WEBVTT 00:00.690 --> 00:05.730 Bună ziua și binevenită înapoi la cursul de învățare profundă în presa Tauriel am aflat ce rețele 00:05.810 --> 00:07.290 neuronale convoluționiste sunt toate. 00:07.350 --> 00:11.050 Și astăzi ne vom arunca cu capul la convoluția de la Pasul 1. 00:11.100 --> 00:18.530 Deci, aceasta este funcția de convoluție și încercăm să rămânem departe de matematică și să păstrăm lucrurile intuitive. 00:18.540 --> 00:25.110 Dar nu am putut să nu împărtășesc această formulă pentru dvs. deoarece este atât de simplă încât convoluția este în 00:25.110 --> 00:31.380 esență o integrare combinată a celor două funcții și vă arată cum o funcție modifică cealaltă sau modifică forma 00:31.470 --> 00:36.520 celeilalte și dacă ați a făcut orice prelucrare a semnalului sau inginerie electrică sau 00:36.520 --> 00:42.390 o profesie în cazul în care prelucrarea semnalului este necesară ați fi inevitabil întâlnit o funcție de concluzie. 00:42.390 --> 00:44.090 Este destul de popular acum. 00:44.100 --> 00:49.490 Încă o dată vom ține lumina matematică sau o vom păstra separată. 00:49.500 --> 00:56.190 Și dacă doriți să intrați în matematică în spatele rețelelor neuronale convoluționiste, o mare 00:56.520 --> 01:05.010 citire suplimentară este Introducere în rețelele neuronale convoluționale de Jensine Wu, care este profesor la Universitatea Nanjing din 01:05.010 --> 01:05.820 China. 01:05.820 --> 01:12.780 Această lucrare a fost publicată literalmente în urmă cu cinci sau șase zile în urmă și este orientată în 01:12.780 --> 01:17.690 mod special către persoanele care încep de la începători care cunosc rețele 01:18.250 --> 01:23.700 neuronale convoluționate, astfel încât matematica trebuie să fie accesibilă, de fapt, e-mail profesorul Johnson. 01:23.730 --> 01:32.040 Și da, el a spus că întregul său scop este de a face sau de a sparge lucrurile complexe în jos, astfel încât oamenii care sunt noi în acest 01:32.040 --> 01:33.360 domeniu să poată înțelege. 01:33.360 --> 01:40.680 Și, de asemenea, el a menționat că el are niște materiale disponibile pe pagina sa de pornire, așa că dacă tu chiar dacă elimini ultimele două părți 01:40.680 --> 01:47.220 și te duci la fel ca Slash W. J. X la acea parte, care 01:47.220 --> 01:52.380 este pagina sa de origine și veți putea găsi mai multe tutoriale suplimentare și materiale 01:52.380 --> 01:59.120 care nu au fost publicate ca lucrări, dar le folosește în tutorialele sale, astfel încât să puteți găsi cele utile 01:59.130 --> 02:05.130 astfel încât să răsfoiți acolo, ar dori să obțină o introducere în matematica din spatele rețelelor coaliționale neuronale 02:05.130 --> 02:08.470 și să construiască o bază solidă în jurul acelei zone. 02:08.550 --> 02:12.570 Dar vom merge mai departe și vom vorbi despre convoluție. 02:12.570 --> 02:17.160 Deci, ce este o soluție bună în termeni intuitivi aici, în stânga. 02:17.160 --> 02:21.690 Avem o imagine de intrare, așa cum am discutat, așa că vom privi imaginile doar pe cele și pe zerouri 02:21.690 --> 02:22.750 pentru a simplifica lucrurile. 02:22.950 --> 02:25.050 Și puteți vedea fața zâmbitoare acolo. 02:25.090 --> 02:28.660 Apoi avem un detector de caracteristici, astfel încât detectoarele de caracteristici să fie de trei-trei Matrix. 02:28.740 --> 02:30.120 Trebuie să fie trei-trei. 02:30.150 --> 02:31.920 Nu, nu. 02:31.920 --> 02:35.810 Alex net cred că utilizează șapte până la șapte. 02:35.850 --> 02:41.640 Și apoi un altul dintre celelalte cele celebre folosește cinci detectoare de cinci caracteristici. 02:41.640 --> 02:48.270 Ele pot fi diferite, dar, de obicei, veți vedea că acestea sunt trei la trei și ei știți motivele pentru 02:48.270 --> 02:52.110 a le face trei-trei, așa că vom rămâne pe cale convențională. 02:52.170 --> 02:57.510 Având un detector de trei sau trei caracteristici, de asemenea, detectorii de funcții numiți aceștia sunt termeni importanți pentru că ați 02:57.510 --> 02:58.710 putea să le întâlniți. 02:58.710 --> 03:04.080 Există mulți termeni diferiți pentru detectorul de caracteristici, dar cei mai obișnuiți sunt detectorul de caracteristici 03:04.110 --> 03:09.540 sau Eik ar putea auzi că se numește kernel sau s-ar putea auzi că se numește Filter. 03:09.540 --> 03:14.760 Deci, în acest curs, vom folosi fie un filtru, fie un detector de funcții 03:14.760 --> 03:23.670 interschimbabil, ci doar să avem în vedere faptul că are aceste nume, iar o operațiune de coaliție este semnată de un X într-un cerc. 03:23.670 --> 03:31.230 Așa cum ați văzut în formulele anterioare și aici, ceea ce se întâmplă este la un nivel intuitiv sau doar gândiți-vă la ceea 03:31.230 --> 03:34.980 ce se întâmplă de fapt în fundal, și nu în matematică. 03:35.010 --> 03:40.740 Ei bine, luați acest detector sau filtru de trăsături și îl puneți pe imaginea dvs. așa cum vedeți în stânga. 03:40.740 --> 03:48.120 Deci, acoperiți de exemplu, în acest caz, colțul din stânga sus, cei nouă pixeli din colțul din stânga sus și 03:48.450 --> 03:58.760 în esență multiplicați fiecare valoare valoroasă, astfel încât să respecte valoarea, astfel încât partea superioară 0 de către valoarea stânga sus la valoarea stânga sus, atunci este în 03:58.780 --> 04:04.980 poziția de 1 după poziția aproximativ 1 1 număr de poziție sau 0 1 0 1 04:05.090 --> 04:08.670 0 2 la 0 2 și așa mai departe. 04:08.670 --> 04:13.410 Deci este o multiplicare înțeleaptă pe aceste matrice. 04:13.410 --> 04:14.460 Și apoi adăugați rezultatul. 04:14.460 --> 04:20.010 Deci, în acest caz, nimic nu se potrivește, așa că este întotdeauna 0 0 0 0 sau 1. 04:20.010 --> 04:21.280 Deci, rezultatul este zero. 04:21.530 --> 04:26.610 Iar aici puteți vedea că unul dintre ele se potrivește cu unul din stânga. 04:26.610 --> 04:28.120 Și, prin urmare, avem 1 aici. 04:28.120 --> 04:30.820 Nimic nu se potrivea cu nimic, nu se potrivea nimic. 04:30.890 --> 04:38.100 Apoi vom trece la aruncarea următoare și pasul la care ne mișcăm întregul filtru este numit 04:38.100 --> 04:38.610 pasul. 04:38.610 --> 04:40.570 Deci, aici avem un pas de un pixel. 04:40.680 --> 04:45.820 Aici puteți vedea din nou ceva potrivite în colțul din dreapta jos, potrivite în sus cu un pas, dar 04:46.110 --> 04:50.850 unul de jos în mijlocul casei potrivite aici sus, dreapta sus, se potrivește cu măsura nimic. 04:50.970 --> 04:52.040 Pasul este unul. 04:52.170 --> 04:53.930 Puteți schimba pașii. 04:54.330 --> 04:56.260 Poți să faci una. 04:56.340 --> 04:58.580 Vei primi trei cum vrei. 04:58.830 --> 05:02.770 În cele din urmă, cel care funcționează bine este de obicei sau două. 05:02.800 --> 05:04.280 Deci la asta stau oamenii. 05:04.600 --> 05:09.480 Și vom vorbi despre ce înseamnă pasul spre sfârșitul acestui tutorial. 05:09.520 --> 05:14.170 Așa că am ajuns aici, așa că ne potrivim absolut când aud că puteți vedea că avem două, deoarece două 05:14.170 --> 05:17.270 dintre ele s-au potrivit și așa mai departe și așa mai departe. 05:17.290 --> 05:24.830 Deci, acolo mergem acolo este un altul care se potrivea acolo acolo mergem și am terminat. 05:24.830 --> 05:27.770 Deci, ce am creat. 05:27.800 --> 05:28.600 Dreapta. 05:28.820 --> 05:31.860 Câteva lucruri importante aici. 05:31.970 --> 05:38.240 Imaginea de pe dreapta este numită o hartă a caracteristicilor are, de asemenea, mai mulți termeni, de asemenea, poate fi numită 05:38.870 --> 05:40.530 uneori ea poate caracteristica Vold. 05:41.000 --> 05:46.280 Deci, în operatorul dvs. de operațiuni de blog și operațiune de voluție, pentru ceva ce nu devine 05:46.280 --> 05:53.680 convoluționat, acesta devine convolved și are uneori cum mă gândesc la mine în mod greșit, dar este termenul corect este convolved este un 05:53.700 --> 05:57.900 fel de caracter vechi sau poate să fie numită hartă de activare. 05:58.040 --> 06:02.510 Dar o să-i numim o hartă a caracteristicilor în acest curs, astfel încât să poată fi 06:03.500 --> 06:06.300 numit oricare dintre aceste lucruri și ce am făcut aici. 06:06.320 --> 06:09.910 După cum puteți vedea, am redus dimensiunea imaginii. 06:09.920 --> 06:15.500 Asta este numărul unu și acesta este cel mai important lucru pe care l-am dorit să-l menționez despre imaginea de intrare 06:15.500 --> 06:17.090 și textul caracteristic și pasul. 06:17.240 --> 06:21.690 Dacă aveți un pas de unul puteți vedea imaginea redusă un pic, dar dacă aveți dreptul la 06:21.690 --> 06:25.410 imagine va produce mai mult, astfel încât caracteristica va fi chiar mai mici. 06:25.610 --> 06:33.950 Și aceasta este o funcție foarte importantă a detectorului caracteristicilor acestui întreg pas de convoluție este de a face 06:33.950 --> 06:42.100 imaginea mai mică pentru că va fi mai ușor să o procesați și va fi mai rapidă. 06:42.110 --> 06:51.830 Acesta va fi și veți fi doar foster pentru că imaginați-vă ca aici avem o imagine de șapte la șapte, dar 06:51.860 --> 06:55.310 imaginați-vă dacă aveți o fotografie corectă dreapta. 06:55.700 --> 07:02.270 Sau dacă aveți ca o imagine 256 pe 56 pixeli, care este un număr mare de pixeli I CHONE dacă este x 07:02.900 --> 07:06.940 pătrat sau ca să spunem că aveți 300, dar 300 de pixeli. 07:07.060 --> 07:13.400 Deci nu ne confundăm cu R. G. B 256 trebuie să spună că avem o imagine de 300 x 300 07:13.400 --> 07:14.720 în ceea ce privește dimensiunea și pixelii. 07:14.780 --> 07:22.640 Apoi, aveți 300 de pătrimi de pixeli care reprezintă un număr mare și, prin urmare, detectoarele de caracteristici vor reduce dimensiunea 07:23.360 --> 07:27.580 imaginii și, prin urmare, pasul a două este de fapt benefic. 07:27.740 --> 07:29.970 Dar întrebarea este atunci când pierdem informații. 07:29.990 --> 07:34.520 Pierdem informații când aplicăm detectorul de funcții. 07:34.520 --> 07:40.580 Ei bine, niște informații pe care le pierdem, desigur, pentru că avem mai puține valori și matrice rezultate. 07:40.700 --> 07:45.950 În același timp, scopul detectorului de funcții este de a detecta anumite caracteristici ale anumitor 07:45.950 --> 07:48.170 părți ale imaginii care sunt integrate. 07:48.620 --> 07:53.150 Și, de exemplu, dacă vă gândiți la asta în felul acesta, detectorul de caracteristici are 07:53.150 --> 07:54.080 un anumit model. 07:54.080 --> 07:57.950 Cel mai mare număr din harta dvs. de caracteristici este când modelul se potrivește. 07:57.950 --> 08:04.820 De fapt, cel mai mare număr pe care îl puteți obține este într-un exemplu simplificat, atunci când caracteristica este că se potrivește 08:04.820 --> 08:10.550 exact și puteți vedea că numărul patru pe care îl avem în harta noastră de trăsături este exact. 08:10.550 --> 08:16.910 Deci, dacă vă uitați aici, exact unde se află acest detector de caracteristici, deoarece sunt doar patru 08:16.910 --> 08:21.460 și se potrivește perfect, astfel încât să puteți vedea această parte aici. 08:21.470 --> 08:23.220 Deci, caracteristica a fost detectată aici. 08:23.450 --> 08:32.340 Și așa cum am discutat la începutul acestei secțiuni pe care o prezintă, cum vedem lucrurile este modul în care o 08:32.430 --> 08:33.080 recunoaștem. 08:33.090 --> 08:40.410 Nu ne uităm la fiecare pixel astfel încât să putem vorbi în ceea ce vedem într-o imagine sau în viața reală. 08:40.410 --> 08:46.440 Nu ne uităm la fiecare imagine pe care o privim la trăsăturile pe care le 08:47.070 --> 08:55.110 privim la nasul pălăriilor, la pene, la ochi sub măruntaiele negre sub ochii gheptei, pentru a distinge între un ghepard și 08:55.110 --> 08:57.470 un leopard sau forma trenului. 08:57.480 --> 09:02.610 Nu trebuie să facem distincția între un tren de glonț și un tren normal și așa mai departe, așa 09:02.610 --> 09:08.110 că nu privim la tot ceea ce privim la caracteristici și asta ne păstrăm și asta ne ajută să păstrăm harta hărților. 09:08.110 --> 09:15.480 De fapt, asta ne permite să avansăm și să scăpăm de toate lucrurile inutile, chiar dacă oamenii nu procesează atât 09:15.570 --> 09:22.740 de multe informații care să vină în ochii dvs. încât, la un moment dat, ca gigaocteți de informații dacă 09:22.740 --> 09:28.680 priviți la fiecare punct dacă nu terabiți de informații care intră în ochii dvs. pe 09:28.680 --> 09:35.640 secundă și totuși suntem capabili să procedăm pentru că scăpăm de ceea ce este inutil doar să ne 09:35.640 --> 09:41.510 concentrăm asupra caracteristicilor importante care sunt importante pentru noi și asta este exact ceea ce 09:41.640 --> 09:42.270 facem. 09:42.270 --> 09:51.030 Deci acum acum ne mișcăm imaginea noastră de intrare și noi creați o hartă a caracteristicilor, astfel încât cea din față să spunem că partea din față este cea pe care 09:51.030 --> 09:54.300 tocmai am creat-o, dar apoi cum se întâmplă multe dintre ele. 09:54.300 --> 10:00.300 Însă creăm mai multe hărți de caracteristici deoarece folosim filtre diferite. 10:00.300 --> 10:00.590 Dreapta. 10:00.630 --> 10:05.430 Și acesta este un alt mod în care păstrăm o mulțime de informații, astfel 10:05.880 --> 10:12.600 încât nu avem doar o hartă de caracteristici căutăm anumite caracteristici și apoi, sau în principiu, rețeaua decide prin instruirea sa 10:12.600 --> 10:18.030 și acest lucru este ceva ce vom discuta spre sfârșitul secțiunii prin formarea sa, decide care caracteristici 10:18.120 --> 10:23.670 sunt importante pentru anumite tipuri sau anumite categorii și le caută și prin urmare vor avea filtre diferite 10:23.670 --> 10:26.070 și vom vorbi despre filtre chiar acum. 10:26.160 --> 10:32.280 Dar, în principiu, aplicați aceste filtre, pentru a obține această hartă a caracteristicilor pe care le-a aplicat un filtru ca cel pe care l-am văzut, dar 10:32.280 --> 10:36.270 apoi pentru a obține această caracteristică. Mabbett aplică un filtru diferit pentru a obține această caracteristică, aplicând 10:36.270 --> 10:38.080 un filtru diferit și așa mai departe. 10:38.370 --> 10:43.430 Și așa se creează doar aceste hărți ale caracteristicilor. 10:43.650 --> 10:49.700 De fapt, de aceea personal cred că detectorul funcțional este mai bun decât filtrul. 10:49.710 --> 10:56.040 Amintiți-vă că suntem aici avem acest filtru pe care îl putem numi, de asemenea, un detector de funcții Ei bine, de 10:56.040 --> 10:59.440 fapt, detectorul de cuvinte cuvânt Cred că este mai bine potrivite. 10:59.490 --> 11:03.390 Iar motivul pentru asta este că scopul este corect. 11:03.390 --> 11:06.510 Nu vrem să nu doar că nu vrem să-i filtram imaginea. 11:06.510 --> 11:10.220 Dar chiar dacă este vorba despre un întreg, același lucru este doar o problemă de terminologie. 11:10.230 --> 11:11.990 Dar, practic, vrem să detectăm caracteristicile. 11:12.000 --> 11:12.270 In regula. 11:12.270 --> 11:19.680 În acest lucru, în această bază vom trece la propria noastră hartă a caracteristicilor pe care am detectat-o în cazul în care anumite caracteristici sunt în imagine și această 11:19.800 --> 11:24.240 hartă a caracteristicilor pe care le-am detectat în cazul în care anumite alte caracteristici sunt în cazul 11:24.240 --> 11:30.350 în care o anumită caracteristică specifică este localizată și această hartă de caracteristici va fi detectat în cazul în care o anumită altă caracteristică 11:30.350 --> 11:31.420 este localizată pe imagine. 11:31.440 --> 11:33.420 Deci asta este ceea ce facem. 11:33.420 --> 11:40.470 Și ascultați avem câteva exemple Deci, aici folosim și asta este de la Gip dot org. 11:40.610 --> 11:48.690 Documentația lor este un fel de instrument gratuit ca vopseaua și îl puteți folosi pentru a ajusta imaginile sau pentru a lucra 11:48.690 --> 11:49.550 cu imaginile. 11:49.560 --> 11:56.490 Dar, practic, au câteva exemple valoroase în documentația lor și aici au o imagine a Taj Mahal 11:56.490 --> 11:59.790 și puteți alege ce filtru doriți să aplicați. 11:59.880 --> 12:06.150 Deci, dacă descărcați acest program și încărcați o fotografie în el și apoi puteți începe de fapt o matrice 12:06.150 --> 12:12.600 de conversie și să aplicați filtre și veți vedea că aceste lucruri aceste matrici engleză aplicate efectiv în procesarea 12:12.600 --> 12:15.240 și proiectarea imaginilor și așa mai departe. 12:15.240 --> 12:17.150 Deci, haideți să aruncăm o privire la ceea ce primim ceea ce avem. 12:17.240 --> 12:21.520 Deci, dacă aplicăm acest filtru cinci în mijloc, minus unul este unul unul este unul minus unul. 12:21.690 --> 12:23.780 Puteți vedea că aceasta mărește imaginea. 12:23.890 --> 12:29.010 Și așa este foarte intuitiv dacă te gândești la asta. 12:29.010 --> 12:36.300 Deci, 5 este pixelul pixelului principal ca în mijlocul filtrului sau al detectorului de caracteristici și apoi minus unu 12:36.600 --> 12:43.410 minus unul, unul doar unul ca și cum ar reduce pixelii în jurul valorii de a într-un sens 12:44.430 --> 12:45.000 intuitiv. 12:46.170 --> 12:47.020 Apoi blur. 12:47.040 --> 12:54.150 Așa că, în principiu, are egalitate semnificativă, dă o semnificație egală tuturor pixelilor, aceștia sunt cei din centru 12:54.150 --> 12:59.070 și, prin urmare, îi combină împreună și obțineți o margine de estompare. 12:59.070 --> 13:03.860 Deci, aici puteți vedea că este minus una și una și apoi veți obține zerouri dreapta. 13:03.870 --> 13:11.100 Deci, ați șters pentru a elimina pixelii din jurul celui principal în mijloc și îl păstrați doar la un minus unul și vă oferă o 13:11.100 --> 13:15.610 margine și acest lucru a fost un pic mai greu de înțeles cum funcționează. 13:16.290 --> 13:20.700 Ca, probabil, mai greu doar să se gândească la ea intuitiv marginea detecta. 13:20.700 --> 13:23.340 Așa că, probabil, acest lucru are mai mult sens. 13:23.340 --> 13:25.860 Chiar i-ai luat unul de mijloc. 13:25.850 --> 13:28.880 Puteți reduce partea de mijloc. 13:29.050 --> 13:36.180 Probabil ca puterea pixelului mijlociu și apoi căutați pe cele pe care le căutați. 13:36.420 --> 13:41.980 Acestea pe care le vedeți măresc puterea celor din jurul lor. 13:42.090 --> 13:43.910 Deci aveți pe cei de acolo. 13:44.720 --> 13:45.610 Da, asta e. 13:45.690 --> 13:50.700 Asta vă dă ca o margine de luat și puteți vedea pe care le obțineți acolo și șeful altul. 13:50.700 --> 13:58.130 Deci, cheia aici este că este simetrică și puteți vedea că imaginea devine asimetrică, de asemenea, așa 13:58.140 --> 14:03.580 că aveți un fel de sentiment că este în picioare spre dumneavoastră. 14:03.840 --> 14:08.910 Și asta e ceea ce primești atunci când ai minusuri aici și plus aici, asta e foarte bine, asta e 14:08.970 --> 14:13.860 ceva puțin tehnic acum, dar cel puțin putem obține un fel de intuiție și Lissa merge repede prin 14:13.860 --> 14:14.160 ele. 14:14.160 --> 14:21.480 Deci, există o ascuțire acolo este estompare nu există mâini Edgin există o margine detecta acolo și șeful așa cum 14:21.480 --> 14:27.350 puteți vedea că acestea sunt exemple minunate de aceeași imagine, dar am obtine harti caracteristica. 14:27.360 --> 14:32.430 Deci, folosim detectori de diferite funcții pentru a obține diferite hărți de caracteristici ale 14:32.430 --> 14:40.380 aceleiași imagini și, prin urmare, acum avem o mulțime de ultimele dintre aceste versiuni ale acestei imagini, unde în fiecare am încercat 14:40.440 --> 14:44.920 să detectăm anumite lucruri în acești termeni, nu sunt aplicabile pentru noi. 14:44.940 --> 14:50.460 Al doilea șef al lor nu este probabil aplicabil pentru noi în ceea ce privește rețelele neuronale convoluționale, dar vârsta constată 14:50.550 --> 14:51.630 că este important. 14:51.630 --> 14:58.590 Vrem să detectăm marginea margini spori probabil, nu blur ascuți, astfel încât anumite lucruri, cum ar fi text edgy. 14:58.580 --> 15:02.450 Probabil cea mai importantă pentru tipul nostru de muncă. 15:02.460 --> 15:07.560 Iar în ceea ce privește înțelegerea computerelor, ei vor decide pentru ei înșiși sau rețelele neuronale vor decide 15:07.560 --> 15:12.900 pentru sine ce este important ce nu este și probabil că nu va fi chiar recunoscut pentru ochiul uman. 15:12.900 --> 15:14.910 Nu veți putea înțelege ce înseamnă aceste caracteristici. 15:14.910 --> 15:22.530 Dar calculatorul va decide și asta este frumusețea rețelelor neuronale pe care le pot procesa atât de multe lucruri diferite și să 15:22.530 --> 15:28.950 înțeleagă fără a avea chiar acea intuiție sau fără a avea această explicație de ce vor înțelege ce 15:28.950 --> 15:34.380 caracteristici sunt importante pentru ei dacă avem un nume pentru ei sau nu că este 15:34.810 --> 15:39.830 vorba despre un întreg care este o întrebare irelevantă pentru rețeaua neurală artificială. 15:39.990 --> 15:41.260 Și cea preferată. 15:41.280 --> 15:50.940 Iată o imagine a lui Geoffrey Hinton de la Geoffrey Hinton care a trecut printr-unul din aceste filtre. 15:50.940 --> 15:53.070 În regulă, așa că ne duce la sfârșitul lui Teresa Tauriel. 15:53.070 --> 15:55.460 Sper că v-ați bucurat să învățați despre convoluție. 15:55.470 --> 16:02.490 Takeaway-ul cheie este că convoluția, scopul principal al evoluției pe care o putem evolua este să găsim trăsături în 16:02.490 --> 16:08.280 imaginea dvs. utilizând detectorul de funcții, să-i puneți pe o hartă a caracteristicilor și prin a 16:08.340 --> 16:15.710 le avea pe o hartă viitoare, păstrând încă relațiile spațiale dintre pixeli, care este foarte importantă pentru noi, pentru că știți 16:15.720 --> 16:19.280 că dacă sunt complet amestecați, atunci am pierdut modelul. 16:19.350 --> 16:25.110 În același timp, este important să înțelegem că, de cele mai multe ori, caracteristicile unei rețele 16:25.110 --> 16:32.430 neuronale vor detecta și folosi pentru a recunoaște anumite imagini, iar Klaas nu va însemna nimic pentru om, dar totuși acestea 16:32.460 --> 16:33.120 funcționează. 16:33.120 --> 16:34.420 Și asta este convoluția. 16:34.440 --> 16:36.280 Și aștept cu nerăbdare să vă văd următorul Tauriel. 16:36.300 --> 16:37.980 Până atunci, bucurați-vă de învățare.