WEBVTT 00:00.300 --> 00:02.290 Cześć i witamy z powrotem na kursie i głębokiej nauce. 00:02.430 --> 00:07.980 Dzisiaj mówimy o neuronie, który jest podstawowym budulcem sztucznych sieci neuronowych. 00:08.010 --> 00:09.390 Więc zacznijmy. 00:09.390 --> 00:11.340 Wcześniej widzieliśmy obraz, który wyglądał tak. 00:11.340 --> 00:18.300 A to są rzeczywiste neurony życia, które zostały pomazane na połysk i kolor trochę i są 00:18.360 --> 00:19.950 obserwowane przez mikroskop. 00:19.950 --> 00:22.140 Tak wyglądają, jak widać. 00:22.140 --> 00:30.250 Całkiem interesująca struktura ciała, a następnie wiele różnych rodzajów ogonów, z których wyrastają gałęzie. 00:30.330 --> 00:32.350 I to jest bardzo interesujące. 00:32.370 --> 00:38.400 Ale pytanie brzmi: jak możemy to odtworzyć w maszynie, ponieważ naprawdę musimy 00:38.400 --> 00:47.610 ją odtworzyć i maszynę, ponieważ celem głębokiego uczenia się jest naśladowanie sposobu działania ludzkiego mózgu w nadziei, że 00:47.820 --> 00:51.000 w ten sposób stworzymy coś niesamowity. 00:51.000 --> 00:55.200 Stworzymy niesamowitą infrastrukturę dla maszyn, aby móc się uczyć. 00:55.230 --> 00:56.800 I dlaczego mamy na to nadzieję. 00:56.820 --> 01:03.480 Cóż, ponieważ ludzki mózg jest po prostu jednym z najpotężniejszych narzędzi do uczenia się na świecie 01:03.880 --> 01:07.300 lub podobnych mechanizmów uczenia się na planecie. 01:07.320 --> 01:11.310 Mamy nadzieję, że jeśli odtworzymy to, będziemy mieli coś tak niesamowitego. 01:11.310 --> 01:17.670 Tak więc naszym wyzwaniem w tej chwili naszym pierwszym krokiem do stworzenia sztucznych sieci neuronowych jest odtworzenie 01:17.700 --> 01:18.380 neuronu. 01:18.390 --> 01:19.090 Więc jak to zrobimy. 01:19.110 --> 01:23.840 Przede wszystkim rzućmy okiem na to, co to jest. 01:23.880 --> 01:33.180 Ten obraz został po raz pierwszy stworzony przez hiszpańskiego neurologa i Chagga Ramon Yi Kajal w 1899 roku. 01:33.180 --> 01:37.780 I to, co zrobił, to zmarł w neuronach w rzeczywistej tkance mózgowej. 01:37.780 --> 01:39.850 I spójrz na nie pod mikroskopem. 01:39.900 --> 01:43.530 I kiedy na nich patrzył, przyciągnął to, co zobaczył i to właśnie zobaczył. 01:43.530 --> 01:49.560 Dostrzegł to w twoich rękach lub w dwóch dużych neuronach na górze, z których 01:49.560 --> 01:57.930 wszystkie gałęzie zsunęły się w ich górne partie, a następnie każdy z nich miał ten Araud lub podobną nitkę wychodzącą na 01:57.930 --> 01:59.410 dno bardzo długie. 01:59.520 --> 02:01.510 I to właśnie zobaczył. 02:01.660 --> 02:07.800 A teraz wiesz, że technologia znacznie się rozwinęła i widzieliśmy neurony znacznie bliżej w szczegółach, 02:07.800 --> 02:11.890 a teraz możemy rzeczywiście narysować to, co wygląda schematycznie. 02:11.910 --> 02:13.220 Więc spójrzmy na to. 02:13.440 --> 02:14.190 Oto neuron. 02:14.190 --> 02:21.810 To właśnie wygląda bardzo podobnie do tego, co Santiago wokół jednego przyciągało tu i tu, iw tym roku, a to, co 02:21.810 --> 02:24.310 widzimy, to to, że ma ciało. 02:24.570 --> 02:29.100 To główna część neuronu, a następnie ma kilka odgałęzień na górze, które nazywa się 02:29.160 --> 02:33.200 dendrytami i ma również X, na którym jest ten długi ogon euro. 02:33.300 --> 02:38.030 A więc czym są te dendryty i kiedy obcy był toporem na dobre. 02:38.130 --> 02:44.040 Kluczową kwestią do zrozumienia tutaj jest to, że same neurony są prawie bezużyteczne. 02:44.040 --> 02:45.570 To jest jak mrówka. 02:45.600 --> 02:46.140 Dobrze. 02:46.170 --> 02:49.640 I na własną rękę może zrobić moje psychiczne pięć reklam razem. 02:49.830 --> 02:51.170 Może coś podniosą. 02:51.190 --> 02:55.830 Ale znowu nie potrafią zbudować mrowiska, czy też nazywają je kolonią, która 02:56.430 --> 02:59.340 nie może działać razem jako ogromny organizm. 02:59.370 --> 03:03.510 Ale w tym samym czasie, gdy masz mnóstwo reklam, jak na milion, a oni 03:03.510 --> 03:05.680 mogą zbudować całą kolonię, mogą zbudować mrowisko. 03:05.680 --> 03:06.600 To samo dotyczy neuronów. 03:06.600 --> 03:12.320 Sama w sobie nie jest tak silna, ale kiedy masz dużo neuronów razem, pracują razem, by zrobić magię. 03:12.510 --> 03:13.820 I jak działają razem. 03:13.820 --> 03:14.430 Oto jest pytanie. 03:14.440 --> 03:19.140 Otóż to właśnie dendrytowie i Aksenov dla tak dendrytów są jak odbiorcy sygnału 03:19.140 --> 03:22.980 dla neuronu, a akson jest przekaźnikiem sygnału dla neuronu. 03:23.220 --> 03:26.520 A oto obraz tego, jak to wszystko działa koncepcyjnie. 03:26.520 --> 03:32.550 Tak więc na samym szczycie masz własne i możesz zobaczyć, że to dendryty są połączone z aksonami 03:32.550 --> 03:35.990 innych neuronów, które są jak jeszcze dalej od niego. 03:36.000 --> 03:42.930 A potem sygnał z twojego własnego podróżuje w dół jego aksonu i łączy się lub przechodzi do dendrytów następnego neuronu 03:42.930 --> 03:44.960 i tak one są połączone. 03:45.030 --> 03:53.040 I na tym małym obrazku widać, że akson nie dotyka w rzeczywistości partii dendrytów. 03:53.310 --> 03:59.130 Wielu uczących się na maszynie lub kilku naukowców uczących się na maszynie jest bardzo nieugiętych w 03:59.130 --> 04:03.650 tym, że nie dotyka go tak, jak pokoju, którego nie dotyka. 04:03.660 --> 04:06.890 Udowodniono, że nie ma tam fizycznego połączenia. 04:06.960 --> 04:14.010 Ale interesuje nas to, że to połączenie między nimi przekazuje całą koncepcję przekazywanego sygnału, 04:14.010 --> 04:19.590 przypominającego zapisy, które można zobaczyć tam, w tym małym obrazie, którego 04:20.300 --> 04:22.210 ramka jest znakiem. 04:22.230 --> 04:23.820 I to jest ten trend, który będziemy robić. 04:23.820 --> 04:29.820 Zamiast więc nazywać nasze sztuczne neurony liniami, które będziemy mieli lub złączami dla sztucznych neuronów, będziemy teraz 04:29.820 --> 04:34.200 nazywać je aksonami lub dendrytami, ponieważ wtedy pytanie brzmi: czyje połączenie polega 04:34.200 --> 04:36.880 na tym, że neurony są neuronami. 04:36.990 --> 04:39.340 Po prostu nazywamy to dobrem, które dobrze jest nazywać znakami komórek. 04:39.510 --> 04:42.680 I to jest odpowiednia odpowiedź na wszystkie pytania w. 04:42.690 --> 04:47.610 W zasadzie to, gdzie przekazywany jest sygnał, nie ma znaczenia, do kogo należy ten element. 04:47.610 --> 04:51.550 Są tylko reprezentacją przepustki sygnałowej i zobaczymy to właśnie teraz. 04:51.960 --> 04:55.210 Więc w zasadzie tak działa neuron. 04:55.210 --> 05:03.620 I tak, więc przejdźmy do tego, w jaki sposób zamierzamy reprezentować neuron, tworzyć neurony w maszynach, 05:03.620 --> 05:09.380 czy odchodzimy teraz, odchodzimy od neuronauki i przechodzimy do technologii. 05:09.460 --> 05:10.260 I oto idziemy. 05:10.360 --> 05:17.260 Tak więc nasz neuron czasem nazywany jest węzłem, a twój własny otrzymuje sygnały wejściowe i ma 05:17.260 --> 05:18.400 sygnał wyjściowy. 05:18.400 --> 05:21.040 Tak więc pamiętajcie o dendrytach i aksonach. 05:21.040 --> 05:27.490 Ale znowu nazwiemy te zapisy, a następnie te sygnały wejściowe, które zamierzamy przedstawić 05:27.490 --> 05:29.050 także innym neuronom. 05:29.080 --> 05:35.500 W tym konkretnym przypadku widać, że ten neuron jest zielony, na którym się znajdujesz, otrzymuje sygnały z żółtych 05:35.500 --> 05:35.860 neuronów. 05:35.860 --> 05:41.800 I w tym kursie będziemy próbować trzymać się pewnego schematu kodowania kolorów, gdzie żółty oznacza warstwę 05:41.830 --> 05:42.540 wejściową. 05:42.540 --> 05:50.700 Więc w zasadzie wszystkie neurony, które są na zewnętrznej warstwie na pierwszym przodzie gdzie są sygnały wchodzące 05:50.710 --> 05:52.300 i przez sygnał. 05:52.300 --> 05:59.200 Może to być trochę przesadą, by nazwać to sygnałem, że to tylko wartości wejściowe. 05:59.330 --> 06:04.720 Więc wiesz, jak w prostym regresie liniowym masz wartości wejściowe, a następnie masz przewidywaną wartość. To 06:04.720 --> 06:05.620 samo tutaj. 06:05.620 --> 06:10.720 Więc masz wartości wejściowe i tam są żółte, a następnie po prawej stronie zobaczysz, że teraz będzie 06:10.720 --> 06:11.250 czerwony. 06:11.260 --> 06:12.820 Będzie to wartość wyjściowa. 06:13.600 --> 06:17.140 Inną rzeczą, o której chciałbym tutaj wspomnieć, jest to, że w 06:17.140 --> 06:21.320 tym konkretnym przykładzie patrzymy na neuron, który otrzymuje sygnały z neuronów warstwy wejściowej. 06:21.320 --> 06:24.220 Są też neurony, ale ich wkład to ich neurony. 06:24.530 --> 06:31.450 Czasami będziesz miał neurony, które otrzymają sygnał od innych neuronów ukrytej warstwy, więc od innych zielonych 06:31.450 --> 06:35.860 neuronów i koncepcja będzie dokładnie taka sama. Właśnie w tym 06:35.860 --> 06:42.820 przypadku używamy dla uproszczenia, że przedstawiamy ten przykład i pod względem Warstwa wejściowa, o której można 06:42.970 --> 06:49.900 pomyśleć, znajduje się w analogii ludzkiego mózgu, a warstwa wejściowa to twoje zmysły, więc wszystko, co 06:49.900 --> 06:52.290 widzisz, czuje dotyk lub węch. 06:52.510 --> 06:57.530 I oczywiście jest tak, że jest wiele rzeczy, które możesz zobaczyć, kiedy nadchodzi wiele informacji. 06:57.730 --> 07:02.860 Ale to twoje są To, do czego ogranicza twój mózg, jest prawie życiem. 07:03.010 --> 07:09.160 Izrael mieszka w pudełku zbudowanym z kości i tylko to jest to myśląca koncepcja, aby myśleć, 07:09.160 --> 07:15.430 że twój mózg jest po prostu zamknięty w czarnym pudełku i jedyne, co może zobaczyć, może usłyszeć. 07:15.430 --> 07:20.710 Jedyne, co robi, to impulsy elektryczne pochodzące z tych narządów, które 07:20.710 --> 07:28.210 powinniśmy nazywać oczyma twoimi uszami, znacie swój zmysł dotyku i jesteśmy czymkolwiek, ty i wasz i wasz gust. 07:28.210 --> 07:34.150 Tak więc po prostu otrzymujesz sygnały, ale w zasadzie żyjesz w tym czarnym, 07:34.150 --> 07:38.460 czarnym pudełku, a dzięki zmysłom rozumiesz świat fenomenalnie. 07:38.500 --> 07:38.930 I tak, tak. 07:38.950 --> 07:43.030 Więc masz te dane wejściowe, które pojawiają się w kategoriach ludzkiego mózgu. 07:43.030 --> 07:49.540 To są twoje pięć zmysłów, a jeśli chodzi o uczenie maszynowe lub głębokie uczenie się, to w zasadzie twoje 07:49.900 --> 07:55.500 wartości wejściowe są twoimi niezależnymi zmiennymi, a my dostaniemy to w ciągu sekundy, więc twoje wartości wejściowe, 07:56.400 --> 08:01.450 że sygnał jest przekazywany przez zatoki neuronowi, a następnie twojemu own ma wartość wyjściową, która 08:01.510 --> 08:03.200 przechodzi dalej w łańcuchu. 08:03.550 --> 08:07.990 W tym konkretnym przypadku, jeśli chodzi o kodowanie kolorów, kolor żółty oznacza warstwę wejściową, więc 08:07.990 --> 08:11.830 trochę upraszczamy wszystko, mówimy, że będziemy tylko mieć warstwę wejściową, a następnie będziemy 08:11.830 --> 08:16.510 mieć jedną ukrytą warstwę z zielonym który jest terenem w głębi lądu, wtedy będziemy mieli tam 08:16.510 --> 08:17.140 produkcję natychmiast. 08:17.530 --> 08:21.370 Tak więc, abyśmy mogli teraz przywyknąć do tych wezwań. 08:21.580 --> 08:24.030 Więc idziemy, to jest podstawowa struktura. 08:24.030 --> 08:28.390 A teraz spójrzmy nieco bardziej szczegółowo na te różne elementy, które mamy. 08:28.390 --> 08:31.090 Mamy więc warstwę wejściową i co tu mamy. 08:31.090 --> 08:37.090 Cóż, mamy te dane wejściowe, które w rzeczywistości są zmienną niezależną, więc zależą od zmiennej jeden i od zmiennej bitowej 08:37.090 --> 08:38.170 do zmiennej niezależnej. 08:38.170 --> 08:44.230 I ważną rzeczą, o której należy pamiętać, jest to, że te niezależne zmienne są dla jednej 08:44.230 --> 08:44.740 obserwacji. 08:44.740 --> 08:47.620 Pomyśl o tym jako o jednym wierszu w twojej bazie danych. 08:47.620 --> 08:54.790 Jedna obserwacja, że bierzesz wszystkie niezależne zmienne, które znasz, może to wiek osoby, która jest kwotą pieniędzy 08:54.820 --> 09:01.270 na koncie bankowym, a następnie, w jaki sposób kierują lub chodzą do pracy, z której 09:01.270 --> 09:03.070 metody ochrony szamponu korzystają. 09:03.080 --> 09:08.800 Tak więc, ale to są deskryptory jednej konkretnej osoby, w której albo 09:09.130 --> 09:12.510 trenujesz swój model, albo wykonujesz jakieś prognozy. 09:12.610 --> 09:16.900 Inną rzeczą, którą powinieneś wiedzieć o tych zmiennych, jest to, że 09:16.900 --> 09:21.310 musisz je ujednolicić, więc musisz je albo ujednolicić, co oznacza, że mają 09:21.340 --> 09:29.470 średnią zero i wariancję jeden, albo możesz czasem, a na uwrociu wskaże te ślady są nieco bardziej szczegółowe, być może w praktyce, 09:29.480 --> 09:34.090 możesz natknąć się na te, czasem możesz chcieć wiedzieć, że normalizacja może je 09:34.090 --> 09:34.800 znormalizować. 09:34.990 --> 09:41.050 Oznacza to, że zamiast upewniać się, że średnia i bardzo MUser i wariancja są jednymi, wystarczy, że 09:41.050 --> 09:46.130 odejmiesz minimalną wartość, a następnie podzielisz przez maksimum minus minima przez zakres wartości i 09:46.150 --> 09:49.350 cztery otrzymasz wartości pomiędzy 0 a 1 . 09:49.510 --> 09:53.580 I to zależy od tego scenariusza, w którym możesz chcieć zrobić jedno lub drugie. 09:53.590 --> 10:00.700 Ale zasadniczo chcesz, aby wszystkie te zmienne były dość podobne w tym samym zakresie wartości i 10:00.760 --> 10:01.680 dlaczego. 10:01.700 --> 10:02.150 Dlaczego. 10:02.150 --> 10:06.890 Cóż, wszystkie te wartości trafią do sieci neuronowej, gdzie, jak zobaczymy, teraz zostaną zsumowane 10:06.890 --> 10:12.980 i pomnożone przez wagi, które są sumowane i tak dalej, i po prostu będzie łatwiej dla neuronowych 10:12.980 --> 10:16.990 sieć, aby je przetworzyć, jeśli wszystkie są prawie takie same. 10:17.210 --> 10:23.790 I w rzeczywistości wiesz, że właśnie tak to będzie w stanie działać poprawnie. 10:24.260 --> 10:29.210 A jeśli chcesz przeczytać więcej na temat normalizacji normalizacji i innych rzeczy, 10:29.210 --> 10:36.440 które możesz zrobić, jeśli wiesz, jakie zmienne, dobry dodatkowy papier do czytania nazywa się skutecznym powrotem prob przez 10:37.070 --> 10:39.630 młode linki Licken 1998 tam. 10:39.650 --> 10:47.570 Tak więc będziemy mówić więcej o tej fenomenalnej osobie w przestrzeni głębokiego uczenia się w części kursu, o 10:47.680 --> 10:49.040 której mówimy. 10:49.040 --> 10:53.930 Konwolucyjne sieci neuronowe i zobaczysz, że to zdecydowanie osoba, która wie, 10:53.930 --> 10:55.280 o czym mówi. 10:55.280 --> 11:00.840 Jest bliskim przyjacielem Jeffreya Hintona, którego widzieliśmy już bardzo słabo. 11:00.860 --> 11:07.070 W tym artykule dowiesz się więcej na temat centralizacji normalizacji, ale możesz także skorzystać z wielu 11:07.070 --> 11:11.510 innych wskazówek i sztuczek, a będziesz dobrym źródłem dodatkowego czytania podczas 11:11.510 --> 11:12.470 tego kursu. 11:12.590 --> 11:15.800 Więc sprawdź to, jeśli interesuje Cię dodatkowe czytanie. 11:16.290 --> 11:16.940 No to jedziemy. 11:16.940 --> 11:20.210 Tak właśnie robimy dla czasowników. 11:20.390 --> 11:23.140 I tak jak tutaj mamy wartość wyjściową. 11:23.180 --> 11:24.960 Więc jaka może być nasza wartość wyjściowa. 11:25.130 --> 11:26.280 Mamy kilka opcji. 11:26.300 --> 11:32.110 Wartość wyjściowa może być ciągła Tak jak na przykład cena może być binarna, 11:32.110 --> 11:39.260 na przykład osoba opuści lub pozostanie lub może być kategoryczna słowna i fizyczna wriggler kategorial słowne. 11:39.260 --> 11:44.060 Ważną rzeczą do zapamiętania jest to, że w tym przypadku 11:44.060 --> 11:50.390 twoja wartość wyjściowa nie będzie tylko jedną, będzie to kilka wartości wyjściowych, ponieważ będą to 11:51.360 --> 11:57.400 fałszywe zmienne, które będą reprezentować twoje kategorie i właśnie takie to działa i tylko 11:57.410 --> 12:02.640 ważne pamiętajmy, że w takim przypadku otrzymasz kategorie ze sztucznej sieci neuronowej. 12:02.810 --> 12:05.510 Ale wróćmy do prostego przypadku z jednym wyjściem. 12:05.750 --> 12:11.780 A teraz, jeszcze jeden punkt, lub coś w rodzaju punktu, który przygotowaliśmy. Chciałem tylko 12:11.780 --> 12:15.360 powtórzyć ten punkt po lewej, masz jedną obserwację. 12:15.470 --> 12:20.180 Zastanawiam się więc, czy masz na myśli zestaw danych, a po prawej masz również jeden kierunek 12:20.210 --> 12:21.990 i to ta sama obserwacja. 12:22.190 --> 12:28.100 Tak ważne jest, aby pamiętać, że jak wszystkie wejścia wkładasz w to dla jednego rzędu, a następnie otrzymasz wynik, który 12:28.100 --> 12:29.960 jest dla tego samego dokładnego rzędu. 12:30.080 --> 12:34.420 Lub jeśli trenujesz swoją sieć neuronową, wiesz, że wkładasz dane wejściowe do tego jednego rzutu, do którego 12:34.420 --> 12:36.440 wkładasz dane wyjściowe dla tego jednego rzędu. 12:36.440 --> 12:42.440 Tak więc, jeśli chcesz uprościć złożoność, pomyśl o prostocie regresji lub wielowymiarowej 12:42.440 --> 12:43.990 liniowej regresji. 12:43.990 --> 12:48.150 Więc wprowadzasz swoje wartości, masz wyjście. 12:48.180 --> 12:49.700 Jest coś takiego, o czym nie ma mowy. 12:49.700 --> 12:52.790 Kiedy mówimy o takich rzeczach jak regresja, ponieważ jesteśmy do tego przyzwyczajeni. 12:52.790 --> 12:54.980 To samo nie jest zbyt skomplikowane. 12:54.980 --> 12:56.740 Po prostu wprowadzamy wartości, które osiągamy. 12:56.760 --> 13:01.310 Ale pamiętaj, że za każdym razem, gdy masz do czynienia z jednym 13:01.310 --> 13:07.940 wierszem, nie musisz się mylić i zacząć się zastanawiać, że są to różne wiersze, które wkładasz do swojej 13:07.940 --> 13:12.710 sztucznej sieci neuronowej, lub coś, co to wszystko jest tylko wartościami w tym 13:12.710 --> 13:18.970 jednym Rowse różne obserwacje różne cechy lub atrybuty odnoszące się do tej jednej obserwacji za każdym razem. 13:19.160 --> 13:26.090 OK, więc następną rzeczą, o której chcielibyśmy tutaj porozmawiać, są nasze zatoki, azyl, tutaj mamy usługi 13:26.090 --> 13:28.940 i wszyscy oni otrzymują przypisane wagi. 13:28.940 --> 13:37.100 Będziemy mówić więcej o wagach dalej, ale w krótkich wagach kluczowe znaczenie dla funkcjonowania sztucznych nerwów sieci neuronowych, ponieważ wagi 13:37.100 --> 13:44.040 są tym, w jaki sposób sieci neuronowe uczą się poprzez dostosowanie wagi, sieć neuronowa decyduje w każdym 13:44.470 --> 13:50.270 pojedynczym przypadku, jaki pojedynczy sygnał jest słaby, a jaki sygnał nie jest ważny dla 13:50.270 --> 13:51.140 niektórych neuronów. 13:51.140 --> 13:56.300 Jakiego pojedynczego przekazu przekazuje się i jaki sygnał nie jest przekazywany, ani jakiej siły w jakim 13:56.300 --> 13:57.770 stopniu przekazywane są sygnały. 13:57.770 --> 13:59.320 Zatem wagi są kluczowe. 13:59.330 --> 14:03.590 Są i są to rzeczy, które dostosowuje się przez proces uczenia się. 14:03.590 --> 14:07.760 Podobnie jak wtedy, gdy uczysz się w sztucznej sieci neuronowej, zasadniczo dostosowujesz wszystkie 14:07.760 --> 14:11.050 wagi we wszystkich zatokach w całej tej sieci neuronowej. 14:11.250 --> 14:17.910 I tu pojawia się pochodzenie gradientowe i propagacja wsteczna, a te są koncepcjami, o których 14:17.910 --> 14:19.240 będziemy dyskutować. 14:19.670 --> 14:21.410 Więc w zasadzie są to wagi. 14:21.410 --> 14:22.940 Właśnie to muszę wiedzieć na teraz. 14:23.150 --> 14:28.420 I mamy neurony, więc sygnały idą do neuronu i co dzieje się w Europie. 14:28.430 --> 14:30.520 To jest interesująca część. 14:30.530 --> 14:33.670 Tak jak dzisiaj mówimy o neuronie, co dzieje się wewnątrz neuronu. 14:33.890 --> 14:40.100 Tak więc kilka rzeczy dzieje się w pierwszej kolejności, a pierwszy krok polega na tym, że wszystkie 14:40.190 --> 14:43.730 te wartości, które otrzymują, są sumowane, więc są dodawane. 14:43.850 --> 14:51.200 Tak więc ważona suma wszystkich wartości wejściowych, które stają się bardzo proste, jest bardzo prosta, 14:51.220 --> 14:57.200 po prostu dodawaj mnożenie, dodając je, a następnie stosuje funkcję aktywacji. 14:57.200 --> 15:00.960 Teraz omówimy więcej o funkcjach aktywacji w dół, ale 15:00.960 --> 15:09.420 to w zasadzie funkcja przypisana do tego neuronu lub do całej tej warstwy i jest stosowana w ten sposób, aby dodać niektóre. 15:09.570 --> 15:16.890 A następnie strefa euro rozumie, czy musi przekazać sygnał, jeśli chcesz i to jest sygnał, 15:16.890 --> 15:22.260 że przekazuje on, że funkcja stosowana do sposobu, w jaki niektórzy. 15:22.260 --> 15:26.400 Ale zasadniczo w zależności od funkcji neuron albo przekaże sygnał, albo 15:26.400 --> 15:27.640 nie przekaże sygnału. 15:27.870 --> 15:30.910 I dokładnie tak się stało w trzecim kroku. 15:31.430 --> 15:35.670 Makaron neuronowy znajduje się w tym sygnale do następnego neuronu w linii. 15:36.090 --> 15:39.960 O tym właśnie będziemy rozmawiać w następnym samouczku, ponieważ jest to dość ważny temat. 15:39.960 --> 15:46.380 Chcemy głębiej zagłębić się w funkcję aktywacji, ale mam nadzieję, że na razie wszystko powinno być całkiem jasne, skąd znasz 15:46.380 --> 15:51.600 wartości wejściowe, które masz wagi, masz domy projektowe, w których masz coś, co wiesz, dzieje się 15:51.660 --> 15:56.430 w neuronie " dostałem sposób, w jaki Sarmad zastosował funkcję aktywacji, a następnie jest przekazywany 15:56.430 --> 16:00.510 w dół i to jest powtarzane w całej sieci neuronowej w kółko 16:00.510 --> 16:06.660 i dalej, i na ty znasz tysiące setek tysięcy razy w zależności od tego jak duża jest liczba neuronów 16:06.660 --> 16:09.550 mieć ile rejestracji masz w swojej sieci neuronowej. 16:09.570 --> 16:10.110 Więc idziemy. 16:10.110 --> 16:13.270 Mam nadzieję, że podoba Ci się dzisiejszy samouczek. 16:13.410 --> 16:15.010 Do tego czasu ciesz się głęboką nauką.