WEBVTT 00:00.270 --> 00:02.640 Bună ziua și bun venit înapoi la cursul de învățare profundă. 00:02.730 --> 00:05.140 În regulă astăzi vorbim despre funcția de activare. 00:05.190 --> 00:07.010 Să intrăm direct în ea. 00:07.020 --> 00:11.910 Deci, aici ne-am oprit anterior, am vorbit despre structura unui neuron. 00:12.030 --> 00:16.770 Deci, acolo este în mijloc știm că are unele valori de intrare care vin în ea are 00:17.130 --> 00:23.370 unele greutăți, apoi se adaugă modul de a calcula modul în care unele dintre aceste intrări și apoi se aplică funcția de 00:23.370 --> 00:24.690 activare în pasul 3. 00:24.750 --> 00:30.090 Acesta transmite semnalul până în anul următor și apoi despre asta vorbim astăzi despre 00:30.090 --> 00:32.850 valoarea ce urmează a fi trecută. 00:32.850 --> 00:35.970 Deci vorbim de funcția de activare care se aplică. 00:36.390 --> 00:39.270 Deci, ce opțiuni avem pentru funcția de activare. 00:39.270 --> 00:43.400 Ei bine, vom analiza patru tipuri diferite de funcții de activare de care puteți alege. 00:43.410 --> 00:47.400 Desigur, există mai multe tipuri diferite de funcții de activare, dar acestea sunt cele predominante pe 00:47.400 --> 00:50.390 care le veți auzi și despre care vom folosi acest curs. 00:50.400 --> 00:53.060 Deci, aici este funcția de prag. 00:53.070 --> 00:54.300 Asa arata. 00:54.300 --> 00:59.600 Deci, pe axa x aveți cântărite câteva intrări pe axa y. 00:59.610 --> 01:07.320 Numai tu stii valorile de la 0 la 1 si practic functiile prag sunt foarte simple 01:07.330 --> 01:14.700 tip o functie in cazul in care valoarea este mai mica decat zero atunci libera. 01:14.730 --> 01:16.680 Multumesc Ssion trece la zero. 01:16.890 --> 01:22.940 Dacă valoarea este mai mare de zero sau egală cu zero, atunci funcția prag pusses pe a 1. 01:22.940 --> 01:26.910 Deci este un fel de funcții ca da. 01:26.940 --> 01:29.130 Foarte foarte simplu. 01:29.130 --> 01:33.500 Foarte un fel de tip rigid de funcție, fie da, fie nu. 01:33.540 --> 01:35.000 Nu există alte opțiuni. 01:35.040 --> 01:35.510 Deci te duci acolo. 01:35.510 --> 01:36.210 Așa funcționează. 01:36.210 --> 01:37.440 Funcție foarte simplă. 01:37.440 --> 01:40.020 Să trecem la ceva mai complex. 01:40.020 --> 01:48.420 Acum, această funcție sigmoidă este o formulă foarte interesantă pe care o vedem aici, veți vedea că acum există o diviziune de câte 01:48.420 --> 01:49.940 unul plus fiecare. 01:49.950 --> 01:58.450 Puterea lui minus X, în timp ce în acest caz, desigur, X este valoarea sumelor modului în care sumează. 01:58.590 --> 02:00.540 Și așa da. 02:00.570 --> 02:02.600 Așa arată sigmoidul. 02:02.610 --> 02:06.510 Este o funcție care este utilizată în regresia logistică. 02:06.510 --> 02:09.470 Dacă vă amintiți din cursul de învățare a mașinilor. 02:09.540 --> 02:12.000 Deci, ce este bun despre această funcție este că este netedă. 02:12.060 --> 02:14.880 Spre deosebire de funcția virtuală. 02:14.970 --> 02:21.720 Aceasta nu are acele curbe în curbă și, prin urmare, este doar o progresie progresivă și plăcută. 02:21.720 --> 02:26.340 Deci nimic sub 0 este la fel ca și picăturile deasupra zero. 02:26.340 --> 02:35.590 Acționează aproximat față de una și această funcție sigmoid este foarte utilă în stratul final de ieșire Lehren. 02:35.610 --> 02:38.900 Mai ales când încercați să prezicați probabilități. 02:38.910 --> 02:40.820 Și vom vedea asta pe toată durata cursului. 02:41.190 --> 02:47.370 Apoi, avem funcția de redresor a funcției redresorului, chiar dacă are o răscruce este 02:47.370 --> 02:55.090 una dintre cele mai populare funcții pentru rețelele neuronale artificiale, așa că merge până la zero este zero. 02:55.110 --> 03:02.460 Apoi, de acolo progresează treptat, pe măsură ce crește și valoarea de intrare și vom vedea că pe parcursul cursului vom vedea 03:02.460 --> 03:07.140 că în alte tutoriale de intuiție și vedem de asemenea cum folosim această funcție 03:07.140 --> 03:13.020 în partea practică a cursului și Voi comenta acest lucru un pic mai mult în câteva diapozitive de 03:13.020 --> 03:13.590 acum. 03:13.590 --> 03:18.970 Așa că amintiți-vă că funcția de foc direct este una dintre cele mai utilizate funcții în rețelele neuronale artificiale. 03:19.020 --> 03:22.770 Și în sfârșit avem o funcție pe care probabil o veți auzi. 03:22.830 --> 03:25.220 Este funcția hiperbolică tangentă. 03:25.260 --> 03:32.760 Este foarte similar cu funcția sigmoidă, dar aici funcția hiperbolică tangentă se află sub zero, astfel încât valorile variază de la 03:32.760 --> 03:39.510 0 la 1 sau aproximativ 2 1 și merg de la zero la minus 1 pe cealaltă parte. 03:39.750 --> 03:42.360 Și acest lucru poate fi util în unele aplicații. 03:42.390 --> 03:48.060 Deci, nu vom merge prea mult în fiecare dintre aceste funcții, am vrut doar să vă familiarizez cu 03:48.060 --> 03:51.680 ei, astfel încât să știți cum arată și cum se numește. 03:51.780 --> 03:59.690 Dacă doriți să obțineți o lectură suplimentară, atunci verificați această lucrare cu un lot de 75 de ani. 03:59.820 --> 04:05.630 V-ați numit foarte mult Deep sparse rectifică hârtia rețelelor neuronale 2000. 04:05.790 --> 04:14.700 Și acolo veți afla exact de ce funcția de redresor este o funcție atât de valoroasă pentru care este atât de folosită 04:14.970 --> 04:16.300 în mod obișnuit. 04:16.350 --> 04:20.640 Dar, totuși, deocamdată nu avem nevoie să cunoaștem toate aceste lucruri. 04:20.650 --> 04:24.240 Pentru moment, vom începe să le aplicăm, pe care le începeți să le folosiți din ce în ce mai mult. 04:24.270 --> 04:31.290 Și atunci când vă simțiți confortabil cu aspectul practic al lucrurilor, atunci puteți merge și vă puteți referi la această lucrare și apoi 04:31.290 --> 04:37.140 veți putea să vă îmbogățiți în cunoașterea aceasta mult mai rapid și veți avea mult mai multă sens. 04:37.370 --> 04:42.000 Dar trebuie doar să țineți cont de faptul că atunci când sunteți gata atunci când simțiți că sunteți gata, atunci puteți 04:42.120 --> 04:45.060 merge și cercetați hârtie și obțineți niște cunoștințe valoroase de la ei. 04:45.540 --> 04:53.070 Deci, doar pentru a recapita rapid avem funcția de activare a pragului care merge astfel ca funcția de 04:53.100 --> 04:55.360 activare sigmoid care arată astfel. 04:55.680 --> 05:01.770 Avem funcția de redresor și avem funcția hiperbolică tangentă și acum pentru a termina acest tutorial 05:01.770 --> 05:09.150 Să facem rapid câteva exerciții, așa că faceți doar două exerciții rapide pentru a ajuta acea cunoaștere să se scufunde. 05:09.150 --> 05:15.140 Primul este că avem un exemplu aici despre o rețea neuronală de un singur neuron și imediat stratul 05:15.160 --> 05:16.030 de ieșire. 05:16.140 --> 05:22.620 Iar întrebarea presupune că variabila dependentă este binară Deci, este 0 sau 1 la care funcția de 05:22.620 --> 05:23.780 prag ai folosi. 05:23.790 --> 05:31.980 Deci, dintre cei pe care le-am discutat avem o funcție de prag, funcția sigmoidă a 05:31.980 --> 05:39.480 funcției redresoare și avem funcția hiperbolică tangentă în formularele sale pe role pe care 05:39.480 --> 05:43.450 le-ați putea folosi pentru o variabilă binară. 05:43.950 --> 05:44.410 O.K. 05:44.490 --> 05:49.360 Deci, răspunsurile de aici sunt două opțiuni pe care le putem aborda. 05:49.380 --> 05:55.790 Deci, unul este funcția de activare a pragului, deoarece știm că este între 0 și 1 și ne dă umbrele Anderson și 05:55.800 --> 06:00.090 atunci altfel vă dă o singură dată când vă poate da doar două valori. 06:00.090 --> 06:10.020 Aceasta se potrivește perfect perfect acestei cerințe și, prin urmare, ați putea spune că y este egală cu funcția de prag a 06:10.020 --> 06:13.770 influenței dvs. pentru unii și asta este. 06:14.010 --> 06:18.450 Și în al doilea caz pe care l-ați putea folosi este funcția de activare sigmoidală. 06:18.450 --> 06:21.710 Este, de fapt, între 0 și 1 doar ceea ce avem nevoie. 06:21.750 --> 06:29.940 Dar în același timp doriți să aveți doar un drept, astfel încât nu este exact ceea ce avem nevoie, dar 06:29.940 --> 06:37.530 în acest caz pe care îl puteți folosi, ca și probabilitatea ca Y să fie da sau nu. 06:37.530 --> 06:46.170 Deci vrem ca Y să fie 0 1, dar în schimb vom spune că funcția sigmoidă a funcției Simoun de activare ne 06:46.170 --> 06:51.860 spune dacă ne va spune despre probabilitatea ca Y să fie egal cu 1. 06:51.870 --> 06:59.130 Deci, cu cât sunteți mai aproape de vârf, cu atât este mai probabil ca acesta să fie într-adevăr unul sau mai mult 06:59.160 --> 07:00.300 decât unul nu. 07:00.750 --> 07:04.700 Și da, așa este foarte asemănător cu abordarea logistică de regresie. 07:04.920 --> 07:07.570 Și acestea sunt doar două exemple. 07:07.650 --> 07:09.610 Dacă aveți o variabilă binară. 07:10.120 --> 07:12.810 Acum, să aruncăm o privire la o altă aplicație practică. 07:12.810 --> 07:17.190 Să aruncăm o privire la modul în care s-ar juca toate astea dacă am avea în toate aceste lucruri naturale. 07:17.430 --> 07:20.960 Deci, în primul strat avem câteva intrări. 07:20.980 --> 07:26.060 Ele sunt trimise la primul nostru strat ascuns și apoi este activată o funcție de activare. 07:26.070 --> 07:31.380 Și, de obicei, ceea ce ați aplica aici și ceea ce veți vedea pe parcursul Scorsese va aplica o 07:31.410 --> 07:34.510 funcție de activare a redresorului, astfel încât ar arăta așa ceva. 07:34.530 --> 07:40.980 Aplicăm funcția de activare a redresorului și apoi de acolo semnalele vor fi transmise pe stratul de ieșire 07:40.980 --> 07:46.820 unde se va aplica funcția de activare sigmoidală și aceasta ar fi rezultatul nostru final. 07:46.830 --> 07:51.270 Și acest lucru ar putea prezice o probabilitate de exemplu, astfel încât această combinație va 07:51.600 --> 07:58.640 fi destul de comună în cazul în care în straturile ascunse vom aplica funcția de redresor și apoi de ieșire acolo vom aplica funcția sigmoid. 07:58.890 --> 07:59.850 Așa că mergem. 07:59.850 --> 08:05.040 Sper că v-ați bucurat de acest tutorial acum sunteți destul de bine versat în patru tipuri diferite de funcții de 08:05.040 --> 08:11.130 activare și veți obține unele mâini pe experiența practică cu ei pe tot parcursul acestui curs va fi folosirea lor peste tot, astfel 08:11.220 --> 08:15.900 încât veți ajunge să-i cunoască destul de intim și ar trebui să fii destul de confortabil cu 08:15.900 --> 08:16.310 ei. 08:16.530 --> 08:22.230 Dar, pentru moment, aceasta este cunoașterea pe care trebuie să o progresați și să înțelegeți ce se va întâmpla mai 08:22.250 --> 08:23.600 departe în acest curs. 08:23.940 --> 08:26.940 Și în acea notă aștept cu nerăbdare să vă văd data viitoare. 08:26.940 --> 08:28.560 Până atunci, bucurați-vă de învățare.