WEBVTT

00:00.270 --> 00:02.640
Olá e bem-vindo de volta ao curso sobre aprendizagem profunda.

00:02.730 --> 00:05.140
Tudo bem hoje estamos falando sobre a função de ativação.

00:05.190 --> 00:07.010
Vamos direto para ele.

00:07.020 --> 00:11.910
Então, é onde nós deixamos anteriormente, falamos sobre a estrutura de um neurônio.

00:12.030 --> 00:16.770
Então, está no meio, sabemos que tem alguns valores de insumos que chegam, ele tem alguns

00:17.130 --> 00:23.370
pesos, então ele acrescenta o caminho para calcular a maneira como algumas dessas entradas e, em seguida, aplicar a função de

00:23.370 --> 00:24.690
ativação na etapa 3.

00:24.750 --> 00:30.090
próximo ano e, daí estamos falando sobre o valor que vai ser passado.

00:30.090 --> 00:32.850
Ele passa o sinal para o

00:32.850 --> 00:35.970
Então estamos falando sobre a função de ativação que está sendo aplicada.

00:36.390 --> 00:39.270
Então, quais são as opções para a função de ativação?

00:39.270 --> 00:43.400
Bem, nós vamos ver quatro tipos diferentes de funções de ativação que você pode escolher.

00:43.410 --> 00:47.400
Claro que existem mais tipos diferentes de função de ativação, mas estes são os que predominam

00:47.400 --> 00:50.390
sobre o qual você estará ouvindo e que estaremos usando neste curso.

00:50.400 --> 00:53.060
Então, aqui está a função limiar.

00:53.070 --> 00:54.300
Isto é o que parece.

00:54.300 --> 00:59.600
Então, no eixo x, você apresentou algumas das entradas no eixo y.

00:59.610 --> 01:07.320
Você só conhece os valores de 0 a 1 e, basicamente, as funções de limiar são muito

01:07.330 --> 01:14.700
simples, digite uma função em que, se o valor for inferior a zero, então, o livre.

01:14.730 --> 01:16.680
Obrigado ssion passa em zero.

01:16.890 --> 01:22.940
Se o valor for superior a zero ou igual a zero, a função de limiar irá aparecer em um 1.

01:22.940 --> 01:26.910
Então, é basicamente tipo de sim, sem nenhum tipo de função.

01:26.940 --> 01:29.130
Muito, muito direto.

01:29.130 --> 01:33.500
Muito tipo de tipo rígido de função sim ou não.

01:33.540 --> 01:35.000
Não há outras opções.

01:35.040 --> 01:35.510
Então, você vai.

01:35.510 --> 01:36.210
É assim que funciona.

01:36.210 --> 01:37.440
Função muito simples.

01:37.440 --> 01:40.020
Vamos passar para algo um pouco mais complexo.

01:40.020 --> 01:48.420
Agora, esta fórmula sigmoidal fórmula muito interessante que temos aqui, você verá agora que existe uma divisão

01:48.420 --> 01:49.940
por mais uma.

01:49.950 --> 01:58.450
O poder de menos X, enquanto que neste caso, é claro, X é o valor das somas da forma que somas.

01:58.590 --> 02:00.540
E sim, sim.

02:00.570 --> 02:02.600
Então, é assim que o sigmoide se parece.

02:02.610 --> 02:06.510
É uma função que é usada na regressão logística.

02:06.510 --> 02:09.470
Se você se lembra do curso de aprendizado da máquina.

02:09.540 --> 02:12.000
Então, o que é bom sobre esta função é que é suave.

02:12.060 --> 02:14.880
Ao contrário da função virtual.

02:14.970 --> 02:21.720
Este não tem as curvas em sua curva e, portanto, é apenas uma progressão gradual agradável e suave.

02:21.720 --> 02:26.340
Então qualquer coisa abaixo de 0 é exatamente como cai acima de zero.

02:26.340 --> 02:35.220
Ele age aproximado para um e esta função sigmoide é muito útil na Lehren final, a camada de

02:35.220 --> 02:35.590
saída.

02:35.610 --> 02:38.900
Especialmente quando você está tentando prever probabilidades.

02:38.910 --> 02:40.820
E veremos isso ao longo do curso.

02:41.190 --> 02:47.370
E então, temos a função de retificador da função de retificador mesmo que tenha uma torção

02:47.370 --> 02:55.090
é uma das funções mais populares para redes neurais artificiais, portanto, ele é todo zero para zero é zero.

02:55.110 --> 03:02.460
longo do curso, veremos isso em outros tutoriais de intuição e também veremos como usamos essa função no lado prático do curso e

03:02.460 --> 03:07.140
Eu vou comentar sobre isso um pouco mais em alguns slides a partir de agora.

03:07.140 --> 03:13.020
E então, a partir daí, progride gradualmente à medida que o valor de entrada também aumenta e veremos

03:13.020 --> 03:13.590
que, ao

03:13.590 --> 03:18.970
Então, lembre-se de que a função de fogo direto é uma das funções mais utilizadas nas redes neurais artificiais.

03:19.020 --> 03:22.770
E, finalmente, temos mais uma função sobre a qual você provavelmente vai ouvir.

03:22.830 --> 03:25.220
É a função tangente hiperbólica.

03:25.260 --> 03:32.760
É muito semelhante à função sigmoide, mas aqui a função tangente hiperbólica fica abaixo de zero, de modo que os valores

03:32.760 --> 03:39.510
variam de 0 a 1 ou aproximadamente 2 1 e vão de zero a menos 1 no outro lado.

03:39.750 --> 03:42.360
E isso pode ser útil em algumas aplicações.

03:42.390 --> 03:48.060
Então, não vamos entrar em profundidade demais em cada uma dessas funções. Eu queria apenas conhecê-las para que

03:48.060 --> 03:51.680
você conhecesse o que elas pareciam e o que elas chamam.

03:51.780 --> 03:59.690
Se você gostaria de obter alguma leitura adicional, então verifique este artigo por um lote de 75 anos.

03:59.820 --> 04:05.630
Você muito chamado Deep sparse retifica o papel das redes neurais 2000.

04:05.790 --> 04:14.700
E lá você descobrirá exatamente por que a função de retificador é uma função tão valiosa porque é

04:14.970 --> 04:16.300
tão popularmente usado.

04:16.350 --> 04:20.640
Mas, no entanto, por enquanto, nós realmente não precisamos saber todas essas coisas.

04:20.650 --> 04:24.240
Por enquanto, vamos começar a aplicá-los, e você começa a usá-los cada vez mais.

04:24.270 --> 04:31.290
E então, quando você se sente confortável com o lado prático das coisas, você pode ir e se referir a

04:31.290 --> 04:37.140
este artigo e então você poderá absorver esse conhecimento muito mais rápido e terá muito mais sentido.

04:37.370 --> 04:42.000
Mas tenha em mente que, quando estiver pronto quando sentir que está pronto, você pode

04:42.120 --> 04:45.060
ir e pesquisar papel e obter algum conhecimento valioso deles.

04:45.540 --> 04:53.070
Então, apenas para recapitular rapidamente, temos a função de ativação do limiar que é como essa a função de ativação

04:53.100 --> 04:55.360
sigmoide que se parece com isso.

04:55.680 --> 05:01.770
Nós temos a função de retificador e temos a função tangente hiperbólica e agora para

05:01.770 --> 05:09.000
concluir este tutorial. Vamos fazer alguns exercícios, então apenas faça dois exercícios rápidos para ajudar esse conhecimento a entrar.

05:09.000 --> 05:09.150
 

05:09.150 --> 05:15.140
Então, primeiro, temos um exemplo aqui de uma rede neural de apenas um neurônio e, de imediato, a

05:15.160 --> 05:16.030
camada de saída.

05:16.140 --> 05:22.620
E a questão é assumir que sua variável dependente é binária. Então, é 0 ou 1 qual função de

05:22.620 --> 05:23.780
limite você usaria.

05:23.790 --> 05:31.980
Então, fora dos que discutimos, temos uma função de limiar, a função sigmoid da função

05:31.980 --> 05:39.480
retificadora e a função tangente hiperbólica está em suas formas de rolo, quais você

05:39.480 --> 05:43.450
seria capaz de usar para uma variável binária.

05:43.950 --> 05:44.410
ESTÁ BEM.

05:44.490 --> 05:49.360
Então, as respostas aqui são duas opções com as quais podemos abordar isso.

05:49.380 --> 05:55.790
Portanto, uma é a função de ativação do limite, porque sabemos que está entre 0 e 1 e nos dá 0 guarda-chuvas de Anderson

05:55.800 --> 06:00.090
e então, de outra forma, isso lhe dá uma vez que só pode dar-lhe dois valores.

06:00.090 --> 06:10.020
Ele se adapta perfeitamente a este requisito perfeitamente e, portanto, você poderia dizer que é igual à função de limiar

06:10.020 --> 06:13.770
de seu alcance para alguns e é isso.

06:14.010 --> 06:18.450
E no segundo caso que você poderia usar é a função de ativação sigmoide.

06:18.450 --> 06:21.710
Na verdade, também está entre 0 e 1 exatamente o que precisamos.

06:21.750 --> 06:29.940
Mas ao mesmo tempo que você quer é apenas um direito, então você não é exatamente o que

06:29.940 --> 06:37.530
precisamos, mas neste caso, você poderia usá-lo, como é a probabilidade de Y ser sim ou não.

06:37.530 --> 06:46.170
Então, queremos que Y seja 0 1, mas, em vez disso, diremos que a função de ativação simon da

06:46.170 --> 06:51.860
função sigmoide nos diz se a probabilidade de Y ser igual a 1.

06:51.870 --> 06:59.130
Então, basicamente, quanto mais perto você chegar ao topo, mais provável é que este seja realmente um ou um sim, e

06:59.160 --> 07:00.300
não um não.

07:00.750 --> 07:04.700
E sim, isso é muito parecido com a abordagem de regressão logística.

07:04.920 --> 07:07.570
E esses são apenas dois exemplos.

07:07.650 --> 07:09.610
Se você tem uma variável binária.

07:10.120 --> 07:12.810
Agora vamos dar uma olhada em outra aplicação prática.

07:12.810 --> 07:17.190
Vamos dar uma olhada em como tudo isso iria jogar se tivéssemos em seu todo natural, como este.

07:17.430 --> 07:20.960
Então, na primeira camada, temos algumas entradas.

07:20.980 --> 07:26.060
Eles são enviados para a nossa primeira camada oculta e, em seguida, uma função de ativação é aplicada.

07:26.070 --> 07:31.380
E, geralmente, o que você aplicaria aqui e o que você verá ao longo do Scorsese aplicará uma

07:31.410 --> 07:34.510
função de ativação de retificador para que pareça ser assim.

07:34.530 --> 07:40.980
camada de saída onde a função de ativação sigmoid seria aplicada e essa seria a nossa saída final.

07:40.980 --> 07:46.820
Aplicamos a função de ativação do retificador e, a partir daí, os sinais serão transmitidos para a

07:46.830 --> 07:51.270
E isso poderia prever uma probabilidade, por exemplo, então essa combinação será

07:51.600 --> 07:58.640
bastante comum em que, nas camadas ocultas, aplicamos a função retificadora e, em seguida, a saída, aplicamos a função sigmoid.

07:58.890 --> 07:59.850
Então vamos lá.

07:59.850 --> 08:05.040
Espero que você tenha gostado deste tutorial agora que você está bastante bem versado em quatro tipos

08:05.040 --> 08:11.130
diferentes de funções de ativação e você terá alguma experiência prática com eles ao longo deste curso, será usá-los em

08:11.220 --> 08:15.900
todo o lugar para que você conheça-os intimamente e você deve estar bastante à vontade

08:15.900 --> 08:16.310
com eles.

08:16.530 --> 08:22.230
Mas, por enquanto, esse é o conhecimento que você precisa para progredir e entender o que ele vai estar

08:22.250 --> 08:23.600
acontecendo mais abaixo neste curso.

08:23.940 --> 08:26.940
E, naquela nota, espero vê-lo na próxima vez.

08:26.940 --> 08:28.560
Até então, aproveite a aprendizagem.