WEBVTT 00:00.300 --> 00:02.290 Bonjour et bienvenue au cours et à l'apprentissage en profondeur. 00:02.430 --> 00:07.980 Nous parlons aujourd'hui du neurone, qui est la pierre angulaire des réseaux de neurones artificiels. 00:08.010 --> 00:09.390 Alors, commençons. 00:09.390 --> 00:11.340 Auparavant, nous avons vu une image qui ressemblait à ceci. 00:11.340 --> 00:18.300 Et ce sont de vrais neurones de la vie réelle qui ont été légèrement barbouillés et colorés et qui ont 00:18.360 --> 00:19.950 été observés au microscope. 00:19.950 --> 00:22.140 Donc, voici à quoi ils ressemblent, comme vous pouvez le voir. 00:22.140 --> 00:29.730 Une structure assez intéressante un corps et ensuite beaucoup de types de branches différentes qui en 00:29.730 --> 00:30.250 sortent. 00:30.330 --> 00:32.350 Et c'est très intéressant. 00:32.370 --> 00:38.400 Mais la question est de savoir comment pouvons-nous recréer cela dans une machine, car 00:38.400 --> 00:47.610 nous avons vraiment besoin de le recréer et d’une machine, car l’apprentissage en profondeur a pour but de reproduire le fonctionnement du 00:47.820 --> 00:51.000 cerveau humain dans l’espoir de créer incroyable. 00:51.000 --> 00:55.200 Nous allons créer une infrastructure incroyable pour que les machines puissent apprendre. 00:55.230 --> 00:56.800 Et pourquoi espérons-nous cela. 00:56.820 --> 01:03.480 Eh bien, parce que le cerveau humain est en train de devenir l’un des outils d’apprentissage les plus 01:03.880 --> 01:07.300 puissants de la planète ou des mécanismes d’apprentissage similaires. 01:07.320 --> 01:11.310 Et nous espérons seulement que si nous recréons cela, nous aurons quelque chose d'aussi impressionnant que cela. 01:11.310 --> 01:17.670 Notre défi actuel pour créer des réseaux de neurones artificiels consiste donc à recréer un 01:17.700 --> 01:18.380 neurone. 01:18.390 --> 01:19.090 Alors comment le fait-on. 01:19.110 --> 01:23.840 Eh bien tout d’abord, regardons de plus près à quoi il s’agit. 01:23.880 --> 01:33.180 Cette image a été créée par un neuroscientifique espagnol et Chagga Ramon Yi Kajal en 1899. 01:33.180 --> 01:37.780 Et ce qu'il a fait, c'est qu'il est mort dans des neurones dans un tissu cérébral réel. 01:37.780 --> 01:39.850 Et regardez-les au microscope. 01:39.900 --> 01:43.530 Et pendant qu’il les regardait, il a effectivement dessiné ce qu’il a vu et c’est ce qu’il a vu. 01:43.530 --> 01:49.560 Il l'a vu entre vos mains ou deux gros neurones, là-haut au sommet, qui 01:49.560 --> 01:57.930 avaient toutes ces branches qui partaient vers le haut, puis chacun avait cet Araud ou un fil similaire sortant très long 01:57.930 --> 01:59.410 vers le bas. 01:59.520 --> 02:01.510 Et c'est ce qu'il a vu. 02:01.660 --> 02:07.800 Et maintenant, vous savez que la technologie a beaucoup progressé et que nous avons vu les neurones beaucoup plus proches de manière 02:07.800 --> 02:11.890 plus détaillée et que nous pouvons maintenant dessiner ce qu’elle ressemble à un diagramme. 02:11.910 --> 02:13.220 Alors regardons ça. 02:13.440 --> 02:14.190 Voici un neurone. 02:14.190 --> 02:21.810 C’est ce qui ressemble beaucoup à ce que Santiago a dessiné ici et ici et cette année et nous 02:21.810 --> 02:24.310 pouvons voir qu’il a un corps. 02:24.570 --> 02:29.100 Il s’agit de la partie principale du neurone, qui comporte quelques branches au sommet, 02:29.160 --> 02:33.200 appelées dendrites, ainsi qu’un X sur la longue queue de l’euro. 02:33.300 --> 02:38.030 Et alors, quels sont ces dendrites et quand étranger était la base pour bien. 02:38.130 --> 02:44.040 Le point clé à comprendre ici est que les neurones par eux-mêmes sont pratiquement inutiles. 02:44.040 --> 02:45.570 C'est comme si c'était comme une fourmi. 02:45.600 --> 02:46.140 Droite. 02:46.170 --> 02:49.640 Et à lui seul peut faire mes cinq annonces psychiques ensemble. 02:49.830 --> 02:51.170 Peut-être qu'ils peuvent ramasser quelque chose. 02:51.190 --> 02:55.830 Mais encore une fois, ils ne peuvent pas construire une fourmilière ou ils sont appelés à établir une 02:56.430 --> 02:59.340 colonie qui ne peut pas fonctionner ensemble comme un énorme organisme. 02:59.370 --> 03:03.510 Mais en même temps, quand vous avez beaucoup d’annonces comme un million et qu’elles peuvent construire 03:03.510 --> 03:05.680 toute une colonie, elles peuvent construire une fourmilière. 03:05.680 --> 03:06.600 Même chose avec les neurones. 03:06.600 --> 03:12.320 En soi, ce n'est pas très fort, mais quand vous avez beaucoup de neurones ensemble, ils travaillent ensemble pour faire de la magie. 03:12.510 --> 03:13.820 Et comment travaillent-ils ensemble? 03:13.820 --> 03:14.430 C'est la question. 03:14.440 --> 03:19.140 Eh bien, c’est la raison pour laquelle les dendrites et Aksenov font en sorte que les dendrites ressemblent un peu 03:19.140 --> 03:22.980 aux récepteurs du signal du neurone et que l’axone est l’émetteur du signal du neurone. 03:23.220 --> 03:26.520 Et voici une image de la façon dont tout cela fonctionne conceptuellement. 03:26.520 --> 03:32.550 Donc, au sommet, vous êtes seul et vous pouvez voir que ses dendrites sont connectés aux axones 03:32.550 --> 03:35.990 d'autres neurones qui se trouvent même plus loin au-dessus. 03:36.000 --> 03:42.930 Et ensuite, le signal de votre propre chemin parcourt son axone et se connecte ou passe aux dendrites du neurone suivant 03:42.930 --> 03:44.960 et c'est ainsi qu'ils sont connectés. 03:45.030 --> 03:53.040 Et dans cette petite image là-bas, vous pouvez voir que l'axone ne touche pas réellement le lot dendrite. 03:53.310 --> 03:59.130 Beaucoup d’apprenants en machine ou, comme peu d’apprentissage en machine, les scientifiques insistent beaucoup sur le fait 03:59.130 --> 04:03.650 qu’il ne le touche pas comme la pièce qu’il ne touche pas. 04:03.660 --> 04:06.890 Il a été prouvé qu’il n’y avait pas de connexion physique. 04:06.960 --> 04:14.010 Mais ce qui nous intéresse, c’est que le lien qui existe entre eux, c’est-à-dire le concept même du 04:14.010 --> 04:19.590 signal transmis qui rappelle les inscriptions que vous pouvez voir là-bas dans la petite 04:20.300 --> 04:22.210 image c’est un signe. 04:22.230 --> 04:23.820 Et c'est la tendance que nous allons faire. 04:23.820 --> 04:29.820 Ainsi, au lieu d'appeler nos neurones artificiels les lignes que nous allons avoir ou les connecteurs pour les neurones 04:29.820 --> 04:34.200 artificiels, nous allons maintenant les appeler axones ou dendrites, car alors la question est 04:34.200 --> 04:36.880 de savoir à qui est liée les neurones. 04:36.990 --> 04:39.340 Nous appelons simplement cela bon qui est bon pour les appeler signe de cellules. 04:39.510 --> 04:42.680 Et c'est un peu juste pour répondre à toutes les questions dans un. 04:42.690 --> 04:47.610 En gros, le lieu où le signal est transmis importe peu à qui appartient cet élément. 04:47.610 --> 04:51.550 Ils ne sont qu'une représentation du signal et nous le verrons tout à l'heure. 04:51.960 --> 04:55.210 Donc, fondamentalement, c'est comme ça qu'un neurone fonctionne. 04:55.210 --> 05:03.620 Et oui, passons à la question suivante: comment allons-nous représenter les neurones créer des neurones dans des machines? 05:03.620 --> 05:09.380 Nous nous éloignons maintenant de la neuroscience pour passer à la technologie. 05:09.460 --> 05:10.260 Et c'est reparti. 05:10.360 --> 05:17.260 Donc, voici notre neurone parfois aussi appelé le nœud que votre propre reçoit des signaux d'entrée et il a un 05:17.260 --> 05:18.400 signal de sortie. 05:18.400 --> 05:21.040 Donc, les dendrites et les axones s'en souviennent. 05:21.040 --> 05:27.490 Mais encore une fois, nous allons appeler ces inscriptions, puis ces signaux d’entrée, nous allons également les 05:27.490 --> 05:29.050 présenter à d’autres neurones. 05:29.080 --> 05:35.500 Donc, dans ce cas particulier, vous pouvez voir que ce neurone est vert, il reçoit des signaux des neurones 05:35.500 --> 05:35.860 jaunes. 05:35.860 --> 05:41.800 Et dans ce cours, nous allons essayer de nous en tenir à un certain régime de codage de couleur où le jaune signifie une 05:41.830 --> 05:42.540 couche d’entrée. 05:42.540 --> 05:50.700 Donc, fondamentalement, tous les neurones qui sont sur la couche externe sur le premier front d'où proviennent les signaux entrant et 05:50.710 --> 05:52.300 par les signaux. 05:52.300 --> 05:59.200 C'est peut-être un peu excessif d'appeler cela un signal, c'est simplement des valeurs d'entrée donc. 05:59.330 --> 06:04.720 Ainsi, vous savez que même comme dans une régression linéaire simple, vous avez des valeurs en entrée, puis une valeur prédite, c'est la 06:04.720 --> 06:05.620 même chose ici. 06:05.620 --> 06:10.720 Donc, vous avez des valeurs en entrée et là ce sont les valeurs jaunes et ensuite, à droite, vous verrez tout à l’heure, elles 06:10.720 --> 06:11.250 seront rouges. 06:11.260 --> 06:12.820 Ce sera la valeur de sortie. 06:13.600 --> 06:17.140 L'autre chose que je voulais souligner ici est que dans cet exemple 06:17.140 --> 06:21.320 spécifique, nous parlons d'un neurone qui tire ses signaux des neurones de la couche d'entrée. 06:21.320 --> 06:24.220 Il y a aussi des neurones mais leurs entrées sont leurs neurones. 06:24.530 --> 06:31.450 Parfois, vous aurez des neurones qui reçoivent leur signal d'autres neurones de couche cachés, de sorte que d'autres neurones verts 06:31.450 --> 06:35.860 et le concept seront exactement les mêmes. Dans ce cas, nous utilisons par 06:35.860 --> 06:42.820 souci de simplicité, nous présentons cet exemple et en termes de La couche d'entrée est la meilleure façon de penser 06:42.970 --> 06:49.900 à cela. Dans l'analogie du cerveau humain, la couche d'entrée correspond à vos sens. Ainsi, tout ce que vous pouvez 06:49.900 --> 06:52.290 voir entendre, sentir, toucher ou sentir. 06:52.510 --> 06:57.220 Et bien sûr, c'est comme s'il y avait beaucoup de choses que vous pouvez voir et beaucoup d'informations qui 06:57.220 --> 06:57.530 arrivent. 06:57.730 --> 07:02.860 Mais ceux-ci sont à vous C'est à quoi votre cerveau est limité est en gros une vie. 07:03.010 --> 07:09.160 Israël vit dans une boîte en os et c'est simplement un concept époustouflant de penser que son 07:09.160 --> 07:15.430 cerveau est tout simplement enfermé dans une boîte noire et que tout ce qu'il peut voir peut entendre. 07:15.430 --> 07:20.710 La seule chose que cela procure, ce sont les impulsions électriques provenant de 07:20.710 --> 07:28.210 ces organes que vous avez. Nous devrions appeler vos oreilles, vos yeux, votre nez. Vous connaissez votre sens du toucher. 07:28.210 --> 07:34.150 Bien, vous n'obtenez que des signaux, mais cela habite fondamentalement dans cette boîte noire sombre et cela 07:34.150 --> 07:38.460 donne du sens au monde à travers vos sens, c'est phénoménal. 07:38.500 --> 07:38.930 Et alors oui. 07:38.950 --> 07:43.030 Donc, vous avez ces entrées qui arrivent en termes de cerveau humain. 07:43.030 --> 07:49.540 Ce sont vos cinq sens et en termes d’apprentissage automatique ou d’apprentissage en profondeur, 07:49.900 --> 07:55.500 ce sont essentiellement vos valeurs d’entrée qui sont vos variables indépendantes. 07:56.400 --> 08:01.450 own a une valeur de sortie qu'il transmet plus loin 08:01.510 --> 08:03.200 dans la chaîne. 08:03.550 --> 08:07.990 Dans ce cas particulier, en termes de codage couleur, jaune signifie couche, 08:07.990 --> 08:11.830 donc nous simplifions en quelque sorte tout ce que nous disons 08:11.830 --> 08:16.510 ici. qui est l'arrière-pays alors nous allons avoir la sortie là tout de 08:16.510 --> 08:17.140 suite. 08:17.530 --> 08:21.370 Donc, pour que nous puissions nous habituer à ces appels pour le moment. 08:21.580 --> 08:24.030 Donc voilà, c'est la structure de base. 08:24.030 --> 08:28.390 Alors maintenant, regardons un peu plus en détail ces différents éléments que nous avons. 08:28.390 --> 08:31.090 Nous avons donc la couche d'entrée et qu'est-ce que nous avons ici. 08:31.090 --> 08:37.090 Nous avons bien ces entrées qui sont en fait des variables indépendantes, donc dépendons de la variable un et d’un bit variable 08:37.090 --> 08:38.170 d’une variable indépendante. 08:38.170 --> 08:44.230 Et la chose importante à retenir ici est que ces variables indépendantes sont toutes pour une seule 08:44.230 --> 08:44.740 observation. 08:44.740 --> 08:47.620 Pensez-y comme une seule ligne de votre base de données. 08:47.620 --> 08:54.790 Une observation vous prend juste toutes les variables indépendantes vous savez peut-être que c'est l'âge de la personne là-bas, la 08:54.820 --> 09:01.270 quantité d'argent dans le compte bancaire et ensuite comment ils conduisent ou marchent au travail quelle méthode de 09:01.270 --> 09:03.070 protection de shampooing ils utilisent. 09:03.080 --> 09:08.800 Donc, mais c’est tous les descripteurs d’une personne spécifique sur lesquels vous entraînez votre 09:09.130 --> 09:12.510 modèle ou sur lesquels vous effectuez des prévisions. 09:12.610 --> 09:16.900 Et l’autre chose que vous devez savoir à propos de ces variables est que 09:16.900 --> 09:21.310 vous devez les normaliser. Vous devez donc les normaliser, ce qui signifie qu’elles doivent avoir 09:21.340 --> 09:29.470 une moyenne de zéro et une variance, ou vous pouvez aussi parfois et en bout de champ vous indiquer ces traces de manière un peu plus détaillée, peut-être 09:29.480 --> 09:34.090 en pratique, vous pourriez les trouver, mais vous voudrez peut-être savoir que la normalisation peut vouloir 09:34.090 --> 09:34.800 les normaliser. 09:34.990 --> 09:41.050 Ce qui signifie qu'au lieu de vous assurer que la moyenne et très la Muser et la variance sont celles que vous prenez, il vous 09:41.050 --> 09:46.130 suffit de soustraire la valeur minimale, puis de diviser par le maximum moins le minimum par la plage de vos 09:46.150 --> 09:49.350 valeurs et par les quatre valeurs comprises entre 0 et 1 . 09:49.510 --> 09:53.580 Et cela dépend de ce scénario que vous voudrez peut-être faire l'un ou l'autre. 09:53.590 --> 10:00.700 Mais, fondamentalement, vous voulez que toutes ces variables soient assez similaires dans la même gamme de valeurs 10:00.760 --> 10:01.680 et pourquoi. 10:01.700 --> 10:02.150 Pourquoi donc. 10:02.150 --> 10:06.890 Toutes ces valeurs vont aller dans un réseau de neurones où, comme nous le 10:06.890 --> 10:12.980 verrons tout à l'heure, elles seront additionnées et multipliées par le poids, elles s'ajouteront et ainsi de suite. réseau 10:12.980 --> 10:16.990 pour les traiter si elles sont à peu près les mêmes. 10:17.210 --> 10:23.790 Et en fait, vous savez que c’est comme ça que le système pourra fonctionner correctement. 10:24.260 --> 10:29.210 Et si vous voulez en savoir plus sur la normalisation de la normalisation et sur d'autres 10:29.210 --> 10:36.440 choses que vous pouvez faire si vous connaissez les variables, un bon article de lecture supplémentaire est appelé «test de retour efficace» par 10:37.070 --> 10:39.630 les liens du jeune Licken 1998, là-bas. 10:39.650 --> 10:47.570 Nous allons donc parler davantage de cette personne phénoménale dans l'espace d'apprentissage en profondeur dans la partie du cours 10:47.680 --> 10:49.040 dont nous parlons. 10:49.040 --> 10:53.930 Les réseaux de neurones convolutifs et vous verrez que c'est certainement une personne qui sait 10:53.930 --> 10:55.280 de quoi il parle. 10:55.280 --> 11:00.840 Il est un ami proche de Jeffrey Hinton que nous avons déjà vu qui très .. 11:00.860 --> 11:07.070 Ainsi, dans cet article, vous en apprendrez plus sur la normalisation au centre, mais vous pourrez également trouver de nombreux autres 11:07.070 --> 11:11.510 trucs et astuces et vous constituerez une bonne source de lecture supplémentaire au cours 11:11.510 --> 11:12.470 de ce cours. 11:12.590 --> 11:15.800 Alors, allez voir si vous êtes intéressé par des lectures supplémentaires. 11:16.290 --> 11:16.940 Nous y voilà. 11:16.940 --> 11:20.210 Donc, c'est ce que nous faisons pour les verbaux. 11:20.390 --> 11:23.140 Et comme ici, nous avons la valeur de sortie. 11:23.180 --> 11:24.960 Alors, quelle peut être notre valeur de sortie? 11:25.130 --> 11:26.280 Eh bien, nous avons deux options. 11:26.300 --> 11:32.110 La valeur de sortie peut être soit continue, comme par exemple price, elle 11:32.110 --> 11:39.260 peut être binaire, par exemple une personne va quitter ou rester ou rester catégorique verbale et physique. 11:39.260 --> 11:44.060 La chose importante à retenir ici est que dans ce cas, votre 11:44.060 --> 11:50.390 valeur de sortie ne sera pas une seule, il s'agira de plusieurs valeurs de sortie car il s'agira 11:51.360 --> 11:57.400 d'une variable factice qui représentera vos catégories et voici comment cela fonctionne et qui est important rappelez-vous 11:57.410 --> 12:02.640 que dans ce cas, vous allez extraire vos catégories du réseau de neurones artificiels. 12:02.810 --> 12:05.510 Mais revenons à un simple cas de volume de sortie. 12:05.750 --> 12:11.780 Et maintenant, parlons un peu plus ou un peu du point que nous avons déjà préparé. Je voulais simplement 12:11.780 --> 12:15.360 répéter ce point. À gauche, vous avez une seule observation. 12:15.470 --> 12:20.180 Alors demandez-vous si vous voulez dire à partir de votre ensemble de données et à droite vous avez également une 12:20.210 --> 12:21.990 seule direction et c'est la même observation. 12:22.190 --> 12:28.100 Il est donc important de vous rappeler que, quelle que soit l'entrée que vous introduisez, elle correspond à une ligne, la sortie 12:28.100 --> 12:29.960 obtenue correspond à la même ligne. 12:30.080 --> 12:34.420 Ou bien, si vous entraînez votre réseau de neurones, vous saurez que vous enregistrez les entrées pour ce 12:34.420 --> 12:36.440 rouleau et la sortie pour cette rangée. 12:36.440 --> 12:42.440 Donc, si vous voulez simplifier la complexité, considérez cela comme une simple régression ou une régression 12:42.440 --> 12:43.990 linéaire à plusieurs variables. 12:43.990 --> 12:48.150 Donc, vous mettez dans vos valeurs que vous avez la sortie. 12:48.180 --> 12:49.700 Il y a comme il n'y a pas de doute à ce sujet. 12:49.700 --> 12:52.790 Lorsque nous parlons de choses comme la régression parce que nous y sommes habitués. 12:52.790 --> 12:54.980 Même chose ici ce n'est pas trop complexe. 12:54.980 --> 12:56.740 Nous ne faisons que mettre en valeur les résultats que nous obtenons. 12:56.760 --> 13:01.310 Mais souvenez-vous que chaque fois que vous traitez sur une ligne, vous ne vous 13:01.310 --> 13:07.940 trompez pas et commencez à mettre des mots comme si vous pensiez que ce sont des rangées différentes que vous mettez 13:07.940 --> 13:12.710 dans votre réseau de neurones artificiels ou quelque chose qui ne représente que des valeurs 13:12.710 --> 13:18.970 en celle-ci Rowse une observation différente, des caractéristiques ou des attributs différents se rapportant à cette observation à chaque fois. 13:19.160 --> 13:26.090 La prochaine chose dont nous voulons parler ici, c'est que nos sinus sont: Asylum, ici, nous avons des services 13:26.090 --> 13:28.940 et tous se voient attribuer des poids. 13:28.940 --> 13:37.100 Nous allons parler davantage des poids plus bas, mais en bref, les poids sont essentiels au bon fonctionnement 13:37.100 --> 13:44.040 des nerfs en réseaux de neurones artificiels, car les poids déterminent comment les réseaux de 13:44.470 --> 13:50.270 neurones apprennent en ajustant les poids. le signal n'est pas important pour certains 13:50.270 --> 13:51.140 neurones. 13:51.140 --> 13:56.300 Quel single est transmis et quel signal n'est pas transmis ou quelle force dans quelle mesure 13:56.300 --> 13:57.770 les signaux sont transmis. 13:57.770 --> 13:59.320 Les poids sont donc cruciaux. 13:59.330 --> 14:03.590 Ils sont et ce sont les choses qui sont ajustées au cours du processus d'apprentissage. 14:03.590 --> 14:07.760 Par exemple, lorsque vous vous entraînez sous un réseau neuronal artificiel, vous ajustez fondamentalement tous 14:07.760 --> 14:11.050 les poids de tous les sinus de l'ensemble du réseau neuronal. 14:11.250 --> 14:17.910 Et c’est là que la descente en dégradé et la propagation en retour entrent en jeu et ce sont des concepts 14:17.910 --> 14:19.240 dont nous discuterons également. 14:19.670 --> 14:21.410 Donc, en gros, ce sont les poids. 14:21.410 --> 14:22.940 C'est ce que j'ai besoin de savoir pour l'instant. 14:23.150 --> 14:28.420 Et nous avons les neurones donc les signaux vont dans le neurone et ce qui se passe en Europe. 14:28.430 --> 14:30.520 C'est donc la partie intéressante. 14:30.530 --> 14:33.670 Comme si nous parlions du neurone aujourd'hui, ce qui se passe à l'intérieur du neurone. 14:33.890 --> 14:40.100 Il y a donc quelques choses qui arrivent à la première étape et la première étape consiste à additionner toutes les 14:40.190 --> 14:43.730 valeurs qui y sont associées, pour que cela prenne cette addition. 14:43.850 --> 14:51.200 Ainsi, la somme pondérée de toutes les valeurs d’entrée qui devient très simple devient très 14:51.220 --> 14:57.200 simple, il suffit d’ajouter, multipliez-les en l’ajoutant, puis appliquez une fonction d’activation. 14:57.200 --> 15:00.960 Nous allons maintenant parler davantage des fonctions d’activation du bas, 15:00.960 --> 15:09.420 mais c’est une fonction qui est assignée à ce neurone ou à toute cette couche et qui est appliquée à cette manière d’en ajouter. 15:09.570 --> 15:16.890 Et puis à partir de là, la zone euro comprend si elle doit transmettre un signal si vous voulez et 15:16.890 --> 15:22.260 c’est le signal qu’elle transmet à la fonction appliquée à la manière dont certains. 15:22.260 --> 15:26.400 Mais fondamentalement, en fonction de la fonction, le neurone transmettra le signal ou ne 15:26.400 --> 15:27.640 le transmettra pas. 15:27.870 --> 15:30.910 Et c'est exactement ce qui s'est passé ici à la troisième étape. 15:31.430 --> 15:35.670 Les pâtes de neurones sont sur ce signal jusqu'au prochain neurone. 15:36.090 --> 15:39.960 Et c'est ce dont nous allons parler dans le prochain tutoriel car c'est un sujet assez important. 15:39.960 --> 15:46.380 Nous voulons approfondir la fonction d'activation, mais nous espérons que pour le moment tout est clair, 15:46.380 --> 15:51.600 vous devez savoir comment vous connaissez les valeurs d'entrée qui vous pèsent. Vous 15:51.660 --> 15:56.430 avez quelque chose que vous avez dans la conception. Nous avons appliqué 15:56.430 --> 16:00.510 à Sarmad une fonction d’activation, puis transmise le long de 16:00.510 --> 16:06.660 la ligne et répétée dans l’ensemble du réseau de neurones. avoir combien d'inscriptions que vous 16:06.660 --> 16:09.550 avez dans votre réseau de neurones. 16:09.570 --> 16:10.110 Alors on y va. 16:10.110 --> 16:13.270 J'espère que vous avez apprécié le code de tutoriel d'aujourd'hui dans une certaine mesure. 16:13.410 --> 16:15.010 Jusque-là, profitez d'un apprentissage en profondeur.