WEBVTT 00:00.300 --> 00:02.290 Bună ziua și bun venit înapoi la curs și învățare profundă. 00:02.430 --> 00:07.980 Astăzi vorbim despre neuron, care este blocul de bază al rețelelor neuronale artificiale. 00:08.010 --> 00:09.390 Deci sa începem. 00:09.390 --> 00:11.340 Anterior am văzut o imagine care părea așa. 00:11.340 --> 00:18.300 Și aceștia sunt neuroni reali din viața reală care au fost murdăriți pe o luciu și culoare puțin și 00:18.360 --> 00:19.950 sunt observați printr-un microscop. 00:19.950 --> 00:22.140 Asa arata asa cum vedeti. 00:22.140 --> 00:29.730 Destul de o structură interesantă un corp și apoi o mulțime de cozi diferite fel de ramuri care ies din 00:29.730 --> 00:30.250 ele. 00:30.330 --> 00:32.350 Și acest lucru este foarte interesant. 00:32.370 --> 00:38.400 Dar întrebarea este cum putem recrea acest lucru într-o mașină, pentru că într-adevăr trebuie să o 00:38.400 --> 00:47.610 recreăm și să o mașinăm, deoarece întregul scop al învățării profunde este de a imita modul în care creierul uman funcționează în speranța că, 00:47.820 --> 00:51.000 făcând acest lucru, vom crea ceva uimitor. 00:51.000 --> 00:55.200 Vom crea o infrastructură uimitoare pentru ca mașinile să poată învăța. 00:55.230 --> 00:56.800 Și de ce sperăm pentru asta? 00:56.820 --> 01:03.480 Ei bine, deoarece creierul uman este bine doar se întâmplă să fie unul dintre cele mai puternice instrumente educaționale de învățare de 01:03.880 --> 01:07.300 pe planetă sau ca mecanisme de învățare de pe planetă. 01:07.320 --> 01:11.310 Și sperăm că dacă vom recrea că vom avea ceva la fel de minunat ca asta. 01:11.310 --> 01:17.670 Deci, provocarea noastră chiar acum primul nostru pas către crearea rețelelor neurale artificiale este de a recrea un 01:17.700 --> 01:18.380 neuron. 01:18.390 --> 01:19.090 Deci cum o facem noi? 01:19.110 --> 01:23.840 Ei bine, mai întâi de toate, să aruncăm o privire mai atentă la ceea ce este de fapt. 01:23.880 --> 01:33.180 Această imagine a fost creată pentru prima dată de un neurolog și de Chagga Ramon Yi Kajal în 1899. 01:33.180 --> 01:37.780 Și ceea ce a făcut a fost că a murit în neuroni în țesutul cerebral real. 01:37.780 --> 01:39.850 Uită-te la ei sub microscop. 01:39.900 --> 01:43.530 Și în timp ce se uita la ei, el a tras de fapt ceea ce a văzut și acesta a fost ceea ce a văzut. 01:43.530 --> 01:49.560 El a văzut-o în mâinile voastre sau doi neuroni mari de acolo de sus, care aveau toate 01:49.560 --> 01:57.930 aceste ramuri decolorate de ele către părțile lor de sus și apoi fiecare avea acest Araud sau un fir asemănător care ieșea spre partea 01:57.930 --> 01:59.410 inferioară foarte lungă. 01:59.520 --> 02:01.510 Și așa a văzut el. 02:01.660 --> 02:07.800 Și acum știți că tehnologia a avansat destul de mult și am văzut neuronii mult mai aproape în 02:07.800 --> 02:11.890 detaliu și acum putem trage de fapt ceea ce pare schematic. 02:11.910 --> 02:13.220 Să aruncăm o privire la asta. 02:13.440 --> 02:14.190 Iată un neuron. 02:14.190 --> 02:21.810 Așa arată foarte asemănătoare cu ceea ce Santiago în jurul valorii de unul a tras aici și aici și în acest an și ceea ce 02:21.810 --> 02:24.310 putem vedea este că are un corp. 02:24.570 --> 02:29.100 Aceasta este partea principală a neuronului și apoi are niște ramuri în partea de sus numită 02:29.160 --> 02:33.200 dendrite și are și un X pe care este coada lungă a euro. 02:33.300 --> 02:38.030 Și ce sunt acești dendriți și când străinul era axen pentru bine. 02:38.130 --> 02:44.040 Punctul-cheie pentru a înțelege aici este că neuronii înșiși sunt destul de inutili. 02:44.040 --> 02:45.570 E ca și cum ar fi o furnică. 02:45.600 --> 02:46.140 Dreapta. 02:46.170 --> 02:49.640 Și singur poate să-mi facă cinci anunțuri împreună. 02:49.830 --> 02:51.170 Poate că pot alege ceva. 02:51.190 --> 02:55.830 Dar, din nou, ei nu pot construi un mormânt sau îi numesc să înființeze o colonie 02:56.430 --> 02:59.340 care nu poate lucra împreună ca pe un organism uriaș. 02:59.370 --> 03:03.510 Dar, în același timp, când aveți multe și multe anunțuri, cum ar fi un milion, și pot 03:03.510 --> 03:05.680 construi o colonie întreagă, pot construi un mușuroi. 03:05.680 --> 03:06.600 Același lucru cu neuronii. 03:06.600 --> 03:12.320 De la sine nu este atât de puternic, dar când aveți mulți neuroni împreună, lucrează împreună pentru a face magie. 03:12.510 --> 03:13.820 Și cum funcționează împreună. 03:13.820 --> 03:14.430 Asta e întrebarea. 03:14.440 --> 03:19.140 Ei bine, asta sunt ceea ce dendriții și Aksenov, așa că dendritele sunt cam ca 03:19.140 --> 03:22.980 receptoarele semnalului pentru neuron, iar axonul este transmițătorul semnalului pentru neuron. 03:23.220 --> 03:26.520 Iată o imagine a modului în care funcționează conceptual. 03:26.520 --> 03:32.550 Deci, în partea de sus ai pe cont propriu și poți vedea că dendriții sunt conectați la axonii 03:32.550 --> 03:35.990 altor neuroni care sunt la fel de departe deasupra ei. 03:36.000 --> 03:42.930 Apoi, semnalul de la propria voastră călătorește în axonul său și se conectează sau trece pe dendritele următorului 03:42.930 --> 03:44.960 neuron și așa sunt conectate. 03:45.030 --> 03:53.040 Și în acea mică imagine de acolo puteți vedea că axonul nu atinge de fapt lotul de dendriți. 03:53.310 --> 03:59.130 O mulțime de învățare în mașină sau ca un câțiva oameni de știință de învățare a mașinilor sunt foarte ademenitori în 03:59.130 --> 04:03.650 legătură cu faptul că nu o atinge ca în camera pe care nu o atinge. 04:03.660 --> 04:06.890 Sa dovedit că nu există o legătură fizică acolo. 04:06.960 --> 04:14.010 Dar punctul în care suntem interesați este că acea conexiune între ele că întregul concept al semnalului fiind trecut 04:14.010 --> 04:19.590 care amintesc semnele pe care le puteți vedea acolo în acea imagine mică, care este 04:20.300 --> 04:22.210 bracket-ul cifrei este un semn. 04:22.230 --> 04:23.820 Și asta e tendința pe care o vom face. 04:23.820 --> 04:29.820 Deci, în loc să ne numim neuronii artificiali liniile pe care le vom avea sau conectorii pentru neuroni 04:29.820 --> 04:34.200 artificiali, acum le vom numi axoni sau dendriți, deoarece atunci întrebarea este legătura 04:34.200 --> 04:36.880 dintre aceștia fiind că neuronii sunt neuroni. 04:36.990 --> 04:39.340 Noi numim acel bun care este bine să le numim semn de celule. 04:39.510 --> 04:42.680 Și asta răspunde la toate întrebările într-un. 04:42.690 --> 04:47.610 În principiu, doar în cazul în care semnalul este trecut, nu contează cine aparține acel element. 04:47.610 --> 04:51.550 Sunt doar o reprezentare a trecerii semnalului și vom vedea asta chiar acum. 04:51.960 --> 04:55.210 Deci, practic, așa funcționează un neuron. 04:55.210 --> 05:03.620 Și da, haideți să ne îndreptăm spre modul în care vom reprezenta neuronii pentru a crea neuroni în mașini, atunci 05:03.620 --> 05:09.380 când ne mișcăm acum, ne îndepărtăm de neuroștiință și ne mutăm în tehnologie. 05:09.460 --> 05:10.260 Și aici mergem. 05:10.360 --> 05:17.260 Deci, aici neuronul nostru, de asemenea, uneori numit nodul decât propriul dvs. are niște semnale de intrare și are un 05:17.260 --> 05:18.400 semnal de ieșire. 05:18.400 --> 05:21.040 Deci, amintiți dendriții și axoanele. 05:21.040 --> 05:27.490 Dar din nou vom numi aceste înscrieri și apoi aceste semnale de intrare le vom prezenta 05:27.490 --> 05:29.050 și altor neuroni. 05:29.080 --> 05:35.500 Deci, în acest caz specific, puteți vedea că acest neuron este verde pe care îl aflați obține semnale de la neuroni 05:35.500 --> 05:35.860 galbeni. 05:35.860 --> 05:41.800 Și în acest curs vom încerca să rămânem la un anumit regim de codificare a culorilor, unde galben înseamnă un strat 05:41.830 --> 05:42.540 de intrare. 05:42.540 --> 05:50.700 Deci, practic toate neuronii care sunt pe stratul exterior pe primul front al unde sunt semnalele care vin 05:50.710 --> 05:52.300 și prin semnal. 05:52.300 --> 05:59.200 Ar putea fi ca un pic de overkill pentru a numi acest semnal este doar în esență valori de intrare astfel. 05:59.330 --> 06:04.720 Deci, știi cum, chiar și într-o regresie liniară simplă ai valori de intrare și apoi ai o valoare prezisă 06:04.720 --> 06:05.620 Același lucru aici. 06:05.620 --> 06:10.720 Deci, aveți valori de intrare și acolo sunt cele galbene și apoi pe dreapta veți vedea că acum va fi 06:10.720 --> 06:11.250 roșu. 06:11.260 --> 06:12.820 Va fi valoarea de ieșire. 06:13.600 --> 06:17.140 Celălalt lucru pe care am vrut să-l subliniez aici este că, în acest 06:17.140 --> 06:21.320 exemplu specific, ne uităm la un neuron care își obține semnalele de la neuronii stratului de intrare. 06:21.320 --> 06:24.220 Există, de asemenea, neuroni, dar intrarea lor neuronii. 06:24.530 --> 06:31.450 Uneori veți avea neuroni care își vor primi semnalul de la alți neuroni ai straturilor ascunse, de la alți neuroni 06:31.450 --> 06:35.860 verzi, iar conceptul va fi exact același lucru, doar în acest caz 06:35.860 --> 06:42.820 pe care îl folosim din simplitate pentru a ilustra acest exemplu și în termeni de stratul de intrare este modul 06:42.970 --> 06:49.900 în care se gândește la el, în analogia creierului uman, stratul de intrare este simțurile voastre, astfel încât orice puteți 06:49.900 --> 06:52.290 vedea auziți simțind atingere sau miros. 06:52.510 --> 06:57.220 Și, bineînțeles, este ca și cum există multe lucruri pe care le puteți vedea că sunt multe 06:57.220 --> 06:57.530 informații. 06:57.730 --> 07:02.860 Dar acestea sunt ale tale. Asta este ceea ce creierul tău este limitat la aproape o viață. 07:03.010 --> 07:09.160 Israel trăiește într-o cutie făcută din oase și este doar că este un concept mintea sufocantă să te 07:09.160 --> 07:15.430 gândești că creierul tău este doar blocat într-o cutie neagră și singurul lucru pe care îl poate vedea poate auzi. 07:15.430 --> 07:20.710 Singurul lucru pe care il obtine este impulsurile electrice provenite de la aceste organe pe care 07:20.710 --> 07:28.210 le-ati avea sa le numim urechi nas ochii stiti sentimentul de atingere si noi suntem tot si tu si tu si gustul tau. 07:28.210 --> 07:34.150 Așa că doar primești semnale, dar de fapt trăiește în această cutie neagră întunecată și face 07:34.150 --> 07:38.460 să faci sens din lume prin simțurile tale este fenomenal. 07:38.500 --> 07:38.930 Și așa da. 07:38.950 --> 07:43.030 Deci, aveți aceste intrări care vin în ceea ce privește creierul uman. 07:43.030 --> 07:49.540 Acestea sunt cele cinci simțuri și în ceea ce privește învățarea în mașină sau învățarea profundă, care este, în esență, valorile dvs. de 07:49.900 --> 07:55.500 intrare sunt variabilele dvs. independente și vom obține asta într-o secundă, astfel încât valorile de intrare pe care le transmite 07:56.400 --> 08:01.450 semnalul prin sinusuri către neuron și apoi propriu are o valoare de ieșire pe care o trece mai 08:01.510 --> 08:03.200 departe în jos pe lanț. 08:03.550 --> 08:07.990 În acest caz specific în ceea ce privește codificarea culorilor din nou, stratul de culoare galben 08:07.990 --> 08:11.830 înseamnă că vom simplifica totul aici, spunem că vom avea doar ca stratul de 08:11.830 --> 08:16.510 intrare și apoi vom avea un strat ascuns cu verde care este hinterlandul, atunci vom avea ieșirea 08:16.510 --> 08:17.140 acolo imediat. 08:17.530 --> 08:21.370 Deci, doar ca să ne putem obișnui cu aceste apeluri acum. 08:21.580 --> 08:24.030 Așa că mergem aici este structura de bază. 08:24.030 --> 08:28.390 Deci, acum să aruncăm o privire mai detaliată la aceste elemente diferite pe care le avem. 08:28.390 --> 08:31.090 Deci avem stratul de intrare și ce avem aici. 08:31.090 --> 08:37.090 Ei bine, avem aceste intrări care sunt de fapt variabile independente, astfel încât depind de variabila una și de o variabilă bit 08:37.090 --> 08:38.170 la variabilă independentă. 08:38.170 --> 08:44.230 Și importantul lucru de reținut aici este că aceste variabile independente sunt toate pentru o singură 08:44.230 --> 08:44.740 observație. 08:44.740 --> 08:47.620 Gândește-te la asta ca la un singur rând în baza de date. 08:47.620 --> 08:54.790 O observație pe care tocmai ați luat toate variabilele independente pe care le cunoașteți poate că este vârsta persoanei acolo cantitatea 08:54.820 --> 09:01.270 de bani din contul bancar și apoi modul în care acestea conduc sau merg să lucreze ce metodă de 09:01.270 --> 09:03.070 protecție a șampoanelor le utilizează. 09:03.080 --> 09:08.800 Deci, dar tocmai acești descriptori ai unei anumite persoane sunt fie că antrenezi 09:09.130 --> 09:12.510 modelul tău, fie că faci niște predicții. 09:12.610 --> 09:16.900 Și celălalt lucru pe care trebuie să-l cunoașteți despre aceste variabile este că 09:16.900 --> 09:21.310 trebuie să le standardizați, astfel încât trebuie să le standardizați, ceea ce înseamnă că 09:21.340 --> 09:29.470 asigurați-vă că au o medie de zero și o varianță una sau puteți, uneori, aceste urme într-un pic mai multe detalii, probabil, în termeni practici ați 09:29.480 --> 09:34.090 putea întâlni aceste uneori ați putea dori să știu de standardizare s-ar putea dori să 09:34.090 --> 09:34.800 le normalizeze. 09:34.990 --> 09:41.050 Semnificând că în loc să vă asigurați că mijlocul și foarte Mulțimea și varianța este una pe care tocmai o iei 09:41.050 --> 09:46.130 să știi să scadă valoarea minimă și apoi împărțiți cu minusurile minime maxime în intervalul valorilor dvs. și 09:46.150 --> 09:49.350 cele patru veți obține valori între 0 și 1 . 09:49.510 --> 09:53.580 Și depinde de acest scenariu pe care ar trebui să-l faceți unul sau altul. 09:53.590 --> 10:00.700 Dar, practic, doriți ca toate aceste variabile să fie destul de asemănătoare în jurul valorii de aceeași gamă de valori și 10:00.760 --> 10:01.680 de ce. 10:01.700 --> 10:02.150 De ce este asta. 10:02.150 --> 10:06.890 Ei bine, toate aceste valori vor merge într-o rețea neurală unde, după cum vom 10:06.890 --> 10:12.980 vedea, vor fi adunate și înmulțite cu greutăți adunate și așa mai departe și doar vor fi mai 10:12.980 --> 10:16.990 ușor pentru neural pentru a le procesa dacă sunt la fel. 10:17.210 --> 10:23.790 Și, de fapt, știi că asta e modul în care va putea să funcționeze corect. 10:24.260 --> 10:29.210 Și dacă doriți să citiți mai multe despre normalizarea standardizării și alte lucruri pe 10:29.210 --> 10:36.440 care le puteți face dacă știți ce variabile o hârtie suplimentară de lectură este numită eficient prob back back de către 10:37.070 --> 10:39.630 tinerii Licken 1998 link-uri de acolo. 10:39.650 --> 10:47.570 Deci, de fapt, vom vorbi mai mult despre această persoană fenomenală în spațiul învățării profunde în partea de curs 10:47.680 --> 10:49.040 despre care vorbim. 10:49.040 --> 10:53.930 Conexiunea rețelelor neuronale și veți vedea că este cu siguranță o persoană care știe 10:53.930 --> 10:55.280 despre ce vorbește. 10:55.280 --> 11:00.840 El este un prieten apropiat al lui Jeffrey Hinton, pe care l-am văzut deja cine este foarte dim .. 11:00.860 --> 11:07.070 Prin urmare, în această lucrare veți afla mai multe despre centrifugarea normalizării, dar, de asemenea, puteți afla o mulțime de alte 11:07.070 --> 11:11.510 sfaturi și trucuri diferite și veți fi o sursă bună pentru o citire suplimentară pe 11:11.510 --> 11:12.470 parcursul acestui curs. 11:12.590 --> 11:15.800 Deci, da, verificați dacă sunteți interesat de lectură suplimentară. 11:16.290 --> 11:16.940 Vom merge acolo. 11:16.940 --> 11:20.210 Așa facem pentru verbale. 11:20.390 --> 11:23.140 Și ca aici, avem valoarea de ieșire. 11:23.180 --> 11:24.960 Deci, ce poate fi valoarea noastră de ieșire. 11:25.130 --> 11:26.280 Ei bine, avem câteva opțiuni. 11:26.300 --> 11:32.110 Valoarea de ieșire poate fi continuă Ca, de exemplu, prețul poate fi binar, 11:32.110 --> 11:39.260 de exemplu, o persoană va ieși sau va rămâne sau poate fi categorică verbală verbală și fizică. 11:39.260 --> 11:44.060 Lucru important de reținut aici este că în acest caz valoarea dvs. de 11:44.060 --> 11:50.390 ieșire nu va fi doar una va fi mai multe valori de ieșire, deoarece acestea vor fi o 11:51.360 --> 11:57.400 variabilă falsă care va reprezenta categoriile dvs. și asta este doar cum funcționează și doar important să 11:57.410 --> 12:02.640 vă amintiți că în acest caz așa veți obține categoriile dvs. din rețeaua neurală artificială. 12:02.810 --> 12:05.510 Dar să revenim la un caz simplu de un volum de ieșire. 12:05.750 --> 12:11.780 Și acum, să mai spunem încă un punct sau un fel de punct ca cel pregătit, am vrut doar 12:11.780 --> 12:15.360 să reiterez acest punct din stânga ai o singură observație. 12:15.470 --> 12:20.180 Deci, vă întrebați dacă înțelegeți din setul de date și în dreapta aveți o singură direcție 12:20.210 --> 12:21.990 și aceasta este aceeași observație. 12:22.190 --> 12:28.100 Este important să vă amintiți că, indiferent de input-urile pe care le introduceți, este pentru un singur rând și apoi rezultatul pe 12:28.100 --> 12:29.960 care îl obțineți este același rând. 12:30.080 --> 12:34.420 Sau dacă antrenezi rețeaua neurală, atunci știi că introduci intrările pentru acea rolă pe 12:34.420 --> 12:36.440 care o introduci în acel rând. 12:36.440 --> 12:42.440 Deci, dacă doriți să simplificați complexitatea, gândiți-vă la ea ca la un lucru simplu, o regresie sau 12:42.440 --> 12:43.990 o regresie liniară multivariată. 12:43.990 --> 12:48.150 Deci, vă puneți valorile pe care le aveți la ieșire. 12:48.180 --> 12:49.700 Exista ca si cum nu exista nici o intrebare despre asta. 12:49.700 --> 12:52.790 Când vorbim despre lucruri precum regresia, pentru că suntem atât de obișnuiți cu asta. 12:52.790 --> 12:54.980 Același lucru nu este nimic prea complex. 12:54.980 --> 12:56.740 Pur și simplu introducem valori pe care le obținem. 12:56.760 --> 13:01.310 Dar trebuie doar să vă amintiți că de fiecare dată când aveți un singur rând 13:01.310 --> 13:07.940 cu care aveți de-a face, astfel încât să nu vă confundați și să începeți să vă puneți cum credeți că acestea sunt rânduri 13:07.940 --> 13:12.710 diferite diferite pe care le introduceți în rețeaua neuronală artificială sau ceva de acest fel sunt 13:12.710 --> 13:18.970 doar valori în sensul că o Rowse o observație diferită diferite caracteristici sau atribute legate de acea singură observație de fiecare dată. 13:19.160 --> 13:26.090 OK, următorul lucru pe care vrem să discutăm aici este sinusurile noastre este că azilul este aici, avem servicii și 13:26.090 --> 13:28.940 toți li se atribuie greutăți de greutăți. 13:28.940 --> 13:37.100 Vom vorbi mai multe despre greutăți în continuare, dar în greutăți scurte sunt cruciale pentru funcționarea rețelelor neuronale neuronale care funcționează 13:37.100 --> 13:44.040 deoarece greutățile sunt modul în care rețelele neuronale învață prin ajustarea greutăților rețeaua neurală decide în fiecare caz 13:44.470 --> 13:50.270 în ce caz semnalul singur este slab și ce semnalul nu este important pentru 13:50.270 --> 13:51.140 anumite neuroni. 13:51.140 --> 13:56.300 Ce parte este transmisă și ce semnal nu se transmite sau ce putere în ce 13:56.300 --> 13:57.770 măsură transmite semnalele. 13:57.770 --> 13:59.320 Deci greutățile sunt cruciale. 13:59.330 --> 14:03.590 Ele sunt și ele sunt lucrurile care ajung să fie ajustate prin procesul de învățare. 14:03.590 --> 14:07.760 Ca și atunci când când antrenezi o rețea neuronală artificială, ajustezi în esență 14:07.760 --> 14:11.050 toate greutățile din toate sinusurile din întreaga rețea neuronală. 14:11.250 --> 14:17.910 Și aici intră în scenă coborârea gradientului și propagarea spatelui, iar acestea sunt concepte pe care le vom 14:17.910 --> 14:19.240 discuta, de asemenea. 14:19.670 --> 14:21.410 Deci, practic, acestea sunt greutățile. 14:21.410 --> 14:22.940 De asta trebuie să știu acum. 14:23.150 --> 14:28.420 Și avem neuronii, astfel încât semnalele trec în neuron și ce se întâmplă în Europa. 14:28.430 --> 14:30.520 Deci aceasta este partea interesantă. 14:30.530 --> 14:33.670 Asa cum vorbim despre neuron astazi ce se intampla in interiorul neuronului. 14:33.890 --> 14:40.100 Deci cateva lucruri se intampla in primul rand si primul pas este ca toate aceste valori pe care le obtine 14:40.190 --> 14:43.730 devine adaugate asa ca este nevoie ca acestea sa fie adaugate. 14:43.850 --> 14:51.200 Deci, suma ponderată a tuturor valorilor de intrare, care devine foarte simplă, este foarte simplă, se adaugă până se 14:51.220 --> 14:57.200 înmulțește prin modul în care se adaugă și apoi se aplică o funcție de activare. 14:57.200 --> 15:00.960 Acum vom vorbi mai multe despre funcțiile de activare în 15:00.960 --> 15:09.420 jos dar este în esență o funcție atribuită acestui neuron sau întregului strat și este aplicată în acest fel pentru a adăuga unele. 15:09.570 --> 15:16.890 Și apoi, zona euro înțelege dacă trebuie să transmită un semnal dacă vă place și acest lucru este semnalul 15:16.890 --> 15:22.260 pe care îl transmite că funcția a fost aplicată modului în care unii. 15:22.260 --> 15:26.400 Dar, în funcție de funcție, neuronul va transmite semnalul sau nu 15:26.400 --> 15:27.640 va transmite semnalul. 15:27.870 --> 15:30.910 Și exact asta sa întâmplat la pasul trei. 15:31.430 --> 15:35.670 Pasteurile de neuroni sunt pe acel semnal către următorul neuron pe linie. 15:36.090 --> 15:39.960 Și despre asta vom vorbi în următorul tutorial, pentru că este un subiect destul de important. 15:39.960 --> 15:46.380 Vrem sa intarim mai profund in functia de activare, dar speram ca acum totul ar trebui sa fie destul de clar cum stii 15:46.380 --> 15:51.600 valorile de intrare pe care le ai greutati ai case de design ai ceva ce stii ca se intampla 15:51.660 --> 15:56.430 in neuron, am primit o cale Sarmad o funcție de activare aplicată și apoi aceasta este trecută 15:56.430 --> 16:00.510 pe linie și care este doar repetată pe întreaga rețea neuronică și pe și 16:00.510 --> 16:06.660 pe și pe și pe tine știi mii de sute de mii de ori, în funcție de cât de mare numărul de 16:06.660 --> 16:09.550 neuroni au câte înscrieri aveți în rețeaua dvs. neuronală. 16:09.570 --> 16:10.110 Așa că mergem. 16:10.110 --> 16:13.270 Sper că v-ați bucurat de codul tutorialului de astăzi într-o măsură. 16:13.410 --> 16:15.010 Până atunci se bucură de învățare profundă.