WEBVTT 00:00.640 --> 00:02.940 Bonjour et bienvenue au cours sur l'apprentissage en profondeur. 00:02.970 --> 00:09.120 Nous parlons aujourd'hui d'un indice qui est corrigé dans vos unités. Il s'agit d'une étape supplémentaire 00:09.120 --> 00:12.180 par rapport à notre étape de convolution. 00:12.180 --> 00:16.140 Donc, ce n'est pas une grande étape séparée, c'est une petite étape de la première étape. 00:16.290 --> 00:18.230 Et ce qui se passe ici. 00:18.240 --> 00:24.090 Eh bien, nous avons notre image d'entrée que nous avons tous convolutionnel là-bas dont nous avons discuté et en 00:24.090 --> 00:26.080 plus de cela nous allons appliquer. 00:26.400 --> 00:27.190 Attendez. 00:27.240 --> 00:36.720 Notre fonction de redressement préférée et que vous connaissez bien la fonction de redressement de la section précédente sur 00:36.750 --> 00:47.400 les réseaux de neurones artificiels et dans notre exemple. Dans certains cas, les auteurs ou les instructeurs séparent la convolution et le 00:47.430 --> 00:54.030 tir direct en deux étapes distinctes dans nos exemples. un grand pas pour la 00:54.030 --> 00:57.060 deuxième évolution puis le redresseur. 00:57.270 --> 01:03.750 Et la raison pour laquelle nous appliquons le redresseur est parce que vous voulez augmenter la non-linéarité de 01:03.780 --> 01:13.410 notre image ou de notre réseau et de notre réseau de neurones commercial et notre feu agit en tant que filtre ou accède à cette fonction qui se 01:13.440 --> 01:19.200 désagrège et vous La raison pour laquelle nous voulons augmenter la non-linéarité dans notre réseau est 01:19.440 --> 01:25.950 que les images elles-mêmes sont très non linéaires, en particulier si vous reconnaissez différents objets les uns à côté 01:26.010 --> 01:32.790 des autres ou juste sur l'arrière-plan et des éléments comme celui-ci, comme si l'image comportait de nombreux éléments non linéaires 01:33.180 --> 01:38.050 et la transition entre les pixels adjacents de pixels serait souvent non linéaire. 01:38.040 --> 01:41.280 C'est vous savez parce que ses frontières sont différentes, les couleurs sont différentes. 01:41.460 --> 01:46.020 Il y a différents éléments dans vos images et lorsque vous appliquez 01:46.020 --> 01:52.410 une opération mathématique telle que la convolution, vous savez que si vous utilisez cette détection de caractéristiques pour 01:52.710 --> 01:59.710 créer nos cartes de caractéristiques, nous risquons de créer quelque chose de linéaire et nous devons donc rompre Le narrateur. 01:59.970 --> 02:05.960 Voyons un exemple: une image et une image originale. 02:05.970 --> 02:13.220 Maintenant, lorsque nous appliquons un détecteur de détection de caractéristiques à cette image, nous obtenons quelque chose comme ceci. 02:13.290 --> 02:16.230 Vous pouvez donc voir ici que le noir est négatif, le blanc est également une valeur positive. 02:16.230 --> 02:22.980 Lorsque vous appliquez un détecteur de caractéristiques à une image similaire, qui comporte non seulement des zéros et des zéros, mais également une multitude 02:22.980 --> 02:28.890 de valeurs différentes et que vous appliquez comme nous l'avons vu précédemment, le Texas peut avoir des valeurs négatives en elles-mêmes. 02:29.070 --> 02:30.920 Parfois, vous obtenez des valeurs négatives. 02:31.080 --> 02:34.670 Et voici les noirs sont les négatifs, les blancs sont positifs. 02:34.800 --> 02:45.240 Et une fonction d'unité linéaire rectifiée supprime tous les droits noirs dans les valeurs inférieures à zéro et 02:45.240 --> 02:46.490 devient zéro. 02:46.560 --> 02:49.160 Et ainsi à partir de cela, il devient ce droit. 02:49.290 --> 02:57.990 Il est donc difficile de voir quel est exactement l’avantage en termes de rupture de la 02:58.050 --> 02:58.910 linéarité. 02:59.400 --> 03:01.050 Je vais essayer d'expliquer. 03:01.080 --> 03:07.740 Je vais essayer de montrer un exemple sur cette image, mais au bout du compte, il s’agit d’un concept très mathématique 03:07.740 --> 03:12.480 et il faudrait faire beaucoup de calculs pour expliquer réellement ce qui se passe. 03:12.480 --> 03:13.800 Mais essayons, jetons un coup d'oeil. 03:13.800 --> 03:16.800 Donc, par exemple, regardons cela. 03:16.860 --> 03:17.580 Ce bâtiment ici. 03:17.580 --> 03:18.070 Droite. 03:18.090 --> 03:20.150 Donc, c'est un bâtiment à part. 03:20.730 --> 03:22.400 Ensuite, vous pouvez voir cette ombre. 03:22.440 --> 03:29.010 Cette partie noire de cette ombre ici et bien, vous voyez que le reflet de la lumière est blanc, puis 03:29.010 --> 03:33.160 que c'est un gris, puis qu'il s'assombrit et qu'il redevient plus sombre. 03:33.240 --> 03:35.860 Donc, et quand nous le retirons, nous éliminons ce point noir. 03:35.860 --> 03:38.220 Alors, réfléchissez-y en termes de linéarité. 03:38.250 --> 03:43.700 Ainsi, lorsque vous passez du blanc au gris, l’étape suivante est noire. 03:43.740 --> 03:50.970 Dès que la prochaine étape sera noire, il s'agira d'une progression linéaire allant du plus clair au plus sombre. C'est donc 03:50.970 --> 03:53.490 un peu comme une situation linéaire. 03:53.490 --> 03:56.560 Lorsque vous supprimez le noir, vous cassez la linéarité. 03:56.670 --> 03:57.800 Essayons un autre. 03:58.050 --> 03:59.110 Jetons un coup d'oeil ici. 03:59.220 --> 04:01.980 Et en même temps, c'est toujours le même bâtiment. 04:01.980 --> 04:08.320 Ce n'est pas que ce n'est pas comme vous ou votre semblable, ce n'est pas comme si vous mélangez deux bâtiments, 04:08.550 --> 04:09.810 mais c'est secondaire. 04:09.810 --> 04:11.940 Le point principal est de casser la linéarité. 04:12.210 --> 04:13.590 Alors regardons la même chose. 04:13.590 --> 04:19.480 Donc, vous voyez blanc gris noir gris blanc. 04:19.590 --> 04:22.520 Et quand vous le séparez, vous n’avez plus ce droit. 04:22.530 --> 04:29.600 Vous n'avez pas cette progression la progression graduelle que vous avez juste comme un changement brusque. 04:29.730 --> 04:33.540 Et cela aide à introduire la non-linéarité dans votre image. 04:33.540 --> 04:42.540 Il s’agit donc d’une explication très grossière, très semblable à une explication au doigt ou à la main, plutôt que technique, mais espérons-le, elle 04:42.690 --> 04:47.370 vous aidera à comprendre un peu mieux ce dont nous parlons. 04:47.370 --> 04:54.870 Donc, là encore, vous pouvez voir que le gris blanc est un meilleur exemple, même pour les couleurs plus foncées plus sombres plus sombres et 04:54.980 --> 04:55.680 plus sombres. 04:55.680 --> 05:04.460 Donc, cette partie a l’air qu’elle est plus fine que vous ne la séparez plus, c’est donc une explication très grossière. 05:04.480 --> 05:08.570 Ce n'est pas absolument parfait mais au moins, cela vous donne une idée de ce qui se passe. 05:08.800 --> 05:14.120 Mais si vous voulez en savoir plus, il y a un bon papier, comme toujours. 05:14.200 --> 05:20.370 Celui-ci a été créé par le corps de la CCJ de l’Université de Californie et porte le nom Comprendre les 05:20.380 --> 05:22.980 réseaux de neurones convolutifs dotés d’un modèle mathématique. 05:23.200 --> 05:28.840 Et fondamentalement, ils répondent aux questions et il suffit de regarder la première. 05:28.840 --> 05:33.820 Et la question est pourquoi une fonction d'activation non linéaire n'est-elle pas essentielle à la sortie 05:33.820 --> 05:36.130 du filtre de toutes les couches intermédiaires. 05:36.220 --> 05:44.280 Cela explique donc un peu plus en détail l’intuition et surtout les mathématiques. 05:44.320 --> 05:47.970 Il s’agit donc d’un document intéressant dans lequel vous pouvez obtenir des informations supplémentaires sur ce sujet. 05:48.100 --> 05:53.360 Et si vous voulez vraiment creuser et explorer des trucs sympas ici. 05:53.360 --> 05:55.690 Ensuite, il y a un autre document qui pourrait vous intéresser. 05:55.690 --> 06:01.720 C'est ce qu'on appelle approfondir le redresseur en surpassant les performances de niveau humain en image et 06:01.720 --> 06:02.830 en classification. 06:02.920 --> 06:09.190 Et ici, l’auteur se peigne les cheveux et d’autres de Microsoft Research. 06:09.400 --> 06:17.630 Ils proposent un type différent de fonction d'unité allégée rectifiée. 06:17.650 --> 06:21.830 Ils proposent la fonction rectifiée paramétrique que vous voyez ici à droite. 06:22.030 --> 06:26.740 Et ils font valoir que cela donne de meilleurs résultats sans sacrifier les performances. 06:26.740 --> 06:30.200 Si intéressant à lire si vous souhaitez approfondir un peu ce sujet. 06:30.490 --> 06:32.020 Et c'est tout pour aujourd'hui. 06:32.280 --> 06:38.380 Vraiment votre couche est assez simple donc pour ajuster juste appliquer la fonction redresseur et j’attends avec impatience de vous voir la 06:38.380 --> 06:39.230 prochaine fois. 06:39.250 --> 06:40.770 Jusque-là profiter de l'apprentissage.