal y luego romper la linealidad porque cuando trabajamos

03:54.780 --> 03:57.670
con imágenes e imágenes no tenemos relaciones lineales.

03:57.900 --> 04:03.360
Bueno, vamos a usar una función rectificable para poder aprender estas relaciones no lineales.

04:03.510 --> 04:04.560
Entonces, hagamos esto.

04:04.560 --> 04:06.160
Este es en realidad el siguiente paso.

04:06.210 --> 04:09.320
Y ahora eso es exactamente lo que hicimos para el auto sin conductor.

04:09.360 --> 04:15.030
Tomamos X porque queremos actualizarlo nuevamente, queremos obtener la capa oculta ahora.

04:15.100 --> 04:20.970
Y entonces lo primero que hacemos es tomar nuestra conexión completa SE1 porque la conexión completa.

04:20.970 --> 04:27.030
FC uno es el que conecta la capa de aplanamiento con el oculto allí y, por lo tanto,

04:27.300 --> 04:32.850
necesitamos tomar SE1 y aplicarlo a la X que tenemos ahora que es la inundación allí.

04:33.000 --> 04:38.780
Y no nos olvidamos del yo, por supuesto, porque todos somos una variable de nuestra función init.

04:38.890 --> 04:45.510
Es tan autodidacta como SE1 X y eso transmite linealmente la señal desde el adulador hasta el oculto allí.

04:45.690 --> 04:49.990
Pero ahora necesitamos activar estas neuronas y, al mismo tiempo, infringir la ley en la errancia.

04:50.130 --> 04:53.480
Y eso es exactamente lo que hacemos con la función de activación del rectificador.

04:53.490 --> 05:00.990
Entonces ahora lo que tenemos que hacer es tomar nuestro módulo funcional y desde este módulo funcional tomamos por supuesto o

05:01.140 --> 05:03.870
función rectificable que es el verdadero usted.

05:04.230 --> 05:08.130
Y ponemos SE1 autodidacta dentro del paréntesis.

05:08.220 --> 05:14.280
Muy bien, entonces, lo que sucede en esta línea de código es que primero propagamos las señales de la capa de

05:14.280 --> 05:17.210
aplanamiento a la capa oculta de la red totalmente conectada.

05:17.580 --> 05:23.970
Y luego activamos las neuronas de esta capa oculta rompiendo el aire con esta función de

05:23.970 --> 05:29.100
activación del rectificador y tenemos nuestra cabeza allí que es perfecta aquí.

05:29.130 --> 05:35.370
Y ahora tenemos un último paso para hacerlo, por supuesto, para propagar la señal desde la capa oculta a la

05:35.670 --> 05:39.680
capa de salida con las neuronas de salida final y para hacer esto.

05:39.720 --> 05:41.160
Bueno, eso es muy simple.

05:41.160 --> 05:43.680
Eso es exactamente lo que hicimos con el auto.

05:43.680 --> 05:51.720
Tomamos nuestra segunda colección completa de C2 y la aplicamos a, por supuesto, las neuronas de la capa oculta

05:51.990 --> 05:53.700
que es ahora x.

05:53.740 --> 05:55.900
Entonces aquí están las neuronas aquí y allá.

05:56.040 --> 06:02.840
Todo esto x y x aquí se convierte, por supuesto, en las neuronas de salida de la capa de salida que contiene los valores del cubo.

06:03.210 --> 06:10.070
Y finalmente, simplemente devolvemos las neuronas de salida que son x con los valores del cubo.

06:10.320 --> 06:11.240
Tan perfecto.

06:11.250 --> 06:16.950
Felicidades, acabamos de hacer un cerebro que acabamos de hacer el cerebro de nuestra AI AI con los ojos y el resto

06:16.950 --> 06:17.740
de las células.

06:17.790 --> 06:19.130
Así que felicitaciones.

06:19.140 --> 06:23.550
Ahora es el momento de hacer que el cuerpo defina cómo vamos a jugar la acción.

06:23.550 --> 06:26.480
Después de que todas las señales se procesen en el cerebro.

06:26.690 --> 06:28.370
Entonces ese es nuestro segundo gran paso.

06:28.380 --> 06:30.280
Hagamos esto en los próximos tutoriales.

06:30.300 --> 06:31.780
Y hasta entonces AI.