WEBVTT

00:00.180 --> 00:04.020
大家好, 欢迎来到卷积神经网络部分｡ 

00:04.020 --> 00:07.500
非常高兴您也能加入我们的这一部分｡ 

00:07.500 --> 00:11.010
今天我们要讨论一下进攻计划｡ 

00:11.010 --> 00:13.560
这一节我们要怎么学？

00:13.560 --> 00:14.910
要学的东西太多了

00:15.480 --> 00:17.340
让我们来看看我们该如何处理这个问题｡ 

00:17.340 --> 00:17.790
好吧, 我会的

00:17.790 --> 00:19.350
我们将在本节中学习的内容｡ 

00:19.350 --> 00:25.050
首先, 我们将讨论卷积网络对于理解最终目标非常重要,

00:25.050 --> 00:28.710
在你真正开始工作之前｡

00:28.710 --> 00:30.270
我们来谈谈功能｡ 

00:30.270 --> 00:31.980
我们来看几个小例子｡ 

00:31.980 --> 00:36.660
我们将在图像识别方面把人脑与人工神经网络进行比较｡ 

00:36.660 --> 00:42.210
所以这将是一个有趣的小教程, 让我们开始这一节｡ 

00:42.360 --> 00:47.340
然后我们将讨论第一步, 直接进入卷积运算｡ 

00:47.340 --> 00:56.970
这部分课程包含了几个步骤, 我们需要通过这些步骤来构建一个卷积神经网络｡

00:56.970 --> 00:58.980
这就是这些教程将如何被分解｡ 

00:58.980 --> 01:00.450
所以这是第一步｡ 

01:00.450 --> 01:06.420
卷积运算将了解有关特征检测器的所有信息｡ 

01:06.420 --> 01:08.700
我们将讨论, 它们也是过滤器｡ 

01:08.700 --> 01:14.490
我们将讨论功能图, 以及其中的不同参数是什么, 它们意味着什么｡ 

01:14.490 --> 01:17.130
我们还将看一些直观的例子｡ 

01:17.250 --> 01:26.580
然后我们将讨论第一步, B部分, 价值层或红色层, 这是经过校正的线性单元｡

01:26.580 --> 01:36.510
我们将讨论为什么线性度不好, 以及我们如何在图像识别网络中增加非线性度｡

01:36.600 --> 01:41.250
然后, 我们将讨论第二步的池化, 并了解池化的工作原理｡ 

01:41.250 --> 01:51.300
我们会特别讨论最大池化, 我们也会提到一些关于平均池化的东西或者一些池化和其他你可以在池化过程中采用的方法｡

01:51.900 --> 01:55.440
在这节课上, 我们还会有一个很酷的例子｡ 

01:55.440 --> 01:59.640
所以我们将看到一个非常直观的交互式工具｡ 

01:59.640 --> 02:05.130
所以一定要坚持到这节课的最后, 因为这会给你的学习过程增加很多价值,

02:05.130 --> 02:08.400
我们在最后会讨论到这一点｡

02:09.030 --> 02:10.590
第三步压平｡ 

02:10.590 --> 02:17.070
因此, 在这里, 我们将是一个快速教程, 介绍如何从池化层继续到展平层｡

02:17.070 --> 02:19.450
然后我们将讨论完全连接｡ 

02:19.450 --> 02:25.950
这是一个非常充实的教程,

02:25.950 --> 02:33.270
它把所有的东西放在一起, 把所有的东西放在一起, 实际上向你展示了一天结束时所有东西是如何工作的,

02:33.270 --> 02:42.240
以及最后的神经元是如何理解如何对图像进行分类的, 这是一个非常非常重要的教程, 希望它能为你总结或把所有的东西放在一起｡

02:42.240 --> 02:45.930
最后, 我们将有一个总结, 它将总结我们所讨论的一切｡ 

02:46.290 --> 02:54.000
作为一个额外的小功能, 我已经包括了一个关于软Mac和交叉熵的教程, 所以你不必参加这个教程｡

02:54.000 --> 03:01.830
但我认为这会是一个很好的知识补充, 因为这些都是你在处理卷积神经网络时会遇到的术语｡

03:01.830 --> 03:04.500
所以, 也许, 也许现在就把它拿走｡ 

03:04.500 --> 03:10.860
也许当你遇到这些术语时, 你总是会知道你可以回到这门课程, 并学习本教程,

03:10.950 --> 03:14.430
更好地理解什么是软Mac和交叉熵｡

03:14.430 --> 03:20.280
而且, 一如既往, 在这些教程中, 会有很多推荐的阅读供你进一步提升技能,

03:20.280 --> 03:22.860
获得更多知识｡

03:23.100 --> 03:25.950
在这一点上, 我迫不及待地想在第一个教程中看到你｡ 

03:25.950 --> 03:31.380
这将是一个非常有趣和令人兴奋的部分, 直到下一次, 享受深度学习｡