WEBVTT

00:00.450 --> 00:05.400
สวัสดีและยินดีต้อนรับสู่เส้นทางสู่

00:05.400 --> 00:11.040
Torro ตอนนี้เราจะสร้างฟังก์ชันส่งต่อที่จะส่งต่อสัญญาณผ่านสมองทั้งหมดตั้งแต่เริ่มต้นด้วยภาพอินพุตจนถึงเอาต์พุตซึ่งจะมีค่าคีย์สำหรับนักแสดง

00:11.130 --> 00:17.950
de-value ที่เป็นค่าที่ใช้โดยฟังก์ชันสำหรับนักวิจารณ์

00:18.240 --> 00:23.820
ดังนั้นมันจะคล้ายกันมากกับสิ่งที่เราทำสำหรับ Dume แต่คราวนี้บางสิ่งบางอย่างจะเปลี่ยนไป

00:23.880 --> 00:25.550
การแก้ไขจะเปลี่ยนไป

00:25.560 --> 00:27.510
ตอนนี้เรามีภาพประกอบอยู่ในสมอง

00:27.510 --> 00:32.470
ดังนั้นเราทุกคนต้องทำอะไรมากกว่านี้เพื่อส่งสัญญาณและระวังให้ดี

00:32.850 --> 00:38.280
และสิ่งอื่น ๆ

00:38.280 --> 00:44.220
ที่มีความสำคัญน้อยกว่า แต่ก็ยังมีการเปลี่ยนแปลงเมื่อเทียบกับก่อนหน้านี้คือเราจะไม่ใช้ฟังก์ชั่นการเปิดใช้งานจริงอย่างที่คุณรู้ว่าฟังก์ชั่นการเปิดใช้งานแบบไม่เชิงเส้น

00:44.220 --> 00:48.880
ฟังก์ชัน

00:48.980 --> 00:51.390
คุณจะเห็นว่าในอดีตเรากำลังพูดถึงคำพูด

00:51.780 --> 00:55.970
ลองทำฟังก์ชั่นนี้กันเถอะเราเริ่มด้วยความตาย

00:56.040 --> 00:59.190
มันเป็นฟังก์ชั่นสุดท้ายของคลาสที่ดำเนินการนี้

00:59.280 --> 01:09.930
ดังนั้นเราจะเรียกมันไปข้างหน้าเหมือนไอน์สไตน์และฟังก์ชั่นที่สี่นี้จะเอาวัตถุไปเองเพราะเราจะใช้วัตถุและอินพุต

01:10.170 --> 01:13.520
ดังนั้นสิ่งสำคัญคือการเข้าใจสิ่งที่ปัจจัยการผลิตเหล่านี้จะเป็น

01:13.590 --> 01:20.980
นี่จะไม่เพียง แต่เป็นภาพอินพุตอินพุตเหล่านี้จะมีโหนดที่ซ่อนอยู่และโหนดเซลล์เดียวกัน

01:21.090 --> 01:25.120
นั่นคือสาเหตุที่ฉันต้องการเน้นว่าบางสิ่งกำลังจะเปลี่ยนแปลงในขณะนี้

01:25.180 --> 01:30.820
โดยทั่วไปเรากำลังพิจารณาฟังก์ชั่นการส่งต่ออินเทอร์เน็ตและโหนดเซลล์ของรายการ

01:31.200 --> 01:41.540
และการพูดของพวกเขาตอนนี้สิ่งที่เรากำลังจะทำคือแยกอินพุตทั้งสองของอาร์กิวเมนต์นี้ในการใส่ฟังก์ชั่นไปข้างหน้าและเราจะแยกพวกมันออกได้อย่างไร

01:41.700 --> 01:46.160
ทีนี้เราสามารถจำ Voivode ใหม่ซึ่งจะเป็นภาพอินพุต

01:46.230 --> 01:55.620
นั่นคือภาพอินพุตที่ออกแบบและเราแยกพวกมันออกด้วยโค่นล้ม H x และ C X

01:55.620 --> 01:59.090
ซึ่งเป็นวิหารของรัฐที่ซ่อนอยู่และเซลล์ของเซลล์ที่โคลีเซียม

01:59.370 --> 02:04.470
ดังนั้น h x รัฐอื่นและ C X จึงเป็นรัฐทางใต้

02:04.540 --> 02:09.580
เอาล่ะและนั่นจะเท่ากับอินพุตที่เป็นอาร์กิวเมนต์นี้ตรงนี้

02:09.580 --> 02:30.300
ตอนนี้เราทำการแยกนั้นและดังนั้นเราสามารถเริ่มแพร่กระจายสัญญาณไปทั่วสมองและเพื่อที่เราจะได้รับเลเยอร์ที่แตกต่างกันอย่างต่อเนื่องตั้งแต่ชั้นแรกไปจนถึงชั้นสุดท้าย การเชื่อมต่อเชิงเส้นที่นี่การเชื่อมต่อแบบเต็ม

02:30.490 --> 02:31.400
ลองทำสิ่งนี้กัน

02:31.450 --> 02:33.620
ตอนนี้มันจะเป็นเหมือนเดิม

02:33.750 --> 02:40.420
เราจะได้รับเลเยอร์แรกของเราที่เราจะเรียก

02:40.510 --> 02:51.770
X และรับเลเยอร์แรกนี้เราจำเป็นต้องเผยแพร่สัญญาณจากอินพุตไปยังเลเยอร์แรกนี้และดังนั้นเราจึงจำเป็นต้องใช้การแปลงแรกเพราะมันเป็นคอน ที่แพร่กระจายสัญญาณจากภาพอินพุตไปยังเลเยอร์แรก

02:52.030 --> 03:09.560
ตอนนี้สิ่งที่เราจะทำคือคัดลอกนี่เพราะนี่คือสังวัตนาแรกที่เรามีที่นี่และเราใช้การโน้มน้าวแรกนี้กับภาพอินพุตของเราซึ่งตอนนี้เป็นอินพุตที่เหมาะสม ชั้นแรก

03:09.820 --> 03:28.050
แต่ตอนนี้จำไว้ว่าเราต้องใช้ฟังก์ชั่นการเปิดใช้งานแบบไม่เชิงเส้นเพื่อทำลายเส้นตรงเพื่อที่จะได้เรียนรู้ความสัมพันธ์ที่ไม่เป็นเชิงเส้นภายในภาพ ดูตอนนี้และโดยการสัมผัสติดอยู่

03:28.180 --> 03:30.110
แต่ก่อนหน้านั้นมารับกัน

03:30.130 --> 03:45.790
เพื่อให้ได้มันเหมือนว่าเราใช้โมดูลการทำงานที่มีทางลัดและจากนั้นก็เป็นวงแล้วเราใส่ทั้งหมดนี้ไว้ในวงเล็บเพราะเราต้องการเปิดใช้งานเซลล์ประสาทแบบไม่เชิงเส้น

03:45.880 --> 03:51.160
ชั้นแรกที่นี่ที่เราได้รับโดยการใช้การแปลงแรกในอินพุต

03:51.160 --> 03:55.310
ตอนนี้เราไปที่ไฟฉาย PI ของดั๊กเพื่อทำความเข้าใจว่ามันคืออะไร

03:55.360 --> 03:56.110
นี่มันคือ

03:56.200 --> 04:00.320
ดังนั้นคุณสามารถเข้าถึงได้โดยใช้ไฟฉายติดหรือทับทับ

04:00.340 --> 04:08.080
จากนั้น H G และ L และจากนั้นคุณต้องค้นหาการเปิดใช้งานที่ไม่ใช่เชิงเส้นแล้วฟังก์ชั่นการเปิดใช้งานแบบไม่เชิงเส้นที่คุณจะพบ

04:08.170 --> 04:14.040
นั่นคือคลาสสิกเมื่อเรารู้ว่ามันมีค่าไม่เกินศูนย์และ X คุณมีกราฟอยู่ในใจ

04:14.260 --> 04:17.160
ถ้างั้นคุณมีหกอันด้วยอันนี้

04:17.160 --> 04:19.350
ซับซ้อนกว่านี้นิดหน่อย

04:19.570 --> 04:21.190
และจากนั้นเราไปเราได้ดู

04:21.550 --> 04:26.470
และอย่างที่คุณเห็นสีน้ำเงินคือการทำซ้ำบวกองค์ประกอบเพิ่มเติม

04:26.620 --> 04:29.280
ดังนั้นมันจึงซับซ้อนกว่าจริง ๆ

04:29.340 --> 04:34.180
และนั่นคือสิ่งที่เราใช้ในการกระตุ้นเซลล์ประสาทและเลเยอร์ต่างๆ

04:34.180 --> 04:39.420
และโดยวิธีการเปิดใช้งานฟังก์ชั่นใหม่นี้เรียกว่าเลขชี้กำลังในหน่วยของพวกเขา

04:39.490 --> 04:40.250
ดังนั้นเราไปกันเลย

04:40.270 --> 04:44.230
เราใช้อีลูในเลเยอร์แรก

04:44.470 --> 04:46.300
และตอนนี้สิ่งต่าง ๆ จะเป็นเรื่องง่าย

04:46.370 --> 04:52.270
เรากำลังจะดำเนินการต่อไปสำหรับการแพร่กระจายของสัญญาณซึ่งมาจากชั้นที่หนึ่งไปยังชั้นที่สองซึ่งเราจะเรียกว่า X

04:52.270 --> 05:02.190
เพราะโดยพื้นฐานแล้วเราเพิ่งจะเพิ่ม X ตอนนี้ x เป็นที่แรกที่นั่น

05:02.290 --> 05:07.990
และโดยการแพร่กระจายสัญญาณจากเลเยอร์ convolutional แรกไปยังอีกหนึ่ง X จะกลายเป็นเลเยอร์ convolutional

05:07.990 --> 05:09.190
ถัดไป

05:09.520 --> 05:15.130
ดังนั้นเพื่อถ่ายทอดสัญญาณจากเลเยอร์ convolutional

05:15.220 --> 05:20.490
แรกไปยังอันที่สองเราไม่สามารถคัดลอกและวางไว้ที่นี่และแทนที่ทีละสอง

05:20.510 --> 05:29.530
และตอนนี้แน่นอนว่าการบิดครั้งที่สองไม่ได้นำไปใช้กับภาพอินพุต แต่ใช้กับ X ซึ่งเป็นเลเยอร์แรกที่อยู่ตรงนี้

05:29.830 --> 05:30.790
ถูกต้องสมบูรณ์แบบ

05:30.790 --> 05:32.800
ตอนนี้เราได้ convolutional ที่สองมาแล้ว

05:33.010 --> 05:38.230
ทีนี้เรามาทำการกระจายสัญญาณอีกครั้งจากการแปลงที่สองไปที่นั่นที่หนึ่ง

05:38.230 --> 05:46.000
ดังนั้นเราสามารถคัดลอกและวางมันตรงนี้และแทนที่สองสาม

05:46.000 --> 05:46.840
เราจะไปที่นั่น.

05:46.990 --> 05:47.900
และอันสุดท้าย

05:47.920 --> 05:53.770
ทีนี้เพื่อถ่ายทอดสัญญาณจาก convolutional

05:53.770 --> 05:58.770
ที่สามไปที่หนึ่งในสี่และอันสุดท้ายเราสามารถคัดลอกมันอีกครั้งที่นี่และแทนที่สามด้วยสี่มา

05:58.840 --> 05:59.790
เราจะไปที่นั่น.

06:00.220 --> 06:01.870
ดังนั้นขอปะยางรถ

06:01.870 --> 06:03.310
เราเริ่มต้นด้วยอินพุตของเรา

06:03.460 --> 06:07.170
เราใช้การโน้มน้าวใจครั้งแรกเพื่อให้ได้การสนทนาครั้งแรกที่นั่น

06:07.360 --> 06:12.850
จากนั้นเราใช้การแปลงที่สองกับชั้นที่หนึ่งเพื่อรับชั้นที่สอง

06:12.970 --> 06:18.510
จากนั้นเราจะใช้การโน้มน้าวใจที่สามนี้กับสอง convolutional ที่นั่นเพื่อรับชั้นที่สาม convolutional

06:18.550 --> 06:25.180
และในที่สุดเราก็ใช้การโน้มน้าวใจครั้งที่สี่กับข้อที่สามที่นั่นเพื่อให้ได้ข้อที่สี่

06:25.510 --> 06:29.900
และนั่นคือสัญญาณที่แพร่กระจายไปทั่วดวงตา

06:30.130 --> 06:35.620
เราไปที่นั่นแล้วตอนนี้เรามีสัญญาณเอาท์พุตหลังจากสี่ convolutions

06:35.620 --> 06:40.790
และตอนนี้เรารู้ว่าต้องทำอย่างไรเพื่อขยายสัญญาณเอาต์พุตทั้งหมดในเวกเตอร์มิติเดียว

06:40.900 --> 06:42.640
นั่นคือขั้นตอนที่แบน

06:42.880 --> 06:45.440
ดังนั้นเราจะอัพเดท x อีกครั้ง x

06:45.490 --> 06:49.010
ทีนี้ก็จะกลายเป็นเวกเตอร์หนึ่งมิติแบนราบนี้

06:49.230 --> 06:57.070
และในการทำเช่นนี้เราต้องใช้

06:57.520 --> 07:05.660
X ซึ่งอยู่ในชั้นที่สี่ของ convolutional

07:05.660 --> 07:13.560
X แต่จากนั้นเราใช้ฟังก์ชั่นดูและเราใส่เครื่องหมายลบหนึ่งเพื่อบอกว่าเราต้องการเวกเตอร์มิติหนึ่งและจากนั้นเป็นอาร์กิวเมนต์ที่สองที่เราต้องการ ใส่จำนวนองค์ประกอบลงในเวกเตอร์และจำได้สองสามครั้งสามครั้งสามครั้ง

07:13.670 --> 07:20.270
แล้วเราก็ใส่ตรงนี้ 32 คูณสามคูณสาม

07:20.270 --> 07:20.720
เราจะไปที่นั่น.

07:20.720 --> 07:24.570
ตอนนี้เรามีเวกเตอร์แบนและขั้นตอนแบนเสร็จแล้ว

07:24.680 --> 07:25.580
สมบูรณ์

07:25.580 --> 07:28.030
ทีนี้มาดูแลส่วน LCN กัน

07:28.280 --> 07:33.030
ตามที่คุณเข้าใจ LSD ใช้เป็นอินพุทเวกเตอร์ที่แบน

07:33.200 --> 07:37.190
เวกเตอร์หนึ่งมิติของสามสองคูณสามคูณสามองค์ประกอบ

07:37.190 --> 07:40.310
ดังนั้นมันจึงพร้อมและเตรียมพร้อมสำหรับ icn แล้ว

07:40.320 --> 07:49.070
ตอนนี้ทีมพร้อมที่จะนำเวกเตอร์ Flaten นี้เป็นอินพุตดังนั้นเราจึงสามารถใช้ LACMA

07:49.190 --> 07:52.010
และอินพุตของคุณเมื่ออาร์กิวเมนต์แรกพร้อม

07:52.010 --> 07:55.960
FLATOW และเวกเตอร์นั่นคือเอ็กซ์เรย์นี่ที่เราเพิ่งขยายออกไป

07:56.270 --> 08:00.810
แต่ยังและนั่นคือสิ่งที่ปัญหาเข้ามาเล่น

08:00.890 --> 08:04.540
เราต้องใส่ H x และ z x

08:04.550 --> 08:10.820
และเราสามารถใช้ฮ่า - ซาตานดู X

08:11.060 --> 08:12.980
ตรงนี้ได้เพราะเราแยกส่วนนั้นออกจากอาร์กิวเมนต์อินพุตดั้งเดิมของฟังก์ชันส่ง

08:12.980 --> 08:20.460
ดังนั้น LACMA X จะเป็นเวกเตอร์เอาท์พุทของ platens หลังจากสี่ convolutions และสิ่งที่ซ่อนอยู่ในโน้ตเซลล์

08:20.480 --> 08:21.390
ดังนั้นเราไปกันเลย

08:21.440 --> 08:27.530
จากนั้นเราจะต้องไม่ลืมตัวเองเพราะ LSD

08:27.530 --> 08:37.850
เป็นตัวแปรหรือฟังก์ชั่นดังนั้นตัวแปรที่แนบมากับวัตถุและ CM และสิ่งนี้จริง ๆ แล้วจะกลับไปที่เอาท์พุทผลรวมสองเอาต์พุตซึ่งจะเป็นโหนดเอาต์พุตและเอาต์พุตเสียง

08:37.880 --> 08:42.250
ดังนั้นมันจึงเป็นหัวข้อเฉพาะและเราสามารถอัพเดท H

08:42.260 --> 08:48.890
X y และ z x เซลล์โหนดเพราะนั่นคือผลลัพธ์ของ NCM นี้ตรงนี้

08:50.030 --> 08:50.500
ยิ่งใหญ่

08:50.510 --> 08:52.750
ดังนั้นเราเกือบจะเสร็จแล้ว

08:52.790 --> 08:58.850
ตอนนี้เรามีผลลัพธ์ของภาพประกอบที่เราต้องการเพื่อให้ได้ผลลัพธ์ที่มีประโยชน์เพราะจริง ๆ แล้วบันทึกย่อที่ซ่อนอยู่มีประโยชน์ดังนั้นเราจะได้มันมาแล้ว

08:58.850 --> 09:05.570
X อีกครั้งและ X จะเท่ากับ

09:05.570 --> 09:12.490
atax องค์ประกอบแรกของตัวอย่างผลลัพธ์ ของสหรัฐอเมริกาเท่ากับ X

09:12.680 --> 09:14.270
และเกือบเสร็จแล้ว

09:14.270 --> 09:18.590
โปรดจำไว้ว่าเรามีสมองสองสมองสำหรับนักแสดงในห้องเดียวสำหรับนักวิจารณ์

09:18.860 --> 09:25.480
ดังนั้นเราต้องส่งสัญญาณออกเพื่อส่งสัญญาณออกของนักแสดงและสัญญาณเอาท์พุทของนักวิจารณ์

09:25.580 --> 09:30.730
และตอนนี้สิ่งที่เราจะทำคือส่งคืนสัญญาณเอาต์พุตทั้งสองนี้และเราจะทำอย่างไร

09:30.830 --> 09:32.010
นั่นง่ายมาก

09:32.030 --> 09:40.740
เราเพียงแค่ต้องใช้การเชื่อมต่อเชิงเส้นของเรา แต่แยกจากกันนั่นคือการเชื่อมต่อเชิงเส้นของนักวิจารณ์และการเชื่อมต่อที่เต็มรูปแบบของนักแสดง

09:41.180 --> 09:47.870
และเราใช้การเชื่อมต่อเหล่านี้แต่ละตัวกับเอาท์พุท X ซึ่งเป็นเอาต์พุตที่มีประโยชน์ของ LACMA

09:47.870 --> 09:50.470
และนั่นคือทั้งหมดที่จะเป็นสัญญาณเอาท์พุท

09:50.480 --> 09:50.990
ดังนั้นเราไปกันเลย

09:50.990 --> 09:51.840
มาทำกันเถอะ

09:51.900 --> 09:59.660
ก่อนอื่นเราเอาตัวเองหรือวัตถุจากนั้นเราจะได้รับการเชื่อมต่อเชิงเส้นของนักวิจารณ์ซึ่งเป็นนักวิจารณ์และ colinear นี้ซึ่งเราใช้กับ

09:59.690 --> 10:08.090
X เอาท์พุทสัญญาณ CM และจากนั้นเราเหมือนกันเราเอง

10:08.090 --> 10:16.200
ซึ่งเป็นนักแสดงและ colinear ของมันก็เหมือนกับที่เราใช้กับ x

10:16.310 --> 10:19.580
นั่นคือสิ่งที่เราต้องการ

10:19.710 --> 10:26.040
แต่จากนั้นเราก็จะกลับไปด้านบนของอาแจ็กซ์ไปยังโหนดและดู X เพื่อขายโหนดเพราะเราจะใช้พวกมันในภายหลังและรูปลักษณ์ย้อนยุคของ

10:26.040 --> 10:29.490
LCN

10:29.520 --> 10:30.430
ถูกต้องสมบูรณ์แบบ

10:30.480 --> 10:32.960
ดังนั้นตอนนี้เราก็ทำกับสมอง

10:32.970 --> 10:38.040
หรือฉันควรจะพูดว่าสมองเพราะเราสร้างสมองสองอันให้กับนักแสดงและนักวิจารณ์คนหนึ่ง

10:38.250 --> 10:41.990
ดังนั้นขอแสดงความยินดีกับการทำครั้งที่แปดด้วยสมอง

10:42.180 --> 10:51.190
ฉันหวังว่าการรวมตัวกันที่ซีเอ็นเอ็นและแอนนิสตันจะไม่ท่วมท้นเกินไป แต่อย่างน้อยข่าวดีก็คือเรากำลังทำงานกับโมเดลที่ดีที่สุดและทรงพลังที่สุด

10:51.300 --> 10:53.010
ดังนั้นเราไปกันเลย

10:53.010 --> 10:55.950
เราทำจริงกับแบบจำลองตระกูลแรกที่

10:56.010 --> 10:56.810
วาย

10:56.880 --> 11:03.300
ดังนั้นในอีกสอง toile เราจะดูแลเครื่องมือเพิ่มประสิทธิภาพเพราะเราจะทำเครื่องมือเพิ่มประสิทธิภาพแยก

11:03.300 --> 11:10.520
เราจะไม่ตัดโค้ดแต่ละบรรทัดเพราะส่วนใหญ่มาจากรายงานการวิจัยและนี่เป็นเรื่องที่ค่อนข้างเฉพาะเจาะจง

11:10.530 --> 11:26.890
และถ้าเราพูดถึงรายละเอียดที่ลึกลงไปว่าเกิดอะไรขึ้นกับเครื่องมือเพิ่มประสิทธิภาพนี้มันอาจจะล้นหลามไปหน่อยสำหรับสิ่งที่จะเกิดขึ้นต่อไปเพราะเรายังมีฟังก์ชั่นรถไฟให้ทำ ดู.

11:27.030 --> 11:29.240
ดังนั้นเชื่อใจฉันคุณต้องการเก็บพลังงานไว้สำหรับสิ่งนั้น

11:29.310 --> 11:32.300
ดังนั้นเราจะไม่ใช้เวลามากเกินไปในเรื่องนี้

11:32.490 --> 11:37.830
แต่ถึงกระนั้นฉันจะขยายรหัสและคุณจะเข้าใจความคิดทั้งหมดที่อยู่เบื้องหลังการเพิ่มประสิทธิภาพนี้

11:38.190 --> 11:44.740
ดังนั้นขอแสดงความยินดีอีกครั้งสำหรับการทำคลาสกิจกรรมนี้และฉันจะพบคุณในเครื่องมือเพิ่มประสิทธิภาพ Statoil 290

11:44.760 --> 11:46.140
จนกว่าจะสนุกกับฉัน