WEBVTT

00:00.450 --> 00:05.400
Merhaba ve Torro'ya giden bu yola hoş geldiniz, şimdi sinyali en

00:05.400 --> 00:11.040
baştan giriş imgelerinden başlayıp aktörün anahtar değerlerini içerecek çıktılara kadar tüm beyin boyunca

00:11.130 --> 00:16.860
ileriye doğru iletecek ilerleme işlevini yapacağız ve eleştirmen için işlev tarafından alınan değer

00:17.040 --> 00:17.950
olan de-değer.

00:18.240 --> 00:23.820
Dume için yaptığımız şey gibi oldukça benzer olacak, ancak bu kez bir şeyler değişecek.

00:23.880 --> 00:25.550
Değişiklik bunu değiştirecek.

00:25.560 --> 00:27.510
Şimdi beynimizde bir illüstrasyon var.

00:27.510 --> 00:32.470
Bu yüzden sinyal yaymak ve bununla dikkatli olmak için hepimiz daha fazla şey yapmak zorundayız.

00:32.850 --> 00:38.280
Ve diğer şey daha az önemlidir, ancak yine de daha önce

00:38.280 --> 00:44.220
karşılaştığımız değişiklikler, doğrusal olmayan aktivasyon fonksiyonunu bildiğiniz gibi gerçek bir aktivasyon

00:44.220 --> 00:48.880
fonksiyonu kullanmayacağımıza karşın, daha sofistike bir tuvalet kullanacağız işlevi.

00:48.980 --> 00:51.390
Geçmişte zihniyetle konuştuğumuzu göreceksin.

00:51.780 --> 00:55.970
Öyleyse bunu yapalım, bunu bir ölümle başlattığımız bu işlevi yapalım.

00:56.040 --> 00:59.190
Aslında bu yürütülen sınıfın son işlevi.

00:59.280 --> 01:06.900
Bu yüzden onu Einstein gibi ileri vereceğiz ve bu dördüncü fonksiyon nesneyi kendiliğinden alacak

01:06.900 --> 01:09.930
çünkü nesneleri ve girdileri kullanacağız.

01:10.170 --> 01:13.520
Bu girdilerin ne olacağını anlamak çok önemli.

01:13.590 --> 01:19.170
Bu sadece bu girdilerin gizli düğümleri ve aynı hücre düğümlerini içerecek

01:19.170 --> 01:20.980
giriş görüntüleri olmayacaktır.

01:21.090 --> 01:25.120
Bu yüzden şimdi bazı şeylerin değişeceğini vurgulamak istedim.

01:25.180 --> 01:30.820
Temelde ileri fonksiyonu İnternetin ve listenin hücre düğümlerini düşünüyoruz.

01:31.200 --> 01:38.900
Şimdi bunlardan bahsetmek gerekirse, ileriye dönük işlevleri koyarken bu argümanın bu iki girdisini birbirinden

01:38.900 --> 01:41.540
ayırmak ve bunları nasıl ayırabiliriz?

01:41.700 --> 01:46.160
Peki giriş görüntüleri olacak yeni bir Voivode hatırlayabiliriz.

01:46.230 --> 01:55.620
Dolayısıyla bu girdi görüntüleri tasarlanmış ve bunları gizli devletlerin bir tapınağı olan H x ve C X

01:55.620 --> 01:59.090
ile Koloni'de hücre Devletlerini birbirinden ayırıyoruz.

01:59.370 --> 02:04.470
Dolayısıyla H x diğer devletler ve C X Güney devletleridir.

02:04.540 --> 02:09.580
Pekâlâ, burada bu argüman olan girdiye eşit olacaktır.

02:09.580 --> 02:14.950
Şimdi de bu ayrımı yaptık ve sinyali beyinde yaymaya

02:15.220 --> 02:21.400
başlayabiliriz ve bunu yapmak için, LACMA bağlantısının konvolüsyonlarından oluşan bağlantılarımızı kullanarak

02:21.700 --> 02:28.690
birinci ile son arasındaki farklı katmanları birbiri ardına alacağız. doğrusal bağlantı buradaki

02:29.020 --> 02:30.300
tam bağlantıları.

02:30.490 --> 02:31.400
O halde bunu yapalım.

02:31.450 --> 02:33.620
Şimdi daha önce olduğu gibi olacak.

02:33.750 --> 02:40.420
İlk katmanımızı X olarak adlandıracağımız ilk katmanı alacağız ve bu ilk katmanı sinyallerin girdilerden bu

02:40.510 --> 02:46.240
ilk katmana yayması için gerekli hale getireceğiz ve bu nedenle ilk konvolüsyonu

02:46.240 --> 02:51.770
kullanmamız gerekiyor, çünkü bu ilk konvolüsyon. sinyali giriş görüntülerinden birinci katmana yayar.

02:52.030 --> 02:58.450
Şimdi şunu yapacağız çünkü bunu ilk konvolüsyon olarak alıyoruz ve

02:58.450 --> 03:06.100
bu ilk konvolüsyonu şimdi doğru giriş olan girdi görüntülerimize uyguluyoruz ve girdi

03:06.100 --> 03:09.560
görüntülerinden gelen sinyali İlk katman.

03:09.820 --> 03:16.390
Fakat şimdi, görüntülerdeki doğrusal olmayan ilişkileri öğrenebilmek için doğrusallığı bozmak için

03:16.390 --> 03:23.170
doğrusal olmayan bir etkinleştirme işlevini kullanmamız gerektiğini ve bunu yapmak için

03:23.500 --> 03:28.050
kullanacağımız uygulamayı, Şimdi bakın ve sıkışmış dokunuşla.

03:28.180 --> 03:30.110
Ama ondan önce onu alalım.

03:30.130 --> 03:36.430
Bunu elde etmek için aslında bir kısayol olan işlevsel modülü alıyoruz, sonra

03:36.490 --> 03:45.790
da bir döngü var ve ardından bunların hepsini parantez içine koyuyoruz, çünkü doğrusal olmayan olarak nöronları etkinleştirmek istiyoruz.

03:45.880 --> 03:51.160
Buradaki ilk katman, girdilere birinci kıvrımın uygulanmasıyla elde edildi.

03:51.160 --> 03:55.310
Öyleyse şimdi ne olduğunu anlamak için PI meşale Doug'a gidelim.

03:55.360 --> 03:56.110
İşte burada.

03:56.200 --> 04:00.320
Dolayısıyla fıçıya yapışarak eğik çizgi çizebilir veya eğik çizgi ekleyebilirsiniz.

04:00.340 --> 04:06.940
Ve o zaman H G ve L ve sonra lineer olmayan aktivasyonlar ve daha sonra bulacağınız doğrusal olmayan aktivasyon

04:06.940 --> 04:08.080
işlevleri bulmanız gerekir.

04:08.170 --> 04:14.040
Gerçekten de bu, sıfırın maksimumu ve X'i aklınızda bulunduran X olduğunu bildiğimizde klasik.

04:14.260 --> 04:17.160
O halde altı tane var, bu da altı.

04:17.160 --> 04:19.350
Bu yüzden biraz daha sofistike.

04:19.570 --> 04:21.190
Ve sonra bir bakalım gidelim.

04:21.550 --> 04:26.470
Ve gördüğünüz gibi, mavi, bir düzeltme ve ek bir öğedir.

04:26.620 --> 04:29.280
Yani daha sofistike bir şey gibi.

04:29.340 --> 04:34.180
Ve böylece doğrusal olmayan nöronları ve farklı katmanları etkinleştirmek için kullandığımız şey budur.

04:34.180 --> 04:39.420
Ve bu arada bu yeni aktivasyon fonksiyonuna ünitelerindeki üstel denir.

04:39.490 --> 04:40.250
İşte gidiyoruz.

04:40.270 --> 04:44.230
Elu'yu ilk konvolüyon tabakasına uyguladık.

04:44.470 --> 04:46.300
Ve şimdi şeyler kolay olacak.

04:46.370 --> 04:52.270
çünkü temel olarak sadece X ekliyoruz, x burada ilk konvolüyon.

04:52.270 --> 04:59.440
İlk konvolusyon katmanından ikinci konvolüasyon katmanına, yani X olarak adlandıracağımız sinyalin yayılımı

04:59.470 --> 05:02.190
için bir sonraki adıma geçeceğiz,

05:02.290 --> 05:07.990
Ve sinyali birinci konvolüsyon katmanından diğerine uzatarak X bir sonraki konvolüasyon katmanı

05:07.990 --> 05:09.190
haline gelecektir.

05:09.520 --> 05:15.130
Ve sinyali ilk konvolüyon katmanından ikincisine uzatmak için, bunu

05:15.220 --> 05:20.490
basitçe kopyalayıp o yere yapıştırıp bir ikisini değiştiremeyiz.

05:20.510 --> 05:27.340
Ve şimdi tabii ki ikinci konvolüsyon girdi görüntülerine değil, burada bulunan ilk konvolüasyon

05:27.340 --> 05:29.530
katmanı olan X'e uygulanır.

05:29.830 --> 05:30.790
Tamam mükemmeldir.

05:30.790 --> 05:32.800
Şimdi ikinci konvolümyonuzu orada buluyoruz.

05:33.010 --> 05:38.230
Ve şimdi sinyali tekrar ikinci kıvırcıklıktan üçüncüye yayalım.

05:38.230 --> 05:46.000
Ve dolayısıyla, bunu doğrudan kopyalayıp yapıştırıp iki üç yerine geçirebiliriz.

05:46.000 --> 05:46.840
Oraya gidiyoruz.

05:46.990 --> 05:47.900
Ve sonuncusu.

05:47.920 --> 05:53.770
Şimdi buradaki üçüncü konvolümodan gelen sinyali dördüncü ve sonuncusu haline getirmek

05:53.770 --> 05:58.770
için bunu tekrar burada kopyalayıp üçünü yerini dördüncünün yerine koyalım.

05:58.840 --> 05:59.790
Oraya gidiyoruz.

06:00.220 --> 06:01.870
O halde özetleyelim.

06:01.870 --> 06:03.310
Girişlerimizle başlıyoruz.

06:03.460 --> 06:07.170
İlk konvolüsyonu orada ilk konvolüyonel hale getirmek için uyguluyoruz.

06:07.360 --> 06:12.130
Daha sonra, ikinci bir konvolüsyonu birinci konvolüsyon tabakasına uygulayarak ikinci konvolüasyonlu katmanı

06:12.130 --> 06:12.850
elde ediyoruz.

06:12.970 --> 06:17.830
Daha sonra, üçüncü konvolüsyon tabakasını elde etmek için bu üçüncü konvolüsyonu ikinci

06:17.830 --> 06:18.510
konvolüyonale uyguluyoruz.

06:18.550 --> 06:24.650
Ve son olarak dördüncü konvolüsyonu oradaki üçüncü konvolüyonale uygulayarak orada dördüncü konvolusyonu elde

06:24.650 --> 06:25.180
ettik.

06:25.510 --> 06:29.900
Ve sinyal de gözün gözleri boyunca yayılır.

06:30.130 --> 06:35.620
Şimdi gidiyoruz ki dört kıvrımdan sonra çıktı sinyaline sahibiz ve şimdi

06:35.620 --> 06:40.790
ne yapacağımı biliyoruz, bu bütün çıktı sinyalini bir boyutlu vektöre genişletmeliyiz.

06:40.900 --> 06:42.640
İşte düzleştirici adım.

06:42.880 --> 06:45.440
Böylece x'i tekrar x olarak güncelleyeceğiz.

06:45.490 --> 06:49.010
Şimdi bu düzleştirilmiş bir boyutlu vektör haline gelecektir.

06:49.230 --> 06:57.070
Ve bunu yapmak için şu ana kadar dördüncü konvülsiyonel katman X olan X'i almamız gerekiyor ama sonra bir

06:57.520 --> 07:05.660
görüntüleme işlevi kullanıyoruz ve ilk önce bir boyutlu vektör istemek istediğimizi söylemek için eksi bir, sonra da ihtiyacımız olan

07:05.660 --> 07:11.810
ikinci bir argüman olarak koyuyoruz vektör içerisine elemanların sayısını koymak ve bu üç iki

07:11.880 --> 07:13.560
kez üç kez üç hatırlamaktır.

07:13.670 --> 07:20.270
Ve bu nedenle burada üç kez üç kat 32 defa yerleştirebiliriz.

07:20.270 --> 07:20.720
Oraya gidiyoruz.

07:20.720 --> 07:24.570
Şimdi düzleştirilmiş vektörümüz var ve düzleştirme basamağı bitti.

07:24.680 --> 07:25.580
Mükemmel.

07:25.580 --> 07:28.030
Şimdi LCN bölümüne bakalım.

07:28.280 --> 07:33.030
Anladığınız gibi LSD, düzleştirilmiş vektörü girdi olarak alıyor.

07:33.200 --> 07:37.190
Bu üç boyutlu vektör, üç kez iki kez üç kez üç öğe.

07:37.190 --> 07:40.310
Yani zaten hazır ve icn için hazırlanmış.

07:40.320 --> 07:49.070
Ekip artık bu Yassılaştırma vektörünü girdi olarak almaya hazırdır ve bu nedenle LACMA'mızı ve girdileri ilk önce

07:49.190 --> 07:52.010
X hazır oldukları argümanı alabiliriz.

07:52.010 --> 07:55.960
FLATOW Ve vektör ki bu x ışın burada genişlettik.

07:56.270 --> 08:00.810
Ama aynı zamanda ve sorun da devreye giriyor.

08:00.890 --> 08:04.540
H x ve z x koymamız gerekir.

08:04.550 --> 08:10.820
Ve ha-Satan see X'i kullanabilirsiniz, çünkü bu ayrımları ileri fonksiyonun orijinal

08:11.060 --> 08:12.980
girdi değişkenlerinden yapmıştık.

08:12.980 --> 08:20.460
Böylece LACMA X plakaları, dört sarmaldan sonra vektör çıktı vektörünü ve hücre notunun her birinin gizli kalmasını sağlar.

08:20.480 --> 08:21.390
İşte gidiyoruz.

08:21.440 --> 08:27.530
Öyleyse özünü unutmamalıyız, çünkü LSD bir değişken veya işlevdir, bu nedenle nesne

08:27.530 --> 08:35.210
kendisine ve bir CM'ye bağlı bir değişkentir ve bu aslında çıktı düğümleri ve çıkış sesleri

08:35.210 --> 08:37.850
olacak toplam iki çıktıyı çıkışlara döndürür.

08:37.880 --> 08:42.250
Yani aslında topikal ve bu nedenle H güncelleyebilirsiniz.

08:42.260 --> 08:48.890
X y ve z x hücre düğümleri, çünkü buradaki NCM'nin çıktısı budur.

08:50.030 --> 08:50.500
Harika.

08:50.510 --> 08:52.750
Artık neredeyse bitti.

08:52.790 --> 08:58.850
Şimdi, illüstrasyon çıktılarına sahibiz çünkü yararlı çıktıları elde etmeliyiz, aslında yalnızca

08:58.850 --> 09:05.570
gizli notlar kullanışlıdır ve bu nedenle X değerini tekrar X olarak alacağız ve

09:05.570 --> 09:12.490
X, çıkış örneğinin ilk unsuruna atax değerine eşit olacaktır. ABD'nin bir X eşittir.

09:12.680 --> 09:14.270
Ve neredeyse bitti.

09:14.270 --> 09:18.590
Bir odada eleştirmen için iki beyinli, bir beyinimiz olduğunu unutmayın.

09:18.860 --> 09:24.380
Ve bu nedenle, aktörün çıkış sinyalini ve eleştirmenin çıktı sinyalini döndürmek için çıkış

09:24.380 --> 09:25.480
sinyallerine sahip olmalıyız.

09:25.580 --> 09:30.730
Ve bu nedenle şimdi yapacağımız şey bu iki çıkış sinyalini geri getirmek ve bunu nasıl yapabiliriz.

09:30.830 --> 09:32.010
Bu çok kolay.

09:32.030 --> 09:38.690
Doğrusal bağlarımızı almamız gerekiyor, ancak eleştirmenin doğrusal bir bağlantısı ve aktörün tam bağlantısını da

09:38.770 --> 09:40.740
ayrı ayrı ele alalım.

09:41.180 --> 09:47.870
kullanışlı bir çıktısı olan ve bu çıkış sinyali olacak olan X çıkışına uyguladık.

09:47.870 --> 09:50.470
Ve bu bağlantıların herbiri, LACMA'nın

09:50.480 --> 09:50.990
İşte gidiyoruz.

09:50.990 --> 09:51.840
Haydi Yapalım şunu.

09:51.900 --> 09:59.660
Önce öz veya nesne ele alalım, o zaman kritik olan eleştirmenin doğrusal bağlantısını

09:59.690 --> 10:08.090
ve X'e uyguladığımız bu kolinayı CM'nin sinyali sinyalini alıyoruz ve aynı şekilde tekrar öz elimize

10:08.090 --> 10:15.290
geçtikten sonra aktörün doğrusal bağlantısını alıyoruz hangi aktördür ve kolinar ki x'e

10:15.290 --> 10:16.200
aynı uyguluyoruz.

10:16.310 --> 10:19.580
İşte gittik, ihtiyacımız olan ana şey buydu.

10:19.710 --> 10:26.040
Ancak sonra Ajax'ın üst kısmını bir düğüme geri getireceğiz ve X düğümünü satacağımızı görüyoruz, çünkü daha

10:26.040 --> 10:29.490
sonra bunları kullanacağız ve LCN'nin retro görünümünü yapacağız.

10:29.520 --> 10:30.430
Tamam mükemmeldir.

10:30.480 --> 10:32.960
Şimdi de beyinle işimiz bitti.

10:32.970 --> 10:38.040
Veya beyinlerini söylemeliyiz, çünkü aslında aktör için iki beyin ve bir eleştirmen yaptık.

10:38.250 --> 10:41.990
Böylece beyinleri ile sekizinci yapmak için tebrikler.

10:42.180 --> 10:47.940
Umarım CNN'de ve Anniston'da birleştirmek çok zor değildi, ama en azından iyi haber şu

10:47.940 --> 10:51.190
ki, en iyi ve en güçlü modelle çalışıyoruz.

10:51.300 --> 10:53.010
İşte gidiyoruz.

10:53.010 --> 10:55.950
Aslında bu ilk aile modeliyle bitti.

10:56.010 --> 10:56.810
Y.

10:56.880 --> 11:02.040
Ve sonraki iki çalışmada optimizerle ilgileneceğiz, çünkü ayrı bir

11:02.190 --> 11:03.300
iyileştirici yapacağız.

11:03.300 --> 11:08.850
Her bir kod satırını kesmeyeceğiz çünkü bir çok şey araştırma kağıtlarından geliyor ve

11:08.850 --> 11:10.520
bu aslında oldukça spesifik.

11:10.530 --> 11:16.470
biz hala tren işlevi yaparak büyük bir işlevi göreceğiz ve bu algoritmayı görmek.

11:16.470 --> 11:22.410
Ve bu optimizer ile devam edenlerin ayrıntılı ayrıntılarına geçersek, bir daha gerçekleşmeyecek

11:22.410 --> 11:26.890
olan bu iş için biraz fazla zorluk çekebiliriz, çünkü

11:27.030 --> 11:29.240
Bunun için biraz enerji harcamak istediğine inanın bana.

11:29.310 --> 11:32.300
Ve bu nedenle bu konuda fazla vakit harcamayacağız.

11:32.490 --> 11:37.830
Ancak yine de kodu genişleteceğim ve bu optimizasyonun arkasındaki tüm fikri anlayacaksınız.

11:38.190 --> 11:44.740
Bu etkinlik sınıfını yapmak için yine tebrik eder, sizi bir sonraki Statoil 290 iyileştiricisinde göreceğim.

11:44.760 --> 11:46.140
O zamana kadar tadını çıkar