WEBVTT 00:00.690 --> 00:05.730 Hallo und willkommen zurück zu dem Kurs zum tiefen Lernen in der Presse des Tauriels. Wir haben herausgefunden, worum es 00:05.810 --> 00:07.290 bei konvolutionellen neuronalen Netzwerken geht. 00:07.350 --> 00:11.050 Und heute werden wir in die Faltung von Schritt 1 eintauchen. 00:11.100 --> 00:18.530 Dies ist also die Faltungsfunktion und wir versuchen, der Mathematik fern zu bleiben und die Dinge intuitiv zu halten. 00:18.540 --> 00:25.110 Ich kann diese Formel jedoch nicht für Sie freigeben, weil es so einfach ist, dass eine Faltung 00:25.110 --> 00:31.380 im Wesentlichen eine kombinierte Integration der beiden Funktionen darstellt. Sie zeigt Ihnen, wie eine Funktion die 00:31.470 --> 00:36.520 andere oder die Form der anderen Funktion modifiziert Wenn Sie Signalverarbeitung, Elektrotechnik 00:36.520 --> 00:42.390 oder einen Beruf ausführen, bei dem Signalverarbeitung erforderlich ist, hätten Sie unweigerlich eine Schlußfunktion gefunden. 00:42.390 --> 00:44.090 Es ist jetzt ziemlich beliebt. 00:44.100 --> 00:49.490 Wieder werden wir die mathematischen Lichter halten oder sie getrennt halten. 00:49.500 --> 00:56.190 Und wenn Sie sich mit der Mathematik hinter den konvolutionellen neuronalen Netzwerken befassen möchten, 00:56.520 --> 01:05.010 lesen Sie die Einführung in die konvolutionellen neuronalen Netzwerke von Jensine Wu, Professor an der Nanjing University in 01:05.010 --> 01:05.820 China. 01:05.820 --> 01:12.780 Dieses Papier wurde vor fünf oder sechs Tagen buchstäblich vor Tagen veröffentlicht 01:12.780 --> 01:17.690 und richtet sich speziell an Menschen, die 01:18.250 --> 01:23.700 sich an Anfänger wenden, die konvolutionelle neuronale Netze kennenlernen. 01:23.730 --> 01:32.040 Und ja, er sagte, sein ganzes Ziel sei es, die komplexen Dinge zu brechen oder aufzubrechen, damit Leute, die in diesem Bereich neu 01:32.040 --> 01:33.360 sind, verstehen können. 01:33.360 --> 01:40.680 Und er erwähnte auch, dass er einige Materialien auf seiner Homepage zur Verfügung hat. Wenn Sie also nur die letzten beiden 01:40.680 --> 01:47.220 Teile entfernen und Slash W mögen. J. X zu dem Teil, der 01:47.220 --> 01:52.380 seine Homepage ist, und Sie werden in der Lage sein, weitere Tutorials und Materialien 01:52.380 --> 01:59.120 zu finden, die noch nicht als Papiere veröffentlicht wurden, aber er verwendet sie in seinen Tutorials, sodass Sie 01:59.130 --> 02:05.130 diese nützlich finden könnten. Ich würde gerne eine Einführung in die Mathematik hinter neuronalen Koalitionsnetzen erhalten 02:05.130 --> 02:08.470 und eine Art Basis in diesem Bereich aufbauen. 02:08.550 --> 02:12.570 Aber wir gehen weiter und sprechen über die Faltung. 02:12.570 --> 02:17.160 Was ist hier eine intuitive, intuitive Lösung? 02:17.160 --> 02:21.690 Wir haben ein Eingabebild, wie wir besprochen haben. So werden Bilder nur Einsen und Nullen betrachtet, um die 02:21.690 --> 02:22.750 Dinge zu vereinfachen. 02:22.950 --> 02:25.050 Und Sie können das Smiley-Gesicht dort sehen. 02:25.090 --> 02:28.660 Dann haben wir einen Feature-Detektor, also drei und drei Matrix-Detektoren. 02:28.740 --> 02:30.120 Muss es drei mal drei sein? 02:30.150 --> 02:31.920 Nein, tut es nicht. 02:31.920 --> 02:35.810 Alex net denke ich verwendet sieben mal sieben. 02:35.850 --> 02:41.640 Und dann verwendet ein anderer dieser berühmten Geräte fünf mal fünf Merkmalsdetektoren. 02:41.640 --> 02:48.270 Sie können unterschiedlich sein, aber in der Regel werden Sie feststellen, dass es sich um drei mal drei 02:48.270 --> 02:52.110 handelt. Sie wissen, warum sie drei mal drei sind. 02:52.170 --> 02:57.510 Mit einem Drei-zu-Drei-Feature-Detektor sind auch die als "Merkmalsdetektoren" bezeichneten Merkmale wichtige Begriffe, weil Sie auf 02:57.510 --> 02:58.710 sie stoßen könnten. 02:58.710 --> 03:04.080 Es gibt viele verschiedene Begriffe für den Feature-Detektor, aber die gebräuchlichsten 03:04.110 --> 03:09.540 sind der Feature-Detektor oder Eik hört es als Kernel oder als Filter. 03:09.540 --> 03:14.760 In diesem Kurs werden wir entweder einen Filter oder einen Merkmalsdetektor 03:14.760 --> 03:23.670 austauschbar verwenden, bedenken Sie jedoch, dass er diese Namen hat und eine Koalitionsoperation durch ein X in einem Kreis gekennzeichnet wird. 03:23.670 --> 03:31.230 Wie Sie in den Formeln zuvor und hier gesehen haben, ist das, was passiert, auf einer intuitiven Ebene oder denken Sie einfach daran, 03:31.230 --> 03:34.980 was tatsächlich im Hintergrund passiert, und nicht an der Mathematik. 03:35.010 --> 03:40.740 Nun nehmen Sie diesen Merkmalsdetektor oder -filter und legen Sie ihn auf Ihr Bild, wie Sie es auf der linken Seite sehen. 03:40.740 --> 03:48.120 Sie decken also beispielsweise in diesem Fall die obere linke Ecke der neun Pixel in der oberen linken Ecke ab und 03:48.450 --> 03:58.760 multiplizieren im Grunde jeweils einen wertvollen Wert, so dass der Wert so ist, dass die obere 0 mit dem oberen linken Wert mit dem oberen linken Wert dann im 03:58.780 --> 04:04.980 Grunde ist in Position von 1 1 durch Position etwa 1 1 Positionsnummer oder 0 1 0 04:05.090 --> 04:08.670 1 0 2 durch 0 2 und so weiter. 04:08.670 --> 04:13.410 Es ist also eine elementweise Multiplikation dieser Matrizen. 04:13.410 --> 04:14.460 Und dann addieren Sie das Ergebnis. 04:14.460 --> 04:20.010 In diesem Fall stimmt also nichts überein, es ist also entweder 0 durch 0 0 oder durch 1. 04:20.010 --> 04:21.280 Das Ergebnis ist also Null. 04:21.530 --> 04:26.610 Und hier kann man sehen, dass einer von ihnen einen auf der linken Seite angeglichen hat. 04:26.610 --> 04:28.120 Und deshalb haben wir hier eine 1. 04:28.120 --> 04:30.820 Nichts passte zusammen. Nichts passte zusammen. 04:30.890 --> 04:38.100 Dann gehen wir weiter zum nächsten Wurf und Schritt, bei dem wir diesen ganzen Filter verschieben, wird als Schritt 04:38.100 --> 04:38.610 bezeichnet. 04:38.610 --> 04:40.570 Hier haben wir also einen Schritt von einem Pixel. 04:40.680 --> 04:45.820 Hier kann man wieder etwas sehen, das in der rechten unteren Ecke mit dem Schritt übereinstimmt, aber 04:46.110 --> 04:50.850 eine untere in der Mitte, die hier oben rechts angeordnet ist, entspricht dem Nichts. 04:50.970 --> 04:52.040 Der Schritt ist eins. 04:52.170 --> 04:53.930 Sie können den Schritt ändern. 04:54.330 --> 04:56.260 Sie können es zwei machen. 04:56.340 --> 04:58.580 Du wirst drei bekommen, was du willst. 04:58.830 --> 05:02.770 Die letztendlich gut funktionierende ist in der Regel ein oder zwei. 05:02.800 --> 05:04.280 Also halten sich die Leute daran. 05:04.600 --> 05:09.480 Und wir werden darüber sprechen, was der Schritt gegen Ende dieses Tutorials ist. 05:09.520 --> 05:14.170 Wir haben also absolut zusammenpassen, wenn ich höre, dass Sie zwei sehen können, weil 05:14.170 --> 05:17.270 zwei davon übereinstimmen und so weiter und so weiter. 05:17.290 --> 05:24.830 Also los geht's, es gibt noch eine andere, die da zusammen passt, wir gehen und wir sind fertig. 05:24.830 --> 05:27.770 Was haben wir also geschaffen? 05:27.800 --> 05:28.600 Recht. 05:28.820 --> 05:31.860 Hier einige wichtige Dinge. 05:31.970 --> 05:38.240 Das Bild auf der rechten Seite wird als Feature-Map bezeichnet. Es gibt auch einige Begriffe, die manchmal als 05:38.870 --> 05:40.530 Vold-Feature bezeichnet werden können. 05:41.000 --> 05:46.280 In Ihrem Blog- und Volutionsoperationsoperator wird also etwas nicht verwunden, sondern es wird gefaltet und es hat 05:46.280 --> 05:53.680 manchmal den Anschein, als würde ich für mich in die falsche Richtung denken, aber es ist der richtige Begriff, der gefaltet ist, ist 05:53.700 --> 05:57.900 eine Art alter Funktion oder es kann auch wird die Aktivierungskarte genannt. 05:58.040 --> 06:02.510 Aber wir werden es in diesem Kurs als Feature-Map bezeichnen, so dass man eines dieser 06:03.500 --> 06:06.300 Dinge nennen kann und was wir hier gemacht haben. 06:06.320 --> 06:09.910 Wie Sie sehen, haben wir die Größe des Bildes reduziert. 06:09.920 --> 06:15.500 Das ist die Nummer eins und das ist das Wichtigste, was ich über Ihr Eingabebild, den Feature-Text und 06:15.500 --> 06:17.090 den Schritt erwähnen wollte. 06:17.240 --> 06:21.690 Wenn Sie nur einen Schritt weiter sind, können Sie das Bild etwas verkleinern, aber wenn Sie ein 06:21.690 --> 06:25.410 Recht auf das Bild haben, wird mehr erzeugt, so wird das Feature noch kleiner. 06:25.610 --> 06:33.950 Und das ist eine sehr wichtige Funktion des Merkmalsdetektors dieses gesamten Faltungsschritts: Die Verkleinerung des Bildes 06:33.950 --> 06:42.100 ist einfacher, da es einfacher ist, es zu verarbeiten und es wird nur schneller. 06:42.110 --> 06:51.830 Es wird und Sie werden nur förderlich sein, denn stellen Sie sich vor, wir hätten ein 7: 7-Bild, aber stellen Sie 06:51.860 --> 06:55.310 sich vor, Sie haben ein richtiges Foto. 06:55.700 --> 07:02.270 Oder wenn Sie wie ein 256. auf einem 56-Pixel-Bild haben, ist es eine riesige Anzahl von Pixeln, die ich gewählt habe, wenn 07:02.900 --> 07:06.940 das X-Quadrat oder ähnliches gilt, sagen wir, Sie haben 300, aber 300 Pixel. 07:07.060 --> 07:13.400 Wir werden also nicht mit dem R verwechselt. G. B 256 muss sagen, als hätten wir ein 300 x 300 Bild 07:13.400 --> 07:14.720 in Bezug auf Größe und Pixel. 07:14.780 --> 07:22.640 Dann haben Sie 300 Quadratpixel, das ist eine enorme Anzahl von Pixeln, und daher verringern Merkmalsdetektoren die Größe des 07:23.360 --> 07:27.580 Bildes und daher ist ein Schritt von zwei von Vorteil. 07:27.740 --> 07:29.970 Aber dann fragen wir uns, ob wir Informationen verlieren. 07:29.990 --> 07:34.520 Verlieren wir Informationen, wenn wir den Merkmalsdetektor anwenden? 07:34.520 --> 07:40.580 Nun, einige Informationen verlieren wir natürlich, weil wir weniger Werte und eine daraus resultierende Matrix haben. 07:40.700 --> 07:45.950 Gleichzeitig besteht der Zweck des Merkmalsdetektors jedoch darin, bestimmte Merkmale bestimmter Teile des Bildes 07:45.950 --> 07:48.170 zu erkennen, die integral sind. 07:48.620 --> 07:53.150 Wenn Sie beispielsweise so darüber nachdenken, hat der Merkmalsdetektor ein 07:53.150 --> 07:54.080 bestimmtes Muster. 07:54.080 --> 07:57.950 Die höchste Zahl in Ihrer Feature-Map ist, wenn das Muster übereinstimmt. 07:57.950 --> 08:04.820 In der Tat ist die höchste Zahl, die Sie erhalten können, in einem vereinfachten Beispiel, wenn die Funktion 08:04.820 --> 08:10.550 genau übereinstimmt und Sie die Nummer vier in unserer Funktionskarte sehen können, die genau ist. 08:10.550 --> 08:16.910 Wenn Sie es hier anschauen, ist genau dieser Merkmalsdetektor, denn es gibt nur vier und er 08:16.910 --> 08:21.460 passte perfekt, so dass Sie diesen Teil hier sehen können. 08:21.470 --> 08:23.220 Also wurde das Feature hier erkannt. 08:23.450 --> 08:32.340 Und wie wir am Anfang dieses Abschnitts besprochen haben, ist es, wie wir Dinge sehen, wie wir es 08:32.430 --> 08:33.080 erkennen. 08:33.090 --> 08:40.410 Wir betrachten nicht jeden einzelnen Pixel sozusagen in dem, was wir auf einem Bild oder im wirklichen Leben sehen. 08:40.410 --> 08:46.440 Wir betrachten nicht jedes einzelne Bild, das wir uns anschauen, wir betrachten die Nase, die Hüte, 08:47.070 --> 08:55.110 die Feder, die Augen unter den kleinen schwarzen Flecken unter den Augen des Geparden, um zwischen einem Gepard und einem Leoparden oder 08:55.110 --> 08:57.470 der Form des Zugs zu unterscheiden. 08:57.480 --> 09:02.610 Wir unterscheiden nicht zwischen einem Hochgeschwindigkeitszug und einem normalen Zug und so 09:02.610 --> 09:08.110 weiter, sodass wir uns nicht alles ansehen, was wir uns mit Features beschäftigen. 09:08.110 --> 09:15.480 Tatsächlich ist es das, was es uns ermöglicht, all die unnötigen Dinge voranzutreiben und zu beseitigen, die wir als 09:15.570 --> 09:22.740 Menschen nicht so viele Informationen verarbeiten, die in Ihre Augen gehen, die zu jeder Zeit wie Gigabytes Informationen 09:22.740 --> 09:28.680 aussehen, wenn Sie jeden einzelnen Punkt betrachten Wenn nicht Terabytes an Informationen pro Sekunde in 09:28.680 --> 09:35.640 Ihre Augen gelangen und wir trotzdem fortfahren können, weil wir das Unnötige beseitigen, konzentrieren wir uns nur 09:35.640 --> 09:41.510 auf die wichtigen Funktionen, die für uns wichtig sind, und genau dies tun die 09:41.640 --> 09:42.270 Funktionen. 09:42.270 --> 09:51.030 Nun geht es weiter mit unserem Eingabebild, und wir erstellen eine Feature-Map, also sagen wir, die vordere ist die, die wir gerade erstellt haben, aber 09:51.030 --> 09:54.300 wie kommt es, dass es viele davon gibt. 09:54.300 --> 10:00.300 Wir erstellen jedoch mehrere Feature-Maps, weil wir unterschiedliche Filter verwenden. 10:00.300 --> 10:00.590 Recht. 10:00.630 --> 10:05.430 Auf diese Weise bleiben viele Informationen erhalten, so dass wir nicht nur eine 10:05.880 --> 10:12.600 Feature-Map haben, sondern nach bestimmten Features suchen und dann oder im Wesentlichen das Netzwerk durch das Training entscheidet. Dies 10:12.600 --> 10:18.030 wird am Ende des Abschnitts besprochen Durch sein Training entscheidet er, welche Funktionen für bestimmte 10:18.120 --> 10:23.670 Typen oder bestimmte Kategorien wichtig sind, und er sucht danach und wird daher unterschiedliche Filter 10:23.670 --> 10:26.070 haben. Wir sprechen jetzt über Filter. 10:26.160 --> 10:32.280 Aber im Grunde wende ich diese Filter an, damit diese Feature-Map verwendet wird, dass sie einen Filter wie den, den wir gesehen haben, angewendet 10:32.280 --> 10:36.270 hat. Um dieses Feature zu erhalten, wendet Mabbett jedoch einen anderen Filter an, damit dieses 10:36.270 --> 10:38.080 Feature einen anderen Filter verwendet usw. 10:38.370 --> 10:43.430 Im Grunde erstellt es diese Feature-Maps. 10:43.650 --> 10:49.700 Und deshalb denke ich, dass der Begriff Feature-Detektor für mich besser ist als Filter. 10:49.710 --> 10:56.040 Denken Sie daran, wir sind hier, wir haben diesen Filter, den wir auch als Feature-Detektor bezeichnen können. 10:56.040 --> 10:59.440 Tatsächlich ist der Wort-Feature-Detektor meiner Meinung nach besser geeignet. 10:59.490 --> 11:03.390 Und der Grund dafür ist der Zweck. 11:03.390 --> 11:06.510 Wir wollen nicht nur unser Image herausfiltern. 11:06.510 --> 11:10.220 Aber auch wenn das Ganze ein Ganzes ist, ist es nur eine Frage der Terminologie. 11:10.230 --> 11:11.990 Grundsätzlich möchten wir jedoch Merkmale erkennen. 11:12.000 --> 11:12.270 Gut. 11:12.270 --> 11:19.680 In diesem Abschnitt begeben wir uns auf diese Feature-Map, die wir entdeckt haben, wo bestimmte Features im Bild vorhanden sind, 11:19.800 --> 11:24.240 und diese Feature-Map, an der sich bestimmte andere Features befinden, an denen 11:24.240 --> 11:30.350 sich ein bestimmtes Feature und diese Feature-Map befinden wird erkannt, wo sich eine bestimmte andere Funktion im 11:30.350 --> 11:31.420 Bild befindet. 11:31.440 --> 11:33.420 Das ist also, was wir tun. 11:33.420 --> 11:40.470 Und hör zu, wir haben ein paar Beispiele. Hier verwenden wir und das ist von Gip dot org. 11:40.610 --> 11:48.690 Ihre Dokumentation ist ein ähnliches Werkzeug wie Paint, und Sie können es verwenden, um Ihre Bilder anzupassen oder mit Ihren Bildern 11:48.690 --> 11:49.550 zu arbeiten. 11:49.560 --> 11:56.490 Grundsätzlich haben sie jedoch einige wertvolle Beispiele in ihrer Dokumentation. Hier haben sie ein Bild vom Taj Mahal und 11:56.490 --> 11:59.790 Sie können wählen, welchen Filter Sie anwenden möchten. 11:59.880 --> 12:06.150 Wenn Sie also dieses Programm herunterladen und ein Foto hochladen, können Sie eine Konvertierungsmatrix starten 12:06.150 --> 12:12.600 und Filter anwenden, und Sie werden feststellen, dass diese englischen Matrizen tatsächlich in der Bildverarbeitung und 12:12.600 --> 12:15.240 im Design usw. angewendet werden. 12:15.240 --> 12:17.150 Schauen wir uns also an, was wir bekommen. 12:17.240 --> 12:21.520 Wenn wir also diesen Filter fünf in der Mitte anwenden, wird eins eins eins eins eins. 12:21.690 --> 12:23.780 Sie können sehen, dass das Bild schärfer wird. 12:23.890 --> 12:29.010 Das ist also ganz intuitiv, wenn Sie daran denken. 12:29.010 --> 12:36.300 Also ist 5 das Pixel des Hauptpixels wie in der Mitte des Filters oder des Merkmalsdetektors 12:36.600 --> 12:43.410 und dann minus eins minus eins, nur eine Art reduziert die Pixel um das a 12:44.430 --> 12:45.000 intuitiv. 12:46.170 --> 12:47.020 Dann verwischen 12:47.040 --> 12:54.150 Grundsätzlich gilt also gleichbedeutend, dass alle Pixel in der Mitte gleich groß sind. Daher werden 12:54.150 --> 12:59.070 die Pixel miteinander kombiniert und Sie erhalten eine Unschärfekante. 12:59.070 --> 13:03.860 Hier kann man also sehen, dass es minus eins und eins ist, und dann bekommt man Nullen. 13:03.870 --> 13:11.100 Sie haben also gelöscht, um die Pixel um das Hauptelement in der Mitte zu entfernen, und Sie behalten dieses nur bei einem Minuszeichen. Dies 13:11.100 --> 13:15.610 gibt Ihnen einen Vorteil und dies war etwas schwieriger zu verstehen, wie es funktioniert. 13:16.290 --> 13:20.700 Wie wahrscheinlich schwerer, nur intuitiv an den Rand zu denken. 13:20.700 --> 13:23.340 Richtig, das macht wahrscheinlich mehr Sinn. 13:23.340 --> 13:25.860 Richtig, du nimmst sie eine Mitte. 13:25.850 --> 13:28.880 Sie reduzieren die mittlere. 13:29.050 --> 13:36.180 Wahrscheinlich gefällt Ihnen die Stärke des mittleren Pixels und Sie suchen dann nach denen, nach denen Sie suchen. 13:36.420 --> 13:41.980 Diese, die Sie sehen, erhöhen die Stärke der um sie herum. 13:42.090 --> 13:43.910 Also hast du die da. 13:44.720 --> 13:45.610 Ja das ist. 13:45.690 --> 13:50.700 Das gibt dir einen Vorteil, und du kannst sehen, was du da bekommst und einen anderen anführen. 13:50.700 --> 13:58.130 Der Schlüssel hier ist also, dass es symmetrisch ist und Sie können sehen, dass das Bild auch asymmetrisch 13:58.140 --> 14:03.580 wird, so dass Sie das Gefühl haben, dass es sich Ihnen gegenüber zeigt. 14:03.840 --> 14:08.910 Und das bekommst du, wenn du hier Minuspunkte hast und hier ist dies auch ein 14:08.970 --> 14:14.160 bisschen technisch, aber zumindest können wir eine Art Intuition bekommen und Lissa geht schnell wieder durch. 14:14.160 --> 14:21.480 Es gibt also eine Schärfe, es gibt Unschärfen, es gibt kantige Hände, dort gibt es eine Kantenerkennung und einen Boss. 14:21.480 --> 14:27.350 So wie Sie sehen, sind dies großartige Beispiele für dasselbe Bild, aber wir erhalten Feature-Maps. 14:27.360 --> 14:32.430 Daher verwenden wir verschiedene Funktionsdetektoren, um verschiedene Funktionskarten des gleichen Bildes zu erhalten. 14:32.430 --> 14:40.380 Daher haben wir jetzt eine Menge der letzten dieser Versionen dieses Bildes, in denen wir versucht haben, bestimmte Dinge in 14:40.440 --> 14:44.920 diesen Begriffen zu entdecken, die sie nicht zutreffen zu uns. 14:44.940 --> 14:50.460 Ihr zweiter Chef ist in Bezug auf konvolutionelle neuronale Netze wahrscheinlich nicht für uns geeignet, aber das Alter erkennt, dass 14:50.550 --> 14:51.630 dies wichtig ist. 14:51.630 --> 14:58.590 Wir möchten die Kanten erkennen, die die Kantenvergrößerung wahrscheinlich nicht verwackeln, also bestimmte Dinge wie z. B. kantigen Text. 14:58.580 --> 15:02.450 Wahrscheinlich der wichtigste für unsere Arbeit. 15:02.460 --> 15:07.560 Und wenn es um Computer geht, werden sie selbst entscheiden, oder neuronale Netzwerke entscheiden selbst, was 15:07.560 --> 15:12.900 wichtig ist, was nicht ist, und es wird wahrscheinlich nicht einmal für das menschliche Auge erkennbar sein. 15:12.900 --> 15:14.910 Sie werden nicht verstehen können, was diese Funktionen bedeuten. 15:14.910 --> 15:22.530 Aber der Computer wird entscheiden, und das ist das Schöne an neuronalen Netzwerken, die sie so viele verschiedene Dinge verarbeiten 15:22.530 --> 15:28.950 und verstehen können, ohne diese Intuition zu haben oder ohne diese Erklärung, warum sie verstehen, welche Funktionen 15:28.950 --> 15:34.380 für sie wichtig sind, ob wir einen Namen dafür haben oder Nicht, dass dies 15:34.810 --> 15:39.830 eine Gesamtheit ist, die für das künstliche neuronale Netzwerk keine Rolle spielt. 15:39.990 --> 15:41.260 Und mein Liebling. 15:41.280 --> 15:50.940 Hier ist ein Bild von Geoffrey Hinton von Geoffrey Hinton, der einen dieser Filter passiert hat. 15:50.940 --> 15:53.070 Also gut, das bringt uns zum Ende von Teresa Tauriel. 15:53.070 --> 15:55.460 Ich hoffe, es hat Ihnen Spaß gemacht, etwas über Faltung zu lernen. 15:55.470 --> 16:02.490 Der Schlüssel dazu ist, dass die Faltung der Hauptzweck unserer Entwicklung darin besteht, Merkmale in Ihrem Bild mithilfe des 16:02.490 --> 16:08.280 Merkmaldetektors zu finden, sie in eine Merkmalskarte aufzunehmen und durch das Einfügen in eine zukünftige 16:08.340 --> 16:15.710 Karte die räumlichen Beziehungen zwischen Pixeln zu erhalten, was sehr wichtig ist für uns wissen Sie, denn wenn sie völlig 16:15.720 --> 16:19.280 durcheinander geraten sind, haben wir das Muster verloren. 16:19.350 --> 16:25.110 Gleichzeitig ist es wichtig zu verstehen, dass die Funktionen eines neuronalen Netzwerks zumeist bestimmte 16:25.110 --> 16:32.430 Bilder erkennen und verwenden, um bestimmte Bilder zu erkennen. Klaas 'Bilder bedeuten für die Menschen nichts, aber sie funktionieren 16:32.460 --> 16:33.120 trotzdem. 16:33.120 --> 16:34.420 Und so ist Faltung. 16:34.440 --> 16:36.280 Und ich freue mich darauf, Sie als nächstes bei Tauriel zu sehen. 16:36.300 --> 16:37.980 Bis dahin viel Spaß beim Lernen.