WEBVTT 00:00.540 --> 00:03.030 Hallo en welkom terug bij de cursus over diep leren. 00:03.030 --> 00:07.080 In de vorige tutorial hebben we ontdekt waar convolutionele neurale netwerken over gaan. 00:07.200 --> 00:10.600 En vandaag gaan we in stap één convolutie duiken. 00:10.980 --> 00:14.640 Dit is dus de convolutiefunctie. 00:14.880 --> 00:20.730 Ik weet dat we proberen weg te blijven van wiskunde en dingen intuïtief te houden, maar ik kon het niet helpen, maar ik deel 00:20.730 --> 00:23.040 deze formule voor je omdat het zo eenvoudig is. 00:23.070 --> 00:30.330 Een convolutie is in feite een gecombineerde integratie van twee functies en het laat zien hoe de ene functie de andere wijzigt 00:30.330 --> 00:32.640 of de vorm van de andere wijzigt. 00:32.640 --> 00:38.370 En als je signaalverwerking of elektrotechniek hebt gedaan of een beroep hebt gedaan waar signaalverwerking 00:38.370 --> 00:42.330 vereist is, zou je onvermijdelijk een conclusiefunctie zijn tegengekomen. 00:42.330 --> 00:43.330 Het is behoorlijk populair. 00:43.710 --> 00:49.410 Nu, nogmaals, we gaan de wiskunde licht houden of ze gescheiden houden. 00:49.410 --> 00:55.860 En als je meer wilt weten over de wiskunde achter de convolutionele neurale netwerken, is 00:55.860 --> 01:04.380 een geweldige aanvulling om te lezen Inleiding tot convolutionele neurale netwerken door Janson Wu, een professor aan de Nanjing University 01:04.380 --> 01:05.520 in China. 01:05.790 --> 01:12.720 Dit artikel is letterlijk dagen geleden gepubliceerd, zoals vijf of zes dagen geleden, en het is specifiek gericht 01:12.720 --> 01:17.340 op mensen die beginnen met beginners die convolutionele neurale netwerken leren kennen. 01:17.370 --> 01:20.080 Dus de wiskunde daar moet toegankelijk zijn. 01:20.100 --> 01:30.540 Ik heb professor Tientsin Wu eigenlijk een e-mail gestuurd en hij zei dat zijn hele doel is om de complexe dingen op te lossen, zodat mensen die nieuw 01:30.540 --> 01:33.270 zijn op dit gebied het kunnen begrijpen. 01:33.300 --> 01:38.910 En hij zei ook dat hij wat materiaal beschikbaar heeft op zijn homepage. 01:38.910 --> 01:40.500 Zo weinig in de URL. 01:40.500 --> 01:47.160 Als je gewoon de laatste twee delen verwijdert en je gaat gewoon W. J. X naar dat deel, dat is zijn 01:47.160 --> 01:47.610 startpagina. 01:47.820 --> 01:52.920 En je zult in staat zijn om meer aanvullende tutorials en materialen te vinden die niet als papers zijn gepubliceerd. 01:53.280 --> 01:55.830 Maar hij gebruikt ze in zijn tutorials. 01:55.830 --> 01:57.870 Dus misschien vind je die handig. 01:57.880 --> 02:03.660 Dus blader daar rond als je een inleiding wilt krijgen in de wiskunde achter convolutionele neurale 02:03.660 --> 02:08.030 netwerken en een soort solide basis wilt bouwen rond dat gebied. 02:08.460 --> 02:12.410 Maar we gaan verder en we gaan praten over de evolutie. 02:12.450 --> 02:15.810 Dus wat is een revolutie in intuïtieve termen? 02:16.410 --> 02:17.060 Hier aan de linkerkant? 02:17.070 --> 02:18.750 We hebben een invoerafbeelding, zoals we hebben besproken. 02:18.930 --> 02:22.560 Dat is hoe we naar afbeeldingen gaan kijken, alleen enen en nullen om dingen te vereenvoudigen. 02:22.770 --> 02:24.560 En daar zie je de smiley. 02:24.960 --> 02:26.310 Daar hebben we een functiedetector. 02:26.320 --> 02:28.230 Dus feature detector is een drie bij drie matrix. 02:28.710 --> 02:30.030 Moet het drie bij drie zijn? 02:30.060 --> 02:30.880 Nee, dat doet het niet. 02:31.770 --> 02:34.680 Alex Netto denkt zeven bij zeven te gebruiken. 02:35.670 --> 02:40.530 En dan gebruikt een andere van die andere beroemde detectoren van vijf bij vijf kenmerken. 02:41.550 --> 02:48.390 Ze kunnen verschillend zijn, maar meestal zie je dat er drie bij drie zijn en dat zijn redenen om ze drie bij drie 02:48.390 --> 02:49.310 te maken. 02:49.320 --> 02:53.730 We houden ons dus aan de afspraak om een detector met drie bij drie kenmerken te hebben. 02:54.570 --> 02:58.630 Ook de functiedetectoren die dit worden genoemd, zijn belangrijke termen omdat u ze misschien tegenkomt. 02:58.680 --> 03:04.050 Er zijn veel verschillende termen voor de functiedetector, maar de meest voorkomende zijn functiedetector. 03:04.050 --> 03:09.160 Of je hoort het misschien kolonel genoemd worden of je hoort het filter genoemd worden. 03:09.420 --> 03:14.100 In deze cursus gaan we ofwel een filter ofwel een functiedetector door elkaar gebruiken. 03:14.370 --> 03:16.380 Maar houd er rekening mee dat het die namen heeft. 03:16.890 --> 03:25.290 En een convolutiebewerking wordt aangeduid met een X in een cirkel, net zoals je in de formules eerder zag. 03:25.620 --> 03:32.850 En hier gebeurt wat er gebeurt op een intuïtief niveau, alles of gewoon om erover te denken in termen van wat er feitelijk op de achtergrond 03:32.850 --> 03:34.710 gebeurt in plaats van de wiskunde. 03:34.920 --> 03:40.470 Nou, je neemt deze feature detector of filter en je zet het op je afbeelding zoals je links ziet. 03:40.620 --> 03:47.760 Dus je bedekt bijvoorbeeld de, in dit geval, de linkerbovenhoek, de negen pixels in 03:47.760 --> 03:54.030 de linkerbovenhoek, en je vermenigvuldigt in feite elke waarde met elke waarde. 03:54.030 --> 03:54.930 Dus respectieve waarden. 03:54.930 --> 04:02.340 Dus de bovenste nul bij de waarde linksboven bij de waarde linksboven, dan is het in feite positie nummer één één bij positie 04:02.340 --> 04:08.600 nummer één positie bij een nummer of nul één één nul één nul twee bij nul twee enzovoort. 04:08.610 --> 04:14.370 Dus alleen zijn element Y's vermenigvuldiging van deze matrices en dan tel je het resultaat op. 04:14.410 --> 04:16.620 Dus in dit geval klopt er niets. 04:16.620 --> 04:19.650 Dus het is altijd een nul bij nul nul bij één. 04:19.860 --> 04:20.890 Het resultaat is dus nul. 04:21.640 --> 04:26.490 Hier kun je zien dat een van hen overeenkwam, die aan de linkerkant overeenkwam. 04:26.490 --> 04:28.070 En daarom hebben we hier een. 04:28.080 --> 04:30.930 Niets kwam overeen, niets kwam overeen, niets kwam daar overeen. 04:30.930 --> 04:32.070 We gaan door naar de volgende worp. 04:32.070 --> 04:38.520 Dus en de stap waarmee we bewegen, dit hele filter wordt de stap genoemd. 04:38.540 --> 04:40.440 Dus hier hebben we een zijde van één pixel. 04:40.470 --> 04:44.960 Dus hier kun je weer iets zien dat overeenkomt met de rechterbenedenhoek, overeenkomt met de 04:45.210 --> 04:51.000 pas, maar een onderste in het midden komt hier overeen, rechtsboven komt overeen, dan meet niets dat het rechte stuk 04:51.000 --> 04:51.750 één is. 04:52.140 --> 04:53.400 U kunt de stap wijzigen. 04:54.150 --> 04:55.710 Je kunt er één, twee van maken. 04:56.250 --> 04:56.880 Je kan het krijgen. 04:56.880 --> 04:59.100 Drie, wat je maar wilt. 04:59.930 --> 05:02.670 Uiteindelijk is degene die goed werkt meestal op twee. 05:02.720 --> 05:08.300 Dus dat is waar mensen zich aan houden en we zullen het hebben over wat de stap is naar het einde van het 05:08.310 --> 05:08.630 verhaal. 05:09.500 --> 05:11.690 Dus hier zijn we aan het matchen. 05:11.690 --> 05:12.590 Dus we houden het hier gewoon in de gaten. 05:12.590 --> 05:17.150 Je kunt zien dat we een twee hebben omdat er twee bij elkaar passen, enzovoort, enzovoort. 05:17.190 --> 05:17.610 Spoedig. 05:17.810 --> 05:18.200 Daar gaan we. 05:18.200 --> 05:19.400 Er is er nog een die overeenkwam. 05:21.330 --> 05:22.220 Daar gaan we. 05:23.540 --> 05:28.100 En ze waren klaar, dus wat hebben we gecreëerd, toch. 05:28.250 --> 05:31.030 Een paar belangrijke dingen hier. 05:31.910 --> 05:36.580 De afbeelding rechts heet een feature map, heeft ook meerdere termen. 05:36.590 --> 05:40.140 Het kan ook wel eens worden genoemd, het kan de functie van Vold hebben. 05:40.880 --> 05:45.680 Dus wanneer u een convolutie-operator op iets toepast, wordt het niet ingewikkeld. 05:45.710 --> 05:46.910 Het wordt betrokken. 05:46.910 --> 05:51.590 En soms heb ik, denk ik, mezelf op de verkeerde manier lief. 05:51.590 --> 05:54.170 Maar het is de juiste term die erbij betrokken is. 05:54.680 --> 05:57.680 Het is een oude functie of het kan ook de activeringskaart worden genoemd. 05:57.920 --> 06:02.240 Maar we gaan het in deze cursus een feature map noemen, zodat het in elk van die dingen kan worden 06:02.240 --> 06:02.480 genoemd. 06:03.350 --> 06:06.200 En wat hebben we hier gedaan? 06:06.230 --> 06:09.860 Zoals je kunt zien, hebben we de afbeelding verkleind. 06:09.860 --> 06:10.550 Dat is nummer één. 06:10.550 --> 06:16.070 En dat is het belangrijkste wat ik wilde zeggen over je input, beeld en de functie intact en de 06:16.070 --> 06:16.670 pas. 06:17.270 --> 06:19.940 Als je een Strider hebt, zie je de afbeelding iets verkleind. 06:19.940 --> 06:23.120 Maar als je een rechte toevoeging aan de afbeelding hebt, zal deze meer verminderen. 06:23.120 --> 06:25.220 Dus de feature-up wordt nog kleiner. 06:25.460 --> 06:30.420 En dat is een zeer belangrijke functie van de functie. 06:30.440 --> 06:37.130 De textuur van deze hele convolutiestap is om die afbeelding kleiner te maken, want dat zal 06:37.130 --> 06:43.550 het gemakkelijker zijn om het te verwerken en het zal gewoon sneller zijn en. 06:45.980 --> 06:52.430 Hij zal gewoon sneller zijn, want stel je voor, zoals hier hebben we een wat, een zeven bij zeven afbeelding, maar stel je 06:52.430 --> 06:55.010 voor dat je een goede foto hebt, toch? 06:55.640 --> 06:59.200 Of je hebt een afbeelding van 256 bij 256 pixels. 06:59.210 --> 07:06.640 Dat is een enorm aantal pixels, 256 kwadraat of laten we zeggen dat je 300 bij 300 pixels hebt. 07:06.830 --> 07:09.820 Zodat we niet in de war raken met de RGV 256. 07:09.830 --> 07:14.420 Laten we zeggen dat we een afbeelding van 300 bij 300 hebben in termen van grootte en pixels. 07:14.670 --> 07:17.330 Dan heb je driehonderd vierkante pixels. 07:17.330 --> 07:18.500 Dat is een enorm aantal. 07:19.070 --> 07:26.090 En daarom zal een functiedetectoren de grootte van het beeld verkleinen en daarom is een recht van twee 07:26.090 --> 07:27.290 eigenlijk voordelig. 07:27.650 --> 07:29.900 Maar dan is de vraag, verliezen we informatie? 07:29.900 --> 07:34.250 Verliezen we informatie wanneer we de functiedetector toepassen? 07:34.430 --> 07:40.340 Welnu, sommige informatie verliezen we natuurlijk, omdat we minder waarden in onze resulterende matrix hebben. 07:40.610 --> 07:45.890 Maar tegelijkertijd is het doel van de kenmerkdetector om bepaalde kenmerken te detecteren, bepaalde delen van 07:45.890 --> 07:47.770 het beeld die integraal zijn. 07:48.470 --> 07:52.940 En dus, bijvoorbeeld, als je er zo over nadenkt, alsof de feature-detector een bepaald patroon 07:52.940 --> 07:53.240 heeft. 07:53.990 --> 07:57.890 Het hoogste getal in uw functiekaart is wanneer dat patroon overeenkomt. 07:57.890 --> 08:04.460 In feite is het hoogste aantal dat u kunt krijgen, in een echt vereenvoudigd voorbeeld, wanneer de functie is dat deze 08:04.610 --> 08:05.090 overeenkomt. 08:05.090 --> 08:05.540 Precies. 08:05.540 --> 08:09.200 En je kunt zien of die nummer vier we in onze functiekaart hebben. 08:09.470 --> 08:10.460 Dat is precies. 08:10.460 --> 08:16.850 Dus als je hier kijkt, is dat precies waar deze functiedetector, omdat er maar vier in 08:16.850 --> 08:19.040 zitten, perfect bij elkaar passen. 08:19.040 --> 08:21.080 Dus je kunt dit dit deel hier zien. 08:21.380 --> 08:27.110 Dus de functie werd hier gedetecteerd en zoals we aan het begin van deze sectie hebben besproken. 08:28.220 --> 08:36.140 Dat kenmerk is hoe we dingen zien, is hoe we dingen herkennen, we kijken niet naar elke pixel, om zo te zeggen, in 08:36.140 --> 08:40.100 wat we zien op een afbeelding of in het echte leven. 08:40.280 --> 08:41.740 We kijken niet naar alles. 08:41.750 --> 08:42.680 We kijken naar kenmerken. 08:42.680 --> 08:51.470 We kijken naar de neus, de hoed, de veer, de ogen of de kleine zwarte vlekken onder de ogen van de cheeta om 08:51.470 --> 08:57.250 onderscheid te maken tussen een cheeta en een luipaard of de vorm van de trein. 08:57.350 --> 09:00.610 We maken geen onderscheid tussen een bullet train, een normale trein enzovoort. 09:00.620 --> 09:04.520 We kijken dus niet naar alles, we kijken naar features en dat is wat we behouden. 09:04.520 --> 09:08.030 En dat is wat de feature map ons helpt te behouden. 09:08.060 --> 09:15.440 Eigenlijk is dat wat het ons in staat stelt om alle onnodige dingen naar voren te halen en ons te ontdoen van 09:15.440 --> 09:22.690 alle onnodige dingen die zelfs als mensen, we niet zoveel informatie verwerken die op een bepaald moment in je ogen komt, zoals 09:22.700 --> 09:23.990 gigabytes aan informatie. 09:24.170 --> 09:29.900 Als je naar elke stip kijkt, zo niet terabytes aan informatie die per seconde je ogen binnenkomt, en we 09:30.260 --> 09:36.110 kunnen nog steeds verwerken omdat we ons ontdoen van wat niet nodig is, concentreren we ons alleen op de 09:36.110 --> 09:36.950 belangrijke functies. 09:36.950 --> 09:41.900 Functies zijn belangrijk voor ons en dat is precies wat de functiekaart doet. 09:42.200 --> 09:45.830 Dus nu verder, dit is ons invoerbeeld. 09:46.160 --> 09:49.430 En u maken wij een feature map. 09:49.430 --> 09:52.360 Dus de voorste, laten we zeggen dat de voorste degene is die we zojuist hebben gemaakt. 09:52.640 --> 09:59.630 Maar hoe komt het dan dat er veel van zijn, maar we maken meerdere feature maps omdat we verschillende filters 09:59.630 --> 10:00.170 gebruiken. 10:00.170 --> 10:00.530 Rechts. 10:00.530 --> 10:03.770 En dat is nog een manier waarop we veel van de informatie bewaren. 10:03.770 --> 10:05.390 We hebben dus niet slechts één feature map. 10:05.780 --> 10:12.260 We zoeken naar bepaalde functies en dan of eigenlijk beslist het netwerk door middel van zijn training. 10:12.260 --> 10:14.360 En dit is iets dat we tegen het einde van de sectie zullen bespreken. 10:14.360 --> 10:21.350 Door zijn training beslist het welke functies belangrijk zijn voor bepaalde typen of bepaalde categorieën, en het zoekt 10:21.560 --> 10:24.620 ernaar en zal daarom verschillende filters hebben. 10:24.620 --> 10:25.880 En we zullen het nu hebben over filters. 10:26.090 --> 10:27.740 Maar in principe pas je deze filters toe. 10:27.740 --> 10:32.480 Dus om deze functiekaart te krijgen, heeft het een filter toegepast zoals we hebben gezien. 10:32.480 --> 10:36.200 Maar om vervolgens deze functiekaart te krijgen en een ander filter toe te passen om deze functie te krijgen, past u 10:36.200 --> 10:37.280 misschien een ander filter toe, enzovoort. 10:38.240 --> 10:43.160 En dus maakt het eigenlijk gewoon deze functiekaarten. 10:43.490 --> 10:49.510 En daarom vind ik persoonlijk de term feature detector beter dan filter. 10:49.530 --> 10:55.010 Dus onthoud, hier hebben we dit filter, dat we ook een functiedetector kunnen noemen. 10:55.040 --> 10:59.360 Nou, eigenlijk vind ik het woord feature-detector beter geschikt. 10:59.360 --> 11:03.110 En de reden daarvoor is dat dat het doel is. 11:03.110 --> 11:03.330 Rechts? 11:03.350 --> 11:06.440 We willen niet gewoon, we willen niet gewoon ons imago uitfilteren. 11:06.440 --> 11:10.160 Maar ook al is dat een geheel, dat is hetzelfde, alleen een kwestie van terminologie. 11:10.160 --> 11:11.930 Maar eigenlijk willen we functies detecteren. 11:11.930 --> 11:12.200 Oke. 11:12.200 --> 11:19.340 In deze laag gaan we in deze functiekaart kijken waar we bepaalde objecten in de afbeelding hebben 11:19.340 --> 11:20.210 gedetecteerd. 11:20.210 --> 11:24.560 In deze feature map hebben we gedetecteerd waar bepaalde andere features zijn, waar een bepaalde feature OK 11:24.560 --> 11:25.040 is. 11:25.250 --> 11:30.740 En deze feature map hebben we gedetecteerd waar een bepaalde andere feature zich op de afbeelding bevindt. 11:31.310 --> 11:33.320 Dat is dus wat we aan het doen zijn. 11:33.320 --> 11:34.550 En laten we een paar voorbeelden bekijken. 11:34.550 --> 11:41.500 Dus hier gebruiken we en dit is van GILBERG, hun documentatie. 11:41.690 --> 11:45.020 Het is een gratis tool zoals verf. 11:45.140 --> 11:49.490 En u kunt het gebruiken om uw afbeeldingen aan te passen of met uw afbeeldingen te werken. 11:49.490 --> 11:53.510 Maar eigenlijk hebben ze enkele waardevolle voorbeelden in hun documentatie. 11:53.510 --> 11:59.620 En hier hebben ze een foto van de Taj Mahal en kun je kiezen welk filter je wilt toepassen. 11:59.780 --> 12:06.080 Dus als je dit programma downloadt en je uploadt er een foto in en dan kun 12:06.080 --> 12:12.650 je een convolutiematrix starten en filters toepassen en je zult zien dat deze dingen, deze onderhandelaars, daadwerkelijk hebben 12:12.650 --> 12:15.160 toegepast in beeldverwerking en ontwerp enzovoort. 12:15.170 --> 12:16.700 Dus laten we eens kijken naar wat we krijgen, wat we krijgen. 12:16.730 --> 12:21.320 Dus als we dit filter vijf toepassen in het midden van min één, min één, min één, min één, kun 12:21.530 --> 12:23.420 je zien dat het de afbeelding verscherpt. 12:23.660 --> 12:25.610 En ja. 12:25.610 --> 12:28.720 Dus dit is vrij intuïtief als je erover nadenkt. 12:28.880 --> 12:36.230 Dus vijf is de pixel, de hoofdpixel zoals in het midden van het filter of de feature-detector en dan 12:36.420 --> 12:41.590 min één min één, min één, zoals je wilt, verkleint de pixels eromheen. 12:41.740 --> 12:44.780 Het innerlijke in intuïtieve zin. 12:46.100 --> 12:53.600 Dan heeft vervaging in feite dezelfde betekenis, geeft een gelijke betekenis aan alle pixels rond die in het midden, en 12:53.600 --> 12:58.980 daarom combineert het ze samen en krijg je een vervaging, rand en handen. 12:59.000 --> 13:03.800 Dus hier kun je die min één en één zien en dan krijg je nullen, toch. 13:03.830 --> 13:09.590 Dus je hebt verwijderd om de pixels rond de middelste in het midden te verwijderen. 13:09.590 --> 13:12.740 En je houdt deze alleen op een min één en het geeft je een voorsprong. 13:12.740 --> 13:18.920 En deze is een beetje moeilijker om te begrijpen hoe het werkt, zoals waarschijnlijk moeilijker om er intuïtief over na te denken. 13:19.460 --> 13:20.420 Rand detectie. 13:20.570 --> 13:20.840 Rechts. 13:20.870 --> 13:23.510 Dus deze is waarschijnlijk logischer, toch. 13:23.530 --> 13:27.410 Je neemt de middelste, je verkleint de middelste. 13:28.940 --> 13:32.450 De waarschijnlijk als de kracht van de middelste pixel. 13:32.450 --> 13:41.480 En dan zoek je naar degenen die je zoekt, je vergroot de kracht van degenen om hen heen. 13:42.020 --> 13:43.130 Dus die heb je daar. 13:44.570 --> 13:44.810 Ja. 13:44.810 --> 13:50.600 Dus dat geeft je een soort randdetectie en je kunt zien wat je daar krijgt en een andere baas. 13:50.640 --> 13:58.070 Dus de sleutel hier is dat het asymmetrisch is en je kunt zien dat het beeld ook asymmetrisch wordt. 13:58.080 --> 14:05.000 Dus je hebt zo'n soort gevoel dat het naar je toe steekt en dat is wat je krijgt als 14:05.000 --> 14:06.470 je hier minpunten hebt. 14:06.470 --> 14:11.570 En nogmaals, dit is erg, dit wordt nu een beetje technisch, maar we kunnen in ieder geval een 14:11.570 --> 14:12.710 soort intuïtief begrip krijgen. 14:12.740 --> 14:14.090 Laten we ze snel nog eens doornemen. 14:14.090 --> 14:19.520 Er is dus verscherping, er is onscherpte, er is een rand en dus is er randdetectie. 14:19.730 --> 14:21.710 Er is reliëf zo laag als je kunt zien. 14:21.710 --> 14:24.470 Dit zijn geweldige voorbeelden van hetzelfde beeld. 14:24.620 --> 14:30.530 Maar we krijgen feature maps, dus we gebruiken verschillende feature detectors om verschillende feature maps van dezelfde afbeelding 14:30.530 --> 14:31.550 te krijgen. 14:31.700 --> 14:39.770 En daarom hebben we nu veel van de vele versies van deze afbeelding waar we in elke versie hebben geprobeerd bepaalde dingen 14:39.770 --> 14:40.790 te detecteren. 14:41.090 --> 14:44.810 Deze voorwaarden zijn niet van toepassing op ons. 14:44.810 --> 14:49.790 Ze zien eruit alsof reliëf waarschijnlijk niet op ons van toepassing is in termen van convolutionele neurale netwerken, maar 14:50.000 --> 14:51.540 detecteren dat dat belangrijk is. 14:51.560 --> 14:56.360 We willen de randen detecteren, verbeteren, waarschijnlijk niet vervagen, verscherpen. 14:56.450 --> 15:02.390 Dus bepaalde dingen zoals edge-aanvallen zijn waarschijnlijk de belangrijkste voor ons soort werk. 15:02.390 --> 15:06.310 En in termen van begrip, zoals computers, zullen ze voor zichzelf beslissen. 15:06.320 --> 15:08.930 Ons neurale netwerk bepaalt zelf wat belangrijk is en wat niet. 15:08.930 --> 15:12.830 En het zal waarschijnlijk niet eens herkenbaar zijn voor het menselijk oog. 15:12.840 --> 15:16.730 U zult niet kunnen begrijpen wat die functies betekenen, maar de computer zal beslissen. 15:16.730 --> 15:24.050 En dat is het mooie van neurale netwerken, dat ze zoveel verschillende dingen kunnen verwerken en begrijpen zonder zelfs maar die 15:24.050 --> 15:30.260 intuïtie te hebben, zonder die verklaring te hebben waarom ze zullen begrijpen welke functies voor hen belangrijk zijn, 15:30.260 --> 15:36.740 of we er nu een naam voor hebben of niet, dat dat een geheel is dat een irrelevante vraag 15:36.740 --> 15:39.070 is voor hun kunstmatige neurale netwerk. 15:39.860 --> 15:47.030 En mijn favoriet, hier is een afbeelding van Geoffrey Hinton, een volgeling van Geoffrey Hinton, die er doorheen 15:47.960 --> 15:50.450 ging, een van deze filters. 15:50.870 --> 15:51.140 Oke. 15:51.140 --> 15:52.970 Dus dat brengt ons bij het einde van de tutorial van vandaag. 15:52.970 --> 15:55.070 Ik hoop dat je het leuk vond om over convolutie te leren. 15:55.370 --> 16:02.450 De belangrijkste conclusie is dat een convolutie met het primaire doel van een convolutie is om functies in uw afbeelding te vinden met 16:02.450 --> 16:08.030 behulp van de functiedetector, ze in een functiekaart te plaatsen en door ze in een functiekaart te 16:08.030 --> 16:14.990 plaatsen, behoudt het nog steeds de ruimtelijke relaties tussen pixels , wat erg belangrijk voor ons is, weet je, want als ze 16:15.410 --> 16:19.040 helemaal door elkaar worden gegooid, dan zijn we het patroon kwijt. 16:19.190 --> 16:25.040 En tegelijkertijd is het belangrijk om te begrijpen dat de functies die een neuraal netwerk 16:25.040 --> 16:32.390 zal detecteren en gebruiken om bepaalde afbeeldingen en klassen te herkennen meestal niets voor mensen betekenen, maar desalniettemin werken 16:32.390 --> 16:32.780 ze. 16:32.960 --> 16:34.310 En dat is wat Convolutie is. 16:34.310 --> 16:36.120 En ik kijk uit naar je volgende Turrill. 16:36.170 --> 16:37.940 Geniet tot die tijd van deep learning.