WEBVTT 00:00.450 --> 00:05.400 Bună ziua și bun venit în această cale în Torro acum vom face funcția de 00:05.400 --> 00:11.040 transmitere care va transmite transmiterea semnalului prin tot creierul de la început cu imaginile de intrare până 00:11.130 --> 00:16.860 la ieșirile care vor conține valorile cheie pentru actor și valoarea de-valoare care este valoarea luată de funcție 00:17.040 --> 00:17.950 pentru critic. 00:18.240 --> 00:23.820 Deci, va fi destul de similar cu ceea ce am făcut pentru Dume, dar de data aceasta ceva se va schimba. 00:23.880 --> 00:25.550 Modificarea va schimba acest lucru. 00:25.560 --> 00:27.510 Acum avem o ilustrație în creier. 00:27.510 --> 00:32.470 Deci, noi toți trebuie să facem ceva mai mult pentru a propaga semnalul și atentă cu asta. 00:32.850 --> 00:38.280 Și celălalt lucru mai puțin important, dar care se schimbă în comparație cu înainte, 00:38.280 --> 00:44.220 este acela că nu vom folosi o funcție de activare reală, deoarece cunoașteți funcția de activare 00:44.220 --> 00:48.880 neliniare, dar vom folosi un joc care este într-adevăr mai sofisticat funcţie. 00:48.980 --> 00:51.390 Veți vedea că în trecut vorbim de mentăre. 00:51.780 --> 00:55.970 Deci, hai să facem această funcție, începem cu o moarte. 00:56.040 --> 00:59.190 Este de fapt ultima funcție a acestei clase exacte. 00:59.280 --> 01:06.900 Așa că o vom numi înainte ca Einstein și această a patra funcție va lua obiectul propriu 01:06.900 --> 01:09.930 deoarece vom folosi obiectele și intrările. 01:10.170 --> 01:13.520 Este important să înțelegeți ce vor fi aceste intrări. 01:13.590 --> 01:19.170 Aceasta nu va fi doar imaginile de intrare aceste intrări vor conține și nodurile ascunse și 01:19.170 --> 01:20.980 nodurile celulare ale acestora. 01:21.090 --> 01:25.120 De aceea am vrut să subliniez că unele lucruri se vor schimba acum. 01:25.180 --> 01:30.820 Practic, avem în vedere funcția de transmitere a internetului și a nodurilor celulare din listă. 01:31.200 --> 01:38.900 Și vorbind despre ei acum ce vom face este să separăm aceste două intrări ale acestui argument în punerea funcției forward 01:38.900 --> 01:41.540 și cum putem să le separăm. 01:41.700 --> 01:46.160 Ei bine, ne putem aminti un nou voievod care va fi imaginile de intrare. 01:46.230 --> 01:55.620 Așa că imaginile de intrare proiectate și le separăm cu vârfurile H x și C X, care este un templu al stărilor 01:55.620 --> 01:59.090 ascunse și a statelor celulare de la Coliseum. 01:59.370 --> 02:04.470 Deci, alte x state și Cx sunt state sudice. 02:04.540 --> 02:09.580 În regulă și care va fi egal cu intrarea care este acest argument aici. 02:09.580 --> 02:14.950 Deci, acum am făcut această separare și, prin urmare, putem începe să propagăm 02:15.220 --> 02:21.400 semnalul în întregul creier și să facem că vom obține succesive diferite straturi de 02:21.700 --> 02:28.690 la primul la ultimul, folosind conexiunile noastre care sunt convoluții conexiunea LACMA și conexiunea liniară aici, 02:29.020 --> 02:30.300 conexiunile complete. 02:30.490 --> 02:31.400 Deci, să facem asta. 02:31.450 --> 02:33.620 Acum va fi același lucru ca înainte. 02:33.750 --> 02:40.420 Vom obține primul nostru strat pe care îl vom numi X și vom obține primul strat de care avem nevoie pentru 02:40.510 --> 02:46.240 a propaga semnalul de la intrările în acest prim strat și de aceea trebuie să folosim prima 02:46.240 --> 02:51.770 convoluție deoarece este prima convoluție care propagă semnalul de la imaginile de intrare la primul strat. 02:52.030 --> 02:58.450 Deci, ceea ce vom face acum este să copiați acest lucru pentru că aceasta este prima convoluție pe care 02:58.450 --> 03:06.100 am avut-o aici și aplicăm această primă convoluție imaginilor noastre de intrare care sunt acum intrările potrivite și pe care le obținem care 03:06.100 --> 03:09.560 propagă semnalul de la imaginile de intrare primul strat. 03:09.820 --> 03:16.390 Dar acum rețineți că trebuie să folosim o funcție de activare neliniară pentru a sparge liniaritatea pentru a putea afla relațiile 03:16.390 --> 03:23.170 neliniare din interiorul imaginilor și pentru a face acest lucru vom folosi așa cum am spus funcția de activare pe care suntem 03:23.500 --> 03:28.050 pe cale să a se vedea chiar acum și că prin atingere blocat. 03:28.180 --> 03:30.110 Dar înainte de asta, hai să înțelegem. 03:30.130 --> 03:36.430 Deci, pentru a obține este ca într-adevăr vom lua modulul funcțional care are o 03:36.490 --> 03:45.790 scurtătură și apoi că și apoi o buclă și apoi am pus toate acestea în paranteze pentru că vrem să activați neliniar neuronii. 03:45.880 --> 03:51.160 Acest prim strat pe care l-am obținut prin aplicarea primei convoluții pe intrări. 03:51.160 --> 03:55.310 Acum, hai să mergem la pistolul PI Doug să înțelegem ce este. 03:55.360 --> 03:56.110 Aici este. 03:56.200 --> 04:00.320 Așa că puteți să-l accesați la torță blocat sau slash lovi cu pumn. 04:00.340 --> 04:06.940 Și apoi HG și L și apoi trebuie să găsiți activări neliniare și apoi funcțiile de activare neliniare pe care 04:06.940 --> 04:08.080 le veți găsi. 04:08.170 --> 04:14.040 Ei bine, asta e clasicul atunci când știm că e doar o valoare maximă de zero și X aveți graficul în minte. 04:14.260 --> 04:17.160 Apoi, aveți șase care este acesta. 04:17.160 --> 04:19.350 Deci, un pic mai sofisticat. 04:19.570 --> 04:21.190 Și apoi mergem să aruncăm o privire. 04:21.550 --> 04:26.470 Și după cum puteți vedea albastrul este un redo plus un element suplimentar. 04:26.620 --> 04:29.280 Deci este ca și mai sofisticat. 04:29.340 --> 04:34.180 Și așa este cel pe care îl folosim pentru a activa neliniar neuronii și straturile diferite. 04:34.180 --> 04:39.420 Și de modul în care această nouă funcție de activare este numită exponențială în unitatea lor. 04:39.490 --> 04:40.250 Așa că mergem. 04:40.270 --> 04:44.230 Aplicăm eluția pe primul strat convoluțional. 04:44.470 --> 04:46.300 Și acum lucrurile vor fi ușoare. 04:46.370 --> 04:52.270 Vom trece la următoarea pentru propagarea semnalului care este de la primul strat convoluțional 04:52.270 --> 04:59.440 la cel de-al doilea strat convoluțional pe care o vom numi X, deoarece practic doar adăugăm X, 04:59.470 --> 05:02.190 acum x este primul convoluție acolo. 05:02.290 --> 05:07.990 Și prin propagarea semnalului de la primul strat convoluțional la următorul, X va deveni următorul 05:07.990 --> 05:09.190 strat convoluțional. 05:09.520 --> 05:15.130 Și astfel, pentru a propaga semnalul de la primul strat convoluțional la cel de-al doilea, nu putem pur și 05:15.220 --> 05:20.490 simplu să îl copiem și să îl lipim aici și să îl înlocuim pe unul câte unul. 05:20.510 --> 05:27.340 Și acum, desigur, cea de-a doua convoluție nu se aplică imaginilor de intrare, ci X, care este primul strat 05:27.340 --> 05:29.530 convoluțional care este chiar aici. 05:29.830 --> 05:30.790 În regulă. 05:30.790 --> 05:32.800 Acum avem al doilea convoluție acolo. 05:33.010 --> 05:38.230 Și acum să propagăm din nou semnalul de la cea de-a doua convoluție la cea de-a treia. 05:38.230 --> 05:46.000 Și, prin urmare, putem copia direct acest lucru și lipiți-l aici și înlocuiți doi câte trei. 05:46.000 --> 05:46.840 Vom merge acolo. 05:46.990 --> 05:47.900 Și ultimul. 05:47.920 --> 05:53.770 Acum, pentru a propaga semnalul de la cea de-a treia convoluție la cea de-a patra 05:53.770 --> 05:58.770 și ultima putem copia din nou aici și înlocuim trei cu patru. 05:58.840 --> 05:59.790 Vom merge acolo. 06:00.220 --> 06:01.870 Deci, să recapitulăm. 06:01.870 --> 06:03.310 Începem cu contribuțiile noastre. 06:03.460 --> 06:07.170 Aplicăm prima convoluție pentru a obține prima convoluție acolo. 06:07.360 --> 06:12.130 Apoi aplicăm cea de-a doua convoluție la primul strat de convoluție pentru a obține cel de-al doilea 06:12.130 --> 06:12.850 strat convoluțional. 06:12.970 --> 06:17.830 Apoi aplicăm această a treia convoluție la a doua convoluție acolo pentru a obține cel de-al treilea 06:17.830 --> 06:18.510 strat convoluțional. 06:18.550 --> 06:24.650 Și în cele din urmă vom aplica a patra convoluție la a treia convoluție acolo pentru a obține a patra convoluție 06:24.650 --> 06:25.180 acolo. 06:25.510 --> 06:29.900 Și așa se transmite semnalul în ochii ochiului. 06:30.130 --> 06:35.620 Așa că am plecat acum avem semnalul de ieșire după cele patru convoluții și acum 06:35.620 --> 06:40.790 știm ce să facem trebuie să extindem întregul semnal de ieșire într-un vector dimensional. 06:40.900 --> 06:42.640 E pasul de aplatizare. 06:42.880 --> 06:45.440 Deci vom actualiza x din nou x. 06:45.490 --> 06:49.010 Acum va deveni acest vector unic dimensionat. 06:49.230 --> 06:57.070 Și pentru a face acest lucru este același lucru, trebuie să luăm X care este până în prezent al patrulea strat convoluțional X, dar apoi 06:57.520 --> 07:05.660 folosim o funcție de vedere și mai întâi punem minus unul pentru a spune că vrem un vector dimensional și apoi ca al doilea argument avem 07:05.660 --> 07:11.810 nevoie pentru a pune numărul de elemente în vector și care este amintesc de trei ori de două ori 07:11.880 --> 07:13.560 de trei ori trei. 07:13.670 --> 07:20.270 Și, prin urmare, putem pune aici de 32 ori de trei ori trei. 07:20.270 --> 07:20.720 Vom merge acolo. 07:20.720 --> 07:24.570 Acum avem vectorul nostru aplatizat, iar pasul de aplatizare se face. 07:24.680 --> 07:25.580 Perfect. 07:25.580 --> 07:28.030 Acum să ne ocupăm de partea LCN. 07:28.280 --> 07:33.030 Așa cum ați înțeles LSD ia ca intrare vectorul aplatizat. 07:33.200 --> 07:37.190 Acest vector unic dimensional de trei ori de două ori, de trei ori trei elemente. 07:37.190 --> 07:40.310 Deci este deja pregătit și bine pregătit pentru icn. 07:40.320 --> 07:49.070 Echipa este acum gata să ia acest vector Flaten ca intrări și, prin urmare, ne putem lua LACMA și intrările 07:49.190 --> 07:52.010 ca argument prima X sunt gata. 07:52.010 --> 07:55.960 FLATOW Și vectorul care este această rază x aici, pe care tocmai l-am extins. 07:56.270 --> 08:00.810 Dar, de asemenea, și în cazul în care problemele intră în joc. 08:00.890 --> 08:04.540 Trebuie să punem H x și z x. 08:04.550 --> 08:10.820 Și putem folosi ha-Satan să vedem X aici pentru că am făcut acele separări de argumentele originale 08:11.060 --> 08:12.980 de intrare ale funcției forward. 08:12.980 --> 08:20.460 Deci, LACMA X vectorul de ieșire platens după cele patru convoluții și toate ascunse în nota de celule. 08:20.480 --> 08:21.390 Așa că mergem. 08:21.440 --> 08:27.530 Apoi, nu trebuie să uităm de sine, deoarece LSD este o variabilă sau o funcție, deci o variabilă 08:27.530 --> 08:35.210 atașată la obiect în sine și un CM și acest lucru va reveni la ieșiri în total două ieșiri care vor fi 08:35.210 --> 08:37.850 nodurile de ieșire și sunetele de ieșire. 08:37.880 --> 08:42.250 Deci, este de fapt actual și, prin urmare, putem actualiza H. 08:42.260 --> 08:48.890 X y și z x nodurile de celule, deoarece aici este exact rezultatul acestui NCM. 08:50.030 --> 08:50.500 Grozav. 08:50.510 --> 08:52.750 Deci, aproape am terminat acum. 08:52.790 --> 08:58.850 Acum, că avem rezultatele de ilustrare avem nevoie pentru a obține de ieșire utilă, deoarece 08:58.850 --> 09:05.570 de fapt, doar notele ascunse sunt utile și, prin urmare, vom ajunge până atunci X și din nou 09:05.570 --> 09:12.490 X va fi egal cu atax primul element al eșantionului de ieșire din SUA un X este egal. 09:12.680 --> 09:14.270 Și aproape că am terminat. 09:14.270 --> 09:18.590 Amintiți-vă că avem două creiere un creier pentru actor într-o cameră pentru critic. 09:18.860 --> 09:24.380 Și, prin urmare, trebuie să emităm semnale pentru a returna semnalul de ieșire al actorului și semnalul de 09:24.380 --> 09:25.480 ieșire al criticului. 09:25.580 --> 09:30.730 Și, prin urmare, acum ceea ce vom face este să returnați aceste două semnale de ieșire și cum putem face acest lucru. 09:30.830 --> 09:32.010 Ei bine, este foarte ușor. 09:32.030 --> 09:38.690 Trebuie pur și simplu să luăm conexiunile noastre liniare, dar separat, care este o conexiune liniară a criticului și 09:38.770 --> 09:40.740 că întreaga legătură a actorului. 09:41.180 --> 09:47.870 Și am aplicat fiecare dintre aceste conexiuni la ieșirea X, care este o ieșire utilă a LACMA și care va fi 09:47.870 --> 09:50.470 tot ceea ce va fi semnalul de ieșire. 09:50.480 --> 09:50.990 Așa că mergem. 09:50.990 --> 09:51.840 S-o facem. 09:51.900 --> 09:59.660 Mai intai primim sine sau obiect, atunci primim conexiunea linica a criticului care este critic si acest colinear pe 09:59.690 --> 10:08.090 care il aplicam la X semnalul de iesire CM si apoi acelasi ne luam pe sine din nou atunci si apoi 10:08.090 --> 10:15.290 luam legatura liniare a actorului care este actor și este colinear sunt aceleași pe care le aplicăm 10:15.290 --> 10:16.200 la x. 10:16.310 --> 10:19.580 Acolo mergem, acesta este principalul lucru de care avem nevoie. 10:19.710 --> 10:26.040 Dar apoi vom reveni pe partea de sus a lui Ajax la un nod și vom vedea X pentru a vinde 10:26.040 --> 10:29.490 nodul, deoarece vom folosi mai târziu și aspectul retro al LCN. 10:29.520 --> 10:30.430 În regulă. 10:30.480 --> 10:32.960 Așa că acum am terminat cu creierul. 10:32.970 --> 10:38.040 Sau ar trebui să spun creierele pentru că am făcut de fapt două creiere pentru actor și critic. 10:38.250 --> 10:41.990 Deci, felicitări pentru a face al optulea cu creierul. 10:42.180 --> 10:47.940 Sper că nu a fost prea copleșitoare să se combine la CNN și în Anniston, dar cel puțin vestea bună este că 10:47.940 --> 10:51.190 lucrăm cu adevărat la modelul cel mai bun și cel mai puternic. 10:51.300 --> 10:53.010 Așa că mergem. 10:53.010 --> 10:55.950 De fapt am terminat cu acest prim model de familie. 10:56.010 --> 10:56.810 Y. 10:56.880 --> 11:02.040 Și în următoarele două călugări vom avea grijă de optimizator, pentru că vom face 11:02.190 --> 11:03.300 un optimizator separat. 11:03.300 --> 11:08.850 Nu vom tăia fiecare linie de cod deoarece multe dintre ele provin din lucrările de cercetare și acest lucru este 11:08.850 --> 11:10.520 de fapt destul de specific. 11:10.530 --> 11:16.470 Și dacă intrăm în detaliile profunde ale ceea ce se întâmplă cu acest optimizator, acest lucru ar putea fi 11:16.470 --> 11:22.410 un pic prea copleșitor pentru ceea ce se va întâmpla în continuare pentru că avem încă funcția de tren 11:22.410 --> 11:26.890 care va fi o funcție uriașă și care conține algoritmul pe care noi vedea. 11:27.030 --> 11:29.240 Deci, crede-mă că vrei să păstrezi ceva energie pentru asta. 11:29.310 --> 11:32.300 Și, prin urmare, nu vom petrece prea mult timp în acest sens. 11:32.490 --> 11:37.830 Dar totuși voi extinde codul și veți înțelege întreaga idee din spatele acestei optimizări. 11:38.190 --> 11:44.740 Vă felicităm din nou pentru că ați făcut această clasă de activitate și vă voi vedea în următorul optimizator Statoil 290. 11:44.760 --> 11:46.140 Până atunci, bucurați-vă de I.