WEBVTT 00:00.840 --> 00:05.380 Bună ziua și bun venit înapoi la curs și învățare profundă acum că am văzut rețelele dvs. în 00:05.440 --> 00:08.280 acțiune este timpul pentru noi pentru a afla cum au învățat. 00:08.470 --> 00:10.480 Așa că hai să intrăm în ea. 00:10.510 --> 00:16.100 Acestea sunt două abordări fundamental diferite pentru a obține un program pentru a face ceea ce doriți să facă. 00:16.240 --> 00:25.120 Una este codarea greu codificată, unde spuneți regulile specifice programului și rezultatele pe care le doriți. 00:25.120 --> 00:30.940 Și tocmai îl îndrumați pe tot parcursul și vă explicați toate opțiunile posibile cu care 00:30.940 --> 00:33.130 trebuie să se ocupe programul. 00:33.310 --> 00:41.320 Pe de altă parte, aveți rețele neuronale în care creați o facilitate pentru ca programul să poată înțelege ce 00:41.800 --> 00:43.530 trebuie să facă singur. 00:43.530 --> 00:50.080 Deci, în principiu, creați această rețea neurală, unde ați furnizat intrări, îi spuneți ceea ce doriți ca ieșiri și apoi l-ați 00:50.110 --> 00:53.050 lăsat să se gândească totul pe cont propriu. 00:53.350 --> 00:59.890 Două abordări fundamental diferite și care este ceva de reținut în timp ce trecem prin 00:59.890 --> 01:00.850 aceste tutoriale. 01:00.850 --> 01:06.180 Scopul nostru este de a crea această rețea, care apoi învață pe cont propriu. 01:06.220 --> 01:14.570 Vom evita încercarea de a pune în aplicare regulile și un bun exemplu pe care vă pot da acum este că acest lucru va veni mai 01:14.680 --> 01:18.680 departe în curs, dar este doar un exemplu foarte vizual, de exemplu. 01:18.700 --> 01:25.690 Cum distingeți între o blană de câine și pisică pe partea stângă a procesului descris în stânga pe care ați programa 01:25.690 --> 01:33.250 lucrurile cum ar fi urechile pisicilor trebuie să fie asemănătoare cu acest aspect pentru ca musturile să aibă grijă de acest tip de 01:33.250 --> 01:39.530 nas căutați acest tip de formă a feței căutați pentru aceste culori pe care le-ați descrie toate aceste lucruri 01:39.530 --> 01:45.310 și veți avea condiții ca și cum ar fi dacă urechile sunt mai proeminente decât pisica dacă 01:45.310 --> 01:49.600 urechile sunt înclinate în jos și, eventual, câine și așa mai departe. 01:49.600 --> 01:55.090 Pe de altă parte, pentru o rețea neuronală, codificați rețelele neuronale pe care le codificați arhitectura și 01:55.090 --> 02:01.030 apoi direcționați rețeaua neuronală într-un dosar cu toate aceste pisici și câini cu imagini de pisici și câini care 02:01.030 --> 02:06.580 sunt deja clasificate și le spuneți OK Te-am prins Am niște imagini de pisici și câini care merg 02:06.880 --> 02:08.860 și află ce este o pisică. 02:08.860 --> 02:10.560 Du-te și învățați ce este un câine. 02:10.600 --> 02:16.000 Și rețeaua neuronală va înțelege singură tot ce are nevoie să înțeleagă și apoi să-și coboare din nou, odată 02:16.000 --> 02:20.950 pregătită, când îi dă o nouă imagine a unei pisici sau unui câine, va putea să înțeleagă 02:20.950 --> 02:21.600 ce era. 02:21.610 --> 02:25.600 Deci, acestea sunt cele două abordări fundamentale diferite. 02:25.690 --> 02:31.090 Și astăzi vom începe încet să vedem cum funcționează această a doua abordare. 02:31.090 --> 02:31.530 In regula. 02:31.570 --> 02:33.340 Deci, să ajungem direct la asta. 02:33.400 --> 02:39.880 Aici avem o rețea neurală de bază, cu un strat care se numește rețeaua neuronală de alimentare cu un 02:39.880 --> 02:42.760 singur strat și se numește și o percepție. 02:42.760 --> 02:47.380 Acum, înainte de a începe un singur lucru pe care trebuie să-l ajustăm, este valoarea de ieșire. 02:47.380 --> 02:49.320 Acum puteți vedea că este doar un Y. 02:49.330 --> 02:51.160 Trebuie să punem o pălărie înăuntru. 02:51.190 --> 02:56.500 Iar motivul pentru care este de obicei y este valoarea reală și asta vom folosi. 02:56.500 --> 03:03.700 Deci, de ce va fi valoarea reală pe care o vedem valoarea de ieșire a realității este valoarea estimată de 03:03.700 --> 03:05.890 algoritm de către rețeaua neurală. 03:05.890 --> 03:09.220 De ce este valoarea de ieșire. 03:09.220 --> 03:11.500 Practic, aceasta este valoarea nominală pentru valoarea de ieșire. 03:11.740 --> 03:20.020 Și percepția care a fost inventată pentru prima dată în 1957 de Frank Rosenblat și întreaga sa idee a 03:20.170 --> 03:25.010 fost să creeze ceva ce poate învăța și adapta de fapt. 03:25.240 --> 03:28.010 Și la asta ne vom uita acum. 03:28.030 --> 03:30.230 Deci ne-am tras preceptul. 03:30.250 --> 03:32.070 Să vedem cum învață percepția noastră. 03:32.080 --> 03:39.130 Deci, să spunem că avem câteva valori de intrare care au fost furnizate percepției și, respectiv, în propria 03:39.130 --> 03:40.210 noastră rețea. 03:40.330 --> 03:44.190 Apoi se aplică funcția de activare. 03:44.200 --> 03:49.210 Avem o ieșire și acum vom trasa rezultatul pe o diagramă. 03:49.210 --> 03:51.830 Deci acolo este capul nostru de ieșire y. 03:51.830 --> 03:57.520 Acum, ceea ce trebuie să facem este să putem învăța că trebuie să comparăm valoarea de ieșire cu valoarea 03:57.520 --> 04:01.310 reală pe care ne dorim ca rețeaua neurală să aibă dreptate. 04:01.600 --> 04:04.520 Și aceasta este valoarea y. 04:04.810 --> 04:08.230 Și dacă o punem aici, veți vedea că există o mică diferență. 04:08.330 --> 04:13.510 Acum vom calcula o funcție numită funcția cost este calculată ca o jumătate din diferența 04:13.510 --> 04:17.200 diferenței pătrate dintre valoarea reală și valoarea de ieșire. 04:17.200 --> 04:20.500 Acum, există mai multe moduri în care puteți veni pentru funcția de clasă. 04:20.500 --> 04:23.300 Există multe funcții de cost diferite pe care le puteți utiliza. 04:23.320 --> 04:30.280 Aceasta este probabil cea mai frecvent utilizată funcție de apel și de ce este în mod specific această funcție pe care o folosim 04:30.280 --> 04:34.900 va descoperi mai jos când vorbim despre un decalaj decent, dar deocamdată vom fi de 04:34.900 --> 04:39.830 acord că aceasta este funcția de cost și în principiu ceea ce ne spune funcția de 04:40.420 --> 04:44.240 cost este care este eroarea pe care o aveți în predicția dvs. 04:44.290 --> 04:50.770 Scopul nostru este de a minimiza funcția de cost, deoarece funcția de cost este mai mică cu cât este mai 04:50.790 --> 04:51.780 aproape de y. 04:52.150 --> 04:54.430 OK, pentru că numai noi suntem de acord că să procedăm. 04:54.430 --> 05:00.760 De fapt, de aici, ceea ce se întâmplă este că există o funcție de cost și de 05:00.760 --> 05:08.950 aici se va întâmpla acum ce vom face acum după ce am comparat acum că vom alimenta această informație înapoi în rețeaua neuronală. 05:08.980 --> 05:14.170 Deci, acolo ne ducem acolo informațiile care se întorc în rețeaua neuronală și merge la greutățile 05:14.200 --> 05:15.630 și greutățile se actualizează. 05:15.700 --> 05:20.880 Practic, singurul lucru pe care avem controlul în această rețea neuronală foarte simplă sunt greutățile 05:20.900 --> 05:23.490 w 1 W2 până la W .. 05:23.980 --> 05:29.370 Scopul nostru este de a minimiza funcția de cost, astfel încât tot ce putem face este să actualizăm greutățile. 05:29.500 --> 05:33.690 Deci, actualizăm greutățile și le modificăm puțin. 05:33.940 --> 05:39.600 Și cum să aflăm exact ceea ce facem, dar deocamdată suntem de acord că avem greutățile și apoi 05:39.600 --> 05:40.320 continuăm așa. 05:40.320 --> 05:48.870 Dar aici am pus această captură de ecran a datelor doar pentru a face un singur punct foarte clar că chiar acum în tot 05:48.930 --> 05:53.990 acest experiment tot ceea ce facem acum avem de-a face cu un singur rol. 05:54.000 --> 06:00.330 Deci, avem de-a face cu un set de date dintr-un rând unde avem, de exemplu, de-a 06:00.330 --> 06:05.720 face cu cât timp o studiați ca variabila pe care o presupunem. 06:06.180 --> 06:08.230 Care este rezultatul pe care îl veți obține la un examen. 06:08.430 --> 06:13.200 Și variabilele dependente independente pe care le avem sunt câte ore ați studiat pentru cât de multe ore 06:13.200 --> 06:15.430 ați dormit și ce ați obținut la test. 06:15.460 --> 06:19.880 În mijlocul semestrului Deci, în mijlocul semestrului este un test ce procent a ajuns acolo. 06:19.880 --> 06:26.100 Deci, bazându-ne pe acele variabile, încercăm să previzualizăm ce scor veți obține pentru examen și examinați 93% 06:26.100 --> 06:28.010 care este valoarea reală. 06:28.010 --> 06:29.020 Deci de aceea. 06:29.560 --> 06:30.460 Asa de. 06:30.660 --> 06:36.720 Deci, noi hrănim aceste trei valori într-o rețea neurală pentru a doua oară acum și apoi 06:36.720 --> 06:38.980 vom compara rezultatul cu albul. 06:39.150 --> 06:40.690 Să vedem cum funcționează acest lucru. 06:40.800 --> 06:43.710 Introducem aceste valori în rețeaua neuronală. 06:43.830 --> 06:50.160 Totul este ajustat și greutățile o fac așa cum puteți vedea că din nou vom alimenta valorile din nou. Punctul aici este că 06:50.190 --> 06:55.480 ne hrănim în aceeași minge, așa că avem doar o singură rolă pe care încercăm să o facem 06:55.480 --> 06:56.370 pe un rând. 06:56.370 --> 06:59.580 Acest lucru se datorează faptului că acesta este doar un exemplu foarte simplu. 06:59.640 --> 07:01.610 Atunci vom vedea ce se întâmplă atunci când există morale. 07:01.800 --> 07:06.180 Deci, din nou, hrănim aceste rânduri în funcția noastră încrucișată. 07:06.180 --> 07:10.520 După cum puteți vedea totul se întâmplă de-a lungul acestor linii din nou. 07:10.530 --> 07:15.030 Așa cum spui de fiecare dată când pălăria noastră albă se schimbă, pentru că am modificat greutățile. 07:15.030 --> 07:20.550 Tot ce aveam a fost schimbarea funcției noastre de îmbrăcăminte schimbând din nou acest aspect, astfel încât să le hrănim pe acei. 07:20.550 --> 07:22.840 De ce a schimbat funcția de haine se schimbă. 07:22.920 --> 07:27.020 Obținem informații de feedback în greutăți, astfel încât greutățile să ajungă din nou ajustate. 07:27.030 --> 07:31.850 Ne hrănim în aceleași valori de fiecare dată când totul este ajustat se întoarce la greutăți. 07:31.860 --> 07:33.920 Și încă o dată hrănește. 07:34.020 --> 07:34.990 O.K. 07:35.730 --> 07:40.720 Și încă o dată, așa că am adaptat modul în care ne simțim în informație. 07:40.830 --> 07:41.370 Și acolo mergem. 07:41.370 --> 07:45.990 Deci, de data aceasta, pălăria albă este egală cu y funcțională încrucișată. 07:46.020 --> 07:48.410 De obicei, nu veți obține funcția de cost egală cu zero. 07:48.420 --> 07:50.720 Dar acesta este un exemplu foarte simplu. 07:50.820 --> 07:57.480 Deci, sperăm că tot ceea ce avea sens de fiecare dată când ne alimenta exact același rând, pentru că doar în 07:57.480 --> 08:01.370 acest caz ne confruntăm cu acel rând în rețeaua noastră neuronală. 08:01.400 --> 08:06.990 Ei bine, atunci greutățile primesc valorile primiți o aprovizionare validă a căilor prin care se aplică funcția de activare 08:06.990 --> 08:12.320 a funcției pe care o obținem în comparație cu Y, atunci vedem cum se schimbă funcția de cost. 08:12.430 --> 08:16.500 Feedback-ul și feed-ul pe care informațiile Bakker îl au în propria rețea și apoi ajustați 08:16.500 --> 08:17.470 din nou greutățile. 08:17.850 --> 08:21.410 Apoi repetăm ​​același proces din nou cu același rând exact. 08:21.570 --> 08:23.320 Încercăm să minimalizăm acest cost. 08:23.520 --> 08:26.860 Deci până acum am avut de-a face cu un singur rând. 08:27.030 --> 08:29.470 Să vedem ce se întâmplă atunci când aveți mai multe roluri. 08:29.490 --> 08:31.320 Deci, iată setul complet de date. 08:31.350 --> 08:38.610 Avem opt rânduri de câte ore ați dormit sau poate că aceștia sunt diferiți studenți în timpul zilei care au luat 08:38.610 --> 08:44.070 același examen cât de multe alte ore au studiat câte ore au dormit înainte ca examenul 08:44.070 --> 08:47.300 să ajungă la test și rezultatul final al testului. 08:47.490 --> 08:52.720 Și după cum puteți vedea aici în stânga, am opt astfel de percepții. 08:53.100 --> 08:55.950 Ele sunt aceeași percepție, deci este și importantă. 08:56.010 --> 09:02.600 Tocmai am înmulțit-o sau mi-a plăcut duplicat de opt ori doar ca să putem. 09:03.330 --> 09:04.310 Concepția este asta. 09:04.320 --> 09:10.380 Dar lucrul important aici este aceeasi retea neurala pe care o vom hrani intr-o singura retea Samual. 09:10.380 --> 09:11.650 Hai să mergem să începem. 09:11.650 --> 09:20.550 Deci, un aeroport, după cum veți auzi, ar fi menționat faptul că un aeropar este atunci când trecem printr-un întreg set de 09:20.610 --> 09:27.410 date și ne instruim rețeaua neurală în toate aceste roluri, astfel încât aceste liste să fie. 09:27.420 --> 09:34.410 Deci, este primul nostru rând și există De ce a avut pentru primul rând un al doilea rol, de aceea am avut pentru a 09:34.410 --> 09:35.260 doua rundă. 09:35.280 --> 09:39.590 Deci, din nou, este alimentat de fiecare dată în aceeași rețea neurală. 09:39.600 --> 09:45.070 Tocmai le-am copiat de mai multe ori, astfel încât să vedem cum se întâmplă acest lucru. 09:45.090 --> 09:52.320 Apoi din nou, din moment ce se întâmplă din nou, acesta este rândul al treilea al patrulea rând este capul nostru alb pentru al patrulea rând și așa 09:52.320 --> 09:53.010 mai departe. 09:53.010 --> 09:56.580 În principiu, vom obține aceleași valori și pentru celelalte patru rânduri rămase. 09:56.580 --> 10:03.440 Deci, de fiecare dată când ne hrănim într-un rând în rețeaua noastră neuronală, avem de-a face cu asta. 10:03.780 --> 10:06.930 Apoi se compară cu valoarea reală. 10:06.930 --> 10:08.550 Deci, ele sunt valorile reale. 10:08.760 --> 10:11.340 Deci, pentru fiecare rolă, avem o valoare reală. 10:11.640 --> 10:18.480 Și acum, bazându-ne pe toate aceste diferențe între y hat și de ce putem calcula 10:18.480 --> 10:27.620 funcția de cost care este suma tuturor acestor diferențe pătrat între motivul și de ce și cum toate acestea sunt înjumătățite. 10:28.230 --> 10:30.360 Și este funcția noastră de cost. 10:30.360 --> 10:36.750 Și, de fapt, acum ceea ce facem după ce avem funcția de cost pe deplin revenim și actualizăm greutățile pe 10:37.170 --> 10:39.480 care le actualizăm un W 1 WTW. 10:39.510 --> 10:45.810 Și importantul lucru pe care trebuie să-l amintim aici este că toate aceste percepții toate aceste rețele neuronale este de 10:45.810 --> 10:47.340 fapt o rețea neurală. 10:47.340 --> 10:49.420 Deci nu sunt opt ​​dintre ei este doar unul. 10:49.680 --> 10:55.110 Și când actualizăm greutățile, vom actualiza greutățile în acea rețea neurală, astfel încât, practic, 10:55.110 --> 10:57.900 greutățile vor fi aceleași pentru toate rândurile. 10:57.930 --> 11:00.560 Deci nu este cazul ca fiecare rol să aibă o pondere proprie. 11:00.580 --> 11:07.320 Acum, toate rândurile împărtășesc greutățile și de aceea am analizat funcția de cost care 11:07.620 --> 11:15.270 este suma diferențelor pătrate și apoi am actualizat greutățile și acum de aici a existat o singură iterație. 11:15.270 --> 11:19.020 În continuare vom relua totul. 11:19.020 --> 11:25.440 Vom hrăni fiecare rând în rețeaua neurală pentru a afla funcția noastră de cost și a face din nou 11:25.440 --> 11:26.370 întregul proces. 11:26.370 --> 11:32.090 Așa cum am văzut anterior unde am avut doar un singur rând și am făcut totul din nou și din 11:32.140 --> 11:33.590 nou același lucru aici. 11:33.600 --> 11:38.880 Dar acum o să facem și Pedros sau 800 de rânduri sau opt mii de rânduri, cu toate acestea multe 11:38.880 --> 11:40.590 rânduri aveți în setul de date. 11:40.830 --> 11:43.700 Faceți acest proces și apoi calculați funcția de cost. 11:44.220 --> 11:51.510 Scopul aici este să minimizați funcția de cost și să obțineți imediat ce ați găsit un minut din 11:51.510 --> 12:00.210 funcția de cost care este rețeaua dvs. neuronală finală, ceea ce înseamnă că greutățile dvs. au fost ajustate și ați găsit greutățile 12:00.750 --> 12:08.550 optime pentru acest set de date pe care l-ați început instruirea dvs. și sunteți pregătit să treceți la faza de 12:08.550 --> 12:11.130 testare sau la faza de aplicare. 12:11.550 --> 12:14.920 Și întregul proces se numește propagare înapoi. 12:15.000 --> 12:21.930 Deci, unele lecturi suplimentare pe care ați putea dori să o faceți pentru funcția de cost și știu că am vorbit 12:21.930 --> 12:24.840 despre unul și că există multe altele diferite. 12:24.840 --> 12:28.690 Un articol bun este situat pe cross-validate. 12:28.740 --> 12:33.020 Se numește o listă de funcții de curs utilizate în rețelele neuronale alături de aplicații. 12:33.090 --> 12:39.840 Deci euro este acolo, dar puteți doar Google pentru acel termen de căutare exact sau frază de căutare și veți că 12:39.960 --> 12:42.150 aceasta va fi prima care apare. 12:42.150 --> 12:48.660 De fapt, avem câteva exemple bune și aplicați sau utilizați cazuri pentru diferite funcții de cost, deci dacă sunteți interesat să 12:48.660 --> 12:51.800 aflați mai multe despre funcțiile de cost Verificați acest articol. 12:51.990 --> 12:54.380 Și în această notă sper să vă bucurați de acest tutorial. 12:54.420 --> 12:56.070 Aștept cu nerăbdare să vă văd data viitoare. 12:56.070 --> 12:58.020 Până atunci se bucură de învățare profundă.