WEBVTT

00:00.420 --> 00:06.440
สวัสดีและยินดีต้อนรับสู่ขั้นตอนสุดท้ายของกระบวนการของเราที่จะทำให้สมองเรามีฟังก์ชั่นหนึ่งที่จะทำให้ซ้าย

00:06.450 --> 00:12.180
นี่คือฟังก์ชั่นไปข้างหน้าที่จะแพร่กระจายสัญญาณในทุกชั้นของเครือข่ายประสาทรวมถึงสามชั้น convolutional

00:12.510 --> 00:16.180
และชั้นเชื่อมต่ออย่างเต็มที่

00:16.380 --> 00:21.660
ดังนั้นฟังก์ชั่นนี้จึงเป็นฟังก์ชั่นไปข้างหน้าเหมือนกับรถขับเคลื่อนด้วยตนเองยกเว้นเวลานี้เราต้องเผยแพร่สัญญาณในเลเยอร์

00:21.780 --> 00:27.440
convolutional ก่อนเลเยอร์ที่เชื่อมต่ออย่างสมบูรณ์

00:27.660 --> 00:32.610
และข่าวดีก็คือเราได้ทำไปแล้วในขั้นตอนก่อนหน้าด้วยฟังก์ชั่นนับ Newnes

00:32.640 --> 00:37.160
ดังนั้นเราจึงมีรหัสเพื่อเผยแพร่สัญญาณในประเทศ

00:37.340 --> 00:38.940
และนี่จะรวดเร็วมาก

00:38.950 --> 00:45.720
เราจะรวมสิ่งที่เราทำที่นี่และสิ่งที่เราทำกับรถยนต์ใต้น้ำ

00:45.780 --> 00:46.860
ลองทำสิ่งนี้กัน

00:46.860 --> 00:56.940
เราแนะนำฟังก์ชั่นใหม่ที่นี่ล่าสุดสำหรับสมองและฟังก์ชั่นนี้เป็นฟังก์ชั่นไปข้างหน้าซึ่งจะโต้แย้ง

00:57.160 --> 01:05.400
เหมือนกันก่อนที่ตนเองจะอ้างถึงวัตถุและ X ซึ่งจะเป็นภาพแรกที่เข้ามาแล้วคุณรู้ว่า X

01:05.400 --> 01:10.280
จะได้รับการปรับปรุงเป็นสัญญาณที่แพร่กระจายไปยังเครือข่ายใหม่

01:10.650 --> 01:11.460
เอาล่ะ

01:11.460 --> 01:14.350
ดังนั้นคัลเลนแล้วเข้าไปข้างในฟังก์ชั่น

01:14.370 --> 01:20.500
อย่างที่ฉันบอกไปแล้วว่าเราได้สร้างรหัสเพื่อเผยแพร่สัญญาณในเลเยอร์ convolutional ทั้งสาม

01:20.580 --> 01:23.440
นั่นคือรหัสสามบรรทัดนี้

01:23.640 --> 01:29.040
ดังนั้นฉันคัดลอกพวกเขาและวางพวกเขาที่นี่และที่นั่นเราไป

01:29.040 --> 01:34.430
เรามีการแพร่กระจายสัญญาณในสามชั้น

01:34.520 --> 01:40.830
ตอนนี้เราแค่ต้องส่งสัญญาณจากเลเยอร์ convolutional

01:40.830 --> 01:46.680
ไปยังเลเยอร์ที่ซ่อนอยู่และในที่สุดก็ไปยังเลเยอร์เอาท์พุทที่อยู่ปลายสุดของโครงข่ายประสาท

01:46.680 --> 01:54.610
รับที่นี่จำ X ในตอนแรกเป็นภาพอินพุต

01:54.720 --> 02:00.780
จากนั้นที่นี่ X กลายเป็นเลเยอร์แรกของการสนทนา

02:00.930 --> 02:03.840
แล้วนี่ X กลายเป็น convolutional ที่สามที่นั่น

02:03.960 --> 02:07.730
ดังนั้นตอนนี้ในขั้นตอนนี้ X คือเลเยอร์ convolutional ที่สาม

02:07.860 --> 02:15.000
และตอนนี้เพื่อให้แบนตรงนี้เราต้องแผ่เลเยอร์ convolutional ที่สามนี้และเพื่อทำสิ่งนี้เราจะทำสิ่งที่คล้ายกันมากเหมือนกับที่เราทำที่นี่เพียงครั้งนี้

02:15.070 --> 02:20.220
ช่องใน convolutional

02:20.220 --> 02:25.090
ที่สามมี

02:25.140 --> 02:28.130
ดังนั้นนี่จะค่อนข้างง่าย แต่คล้ายกันมาก

02:28.410 --> 02:35.570
และเพื่อทำสิ่งนี้เราจะใช้ X อีกครั้งเพราะ X จะกลายเป็นเลเยอร์ที่แบน

02:35.890 --> 02:44.480
เราแค่อัปเดต X ดังนั้น x เท่ากันจากนั้นเราก็เอา X อีกครั้ง แต่ X นี้คือ X เก่านั่นคือเลเยอร์ convolutional ที่สาม

02:44.550 --> 02:52.460
ดังนั้นเราจึงใช้หลักการที่สามในตอนนั้น แต่จากนั้นเราก็ใช้ฟังก์ชันมุมมองที่เราใช้กับข้อโต้แย้ง

02:52.530 --> 02:55.730
อันแรกคือ X ขนาดนั้นศูนย์

02:56.100 --> 03:01.800
ดังนั้นอีกครั้งเราใช้ฟังก์ชั่นขนาดเพื่อรับพิกเซลทั้งหมดของทุกช่องและเลเยอร์ convolutional ที่สามและเราใส่มันทีละอันในเวกเตอร์ขนาดใหญ่อันนี้ซึ่งจะกลายเป็น

03:01.800 --> 03:07.320
X นี่ตรงนี้

03:07.320 --> 03:11.280
เครือข่ายที่เชื่อมต่ออย่างสมบูรณ์

03:11.460 --> 03:12.860
แต่นั่นไม่ใช่ทั้งหมดที่เราต้องการ

03:13.080 --> 03:14.530
และที่นี่ขึ้นมา

03:14.650 --> 03:15.990
และลบหนึ่ง

03:16.200 --> 03:19.170
เพื่อให้เคล็ดลับที่คุณสามารถหาได้ในบทเรียนนาฬิกาพก

03:19.350 --> 03:25.130
นั่นเป็นวิธีที่คุณสามารถแผ่แบน convolutional พวกเขาประกอบด้วยหลายช่องทางโดยใช้ฟังก์ชั่นขนาด

03:25.200 --> 03:29.890
และแน่นอนถ้าคุณต้องการรายละเอียดเพิ่มเติมเกี่ยวกับวิธีการใช้งานคุณสามารถไปที่บทเรียนนาฬิกาพกได้

03:30.030 --> 03:31.410
ฉันจะให้ลิงค์

03:31.800 --> 03:43.800
ดังนั้นตอนนี้เราได้แบนของเราที่นั่นคุณรู้ว่าการแบนนี้จะกลายเป็นอินพุตของเครือข่ายที่เชื่อมต่ออย่างเต็มที่แบบคลาสสิกด้วยการส่งสัญญาณเชิงเส้นอย่างง่าย

03:43.830 --> 03:57.670
ดังนั้นตอนนี้เราจะไม่ใช้ฟังก์ชั่นการแปลงสัญญาณเพื่อส่งสัญญาณเราจะใช้การส่งสัญญาณเชิงเส้นกับคลาสลิเนียร์แล้วทำลายลิเนียริตี้เพราะเมื่อเราทำงานกับรูปภาพและรูปภาพ ความสัมพันธ์เชิงเส้น

03:57.900 --> 04:03.360
ทีนี้เราจะใช้ฟังก์ชันที่แก้ไขได้เพื่อเรียนรู้ความสัมพันธ์ที่ไม่ใช่เชิงเส้น

04:03.510 --> 04:04.560
ลองทำสิ่งนี้กัน

04:04.560 --> 04:06.160
นี่คือขั้นตอนต่อไป

04:06.210 --> 04:09.320
และตอนนี้ก็เหมือนกับสิ่งที่เราทำสำหรับรถยนต์ที่ขับเคลื่อนด้วยตนเอง

04:09.360 --> 04:15.030
เราใช้ X เพราะเราต้องการอัปเดตอีกครั้งเราต้องการเอาเลเยอร์ที่ซ่อนอยู่ตอนนี้

04:15.100 --> 04:20.970
อย่างแรกที่เราทำคือเราใช้การเชื่อมต่อแบบเต็ม SE1 เพราะการเชื่อมต่อแบบเต็ม

04:20.970 --> 04:27.030
FC one คือชั้นที่เชื่อมเลเยอร์แบนราบกับที่ซ่อนอยู่ที่นั่นดังนั้นเราจำเป็นต้องใช้ SE1

04:27.300 --> 04:32.850
และนำไปใช้กับ X ที่เรามีตอนนี้ซึ่งเป็นน้ำท่วม

04:33.000 --> 04:38.780
และเราจะไม่ลืมตนเองแน่นอนเพราะทุกคนเป็นตัวแปรของฟังก์ชัน init

04:38.890 --> 04:45.510
ดังนั้นการเรียนรู้ด้วยตนเอง SE1 X และเพื่อส่งสัญญาณเชิงเส้นจากที่ประจบไปที่ซ่อนอยู่ที่นั่น

04:45.690 --> 04:49.990
แต่ตอนนี้เราต้องเปิดใช้งานเซลล์ประสาทเหล่านี้ในขณะที่ในเวลาเดียวกันผิดกฎหมายในความผิดพลาด

04:50.130 --> 04:53.480
และนั่นคือสิ่งที่เราทำกับฟังก์ชั่นการเปิดใช้งานวงจรเรียงกระแส

04:53.490 --> 05:03.870
ดังนั้นตอนนี้สิ่งที่เราต้องทำคือใช้โมดูลการทำงานของเราและจากโมดูลการทำงานนี้เราใช้หลักสูตรหรือฟังก์ชั่นแก้ไขได้ที่เป็นของคุณจริง

05:04.230 --> 05:08.130
และเราวาง SE1 ที่สอนด้วยตนเองไว้ในวงเล็บ

05:08.220 --> 05:17.210
เอาล่ะสิ่งที่เกิดขึ้นในรหัสของบรรทัดนี้คือสิ่งแรกที่เราเผยแพร่สัญญาณจากเลเยอร์แบนไปยังเลเยอร์ที่ซ่อนอยู่ของเครือข่ายที่เชื่อมต่อเต็มที่

05:17.580 --> 05:29.100
จากนั้นเราก็เปิดใช้งานเซลล์ประสาทของเลเยอร์ที่ซ่อนอยู่นี้โดยการบุกเข้าไปในอากาศด้วยฟังก์ชั่นการเปิดใช้งานตัวเรียงกระแสไฟฟ้า

05:29.130 --> 05:39.680
และตอนนี้เรามีขั้นตอนสุดท้ายในการทำมันแน่นอนว่าการส่งสัญญาณจากเลเยอร์ที่ซ่อนไปยังเลเยอร์เอาท์พุทด้วยเซลล์ประสาทเอาท์พุทสุดท้ายและเพื่อทำสิ่งนี้

05:39.720 --> 05:41.160
นั่นง่ายมาก

05:41.160 --> 05:43.680
นั่นเป็นสิ่งที่เราทำกับรถยนต์

05:43.680 --> 05:53.700
เราใช้คอลเลกชั่นเต็มรูปแบบที่สองของ C2 และเราใช้กับเซลล์ประสาทของเลเยอร์ที่ซ่อนอยู่ซึ่งตอนนี้ x

05:53.740 --> 05:55.900
ดังนั้นนี่คือเซลล์ประสาทที่นี่และตรงนั้น

05:56.040 --> 06:02.840
ทั้งหมดนี้ x และ x ที่นี่กลายเป็นเซลล์ประสาทเอาท์พุทของชั้นผลลัพธ์ที่มีค่าคิว

06:03.210 --> 06:10.070
และในที่สุดเราก็แค่คืนเซลล์ประสาทขาออกที่เป็น x ด้วยค่าคิวบ์

06:10.320 --> 06:11.240
สมบูรณ์แบบมาก

06:11.250 --> 06:17.740
ขอแสดงความยินดีเราเพิ่งสร้างสมองเราเพิ่งสร้างสมองของ AI AI ของเราด้วยดวงตาและเซลล์อื่น

06:17.790 --> 06:19.130
ขอแสดงความยินดีด้วย

06:19.140 --> 06:23.550
ตอนนี้ถึงเวลาที่จะทำให้ร่างกายที่กำหนดว่าเราจะเล่นการกระทำ

06:23.550 --> 06:26.480
หลังจากสัญญาณทั้งหมดถูกประมวลผลในสมอง

06:26.690 --> 06:28.370
นั่นคือก้าวสำคัญที่สองของเรา

06:28.380 --> 06:30.280
มาทำแบบฝึกหัดต่อไปกัน

06:30.300 --> 06:31.780
และจนกว่าจะถึงวันนั้น AI