WEBVTT

00:00.300 --> 00:02.290
Ciao e bentornati al corso e all'apprendimento profondo.

00:02.430 --> 00:07.980
Oggi parliamo del neurone che è l'elemento base delle reti neurali artificiali.

00:08.010 --> 00:09.390
Quindi iniziamo.

00:09.390 --> 00:11.340
In precedenza abbiamo visto un'immagine simile a questa.

00:11.340 --> 00:18.300
E questi sono veri neuroni della vita reale che sono stati spalmati su una lucentezza e un po 'di colore

00:18.360 --> 00:19.950
e sono osservati al microscopio.

00:19.950 --> 00:22.140
Quindi questo è quello che sembrano come puoi vedere.

00:22.140 --> 00:29.730
una struttura interessante un corpo e poi un sacco di code diverse tipo di rami che escono da loro.

00:29.730 --> 00:30.250
Abbastanza

00:30.330 --> 00:32.350
E questo è molto interessante.

00:32.370 --> 00:38.400
Ma la domanda è come possiamo ricrearlo in una macchina perché abbiamo davvero

00:38.400 --> 00:47.610
bisogno di ricrearlo e fare una macchina perché l'intero scopo dell'apprendimento profondo è imitare come funziona il cervello umano nella

00:47.820 --> 00:51.000
speranza che così facendo creeremo qualcosa Stupefacente.

00:51.000 --> 00:55.200
Creeremo un'infrastruttura incredibile per le macchine che saranno in grado di apprendere.

00:55.230 --> 00:56.800
E perché speriamo in questo.

00:56.820 --> 01:03.480
'uno dei più potenti strumenti di apprendimento sul pianeta o come meccanismi di apprendimento sul pianeta.

01:03.880 --> 01:07.300
Beh, perché il cervello umano è un po

01:07.320 --> 01:11.310
E speriamo solo che se ricreeremo che avremo qualcosa di così meraviglioso.

01:11.310 --> 01:17.670
Quindi la nostra sfida in questo momento il nostro primo passo verso la creazione di reti neurali artificiali è ricreare

01:17.700 --> 01:18.380
un neurone.

01:18.390 --> 01:19.090
Quindi come lo facciamo.

01:19.110 --> 01:23.840
Beh, prima di tutto diamo un'occhiata più da vicino a cosa sia in realtà.

01:23.880 --> 01:33.180
Questa immagine fu creata per la prima volta da un neuroscienziato spagnolo e Chagga Ramon Yi Kajal nel 1899.

01:33.180 --> 01:37.780
E quello che ha fatto è che è morto nei neuroni nel tessuto cerebrale reale.

01:37.780 --> 01:39.850
E guardali al microscopio.

01:39.900 --> 01:43.530
E mentre li guardava, in realtà disegnava ciò che vedeva e questo è ciò che vedeva.

01:43.530 --> 01:49.560
Lo vide sulle tue mani o su due grandi neuroni laggiù in cima che avevano tutti questi

01:49.560 --> 01:57.930
rami che venivano fuori da loro verso le loro parti superiori e poi ognuno aveva questo filo di Araud o simile che usciva verso

01:57.930 --> 01:59.410
il fondo molto lungo.

01:59.520 --> 02:01.510
E così è quello che ha visto.

02:01.660 --> 02:07.800
E ora sai che la tecnologia è avanzata parecchio e abbiamo visto i neuroni molto più vicino in

02:07.800 --> 02:11.890
modo più dettagliato e ora possiamo effettivamente disegnare ciò che sembra schematico.

02:11.910 --> 02:13.220
Quindi diamo un'occhiata a questo.

02:13.440 --> 02:14.190
Ecco un neurone.

02:14.190 --> 02:21.810
Questo è quello che sembra molto simile a quello che Santiago ha disegnato qui intorno e qui e quest'anno e quello che

02:21.810 --> 02:24.310
possiamo vedere è che ha un corpo.

02:24.570 --> 02:29.100
Questa è la parte principale del neurone e poi ha alcuni rami nella parte superiore che si

02:29.160 --> 02:33.200
chiama dendriti e ha anche una X su cui si trova quella lunga coda dell'euro.

02:33.300 --> 02:38.030
E quindi cosa sono questi dendriti e quando estraneo era l'axen per bene.

02:38.130 --> 02:44.040
Il punto chiave per capire qui è che i neuroni da soli sono praticamente inutili.

02:44.040 --> 02:45.570
È come se fosse una formica.

02:45.600 --> 02:46.140
Destra.

02:46.170 --> 02:49.640
E da solo può fare i miei cinque annunci psicologici insieme.

02:49.830 --> 02:51.170
Forse possono prendere qualcosa.

02:51.190 --> 02:55.830
Ma di nuovo loro non possono costruire un formicaio o li chiamano stabilire una colonia

02:56.430 --> 02:59.340
che non può lavorare insieme come un enorme organismo.

02:59.370 --> 03:03.510
Ma allo stesso tempo quando hai un sacco di pubblicità come quelle che hai in un milione e

03:03.510 --> 03:05.680
loro possono costruire un'intera colonia, possono costruire un formicaio.

03:05.680 --> 03:06.600
La stessa cosa con i neuroni.

03:06.600 --> 03:12.320
Di per sé non è così forte, ma quando hai molti neuroni insieme lavorano insieme per fare magie.

03:12.510 --> 03:13.820
E come lavorano insieme.

03:13.820 --> 03:14.430
Questa è la domanda.

03:14.440 --> 03:19.140
Bene, questo è ciò che i dendriti e Aksenov per così i dendriti sono un po 'come i ricevitori

03:19.140 --> 03:22.980
del segnale per il neurone e l'assone è il trasmettitore del segnale per il neurone.

03:23.220 --> 03:26.520
Ed ecco un'immagine di come tutto funziona concettualmente.

03:26.520 --> 03:32.550
vedere che i dendriti sono collegati ad assoni di altri neuroni che sono ancora più distanti.

03:32.550 --> 03:35.990
Quindi in cima ci sei da solo e puoi

03:36.000 --> 03:42.930
E poi il segnale del tuo viaggia giù per il suo assone e si connette o passa ai dendriti del neurone successivo e questo

03:42.930 --> 03:44.960
è il modo in cui sono collegati.

03:45.030 --> 03:53.040
E in quella piccola immagine laggiù puoi vedere che l'assone non tocca realmente il lotto di dendriti.

03:53.310 --> 03:59.130
Un sacco di apprendimento automatico o come pochi scienziati di apprendimento automatico sono molto fermi

03:59.130 --> 04:03.650
sul fatto che non lo tocchi come la stanza che non tocca.

04:03.660 --> 04:06.890
È stato dimostrato che non vi è alcuna connessione fisica lì.

04:06.960 --> 04:14.010
che richiama le iscrizioni si può vedere là in quella piccola immagine che la parentesi quadra è un'iscrizione.

04:14.010 --> 04:19.590
Ma il punto che ci interessa è che quella connessione tra loro che l'intero

04:20.300 --> 04:22.210
concetto del segnale sia passato

04:22.230 --> 04:23.820
E questa è la tendenza che faremo.

04:23.820 --> 04:29.820
Quindi, invece di chiamare i nostri neuroni artificiali le linee che avremo o i connettori per i

04:29.820 --> 04:34.200
neuroni artificiali, li chiameremo assoni o dendriti perché allora la domanda è la

04:34.200 --> 04:36.880
cui connessione è questa: i neuroni sono neuroni.

04:36.990 --> 04:39.340
Chiamiamo solo il bene che è buono chiamarli segno di cellule.

04:39.510 --> 04:42.680
E questo è una specie di risposte a tutte le domande in a.

04:42.690 --> 04:47.610
Questo è semplicemente il punto in cui il segnale viene passato non importa a chi appartiene quell'elemento.

04:47.610 --> 04:51.550
Sono solo una rappresentazione del passaggio del segnale e lo vedremo solo ora.

04:51.960 --> 04:55.210
Quindi in pratica è così che funziona un neurone.

04:55.210 --> 05:03.620
E sì, passiamo a come rappresenteremo i neuroni creando neuroni nelle macchine, ci stiamo allontanando ora

05:03.620 --> 05:09.380
ci stiamo allontanando dalle neuroscienze e ci spostiamo verso la tecnologia.

05:09.460 --> 05:10.260
E qui andiamo.

05:10.360 --> 05:17.260
Quindi, ecco il nostro neurone a volte chiamato anche il nodo di quanto il tuo ottiene alcuni segnali di ingresso e ha

05:17.260 --> 05:18.400
un segnale di uscita.

05:18.400 --> 05:21.040
Quindi i dendriti e gli assoni ricordano.

05:21.040 --> 05:27.490
Ma di nuovo chiameremo queste iscrizioni e poi questi segnali di input li presenteremo

05:27.490 --> 05:29.050
anche ad altri neuroni.

05:29.080 --> 05:35.500
Quindi in questo caso specifico puoi vedere che questo neurone è verde e stai ricevendo segnali dai neuroni

05:35.500 --> 05:35.860
gialli.

05:35.860 --> 05:41.800
E in questo corso cercheremo di attenerci a un certo regime di codifica dei colori in cui il giallo indica un

05:41.830 --> 05:42.540
livello di input.

05:42.540 --> 05:50.700
neuroni che si trovano sullo strato esterno sul primo fronte di dove sono i segnali che arrivano e dal segnale.

05:50.710 --> 05:52.300
Quindi fondamentalmente tutti i

05:52.300 --> 05:59.200
Potrebbe essere un po 'eccessivo per chiamare questo un segnale, è solo fondamentalmente valori di input così.

05:59.330 --> 06:04.720
Quindi sai come anche in una semplice regressione lineare hai valori di input e quindi hai un valore previsto La

06:04.720 --> 06:05.620
stessa cosa qui.

06:05.620 --> 06:10.720
Quindi hai valori di input e li sono quelli gialli e poi a destra vedrai che ora

06:10.720 --> 06:11.250
sarà rosso.

06:11.260 --> 06:12.820
Sarà il valore di uscita.

06:13.600 --> 06:17.140
neurone che sta ricevendo i suoi segnali dai neuroni del livello di input.

06:17.140 --> 06:21.320
L'altra cosa che volevo sottolineare qui è che in questo esempio specifico stiamo guardando un

06:21.320 --> 06:24.220
Ci sono anche neuroni ma i loro input sono i loro neuroni.

06:24.530 --> 06:31.450
A volte avrete neuroni che ottengono il loro segnale da altri neuroni di livello nascosto quindi da altri neuroni

06:31.450 --> 06:35.860
verdi e il concetto sarà esattamente lo stesso io solo in questo

06:35.860 --> 06:42.820
caso usiamo per semplicità stiamo raffigurando questo esempio e in termini di il livello di input il modo di

06:42.970 --> 06:49.900
pensarci è nell'analogia del cervello umano, lo strato di input è i tuoi sensi, quindi qualsiasi cosa tu possa

06:49.900 --> 06:52.290
vedere senti tatto o odore.

06:52.510 --> 06:57.220
ovviamente è come se ci sono molte cose che puoi vedere, ci sono molte informazioni in arrivo.

06:57.220 --> 06:57.530
E

06:57.730 --> 07:02.860
Ma quelli sono i tuoi Questo è ciò a cui il tuo cervello è limitato è praticamente una vita.

07:03.010 --> 07:09.160
Israele vive in una scatola fatta di ossa ed è solo che è un concetto strabiliante pensare che

07:09.160 --> 07:15.430
il tuo cervello è solo chiuso in una scatola nera e l'unica cosa che può vedere può sentire.

07:15.430 --> 07:20.710
L'unica cosa che ottiene sono gli impulsi elettrici provenienti da questi organi che dovremmo chiamare le orecchie,

07:20.710 --> 07:28.210
gli occhi al naso, tu sai il tuo senso del tatto e noi siamo qualsiasi cosa e tu e il tuo e il vostro gusto.

07:28.210 --> 07:34.150
Giusto quindi stai ricevendo segnali ma fondamentalmente vive in questa scatola nera scura e sta rendendo

07:34.150 --> 07:38.460
il senso del mondo attraverso i tuoi sensi che è fenomenale.

07:38.500 --> 07:38.930
E quindi sì.

07:38.950 --> 07:43.030
Quindi hai questi input che stanno arrivando in termini di cervello umano.

07:43.030 --> 07:49.540
Quelli sono i tuoi cinque sensi e in termini di apprendimento automatico o di apprendimento profondo che fondamentalmente i tuoi valori di input

07:49.900 --> 07:55.500
sono le tue variabili indipendenti e lo otterremo in un secondo in modo che i tuoi valori di input siano

07:56.400 --> 08:01.450
trasmessi attraverso i seni al neurone e poi il tuo proprio ha un valore di uscita che passa

08:01.510 --> 08:03.200
più in basso lungo la catena.

08:03.550 --> 08:07.990
praticamente tutto qui stiamo dicendo che avremo solo come il livello di input e quindi avremo

08:07.990 --> 08:11.830
un livello nascosto con il green che è l'entroterra allora avremo l'output lì subito.

08:11.830 --> 08:16.510
In questo caso specifico in termini di codifica a colori di nuovo giallo significa livello di input

08:16.510 --> 08:17.140
quindi semplificiamo

08:17.530 --> 08:21.370
Quindi solo per poterci abituare a queste chiamate per ora.

08:21.580 --> 08:24.030
Quindi eccoci qui è la struttura di base.

08:24.030 --> 08:28.390
Quindi ora diamo un'occhiata più in dettaglio a questi diversi elementi che abbiamo.

08:28.390 --> 08:31.090
Quindi abbiamo il livello di input e cosa abbiamo qui.

08:31.090 --> 08:37.090
Bene, abbiamo questi input che sono in effetti variabili indipendenti, quindi dipendiamo dalla variabile 1 e dalla variabile bit

08:37.090 --> 08:38.170
rispetto alla variabile indipendente.

08:38.170 --> 08:44.230
E la cosa importante da ricordare qui è che queste variabili indipendenti sono tutte per un'unica

08:44.230 --> 08:44.740
osservazione.

08:44.740 --> 08:47.620
Quindi pensalo come una sola riga nel tuo database.

08:47.620 --> 08:54.790
Un'osservazione prendi semplicemente tutte le variabili indipendenti che conosci, forse è l'età della persona lì la quantità di

08:54.820 --> 09:01.270
denaro nel conto bancario e poi come fanno a guidare o camminare per lavorare quale metodo

09:01.270 --> 09:03.070
di protezione di Shampoo usano.

09:03.080 --> 09:08.800
Quindi, ma sono tutti i descrittori di una persona specifica a cui stai allenando il

09:09.130 --> 09:12.510
tuo modello o su cui stai facendo delle previsioni.

09:12.610 --> 09:16.900
E l'altra cosa che devi sapere su queste variabili è che devi standardizzarle

09:16.900 --> 09:21.310
in modo che tu debba o standardizzarle, il che significa assicurarsi di avere

09:21.340 --> 09:29.470
una media di zero e una varianza oppure puoi anche a volte e il promemoria indicherà queste tracce in modo un po 'più dettagliato, forse

09:29.480 --> 09:34.090
in termini pratici, potresti incontrarle a volte potresti voler sapere che la standardizzazione potrebbe

09:34.090 --> 09:34.800
voler normalizzarle.

09:34.990 --> 09:41.050
Significa che invece di assicurarsi che la media e molto Muser e la varianza siano quelle che prendi semplicemente sai

09:41.050 --> 09:46.130
di sottrarre il valore minimo e poi dividi per il massimo meno minimo per l'intervallo dei tuoi

09:46.150 --> 09:49.350
valori e i quattro ottieni valori tra 0 e 1 .

09:49.510 --> 09:53.580
E dipende da questo scenario che potresti voler fare l'uno o l'altro.

09:53.590 --> 10:00.700
Ma fondamentalmente vuoi che tutte queste variabili siano abbastanza simili in circa lo stesso intervallo di valori

10:00.760 --> 10:01.680
e perché.

10:01.700 --> 10:02.150
Perché.

10:02.150 --> 10:06.890
Bene, tutti questi valori entreranno in una rete neurale dove come vedremo solo

10:06.890 --> 10:12.980
ora verranno sommati e moltiplicati per i pesi aggiunti e così via e sarà semplicemente più facile

10:12.980 --> 10:16.990
per il neurale rete per elaborarli se sono tutti pressappoco uguali.

10:17.210 --> 10:23.790
E in effetti sai che è così che sarà in grado di funzionare correttamente.

10:24.260 --> 10:29.210
E se volete saperne di più sulla normalizzazione della normalizzazione e su altre

10:29.210 --> 10:36.440
cose che potete fare se sapete quali variabili un buon documento di lettura aggiuntivo è chiamato efficiente back prob

10:37.070 --> 10:39.630
dai giovani collegamenti Licken 1998 laggiù.

10:39.650 --> 10:47.570
Quindi parleremo di più di questa persona fenomenale nello spazio dell'apprendimento profondo nella parte del corso di

10:47.680 --> 10:49.040
cui stiamo parlando.

10:49.040 --> 10:53.930
Reti neurali involutive e vedrai che questa è sicuramente una persona che sa

10:53.930 --> 10:55.280
di cosa sta parlando.

10:55.280 --> 11:00.840
È un amico intimo di Jeffrey Hinton che abbiamo già visto chi è molto debole. sarai una buona fonte per ulteriori letture mentre segui questo corso.

11:00.860 --> 11:07.070
Quindi in questo articolo imparerai di più sui centri di normalizzazione, ma potrai

11:07.070 --> 11:11.510
anche raccogliere molti altri suggerimenti e trucchi diversi e

11:11.510 --> 11:12.470
Quindi sì check it out se sei interessato ad alcune letture aggiuntive.

11:12.590 --> 11:15.800
Eccoci.

11:16.290 --> 11:16.940
Quindi questo è quello che facciamo per i verbali.

11:16.940 --> 11:20.210
E come qui abbiamo il valore di uscita.

11:20.390 --> 11:23.140
Quindi, qual è il nostro valore di output.

11:23.180 --> 11:24.960
Bene, abbiamo un paio di opzioni.

11:25.130 --> 11:26.280
Il valore dell'output può essere può

11:26.300 --> 11:32.110
essere continuo Come per esempio il prezzo può essere binario, per esempio una persona uscirà o resterà o può essere categorica verbale e fisica categorica in modo categorico.

11:32.110 --> 11:39.260
La cosa importante da ricordare qui è che in questo caso il tuo valore di output non sarà solo

11:39.260 --> 11:44.060
uno sarà diversi valori di output perché questi saranno variabili fittizie che rappresenteranno

11:44.060 --> 11:50.390
le tue categorie e questo è solo il modo in cui funziona e solo importante per ricordare

11:51.360 --> 11:57.400
che in quel caso è così che otterrete le vostre categorie fuori dalla rete neurale artificiale.

11:57.410 --> 12:02.640
Ma torniamo a un caso semplice di un volume di output.

12:02.810 --> 12:05.510
punto a sinistra che hai una singola osservazione.

12:05.750 --> 12:11.780
E ora facciamo un altro punto o un po 'come il punto sul ready made, volevo solo reiterare questo

12:11.780 --> 12:15.360
Quindi chiedo se intendi dal tuo set di dati e

12:15.470 --> 12:20.180
sulla destra hai anche un'unica direzione e quella è la stessa osservazione.

12:20.210 --> 12:21.990
È così importante ricordare che, come

12:22.190 --> 12:28.100
qualsiasi input che inserisci, è per una riga e quindi l'output che ottieni è per la stessa riga esatta.

12:28.100 --> 12:29.960
Oppure, se stai allenando la tua rete neurale,

12:30.080 --> 12:34.420
sai che stai inserendo gli input per quel rotolo in cui stai mettendo l'output per quella riga.

12:34.420 --> 12:36.440
o una regressione lineare multivariata.

12:36.440 --> 12:42.440
Quindi, come se volessi semplificare la complessità, consideralo come una cosa semplice come una regressione

12:42.440 --> 12:43.990
Quindi stai inserendo i tuoi valori hai l'output.

12:43.990 --> 12:48.150
C'è c'è come se non ci fosse alcuna domanda al riguardo.

12:48.180 --> 12:49.700
Quando parliamo di cose come la regressione perché ci siamo abituati.

12:49.700 --> 12:52.790
La stessa cosa qui non è niente di troppo complesso.

12:52.790 --> 12:54.980
Stiamo solo mettendo dei valori che stiamo ricevendo.

12:54.980 --> 12:56.740
genere è solo un valore in

12:56.760 --> 13:01.310
quella Rowse una diversa osservazione ha diverse caratteristiche o attributi relativi a quell'unica osservazione ogni volta.

13:01.310 --> 13:07.940
Ma ricordati che ogni volta che hai a che fare con una fila in modo da non farti confondere e iniziare a

13:07.940 --> 13:12.710
pensare che sono diverse file che stai mettendo nella tua rete neurale artificiale o qualcosa del

13:12.710 --> 13:18.970
OK, la prossima cosa di cui vogliamo parlare qui è che i

13:19.160 --> 13:26.090
nostri seni sono Asylum, qui abbiamo i servizi e tutti vengono effettivamente assegnati pesi.

13:26.090 --> 13:28.940
Parleremo di più sui pesi più in

13:28.940 --> 13:37.100
basso ma in breve i pesi sono cruciali per il funzionamento dei nervi artificiali della rete neurale perché i pesi sono

13:37.100 --> 13:44.040
come le reti neurali imparano regolando i pesi la rete neurale decide in ogni singolo caso quale segnale

13:44.470 --> 13:50.270
singolo è scarso e che cosa il segnale non è importante per alcuni neuroni.

13:50.270 --> 13:51.140
Che cosa viene

13:51.140 --> 13:56.300
passato e quale segnale non viene trasmesso o quale forza in quale misura i segnali vengono trasmessi.

13:56.300 --> 13:57.770
Quindi i pesi sono cruciali.

13:57.770 --> 13:59.320
Sono e sono le cose che vengono regolate attraverso il processo di apprendimento.

13:59.330 --> 14:03.590
Come quando quando ti alleni sotto la rete neurale artificiale stai praticamente

14:03.590 --> 14:07.760
aggiustando tutti i pesi in tutti i seni attraverso l'intera rete neurale.

14:07.760 --> 14:11.050
Ed è qui che entrano in gioco la

14:11.250 --> 14:17.910
pendenza del gradiente e la propagazione della schiena, e questi sono concetti di cui parleremo anche.

14:17.910 --> 14:19.240
Quindi sostanzialmente quelli sono i pesi.

14:19.670 --> 14:21.410
Questo è quello che devo sapere per ora.

14:21.410 --> 14:22.940
E abbiamo i neuroni così i segnali entrano nel neurone e cosa succede in Europa.

14:23.150 --> 14:28.420
Quindi questa è la parte interessante.

14:28.430 --> 14:30.520
Come stiamo parlando del neurone oggi, che cosa succede all'interno del neurone.

14:30.530 --> 14:33.670
Quindi, alcune cose accadono per prima cosa e il

14:33.890 --> 14:40.100
primo passo è che tutti questi valori che sta ottenendo vengono sommati in modo tale che ciò venga aggiunto.

14:40.190 --> 14:43.730
modo in cui aggiungerli e quindi applica una funzione di attivazione.

14:43.850 --> 14:51.200
Quindi la somma ponderata di tutti i valori di input che sta diventando molto semplice è molto semplice, basta sommare moltiplicare il

14:51.220 --> 14:57.200
Ora parleremo più delle funzioni di attivazione in giù ma fondamentalmente è una funzione assegnata a questo neurone oa

14:57.200 --> 15:00.960
questo intero livello e viene applicato in questo modo per aggiungerne alcuni.

15:00.960 --> 15:09.420
E poi da quello l'eurozona capisce se ha bisogno di trasmettere un segnale, se ti piace e questo

15:09.570 --> 15:16.890
è il segnale che trasmette che la funzione si applica al modo in cui alcuni.

15:16.890 --> 15:22.260
Ma fondamentalmente, a seconda della funzione, il neurone trasmetterà

15:22.260 --> 15:26.400
il segnale o non trasmetterà il segnale.

15:26.400 --> 15:27.640
E questo è esattamente quello che è successo qui nella fase tre.

15:27.870 --> 15:30.910
La pasta dei neuroni su quel segnale al neurone successivo lungo la linea.

15:31.430 --> 15:35.670
E questo è ciò di cui parleremo nel prossimo tutorial perché è un argomento abbastanza importante.

15:36.090 --> 15:39.960
Vogliamo approfondire la funzione di attivazione, ma speriamo che per ora tutto sia

15:39.960 --> 15:46.380
chiaro dovrebbe essere abbastanza chiaro come si conoscono i valori di input che hai pesi hai case di design hai qualcosa

15:46.380 --> 15:51.600
che sai succede nel neurone che tu " Hai un modo in cui Sarmad ha applicato una

15:51.660 --> 15:56.430
funzione di attivazione e poi quella è passata sopra la linea e che è appena ripetuta

15:56.430 --> 16:00.510
in tutta la rete neurale avanti e avanti e avanti e avanti e sai

16:00.510 --> 16:06.660
migliaia e migliaia di volte a seconda di quanto sono grandi i neuroni avere quante iscrizioni hai nella tua rete neurale.

16:06.660 --> 16:09.550
Quindi eccoci.

16:09.570 --> 16:10.110
Spero vi sia piaciuto il codice tutorial di oggi in misura maggiore.

16:10.110 --> 16:13.270
Fino ad allora godere di un apprendimento profondo.

16:13.410 --> 16:15.010