WEBVTT 00:00.180 --> 00:02.190 Xin chào và chào mừng bạn trở lại khóa học về Học sâu. 00:02.190 --> 00:07.830 Hôm nay chúng ta đang nói về nơ-ron, là khối xây dựng cơ bản của mạng nơ-ron nhân tạo. 00:07.830 --> 00:08.970 Vậy hãy bắt đầu. 00:09.180 --> 00:14.460 Trước đây, chúng ta đã thấy một hình ảnh trông giống như thế này, và đây là những tế bào thần kinh thực 00:14.460 --> 00:19.890 tế ngoài đời thực được bôi lên một lớp sơn bóng và tô màu một chút và chúng được quan sát qua kính hiển vi. 00:19.890 --> 00:21.000 Vì vậy, đây là những gì họ trông như thế nào. 00:21.000 --> 00:28.080 Như bạn có thể thấy, một cấu trúc khá thú vị, một thân và sau đó là rất nhiều đuôi khác nhau, 00:28.080 --> 00:30.060 loại cành mọc ra từ chúng. 00:30.060 --> 00:35.910 Và điều này rất thú vị, nhưng câu hỏi đặt ra là, làm thế nào chúng ta có thể tạo lại nó trong một chiếc máy? 00:35.910 --> 00:42.660 Bởi vì chúng ta thực sự cần phải tạo lại nó trong máy, vì toàn bộ mục đích của học sâu là 00:42.660 --> 00:50.880 bắt chước cách bộ não con người hoạt động với hy vọng rằng bằng cách đó, chúng ta sẽ tạo ra một thứ gì đó tuyệt vời. 00:50.880 --> 00:54.960 Chúng tôi sẽ tạo ra một cơ sở hạ tầng tuyệt vời để máy móc có thể học hỏi. 00:54.960 --> 00:56.730 Và tại sao chúng ta lại hy vọng điều đó? 00:56.730 --> 01:02.940 Chà, bởi vì bộ não của con người rất tốt, tình cờ trở thành một trong những công cụ học tập mạnh mẽ 01:02.940 --> 01:07.200 nhất trên hành tinh hoặc giống như các cơ chế học tập trên hành tinh. 01:07.200 --> 01:11.250 Và chúng tôi chỉ hy vọng rằng nếu chúng tôi tạo lại điều đó, chúng tôi sẽ có thứ gì đó tuyệt vời như thế. 01:11.250 --> 01:17.610 Vì vậy, thách thức của chúng tôi ngay bây giờ, bước đầu tiên của chúng tôi để tạo ra các mạng nơ-ron nhân tạo, là tạo lại 01:17.610 --> 01:18.210 một nơ-ron. 01:18.210 --> 01:19.020 Vì vậy, làm thế nào để chúng tôi làm điều đó? 01:19.020 --> 01:23.190 Trước hết, chúng ta hãy xem xét kỹ hơn nó thực sự là gì. 01:23.700 --> 01:34.320 Hình ảnh này được tạo ra lần đầu tiên bởi nhà thần kinh học người Tây Ban Nha Santiago Ramon Cajal vào năm 1899, và những gì ông đã làm là làm chết các 01:34.320 --> 01:39.600 tế bào thần kinh trong mô não thực tế và nhìn chúng dưới kính hiển vi. 01:39.600 --> 01:42.450 Và trong khi anh ấy đang nhìn chúng, anh ấy đã thực sự vẽ những gì anh ấy nhìn thấy. 01:42.450 --> 01:43.470 Và đây là những gì anh ấy đã thấy. 01:43.470 --> 01:49.470 Anh ta nhìn thấy hai tế bào thần kinh hoặc hai tế bào thần kinh lớn ở phía trên, có tất cả các nhánh này 01:49.470 --> 01:52.200 thoát ra từ chúng về phía trên cùng của chúng. 01:52.200 --> 02:00.300 Và sau đó mỗi người có một cái que này hoặc sợi giống như sợi chỉ ra về phía dưới cùng một cái rất dài và vâng, đó là những gì 02:00.300 --> 02:01.410 anh ta nhìn thấy. 02:01.410 --> 02:07.860 Và bây giờ công nghệ đã tiến bộ khá nhiều và chúng ta đã thấy các tế bào thần kinh chi tiết hơn nhiều và bây giờ chúng 02:07.860 --> 02:11.850 ta thực sự có thể vẽ nó trông như thế nào một cách đáng kinh ngạc. 02:11.850 --> 02:13.140 Vì vậy, chúng ta hãy xem xét điều đó. 02:13.140 --> 02:14.100 Đây là một tế bào thần kinh. 02:14.100 --> 02:22.050 Đây là thứ trông rất giống với những gì Santiago Ramon đã vẽ ở đây và ở đây trong nơ-ron này, những gì chúng ta có thể thấy là nó 02:22.050 --> 02:27.390 có một phần thân là phần chính của nơ-ron, và sau đó nó có một số nhánh ở trên cùng, 02:27.390 --> 02:29.010 đó là gọi là đuôi gai. 02:29.010 --> 02:32.760 Và nó cũng có một sợi trục, là cái đuôi dài của tế bào thần kinh. 02:33.180 --> 02:36.630 Vậy những đuôi gai này để làm gì và sợi trục để làm gì? 02:36.630 --> 02:43.950 Chà, điểm mấu chốt cần hiểu ở đây là bản thân các tế bào thần kinh là vô dụng. 02:43.950 --> 02:45.870 Nó giống như nó giống như một con kiến, phải không? 02:45.870 --> 02:47.220 Một con kiến của riêng nó. 02:47.220 --> 02:49.560 Không thể làm nhiều như năm con kiến với nhau. 02:49.740 --> 02:51.090 Có lẽ họ có thể nhặt một cái gì đó. 02:51.090 --> 02:54.060 Nhưng một lần nữa, họ không, họ không thể xây dựng một con kiến. 02:54.210 --> 02:55.380 Họ không thể thiết lập một thuộc địa. 02:55.380 --> 02:59.220 Chúng không thể làm việc cùng nhau như một sinh vật khổng lồ. 02:59.220 --> 03:03.240 Nhưng đồng thời, khi bạn có rất nhiều quảng cáo, giống như bạn có một triệu con kiến, chúng có thể xây dựng 03:03.240 --> 03:05.520 cả một đàn kiến, chúng có thể xây dựng một tổ kiến. 03:05.550 --> 03:07.050 Điều tương tự với tế bào thần kinh của chính nó. 03:07.050 --> 03:07.740 Nó không mạnh như vậy. 03:07.740 --> 03:12.210 Nhưng khi bạn có nhiều tế bào thần kinh cùng nhau, chúng sẽ làm việc cùng nhau để làm nên điều kỳ diệu. 03:12.210 --> 03:13.740 Và chúng hoạt động cùng nhau như thế nào? 03:13.740 --> 03:14.340 Đó là câu hỏi. 03:14.340 --> 03:16.620 Chà, đó là những gì đuôi gai và sợi trục dùng để làm. 03:16.620 --> 03:21.510 Vì vậy, các đuôi gai giống như máy thu tín hiệu cho tế bào thần kinh và sợi trục là bộ truyền tín 03:21.510 --> 03:22.800 hiệu cho tế bào thần kinh. 03:22.920 --> 03:26.460 Và đây là hình ảnh về cách tất cả hoạt động về mặt khái niệm. 03:26.460 --> 03:32.490 Vì vậy, ở trên cùng, bạn có một tế bào thần kinh và bạn có thể thấy rằng các đuôi gai của nó được kết nối với các sợi 03:32.490 --> 03:35.640 trục của các tế bào thần kinh khác giống như ở phía trên nó. 03:35.760 --> 03:42.780 Và sau đó tín hiệu từ nơ-ron này truyền xuống sợi trục của nó và kết nối hoặc truyền đến các đuôi của nơ-ron 03:42.780 --> 03:43.530 tiếp theo. 03:43.530 --> 03:44.730 Và đó là cách họ kết nối. 03:44.730 --> 03:52.320 Và trong hình ảnh nhỏ ở đó, bạn có thể thấy sợi trục không thực sự chạm vào đuôi gai. 03:52.350 --> 03:58.700 Rất nhiều máy học hoặc giống như một vài máy học, các nhà khoa học rất kiên quyết về điều đó. 03:58.710 --> 04:06.000 Việc nó không chạm vào nó như không chạm vào nó đã được chứng minh rằng không có kết nối vật lý 04:06.000 --> 04:06.750 ở đó. 04:06.750 --> 04:13.650 Nhưng điểm mà chúng tôi quan tâm là mối liên hệ giữa chúng, rằng toàn bộ khái niệm về tín hiệu được 04:13.650 --> 04:16.230 truyền đi, được gọi là dấu hiệu. 04:16.230 --> 04:23.220 Bạn có thể thấy ở đó trong hình ảnh nhỏ đó, dấu ngoặc nhọn đó là số lượt đăng ký và đó là thuật ngữ chúng ta sẽ 04:23.220 --> 04:23.730 sử dụng. 04:23.730 --> 04:29.610 Vì vậy, thay vì gọi các nơ-ron nhân tạo của chúng ta, các đường mà chúng ta sẽ có hoặc các đầu nối cho nơ-ron nhân tạo, 04:29.610 --> 04:34.110 chúng ta sẽ không gọi các sợi trục hay đuôi gai bởi vì câu hỏi đặt ra là đây là 04:34.110 --> 04:35.130 kết nối của ai? 04:35.130 --> 04:36.810 Nó là tế bào thần kinh hay nó là tế bào thần kinh này? 04:36.810 --> 04:39.210 Chúng tôi chỉ gọi cho họ, chúng tôi sẽ gọi họ đăng ký. 04:39.210 --> 04:42.630 Và loại đó chỉ trả lời tất cả các câu hỏi ngay lập tức. 04:42.630 --> 04:45.020 Về cơ bản đó chỉ là nơi tín hiệu được truyền qua. 04:45.030 --> 04:47.550 Không quan trọng phần tử đó thuộc về ai. 04:47.550 --> 04:50.160 Đó chỉ là một đại diện của tín hiệu được truyền qua. 04:50.160 --> 04:51.240 Và chúng ta sẽ thấy điều đó ngay bây giờ. 04:51.750 --> 04:54.840 Vì vậy, về cơ bản đó là cách một tế bào thần kinh hoạt động. 04:54.840 --> 04:59.940 Và đúng vậy, chúng ta hãy chuyển sang cách chúng ta sẽ biểu diễn các tế bào thần kinh hay bằng cách nào? 05:00.210 --> 05:03.300 Tạo tế bào thần kinh trong máy móc. 05:03.300 --> 05:04.800 Vì vậy, chúng tôi đang chuyển đi ngay bây giờ. 05:04.800 --> 05:10.200 Chúng tôi đang chuyển dần khỏi khoa học thần kinh và chuyển sang công nghệ, và chúng tôi bắt đầu. 05:10.200 --> 05:13.200 Vì vậy, đây là nơ-ron của chúng ta đôi khi còn được gọi là nút. 05:13.620 --> 05:18.240 Tế bào thần kinh nhận một số tín hiệu đầu vào và nó có tín hiệu đầu ra. 05:18.240 --> 05:20.820 Vì vậy, các đuôi gai và sợi trục, hãy nhớ. 05:20.820 --> 05:27.270 Nhưng một lần nữa, chúng ta sẽ gọi các khớp thần kinh này sau đó là các tín hiệu đầu vào này, chúng ta cũng sẽ biểu diễn chúng 05:27.270 --> 05:28.950 bằng các tế bào thần kinh khác. 05:28.950 --> 05:35.130 Vì vậy, trong trường hợp cụ thể này, bạn có thể thấy rằng nơ-ron này, nơ-ron màu xanh lá cây này đang nhận tín hiệu từ các nơ-ron 05:35.130 --> 05:35.760 màu vàng. 05:35.760 --> 05:41.760 Và trong khóa học này, chúng ta sẽ thử và bám vào một chế độ mã hóa màu nhất định trong đó màu vàng có nghĩa là 05:41.760 --> 05:42.480 lớp đầu vào. 05:42.480 --> 05:50.550 Vì vậy, về cơ bản tất cả các tế bào thần kinh nằm ở lớp ngoài hoặc ở phía trước đầu tiên của nơi tín hiệu đến, và 05:50.550 --> 05:57.060 theo tín hiệu, nó có thể giống như một chút quá mức cần thiết khi gọi đây là một tín hiệu. 05:57.060 --> 05:58.710 Về cơ bản nó chỉ là các giá trị đầu vào. 05:58.710 --> 06:04.230 Vì vậy, bạn biết cách thậm chí giống như trong một hồi quy tuyến tính đơn giản, bạn có các giá trị đầu vào và sau đó bạn có một giá 06:04.230 --> 06:04.950 trị dự đoán. 06:04.950 --> 06:05.550 Điều tương tự ở đây. 06:05.550 --> 06:08.850 Vì vậy, bạn có các giá trị đầu vào và chúng ở đó, những giá trị màu vàng. 06:08.850 --> 06:12.330 Và sau đó ở bên phải bạn sẽ thấy nó sẽ có màu đỏ, nó sẽ là giá trị đầu ra. 06:13.300 --> 06:17.100 Điều mà tôi muốn chỉ ra ở đây là trong ví dụ cụ thể này, chúng ta đang 06:17.100 --> 06:21.150 xem xét một tế bào thần kinh đang nhận tín hiệu của nó từ tế bào thần kinh lớp đầu vào. 06:21.160 --> 06:23.790 Vì vậy, chúng cũng là tế bào thần kinh, nhưng chúng là tế bào thần kinh lớp đầu vào. 06:24.360 --> 06:31.110 Đôi khi bạn sẽ có các tế bào thần kinh nhận tín hiệu từ các tế bào thần kinh lớp ẩn khác, cũng như từ các tế bào thần kinh màu xanh lá 06:31.110 --> 06:31.680 cây khác. 06:31.680 --> 06:33.240 Và khái niệm sẽ hoàn toàn giống nhau. 06:33.300 --> 06:37.170 Chỉ trong trường hợp này, chúng tôi vì lợi ích đơn giản, chúng tôi đang mô tả ví dụ này. 06:37.380 --> 06:44.790 Và về lớp đầu vào, cách suy nghĩ về nó nằm trong sự tương tự của bộ não con người, lớp đầu vào 06:45.060 --> 06:48.010 là các giác quan của bạn, phải không? 06:48.030 --> 06:52.200 Vì vậy, bất cứ điều gì bạn có thể nhìn thấy ở đây, cảm nhận, sờ hoặc ngửi. 06:52.200 --> 06:55.770 Và tất nhiên, nó giống như có rất nhiều thứ bạn có thể thấy. 06:55.770 --> 06:57.510 Có rất nhiều thông tin đến. 06:57.510 --> 07:00.060 Nhưng đó là của bạn, đó là những gì bộ não của bạn bị giới hạn. 07:00.090 --> 07:05.940 Nó khá giống như nó sống trong một chiếc hộp làm từ xương. 07:05.940 --> 07:12.270 Và nó chỉ là một khái niệm kinh ngạc khi nghĩ về việc bộ não của bạn chỉ bị nhốt trong một hộp đen 07:12.270 --> 07:17.280 và điều duy nhất giống như nó không thể nhìn thấy bạn không thể nghe thấy điều duy nhất 07:17.280 --> 07:23.850 nó nhận được là xung điện phát ra từ những cơ quan này. bạn có, cái được gọi là tai, mũi, mắt, bạn biết đấy, 07:23.850 --> 07:28.260 xúc giác của bạn và bất cứ thứ gì và vị giác của bạn, phải không? 07:28.260 --> 07:34.110 Vì vậy, nó chỉ nhận được tín hiệu, nhưng về cơ bản nó sống trong chiếc hộp đen tối này và nó tạo ra ý nghĩa về thế 07:34.110 --> 07:35.970 giới thông qua các giác quan của bạn. 07:35.970 --> 07:37.440 Đó là một hiện tượng. 07:38.280 --> 07:38.910 Và đúng như vậy. 07:38.910 --> 07:42.960 Vì vậy, bạn có những đầu vào này đến từ bộ não con người. 07:42.960 --> 07:43.950 Đó là năm giác quan của bạn. 07:43.950 --> 07:50.520 Và về học máy hay học sâu, về cơ bản đó là các giá trị đầu vào của bạn. 07:50.520 --> 07:52.740 Vì vậy, các biến độc lập của bạn và chúng tôi sẽ xử lý điều đó sau một giây. 07:52.740 --> 07:59.520 Vì vậy, các giá trị đầu vào của bạn, chúng là tín hiệu được truyền qua các khớp thần kinh đến nơ-ron và sau đó nơ-ron của bạn 07:59.520 --> 08:02.760 có giá trị đầu ra mà nó sẽ chuyển tiếp xuống chuỗi. 08:03.300 --> 08:06.930 Trong trường hợp cụ thể này, về mặt mã hóa màu, một lần nữa, màu vàng có nghĩa là lớp đầu vào. 08:06.930 --> 08:08.520 Vì vậy, chúng tôi đơn giản hóa mọi thứ ở đây. 08:08.520 --> 08:13.140 Chúng ta đang nói rằng chúng ta sẽ chỉ có giống như lớp đầu vào, sau đó chúng ta sẽ có một lớp ẩn với 08:13.140 --> 08:16.830 màu xanh lá cây, đó là lớp ẩn và sau đó chúng ta sẽ có ngay lớp đầu ra. 08:17.370 --> 08:20.280 Vì vậy, chỉ để chúng ta có thể làm quen với những màu sắc này ngay bây giờ. 08:21.330 --> 08:22.080 Vậy là xong. 08:22.080 --> 08:23.940 Đó là cấu trúc cơ bản. 08:23.940 --> 08:28.320 Vì vậy, bây giờ chúng ta hãy xem xét chi tiết hơn một chút về các yếu tố khác nhau mà chúng ta có. 08:28.320 --> 08:29.520 Vì vậy, chúng tôi đã có lớp đầu vào. 08:29.730 --> 08:31.020 Và chúng ta có gì ở đây? 08:31.020 --> 08:35.370 Chà, chúng ta có những đầu vào này trên thực tế, là các biến độc lập. 08:35.370 --> 08:38.070 Vì vậy, biến độc lập một là nó có sẵn cho biến độc lập? 08:38.510 --> 08:44.670 Điều quan trọng cần nhớ ở đây là các biến độc lập này chỉ dành cho một quan sát duy nhất. 08:44.670 --> 08:47.550 Vì vậy, hãy nghĩ về nó chỉ là một hàng trong cơ sở dữ liệu của bạn. 08:47.550 --> 08:51.360 Một quan sát bạn chỉ cần lấy tất cả các biến độc lập. 08:52.110 --> 08:54.690 Có lẽ đó là tuổi của người đó. 08:54.690 --> 08:57.480 Chúng là số tiền trong tài khoản ngân hàng. 08:57.720 --> 08:58.590 Và sau đó làm thế nào? 08:58.590 --> 09:00.690 Làm thế nào để họ lái xe hoặc đi bộ đến nơi làm việc? 09:00.690 --> 09:02.790 Họ sử dụng phương thức vận chuyển nào? 09:02.790 --> 09:08.370 Vì vậy, nhưng đó là tất cả các mô tả của một người cụ thể mà bạn đang đào tạo mô hình 09:08.370 --> 09:11.520 của mình hoặc bạn đang thực hiện một số dự đoán. 09:12.330 --> 09:16.260 Và điều khác bạn cần biết về các biến này là bạn cần chuẩn hóa chúng. 09:16.260 --> 09:20.970 Vì vậy, bạn cần phải chuẩn hóa chúng, có nghĩa là đảm bảo rằng chúng có giá trị trung bình bằng 0 và phương sai là 09:20.970 --> 09:21.270 một. 09:21.270 --> 09:27.930 Hoặc bạn cũng có thể đôi khi và đã học sẽ chỉ ra những tình huống này chi tiết hơn một chút. 09:27.930 --> 09:32.880 Có lẽ trong các hướng dẫn thực hành, bạn có thể bắt gặp những điều này đôi khi bạn có thể muốn 09:32.880 --> 09:38.520 không chuẩn hóa, bạn có thể muốn chuẩn hóa chúng, nghĩa là thay vì đảm bảo giá trị trung bình bằng 0 và phương sai là 09:38.520 --> 09:44.060 một, bạn chỉ cần lấy nó, bạn trừ đi mức tối thiểu giá trị và sau đó bạn chia cho giá trị lớn nhất trừ 09:44.080 --> 09:49.200 đi tối thiểu cho phạm vi giá trị của bạn, và do đó bạn nhận được các giá trị từ 0 đến 1. 09:49.200 --> 09:52.350 Và nó phụ thuộc vào kịch bản. 09:52.350 --> 09:56.880 Bạn có thể muốn thực hiện điều này hoặc cách khác, nhưng về cơ bản bạn muốn tất cả các biến 09:56.880 --> 09:58.950 này hoàn toàn giống nhau về điểm giống nhau. 09:59.650 --> 10:00.610 Một loạt các giá trị. 10:00.610 --> 10:01.690 Và tại sao? 10:01.690 --> 10:02.080 Tại sao vậy? 10:02.110 --> 10:06.670 Chà, tất cả các giá trị này sẽ đi vào một mạng nơ-ron, như chúng ta sẽ thấy ngay 10:06.670 --> 10:10.280 bây giờ, chúng sẽ được cộng lại và nhân với trọng số, cộng lại, v.v. 10:10.280 --> 10:16.180 Và sẽ chỉ giúp mạng nơ-ron xử lý chúng dễ dàng hơn nếu chúng đều giống 10:16.180 --> 10:16.780 nhau. 10:16.930 --> 10:23.500 Và trên thực tế, bạn biết đấy, đó chỉ là cách để nó có thể hoạt động bình thường. 10:24.040 --> 10:29.020 Và nếu bạn muốn đọc thêm về tiêu chuẩn hóa, chuẩn hóa và những thứ khác mà bạn 10:29.020 --> 10:36.540 có thể làm với các biến đầu vào của mình, thì một tài liệu đọc bổ sung tốt có tên là Đề xuất trở lại hiệu quả của Yan 10:36.830 --> 10:37.960 LeCun vào năm 1998. 10:38.410 --> 10:39.370 Các liên kết ở đó. 10:39.370 --> 10:45.910 Vậy nên Yan Liqun, chúng ta thực sự sẽ nói nhiều hơn về con người phi thường này trong không gian học sâu 10:45.910 --> 10:50.320 trong phần của khóa học, nơi chúng ta đang nói về mạng nơ-ron phức hợp. 10:50.320 --> 10:55.080 Và bạn sẽ thấy rằng đây chắc chắn là một người biết mình đang nói về điều gì. 10:55.090 --> 11:00.760 Anh ấy là bạn thân của Geoffrey Hinton, người mà chúng tôi đã thấy, cũng đã từng đề cập. 11:00.760 --> 11:06.730 Vì vậy, trong bài báo này, bạn sẽ tìm hiểu thêm về tiêu chuẩn hóa và chuẩn hóa, ngoài ra, bạn cũng có thể chọn rất nhiều 11:06.730 --> 11:11.200 mẹo và thủ thuật khác nhau và bạn sẽ là một nguồn tốt, tốt để đọc thêm khi bạn học qua 11:11.200 --> 11:12.070 khóa học này. 11:12.070 --> 11:15.100 Vì vậy, vâng, hãy kiểm tra nó nếu bạn quan tâm đến một số bài đọc bổ sung. 11:16.180 --> 11:16.870 Chúng ta bắt đầu. 11:16.870 --> 11:19.960 Vì vậy, đó là những gì chúng ta cần làm với các biến. 11:20.050 --> 11:23.050 Và ở đây chúng ta có giá trị đầu ra. 11:23.050 --> 11:24.870 Vậy giá trị đầu ra của chúng ta có thể là bao nhiêu? 11:24.880 --> 11:26.200 Chà, chúng tôi có một vài lựa chọn. 11:26.200 --> 11:31.240 Giá trị đầu ra có thể là giá trị liên tục, chẳng hạn như giá, nó có thể là nhị phân. 11:31.240 --> 11:35.950 Ví dụ, một người sẽ thoát hoặc sẽ ở lại hoặc nó có thể là một biến phân loại. 11:35.950 --> 11:41.440 Và nếu đó là một biến phân loại, phân loại, điều quan trọng cần nhớ ở đây là trong trường hợp đó, giá trị 11:41.440 --> 11:43.810 đầu ra của bạn sẽ không chỉ là một. 11:43.810 --> 11:49.420 Nó sẽ là một số giá trị đầu ra vì đây sẽ là một biến giả sẽ đại diện cho các 11:49.420 --> 11:50.500 danh mục của bạn. 11:51.220 --> 11:53.110 Và đó chỉ là cách nó hoạt động. 11:53.110 --> 11:59.020 Và điều quan trọng cần nhớ là trong trường hợp đó, đó là cách bạn sẽ đưa các danh mục 11:59.020 --> 12:01.570 của mình ra khỏi mạng nơ-ron nhân tạo. 12:02.560 --> 12:08.530 Nhưng hãy quay lại một trường hợp đơn giản của một giá trị đầu ra, và bây giờ chúng ta hãy thêm một điểm hoặc loại tương tự như điểm mà 12:09.070 --> 12:10.060 chúng ta đã thực hiện. 12:10.060 --> 12:16.090 Tôi chỉ muốn nhắc lại điểm này ở bên trái, bạn có một quan sát duy nhất, vì vậy một hàng cho bạn từ 12:16.090 --> 12:17.470 tập dữ liệu của bạn. 12:17.470 --> 12:19.630 Và ở bên phải, bạn cũng có một quan sát duy nhất. 12:19.630 --> 12:21.880 Và đó là cùng một quan sát. 12:21.880 --> 12:27.730 Vì vậy, điều quan trọng cần nhớ là giống như bất kỳ đầu vào nào bạn đang đưa vào, đó là cho một hàng và sau đó đầu ra 12:27.730 --> 12:29.920 bạn nhận được cho cùng một hàng chính xác đó. 12:29.920 --> 12:34.600 Hoặc nếu bạn đang đào tạo mạng nơ-ron của mình, thì bạn đang đưa các đầu vào cho một hàng đó, bạn đang 12:34.600 --> 12:36.190 đưa đầu ra cho một hàng đó. 12:36.190 --> 12:42.370 Vì vậy, giống như nếu bạn muốn đơn giản hóa độ phức tạp, hãy nghĩ về nó giống như một hồi quy tuyến tính đơn giản hoặc một 12:42.370 --> 12:43.900 hồi quy tuyến tính đa biến. 12:43.900 --> 12:47.790 Vì vậy, bạn đang đặt các giá trị của mình, bạn có đầu ra của mình. 12:48.300 --> 12:52.090 Điều này giống như không có câu hỏi về nó khi chúng ta nói về những thứ như hồi quy bởi vì chúng ta đã 12:52.090 --> 12:52.720 quá quen với nó. 12:52.720 --> 12:54.910 Điều tương tự ở đây, nó không có gì quá phức tạp. 12:54.910 --> 12:56.680 Chúng tôi chỉ đưa các giá trị vào, chúng tôi nhận được đầu ra. 12:56.680 --> 13:01.240 Nhưng chỉ cần nhớ rằng mỗi khi bạn đang xử lý một hàng để bạn không bị nhầm 13:01.240 --> 13:07.870 lẫn và bắt đầu nghĩ rằng đây là những vai trò khác nhau, khác nhau mà bạn đang đặt vào mạng nơ-ron nhân tạo của mình 13:07.870 --> 13:09.040 hoặc thứ gì đó. 13:09.040 --> 13:11.170 Đây là tất cả chỉ là các giá trị trong một hàng đó. 13:11.170 --> 13:16.750 Vì vậy, các quan sát khác nhau, các đặc điểm hoặc thuộc tính khác nhau liên quan đến một quan sát 13:16.750 --> 13:17.650 đó mỗi lần. 13:19.060 --> 13:19.320 Được chứ. 13:19.330 --> 13:24.940 Vì vậy, điều tiếp theo mà chúng tôi muốn nói đến ở đây là hay các khớp thần kinh, các xoang có ở đây không? 13:24.940 --> 13:27.940 Chúng ta có các xoang và tất cả chúng đều thực sự được ấn định trọng lượng. 13:28.360 --> 13:28.840 Trọng lượng. 13:28.840 --> 13:31.660 Chúng ta sẽ nói thêm về mức tạ. 13:31.660 --> 13:40.060 Nhưng nói tóm lại, trọng số rất quan trọng đối với mạng nơ-ron nhân tạo hoạt động bởi vì trọng số là cách 13:40.060 --> 13:41.530 mạng nơ-ron học hỏi. 13:41.530 --> 13:49.060 Bằng cách điều chỉnh trọng số, mạng nơ-ron quyết định trong mọi trường hợp tín hiệu đơn lẻ nào là quan trọng, tín hiệu nào không quan trọng đối với một 13:49.060 --> 13:53.290 tế bào thần kinh nhất định, tín hiệu nào được truyền đi và tín hiệu nào không 13:53.290 --> 13:57.520 được truyền đi hoặc cường độ nào, các tín hiệu được truyền đi ở mức độ nào. 13:57.520 --> 13:59.230 Vì vậy, trọng lượng là rất quan trọng. 13:59.230 --> 14:01.240 Họ đang có và họ đang có. 14:01.240 --> 14:03.520 Những điều được điều chỉnh thông qua quá trình học hỏi. 14:03.520 --> 14:07.690 Giống như khi bạn đào tạo một mạng nơ-ron nhân tạo, về cơ bản bạn đang điều chỉnh tất cả các 14:07.690 --> 14:10.780 trọng số trong tất cả các lần đăng ký trên toàn bộ mạng nơ-ron này. 14:10.780 --> 14:16.600 Và đó là nơi phát huy tác dụng của quá trình giảm độ dốc và lan truyền ngược. 14:16.600 --> 14:18.700 Và đó là những khái niệm mà chúng ta cũng sẽ thảo luận. 14:19.450 --> 14:21.220 Vì vậy, về cơ bản đó là những trọng lượng. 14:21.220 --> 14:22.780 Đó là tất cả những gì chúng ta cần biết lúc này. 14:22.870 --> 14:24.520 Và ở đây chúng ta có tế bào thần kinh. 14:24.520 --> 14:28.210 Vì vậy, các tín hiệu đi vào tế bào thần kinh và điều gì xảy ra trong tế bào thần kinh. 14:28.210 --> 14:30.460 Vì vậy, đây là phần thú vị. 14:30.460 --> 14:33.610 Giống như chúng ta đang nói về tế bào thần kinh ngày nay, điều gì xảy ra bên trong tế bào thần kinh. 14:33.610 --> 14:36.310 Vì vậy, một vài điều xảy ra điều đầu tiên. 14:36.310 --> 14:41.260 Và bước đầu tiên là tất cả các giá trị mà nó nhận được sẽ được cộng lại. 14:41.260 --> 14:43.450 Vì vậy, nó có được thêm vào. 14:43.720 --> 14:49.740 Vì vậy, tổng trọng số của tất cả các giá trị đầu vào nhận được rất đơn giản, phải không? 14:49.780 --> 14:51.130 Nó rất, rất đơn giản. 14:51.130 --> 14:56.950 Chỉ cần cộng nhân với trọng lượng, cộng chúng và sau đó nó áp dụng một chức năng kích hoạt. 14:56.950 --> 14:59.110 Bây giờ chúng ta sẽ nói thêm về các chức năng kích hoạt. 14:59.370 --> 15:04.710 Sâu hơn nữa, nhưng về cơ bản là một hàm được gán cho nơ-ron này hoặc cho toàn 15:05.100 --> 15:09.330 bộ lớp này và nó được áp dụng cho tổng có trọng số này. 15:09.330 --> 15:17.100 Và từ đó, nơ-ron hiểu liệu nó có cần truyền tín hiệu hay không, giống như tín hiệu mà 15:17.100 --> 15:22.170 nó truyền cho hàm được áp dụng cho tổng có trọng số. 15:22.170 --> 15:26.460 Nhưng về cơ bản tùy thuộc vào chức năng, tế bào thần kinh sẽ truyền một tín hiệu hoặc nó sẽ không truyền 15:26.460 --> 15:27.210 tín hiệu đó. 15:27.690 --> 15:34.380 Và đó chính xác là những gì đã xảy ra ở đây trong bước ba, nơ-ron truyền tín hiệu đó đến nơ-ron tiếp theo, và đó là 15:34.440 --> 15:39.030 điều chúng ta sẽ nói đến trong hướng dẫn tiếp theo, bởi vì nó là một chủ đề 15:39.030 --> 15:39.870 khá quan trọng. 15:39.870 --> 15:46.590 Chúng tôi muốn nghiên cứu sâu hơn về chức năng kích hoạt, nhưng hy vọng bây giờ mọi thứ sẽ khá rõ ràng làm thế nào bạn có 15:46.590 --> 15:51.540 các giá trị đầu vào, bạn có trọng lượng, bạn có xoang, bạn có điều gì đó xảy ra trong nơ-ron. 15:51.540 --> 15:55.620 , bạn đã có tổng trọng số, sau đó hàm kích hoạt được áp dụng và 15:55.620 --> 15:59.880 sau đó hàm đó được chuyển trên dòng và điều đó chỉ được lặp lại trong toàn bộ 15:59.880 --> 16:01.560 mạng nơ-ron, lặp đi lặp lại. 16:02.670 --> 16:06.900 Hàng nghìn, hàng trăm nghìn lần, tùy thuộc vào độ lớn, số lượng nơ-ron mà bạn có, bao nhiêu 16:06.900 --> 16:09.150 khớp thần kinh trong mạng lưới thần kinh của bạn. 16:09.270 --> 16:10.010 Vậy là xong. 16:10.020 --> 16:12.000 Hy vọng bạn thích hướng dẫn ngày hôm nay. 16:12.030 --> 16:13.170 Rất nóng lòng được gặp lại bạn lần sau. 16:13.170 --> 16:15.150 Và cho đến lúc đó, hãy tận hưởng việc học sâu.