WEBVTT 00:00.690 --> 00:05.730 Merhabalar ve basında derin öğrenme dersine hoş geldiniz Tauriel, konvolüyonal sinir ağlarının 00:05.810 --> 00:07.290 hepsinin ne olduğunu öğrendik. 00:07.350 --> 00:11.050 Ve bugün 1. Adım kıvrımına dalacağız. 00:11.100 --> 00:18.530 Yani bu konvolüsyon işlevi ve biz matematiğin uzak durmaya çalışın ve sezgisel şeyler tutmak. 00:18.540 --> 00:25.110 bu formülün sizin için paylaşılmasını sağlayamadım, çünkü bu basit bir konvolüsyon temelde iki işlevin 00:25.110 --> 00:31.380 birleştirilmiş bir entegrasyonu ve bir işlevin diğerini nasıl değiştirdiğini ya da diğerinin şeklini 00:31.470 --> 00:36.520 değiştirdiğini size gösteriyor; Sinyal işleme gerektiren herhangi bir sinyal işleme veya 00:36.520 --> 00:42.030 elektrik mühendisliği veya bir meslek yaptığınızda kaçınılmaz olarak bir sonuç fonksiyonu bulacaksınız. 00:42.030 --> 00:42.390 Ancak, 00:42.390 --> 00:44.090 Artık oldukça popüler. 00:44.100 --> 00:49.490 Bir kez daha matematik ışıklarını koruyacağız veya ayrı tutacağız. 00:49.500 --> 00:56.190 Ve konvolüyonel sinir ağlarının ardındaki matemata girmek isterseniz, Çin'deki Nanjing 00:56.520 --> 01:05.010 Üniversitesi'nde profesör olan Jensine Wu'nun konvülsiyonal sinir ağlarına giriş konusuna büyük bir ek 01:05.010 --> 01:05.820 okumanız gerekir. 01:05.820 --> 01:12.780 önce yayınlandı ve özellikle matematikte erişilebilir olması için konvansiyonel sinir ağlarını tanımaya başlayan yeni başlayanlara başlamış 01:12.780 --> 01:17.690 olan insanlara özellikle de Profesör Johnson'a e-posta ile gönderilen insanlara yöneldi. 01:18.250 --> 01:23.700 Bu kağıt, kelimenin tam anlamıyla günler önce beş ya da altı gün 01:23.730 --> 01:32.040 Ve evet, bütün amacının karmaşık şeyleri indirgemek ya da kırmak olduğunu ve böylece bu alanda yeni olan 01:32.040 --> 01:33.360 insanları anlayabileceğini söyledi. 01:33.360 --> 01:40.680 Ayrıca, ana sayfasında bazı materyallerin bulunduğundan bahsetti. Son iki parçayı kaldırırsanız kendiniz de 01:40.680 --> 01:47.220 Slash W gibi görünüyorsunuz. J. ve makaleler olarak yayınlanmamış 01:47.220 --> 01:52.380 daha fazla ek ders ve materyaller bulabileceksiniz ancak bunları eğiticilerinde 01:52.380 --> 01:59.120 kullanmaktadır; böylece faydalı olanları bulabilir, Koalisyonel sinir ağlarının ardındaki matematiğe bir giriş yapmak ve 01:59.130 --> 02:05.130 bu alanın etrafında sağlam bir temel oluşturmak gibi bir şey yapmak ister. 02:05.130 --> 02:08.470 X'i ana sayfanız olan bu bölümde görebilirsiniz 02:08.550 --> 02:12.570 Ancak devam edeceğiz ve konvolüsüm hakkında konuşacağız. 02:12.570 --> 02:17.160 Peki solda sezgisel terimlerle iyi bir çözüm nedir? 02:17.160 --> 02:21.690 Konuştuğumuz gibi bir giriş imajımız var, işte basitleştirmek için sadece bir ve 02:21.690 --> 02:22.750 sıfırlarla görüntülere bakacağız. 02:22.950 --> 02:25.050 Ve orada suratlı yüzü görebiliyorsun. 02:25.090 --> 02:28.660 Ardından bir özellik detektörü var, bu nedenle detektörler üçte üç Matrix'i kullanıyor. 02:28.740 --> 02:30.120 Üçte üç olması gerekiyor mu? 02:30.150 --> 02:31.920 Hayır değil. 02:31.920 --> 02:35.810 Alex net, yedi yedi ile kullandığını düşünüyorum. 02:35.850 --> 02:41.640 Ve o zaman diğer ünlülerden bazıları beş beş özellik dedektörü gibi kullanıyor. 02:41.640 --> 02:48.270 Farklı olabilirler, ancak genelde üçte üç olduklarını göreceksiniz ve bunları üç üç yapmanızın 02:48.270 --> 02:52.110 sebeplerini biliyorsunuz, böylece geleneksel yola devam edeceğiz. 02:52.170 --> 02:57.510 Üçlü özellik detektörü olan bu özellik dedektörleri de önemli terimlerdir çünkü 02:57.510 --> 02:58.710 onlarla karşılaşabilirsiniz. 02:58.710 --> 03:04.080 detektörüdür veya Eik, çekirdek olarak adlandırılabileceğini duyabilir veya Filtre olarak adlandığını duyabilir. 03:04.110 --> 03:09.540 Özellik dedektörü için birçok farklı terim vardır, ancak en yaygın olanları özellik 03:09.540 --> 03:14.760 Dolayısıyla bu derste ya filtreyi ya da bir özellik detektörünü birbirinin yerine 03:14.760 --> 03:23.670 kullanacağız, ancak bunun sadece bu isimleri olduğunu ve bir koalisyon operasyonunun bir daire içinde bir X ile gösterildiğini aklınızda tutun. 03:23.670 --> 03:31.230 Tıpkı önceki ve sonraki formüllerde gördüğünüz gibi, sezgisel bir seviyede olanı ya da sadece matematiğin 03:31.230 --> 03:34.980 değil aslında arka planda neler olduğunu düşünerek düşünün. 03:35.010 --> 03:40.740 Peki bu özellik detektörünü veya filtreyi alıp solda gördüğünüz gibi görüntünüze koyarsınız. 03:40.740 --> 03:48.120 değerine saygı göstersiniz; böylece en üstteki sol üstteki değer ile sol üstteki değerin yanında sol 03:48.450 --> 03:58.760 üstteki değer temelde 1 konumda yaklaşık 1 1 konum numarası veya 0 1 0 1 0 2 0 2 vb. konumunda. 03:58.780 --> 04:04.980 Yani bu durumda sol üst köşedeki üst sol köşedeki dokuz pikseli kaparsınız 04:05.090 --> 04:08.670 ve her bir değerli bir değeri çarpıtıp 04:08.670 --> 04:13.410 Dolayısıyla, bu matrislerde element akıllı çarpımı var. 04:13.410 --> 04:14.460 Ve sonra sonucu toplayın. 04:14.460 --> 04:20.010 Dolayısıyla bu durumda hiçbir şey eşleşmez, bu da her zaman 0'a 0 0 veya 1'dir. 04:20.010 --> 04:21.280 Sonuç sıfırdır. 04:21.530 --> 04:26.610 Ve burada, bunlardan birinin eşleşen solda eşleştiğini görebilirsiniz. 04:26.610 --> 04:28.120 Ve bu nedenle burada 1 var. 04:28.120 --> 04:30.820 Eşleşen hiçbir şey eşleşen hiçbir şey eşleşmedi. 04:30.890 --> 04:38.100 Sonra bir sonraki atışa geçelim ve bu filtrenin tamamını hareket ettirdiğimiz adıma Baskı adı 04:38.100 --> 04:38.610 veriyoruz. 04:38.610 --> 04:40.570 Yani burada bir pikselin bir adımında var. 04:40.680 --> 04:45.820 Burada yine sağ alt köşeye eşleşen ve yukarı doğru eşleşen bir şey görebilirsiniz, ancak 04:46.110 --> 04:50.850 ortadaki alttaki bir şey burada sağ elle eşleşip hiçbir şey ölçüsüyle eşleşmiyor. 04:50.970 --> 04:52.040 Boğa bir adımdır. 04:52.170 --> 04:53.930 Hızı değiştirebilirsiniz. 04:54.330 --> 04:56.260 Bir iki yapabilirsin. 04:56.340 --> 04:58.580 Ne istersen üç alacaksın. 04:58.830 --> 05:02.770 Eninde sonunda iyi çalışan biri genellikle ya da ikidir. 05:02.800 --> 05:04.280 Yani insanlar bunu yaparlar. 05:04.600 --> 05:09.480 Ve biz bu öğreticinin sonuna doğru atılımın ne hakkında konuşacağız. 05:09.520 --> 05:14.170 Dolayısıyla burada var çünkü ikimizde eşleştiğimizi gördüğünüzü duyduğumuzda mutlaka eşleşiyoruz, 05:14.170 --> 05:17.270 ikisi eşleşti ve bu şekilde devam ediyor. 05:17.290 --> 05:24.830 Yani burada orada eşleşen başka bir tane var gidiyoruz, biz gidiyoruz ve işimiz bitti. 05:24.830 --> 05:27.770 Peki biz ne yarattıklarımız. 05:27.800 --> 05:28.600 Sağ. 05:28.820 --> 05:31.860 Burada önemli şeyler var. 05:31.970 --> 05:38.240 Sağdaki görüntüye bir özellik haritası denir; ayrıca bazen Vold özelliğini de verebilen birkaç 05:38.870 --> 05:40.530 terim de vardır. 05:41.000 --> 05:46.280 Böylece blogunuzda ve volüm operasyon operatöründe kıvrılmış hale gelmeyen bir şey 05:46.280 --> 05:53.680 haline geliyor ve konvülsiyonlaşıyor ve bazen kendi kendime yanlış bir şekilde düşünüyorum gibi görünüyor ama doğru 05:53.700 --> 05:57.900 terim konvülsiyonlu bir çeşit eski özellik. Etkinleştirme haritası denir. 05:58.040 --> 06:02.510 Fakat biz onu bu çizgide bir özellik haritası olarak adlandıracağız, o yüzden bu 06:03.500 --> 06:06.300 şeylerden herhangi biri ve burada ne yaptık denilebilir. 06:06.320 --> 06:09.910 Gördüğünüz gibi görüntünün boyutunu küçülttik. 06:09.920 --> 06:15.500 Bu bir numaralı ve giriş imajınızdan, özellik metninden ve adım adımdan bahsetmek 06:15.500 --> 06:17.090 istediğim önemli şey budur. 06:17.240 --> 06:21.690 Eğer bir adım attıysanız, görüntü biraz azalmış görebilirsiniz, ancak görüntüye hakkınız 06:21.690 --> 06:25.410 varsa, daha fazla özellik üretirse, özellik daha da kük olur. 06:25.610 --> 06:33.950 küçük yapmaktır çünkü onu işlemek daha kolay olacak ve sadece daha hızlı olacaktır. 06:33.950 --> 06:42.100 Ve bu bütün kıvrım adımının özellik detektörünün çok önemli bir işlevi, görüntüyü daha 06:42.110 --> 06:51.830 Öyle olacak ve sadece büyütüleceksindir çünkü burada gördüğümüz gibi yedi by yedi resimden oluşan bir görüntü var, ancak doğru bir 06:51.860 --> 06:55.310 fotoğraf hakkına sahip olup olmadığınızı hayal edin. 06:55.700 --> 07:02.270 Veya 256 piksel çözünürlükte 256 piksel çözünürlükte görüntüsüyorsanız, x kareli veya beğenmek 07:02.900 --> 07:06.940 için 300 piksel 300 piksel var demektir. 07:07.060 --> 07:13.400 Bu yüzden R ile karıştırılmamalı. G. B 256, boyut ve piksel cinsinden 300 x 300 07:13.400 --> 07:14.720 boyutlu bir görüntüye sahip olduğumuzu söylemeliyiz. 07:14.780 --> 07:22.640 olursunuz ve bu nedenle özellik dedektörleri görüntünün boyutunu düşürecek ve bu nedenle iki adımın gerçekten faydalı olacağını düşünüyorum. 07:23.360 --> 07:27.580 Ardından, 300 sayılık pikselin çok büyük bir sayıya sahip 07:27.740 --> 07:29.970 Ama o zaman soru şu ki biz bilgiyi kaybedeceğiz. 07:29.990 --> 07:34.520 Özellik dedektörünü uygularken bilgiyi kaybediyor muyuz? 07:34.520 --> 07:40.580 Elbette kaybettiğimiz bazı bilgiler, çünkü daha az değer ve sonuç matrisi var. 07:40.700 --> 07:45.950 Fakat aynı zamanda özellik detektörünün amacı, görüntünün ayrılmaz olan bazı 07:45.950 --> 07:48.170 kısımlarını belirli özelliklerde algılamaktır. 07:48.620 --> 07:53.150 Ve bu nedenle, örneğin özellik dedektörünün üzerinde belirli bir desene sahip olduğu gibi 07:53.150 --> 07:54.080 bu şekilde düşünüyorsanız. 07:54.080 --> 07:57.950 Özellik haritanızdaki en yüksek sayı o desen eşleştiğinde olur. 07:57.950 --> 08:04.820 Aslında elde edebileceğiniz en yüksek sayı, tümüyle sadeleştirilmiş bir örnektir; özellik tam olarak 08:04.820 --> 08:10.550 eşleştiğinde ve bizim özellik haritamızda sahip olduğumuz sayı dörtünü görebilirsiniz. 08:10.550 --> 08:16.910 Dolayısıyla, buraya bakarsanız, bu özellik detektörünün tam olarak bulunduğu yerdir, çünkü yalnızca dört olanıdır 08:16.910 --> 08:21.460 ve mükemmel bir şekilde eşleşmiştir, böylece bu bölümü burada görebilirsiniz. 08:21.470 --> 08:23.220 Yani özellik burada tespit edildi. 08:23.450 --> 08:32.340 Ve bu bölümün başında, özellikleri gördüğümüzde, şeyleri nasıl gördüğümüz, onu nasıl tanıdığımızı tartıştığımız 08:32.430 --> 08:33.080 gibi. 08:33.090 --> 08:40.410 Bir görüntüyle veya gerçek hayatta gördüğümüz şeylerde konuşmak için her piksele bakmıyoruz. 08:40.410 --> 08:46.440 Baktığımız her resme bakmıyoruz, çünkü bir çita ve bir leopar ya 08:47.070 --> 08:55.110 da trenin şekli arasında ayrım yapmak için, çitlerin gözleri altındaki küçük siyah işaretlerin altındaki şapkalar, 08:55.110 --> 08:57.470 şapkalar, burun bakan özellikler. 08:57.480 --> 09:02.610 Bir mermi treniyle normal tren arasındaki farkı ayırt etmiyoruz vb. Bu yüzden özelliklere baktığımız 09:02.610 --> 09:08.110 her şeye bakmıyoruz ve onu korumaktayız ve özellik haritasının korunmamıza yardımcı olduğu şey budur. 09:08.110 --> 09:15.480 Aslında, insanlığın işleyemediğimiz çok fazla bilgiyi gözünüzün içine girmesiyle birlikte, her bir noktaya 09:15.570 --> 09:22.740 bakarsanız herhangi bir zamanda gigabayt bilgi ister gibi gereksiz şeyleri öne çıkarmamızı ve 09:22.740 --> 09:28.680 atmamızı sağlar. saniyede gözlerinize giren terabayt'lık bilgi yoksa ve yine de 09:28.680 --> 09:35.640 devam edebiliyoruz, çünkü gereksiz olan şeylerden kurtulduğumuzda yalnızca bizim için önemli olan 09:35.640 --> 09:41.510 önemli özelliklere odaklanıyoruz ve bu da özelliklerin tam olarak ne 09:41.640 --> 09:42.270 yaptığı. 09:42.270 --> 09:51.030 Dolayısıyla, şimdi bunun üzerinde durmamız girdi imajım ve siz bir özellik haritası oluşturuyoruz, öyleyse ön planda bir öncekinin önümüzdekini ancak 09:51.030 --> 09:54.300 o zaman nasıl bir çoğunun geldiğini söyleyelim. 09:54.300 --> 10:00.300 Ancak, farklı filtreler kullandığımız için birden fazla özellik haritası oluşturuyoruz. 10:00.300 --> 10:00.590 Sağ. 10:00.630 --> 10:05.430 Ve bu bir sürü bilgiyi koruduğumuz başka bir yol, böylece yalnızca bir 10:05.880 --> 10:12.600 özellik haritamız yok, bazı özellikleri arıyoruz ve daha sonra temel olarak eğitim ağı aracılığıyla karar veriyor ve 10:12.600 --> 10:18.030 bu, bölümün sonuna doğru tartışacağımız bir şey. eğitimiyle belirli özelliklerin veya belirli kategoriler için 10:18.120 --> 10:23.670 hangi özelliklerin önemli olduğuna karar verir ve onları arar ve bu nedenle farklı filtreler 10:23.670 --> 10:26.070 çıkarır ve biz şimdi filtreler hakkında konuşuruz. 10:26.160 --> 10:32.280 Ancak temel olarak bu filtreyi uygulayarak bu özellik haritasını elde ettik; gördüğümüz gibi bir filtre uyguladı ancak 10:32.280 --> 10:36.270 bu özelliği elde etmek için Mabbett, bu özelliği farklı bir filtre 10:36.270 --> 10:38.080 uygulamak kadar farklı bir filtre uyguladı. 10:38.370 --> 10:43.430 Ve temelde sadece bu özellik haritalarını oluşturuyor. 10:43.650 --> 10:49.700 Ve aslında kişisel olarak terim özelliği detektörünün filtrelerden daha iyi olduğunu düşünüyorum. 10:49.710 --> 10:56.040 Unutmayın ki buradayız, biz de bir özellik detektörü diyebileceğimiz bu süzgeci var Aslında aslında 10:56.040 --> 10:59.440 kelime öznitelik dedektörü daha uygun olduğunu düşünüyorum. 10:59.490 --> 11:03.390 Ve bunun sebebi, amacın doğru olmasıdır. 11:03.390 --> 11:06.510 Sadece imajımızı filtrelemek istemeyiz istemiyoruz. 11:06.510 --> 11:10.220 Fakat bunun bir bütün olmasına rağmen, sadece terminoloji ile aynı şey söz konusudur. 11:10.230 --> 11:11.990 Ancak temelde özellikleri tespit etmek istiyoruz. 11:12.000 --> 11:12.270 Tamam. 11:12.270 --> 11:19.680 Bu mecelden bu özel haritamıza, bu görüntüde bazı özellikler bulunduğunu ve bulduğumuz bu özellik 11:19.800 --> 11:24.240 haritasında bazı diğer özelliklerin belirli bir özelliğin nerede 11:24.240 --> 11:30.350 bulunduğu ve bu özellik haritası görüntü üzerinde başka bir özelliğin nerede bulunduğu 11:30.350 --> 11:31.420 tespit edilecektir. 11:31.440 --> 11:33.420 İşte biz de bunu yapıyorduk. 11:33.420 --> 11:40.470 Ve dinle birkaç örnek var Bu yüzden burada kullanıyoruz ve bu Gip dot orgundan geliyor. 11:40.610 --> 11:48.690 gibi bir araç türü gibi ücretsizdir ve resimlerinizi ayarlamak veya resimlerinizle çalışmak için kullanabilirsiniz. 11:48.690 --> 11:49.550 Dokümantasyonu boya 11:49.560 --> 11:56.490 Ancak temelde belgelerinde değerli bazı örnekler var ve burada Taj Mahal'ın bir resmini görüyorlar 11:56.490 --> 11:59.790 ve hangi filtre uygulamak istediğinizi seçebilirsiniz. 11:59.880 --> 12:06.150 Dolayısıyla bu programı indirir ve bir fotoğraf yüklerseniz ve aslında bir dönüşüm 12:06.150 --> 12:12.600 matrisi başlatıp filtre uygulayabilir ve bu İngilizce matrislerin aslında görüntü işleme ve 12:12.600 --> 12:15.240 tasarımında bu şeyleri uyguladığını göreceksiniz. 12:15.240 --> 12:17.150 Öyleyse neyi elde ettiğimize bir göz atalım. 12:17.240 --> 12:21.520 Bu filtreyi beşte ortada uygularsak, bir tanesi bir eksi bir olur. 12:21.690 --> 12:23.780 Görüntüyü keskinleştirdiğini görebilirsiniz. 12:23.890 --> 12:29.010 Ve düşündüğünüz takdirde bu oldukça kolay anlaşılır. 12:29.010 --> 12:36.300 Yani, 5, ana pikselin, filtrenin ortasında veya özellik detektöründe olduğu gibi ve daha sonra 12:36.600 --> 12:43.410 eksi bir eksi bir piksel gibi, sadece birinin benzerini, a etrafındaki pikselleri sezgisel 12:44.430 --> 12:45.000 anlamda azaltır. 12:46.170 --> 12:47.020 Sonra bulanıklaştır. 12:47.040 --> 12:54.150 Böylece temelde eşit önem alır, tüm piksellerin eşit önemi verir ve hepsi merkezdedir ve bu 12:54.150 --> 12:59.070 nedenle onları bir araya getirir ve bir bulanıklık artışı elde edersiniz. 12:59.070 --> 13:03.860 Yani burada eksi bir ve bir tane olduğunu görebilir ve ardından sıfırları doğru alırsınız. 13:03.870 --> 13:11.100 Dolayısıyla, ortadaki ana resimdeki pikselleri kaldırmak için silmeyi seçtiniz ve yalnızca bu görüntüsünü bir eksi bir yerde saklamış olursunuz ve 13:11.100 --> 13:15.610 bu size bir avantaj sağlar ve bunun nasıl çalıştığını anlamanız biraz zordu. 13:16.290 --> 13:20.700 Muhtemelen daha zor düşünmek sadece sezgisel kenar algılamaktır. 13:20.700 --> 13:23.340 Doğru, bu yüzden muhtemelen daha mantıklı. 13:23.340 --> 13:25.860 Onlara orta bir tane alman doğru. 13:25.850 --> 13:28.880 Orta olanı küçültüyorsun. 13:29.050 --> 13:36.180 Muhtemelen orta pikselin gücü gibi ve sonra aradığınızları arıyorsun. 13:36.420 --> 13:41.980 Gördüğünüz bu olanlar çevrelerindeki güçlerini arttırır. 13:42.090 --> 13:43.910 Yani orada olanlar var. 13:44.720 --> 13:45.610 Evet bu. 13:45.690 --> 13:50.700 Bu size bir kenar alır gibi verir ve oraya gidip başka bir patron görebilirsiniz. 13:50.700 --> 13:58.130 Buradaki anahtar, simetrik olması ve görüntünün asimetrik hale geldiğini görebildiğinize göre, sana 13:58.140 --> 14:03.580 karşı duran bu tür bir hisse sahip oldun. 14:03.840 --> 14:08.910 burada minuses beğenince ne alırsın, burada yine burada biraz ilerlemeliyiz ama 14:08.970 --> 14:13.860 en azından bir sezgisel alabiliriz ve Lissa onlara çabucak geçelim. 14:13.860 --> 14:14.160 Ve 14:14.160 --> 14:21.480 Dolayısıyla keskinlik var, bulanıklık var, burada kenarlarda bir kenar algılanıyor ve bunlar patron gibi görünüyor, 14:21.480 --> 14:27.350 çünkü bunları aynı görüntünün mükemmel örnekleri olarak görüyoruz, ancak özellik haritaları edineceğiz. 14:27.360 --> 14:32.430 Aynı görüntünün farklı özellik haritalarını elde etmek için farklı özellik 14:32.430 --> 14:40.380 dedektörleri kullanıyoruz ve bu nedenle bu resimlerin bu sürümlerinin sonuna çok sahibiz, burada her birinde bazı 14:40.440 --> 14:44.920 şeyleri bu terimlerle algılamaya çalıştık, bunlar geçerli değildir. bize. 14:44.940 --> 14:50.460 İkinci patronları muhtemelen konvolusyonel sinir ağları açısından bize uygulanmaz, ancak yaş 14:50.550 --> 14:51.630 tespiti önemlidir. 14:51.630 --> 14:58.590 Kenar kenarının muhtemelen sinir bozucu metin gibi belirli şeyleri keskinleştirip bulanıklaştırmamasını tespit etmek istiyoruz. 14:58.580 --> 15:02.450 Muhtemelen bizim işimiz için en önemli olanıdır. 15:02.460 --> 15:07.560 Ve bilgisayarları anlamaları açısından kendileri için karar verecekleri ya da sinir ağları, neyin önemli 15:07.560 --> 15:12.900 olduğunu kendisi için kararlaştıracak ve muhtemelen insan gözüyle bile fark edilecek bir şey olmayacaktır. 15:12.900 --> 15:14.910 Bu özelliklerin ne anlama geldiğini anlayamayacaksınız. 15:14.910 --> 15:22.530 farklı şeyi işleyebiliyor ve bu sezgileri bile olmadan ya da bu açıklamaya gerek duymadan anlayabiliyorlar. Bu açıklamalara 15:22.530 --> 15:28.950 gerek duymadan, onlara bir isim verilip verilmezse, onlarda hangi özellikleri önemli bulacaklarını neden anlarlar ya 15:28.950 --> 15:34.380 da bu bir bütün bu, yapay sinir ağı için alakasız bir soru değil. 15:34.810 --> 15:39.830 Ancak bilgisayar karar vereceksiniz ve sinir ağlarının güzelliği bu kadar çok 15:39.990 --> 15:41.260 Ve en sevdiğim olanı. 15:41.280 --> 15:50.940 Geoffrey Hinton'dan Geoffrey Hinton'ın bir görüntüsü bu filtrelerden birinden geçti. 15:50.940 --> 15:53.070 Pekala, bu bizi Teresa Tauriel'in sonuna getiriyor. 15:53.070 --> 15:55.460 Umarım kıvrım hakkında öğrenme zevk. 15:55.470 --> 16:02.490 amacı, resminizdeki özellik bulma özelliğini bir özellik haritasına koymak ve gelecekteki bir 16:02.490 --> 16:08.280 haritaya koymak suretiyle çok önemli olan pikseller arasındaki mekansal ilişkileri 16:08.340 --> 16:15.710 hala korumaktır çünkü bizim için biliyorsun, çünkü eğer tamamen kafa karıştırıldıysak deseni kaybettik. 16:15.720 --> 16:19.280 Önemli olan paketleme, konvolüsyonun evrimleşmenin asıl 16:19.350 --> 16:25.110 Ve aynı zamanda bir sinir ağı özelliklerini algılayacak ve belirli görüntüleri 16:25.110 --> 16:32.430 tanımak için kullandığı ve Klaas'ın insanlar için bir anlamı kalmayacak, ancak yine de çalıştıklarını 16:32.460 --> 16:33.120 anlamak önemlidir. 16:33.120 --> 16:34.420 Ve kıvrımın nedeni de budur. 16:34.440 --> 16:36.280 Ve sizi bir sonraki Tauriel'le görmeyi sabırsızlıkla bekliyorum. 16:36.300 --> 16:37.980 O zamana kadar öğrenmenin tadını çıkarın.