WEBVTT

00:00.270 --> 00:02.640
Hola y bienvenidos al curso de aprendizaje profundo.

00:02.730 --> 00:05.140
Muy bien, hoy estamos hablando de la función de activación.

00:05.190 --> 00:07.010
Vamos directamente a eso.

00:07.020 --> 00:11.910
Así que aquí es donde lo dejamos anteriormente, hablamos sobre la estructura de una neurona.

00:12.030 --> 00:16.770
Entonces, ahí está, en el medio, sabemos que tiene algunos valores de entrada que vienen, tiene algunos

00:17.130 --> 00:23.370
pesos, luego se suma el camino para calcular la forma en que algunas de esas entradas y luego aplicar la función de

00:23.370 --> 00:24.690
activación en el paso 3.

00:24.750 --> 00:30.090
y entonces de eso estamos hablando. Estamos hablando del valor que se va a pasar.

00:30.090 --> 00:32.850
Transmite la señal para el próximo año

00:32.850 --> 00:35.970
Entonces, estamos hablando de la función de activación que se está aplicando.

00:36.390 --> 00:39.270
Entonces, ¿qué opciones tenemos para la función de activación?

00:39.270 --> 00:43.400
Bueno, vamos a ver cuatro tipos diferentes de funciones de activación entre las que puede elegir.

00:43.410 --> 00:47.400
Por supuesto, hay más tipos diferentes de funciones de activación, pero estas son las

00:47.400 --> 00:50.390
predominantes de las que escuchará y que usaremos en este curso.

00:50.400 --> 00:53.060
Entonces aquí está la función de umbral.

00:53.070 --> 00:54.300
Esto es lo que parece.

00:54.300 --> 00:59.600
Entonces, en el eje x tienes las entradas ponderadas en el eje y.

00:59.610 --> 01:07.320
Usted acaba de conocer los valores de 0 a 1 y básicamente las funciones de umbral son

01:07.330 --> 01:14.700
muy simples, escriba una función donde si el valor es menor que cero, entonces la libre.

01:14.730 --> 01:16.680
Gracias ssion pasa a cero.

01:16.890 --> 01:22.940
Si el valor es mayor que cero o igual a cero, la función de umbral se pone en a 1.

01:22.940 --> 01:26.910
Así que básicamente es como si no hubiera ningún tipo de función.

01:26.940 --> 01:29.130
Muy, muy directo.

01:29.130 --> 01:33.500
Muy parecido al tipo rígido de función, sí o no.

01:33.540 --> 01:35.000
No hay otras opciones

01:35.040 --> 01:35.510
Ahí vas.

01:35.510 --> 01:36.210
Asi es como funciona.

01:36.210 --> 01:37.440
Función muy simple.

01:37.440 --> 01:40.020
Pasemos a algo un poco más complejo.

01:40.020 --> 01:48.420
Ahora bien, esta función sigmoidea es una fórmula muy interesante que tenemos aquí. Verás ahora que hay una división por

01:48.420 --> 01:49.940
uno más cada uno.

01:49.950 --> 01:58.450
El poder de menos X, mientras que en este caso, por supuesto, X es el valor de las sumas del camino que se suman.

01:58.590 --> 02:00.540
Y así que sí.

02:00.570 --> 02:02.600
Así que esto es lo que parece el sigmoide.

02:02.610 --> 02:06.510
Es una función que se usa en la regresión logística.

02:06.510 --> 02:09.470
Si recuerdas del curso de aprendizaje automático.

02:09.540 --> 02:12.000
Entonces, lo bueno de esta función es que es suave.

02:12.060 --> 02:14.880
A diferencia de la función virtual.

02:14.970 --> 02:21.720
Éste no tiene esos dobleces en su curva y, por lo tanto, es una progresión gradual agradable y suave.

02:21.720 --> 02:26.340
Entonces, cualquier cosa por debajo de 0 es como caer por encima de cero.

02:26.340 --> 02:35.220
Actúa aproximándose a uno y esta función sigmoidea es muy útil en la capa de salida final de

02:35.220 --> 02:35.590
Lehren.

02:35.610 --> 02:38.900
Especialmente cuando intentas predecir probabilidades.

02:38.910 --> 02:40.820
Y lo veremos durante todo el curso.

02:41.190 --> 02:47.370
Y luego tenemos la función de rectificador rectificador de función a pesar de que tiene una

02:47.370 --> 02:55.090
torcedura es una de las funciones más populares para redes neuronales artificiales por lo que va hasta cero es cero.

02:55.110 --> 03:02.460
del curso veremos eso en otros tutoriales de intuición y también veremos cómo usamos esta función en el lado práctico del curso y

03:02.460 --> 03:07.140
Voy a comentar sobre esto un poco más en algunas diapositivas a partir de ahora.

03:07.140 --> 03:13.020
Y a partir de ahí, progresa gradualmente a medida que aumenta el valor de entrada y veremos que a

03:13.020 --> 03:13.590
lo largo

03:13.590 --> 03:18.970
Así que recuerde que la función de fuego directo es una de las funciones más utilizadas en redes neuronales artificiales.

03:19.020 --> 03:22.770
Y finalmente tenemos una función más de la que probablemente sabrá hablar.

03:22.830 --> 03:25.220
Es la función de la tangente hiperbólica.

03:25.260 --> 03:32.760
Es muy similar a la función sigmoidea, pero aquí la función de la tangente hiperbólica va por debajo de cero, por lo que los

03:32.760 --> 03:39.510
valores van de 0 a 1 o aproximadamente 2 1 y pasan de cero a menos 1 en el otro lado.

03:39.750 --> 03:42.360
Y eso puede ser útil en algunas aplicaciones.

03:42.390 --> 03:48.060
Por lo tanto, no vamos a profundizar en cada una de estas funciones. Solo quería familiarizarlas

03:48.060 --> 03:51.680
con ellas para que sepan cómo son y cómo se llaman.

03:51.780 --> 03:59.690
Si desea obtener lecturas adicionales, consulte este artículo en un lote de 75 años.

03:59.820 --> 04:05.630
¿Ha llamado mucho Deep Deep dispersa redes neuronales 2000 papel.

04:05.790 --> 04:14.700
Y allí sabrá exactamente por qué la función del rectificador es una función tan valiosa por qué se

04:14.970 --> 04:16.300
usa tan popularmente.

04:16.350 --> 04:20.640
Pero, de todos modos, por ahora no necesitamos saber todas esas cosas.

04:20.650 --> 04:24.240
Por ahora, vamos a comenzar a aplicarlos, y cada vez los usamos más y más.

04:24.270 --> 04:31.290
Entonces, cuando se sienta cómodo con el aspecto práctico de las cosas, puede ir y consultar este

04:31.290 --> 04:37.140
documento y luego podrá asimilar ese conocimiento mucho más rápido y tendrá mucho más sentido.

04:37.370 --> 04:42.000
Pero ten esto en cuenta que cuando estés listo cuando sientas que estás listo, entonces puedes ir

04:42.120 --> 04:45.060
a la investigación y obtener un valioso conocimiento de ellos.

04:45.540 --> 04:53.070
Así que solo para recapitular rápidamente tenemos la función de activación de umbral que funciona así: la función de

04:53.100 --> 04:55.360
activación sigmoidea que se ve así.

04:55.680 --> 05:01.770
Tenemos la función de rectificador y tenemos la función de tangente hiperbólica y ahora para finalizar

05:01.770 --> 05:09.000
este tutorial Hagamos rápidamente algunos ejercicios, así que hagamos dos ejercicios rápidos para ayudar a que ese conocimiento se hunda.

05:09.000 --> 05:09.150
 

05:09.150 --> 05:15.140
Así que lo primero es que tenemos un ejemplo aquí de una red neuronal de una sola neurona y de inmediato la

05:15.160 --> 05:16.030
capa de salida.

05:16.140 --> 05:22.620
Y la pregunta es suponer que su variable dependiente es binaria. Por lo tanto, es 0 o 1 qué función

05:22.620 --> 05:23.780
de umbral usaría.

05:23.790 --> 05:31.980
Así que, de los que hemos discutido, tenemos una función de umbral, la función sigmoide,

05:31.980 --> 05:39.480
la función rectificadora y tenemos la función de tangente hiperbólica en sus formas de

05:39.480 --> 05:43.450
rollo, cuáles podría usar para una variable binaria.

05:43.950 --> 05:44.410
DE ACUERDO.

05:44.490 --> 05:49.360
Entonces, las respuestas aquí son dos opciones con las que podemos abordar esto.

05:49.380 --> 05:55.790
Entonces, una es la función de activación del umbral porque sabemos que está entre 0 y 1 y nos da 0 paraguas

05:55.800 --> 06:00.090
Anderson y luego, si no, te da una vez que solo puede darte dos valores.

06:00.090 --> 06:10.020
Se ajusta perfectamente a este requisito perfectamente y por lo tanto usted podría decir que y es igual a la función de umbral

06:10.020 --> 06:13.770
de su influencia para algunos y eso es todo.

06:14.010 --> 06:18.450
Y en el segundo caso que podría usar es la función de activación sigmoidea.

06:18.450 --> 06:21.710
De hecho, también es entre 0 y 1 justo lo que necesitamos.

06:21.750 --> 06:29.940
Pero, al mismo tiempo, lo que desea es solo un derecho, por lo que no es exactamente lo que

06:29.940 --> 06:37.530
necesitamos, pero en este caso puede usarlo como la probabilidad de que Y sea sí o no.

06:37.530 --> 06:46.170
Entonces queremos que Y sea 0 1, pero en su lugar diremos que la función de activación Simoun de la función sigmoidea

06:46.170 --> 06:51.860
nos dice si nos indicaría la probabilidad de que Y sea igual a 1.

06:51.870 --> 06:59.130
Así que, básicamente, cuanto más cerca se llega a la cima, más probable es que esto sea de hecho uno o un sí en

06:59.160 --> 07:00.300
lugar de un no.

07:00.750 --> 07:04.700
Y sí, eso es muy similar al enfoque de regresión logística.

07:04.920 --> 07:07.570
Y esos son solo dos ejemplos.

07:07.650 --> 07:09.610
Si tienes una variable binaria

07:10.120 --> 07:12.810
Ahora echemos un vistazo a otra aplicación práctica.

07:12.810 --> 07:17.190
Echemos un vistazo a cómo se llevaría a cabo todo esto si tuviéramos todo lo natural de esta manera.

07:17.430 --> 07:20.960
Entonces en la primera capa tenemos algunas entradas.

07:20.980 --> 07:26.060
Se envían a nuestra primera capa oculta y luego se aplica una función de activación.

07:26.070 --> 07:31.380
Y por lo general, lo que aplicaría aquí y lo que verá a lo largo de Scorsese aplicará una

07:31.410 --> 07:34.510
función de activación del rectificador para que se vea algo así.

07:34.530 --> 07:40.980
capa de salida donde se aplicaría la función de activación sigmoidea y esa sería nuestra salida final.

07:40.980 --> 07:46.820
Aplicamos la función de activación del rectificador y desde allí las señales se transmitirán a la

07:46.830 --> 07:51.270
Y eso podría predecir una probabilidad, por ejemplo, así que esta combinación va

07:51.600 --> 07:58.640
a ser bastante común cuando en las capas ocultas aplicamos la función rectificadora y luego emitimos allí aplicamos la función sigmoidea.

07:58.890 --> 07:59.850
Entonces ahí vamos

07:59.850 --> 08:05.040
Espero que hayas disfrutado este tutorial ahora que eres bastante versado en cuatro tipos diferentes de funciones

08:05.040 --> 08:11.130
de activación y que obtendrás algunas manos de la experiencia práctica con ellos a lo largo de este curso; los

08:11.220 --> 08:15.900
usarás por todas partes para que puedas conocerlos bastante íntimamente. y deberías estar bastante cómodo

08:15.900 --> 08:16.310
con ellos.

08:16.530 --> 08:22.230
Pero por ahora, este es el conocimiento que necesita para progresar y comprender lo que va a suceder más

08:22.250 --> 08:23.600
adelante en este curso.

08:23.940 --> 08:26.940
Y en esa nota, espero verte la próxima vez.

08:26.940 --> 08:28.560
Hasta entonces disfruta el aprendizaje.