WEBVTT 00:00.640 --> 00:02.940 Halo dan selamat datang kembali ke kursus belajar yang mendalam. 00:02.970 --> 00:09.120 Hari ini kita berbicara tentang petunjuk yang diperbaiki di unit Anda dan ini merupakan langkah 00:09.120 --> 00:12.180 tambahan di atas langkah konvolusi kami. 00:12.180 --> 00:16.140 Jadi itu bukan langkah besar yang terpisah itu langkah kecil dalam langkah satu pada dasarnya. 00:16.290 --> 00:18.230 Dan apa yang terjadi di sini. 00:18.240 --> 00:24.090 Kita memiliki gambar input kita memiliki semua konvolusional di sana yang telah kita diskusikan dan 00:24.090 --> 00:26.080 kemudian kita akan menerapkannya 00:26.400 --> 00:27.190 Menunggu untuk itu. 00:27.240 --> 00:36.720 Fungsi penyearah favorit kami dan Anda terbiasa dengan fungsi penyearah dari bagian sebelumnya pada jaringan saraf 00:36.750 --> 00:47.400 tiruan dan di Jadi kadang-kadang penulis atau instruktur kami memisahkan konvolusi dan mengarahkan tembakan sebagai dua langkah terpisah 00:47.430 --> 00:54.030 dalam contoh kami yang akan menganggap mereka hanya satu langkah besar 00:54.030 --> 00:57.060 untuk evolusi kedua kemudian penyearah. 00:57.270 --> 01:03.750 Dan alasan mengapa kami menerapkan penyearah adalah karena Anda ingin meningkatkan non-linearitas dalam gambar kami 01:03.780 --> 01:13.410 atau di jaringan kami dan jaringan saraf komersial kami dan api kami bertindak sebagai filter atau akses fungsi yang rusak dan Anda arity 01:13.440 --> 01:19.200 dan alasan mengapa kami ingin meningkatkan nonlinier di jaringan kami adalah karena gambar 01:19.440 --> 01:25.950 itu sendiri sangat non-linier terutama jika Anda mengenali objek yang berbeda satu sama lain atau 01:26.010 --> 01:32.790 hanya pada latar belakang dan hal-hal seperti itu seperti gambar akan memiliki banyak elemen nonlinier dan 01:33.180 --> 01:38.050 transisi antara piksel piksel yang berdekatan seringkali akan menjadi nonlinier. 01:38.040 --> 01:41.280 Itu lho karena perbatasannya beda warna beda beda. 01:41.460 --> 01:46.020 Ada elemen yang berbeda dalam gambar Anda dan tetapi pada saat yang 01:46.020 --> 01:52.410 sama ketika kami menerapkan operasi matematika seperti konvolusi, Anda tahu dan menjalankan deteksi fitur ini untuk membuat 01:52.710 --> 01:59.710 peta fitur kami, kami berisiko bahwa kami dapat membuat sesuatu yang linier dan oleh karena itu kami perlu memecah narasi. 01:59.970 --> 02:05.960 Jadi mari kita lihat contoh di sini adalah gambar dan gambar asli. 02:05.970 --> 02:13.220 Sekarang ketika kita menerapkan pendeteksi pendeteksian fitur untuk gambar ini kita mendapatkan sesuatu seperti ini. 02:13.290 --> 02:16.230 Jadi Anda bisa lihat di sini bahwa hitam adalah putih negatif adalah nilai positif juga. 02:16.230 --> 02:22.980 Ketika Anda menerapkan fitur detektor seperti gambar yang tepat yang tidak hanya nol dan yang tetapi memiliki banyak nilai yang berbeda 02:22.980 --> 02:28.890 dan Anda menerapkan seperti yang kita lihat sebelumnya Anda Texas dapat memiliki nilai negatif dalam diri mereka sendiri kadang-kadang 02:29.070 --> 02:30.920 Anda akan mendapatkan nilai negatif. 02:31.080 --> 02:34.670 Dan ini yang hitam negatif putih, positif. 02:34.800 --> 02:45.240 Dan yang dilakukan fungsi unit linear yang diperbaiki adalah menghilangkan semua hak hitam dalam apa pun di bawah nol, berubah 02:45.240 --> 02:46.490 menjadi nol. 02:46.560 --> 02:49.160 Dan dari sini berubah menjadi hak ini. 02:49.290 --> 02:57.990 Jadi sangat sulit untuk melihat apa sebenarnya manfaat dalam hal putus 02:58.050 --> 02:58.910 linearitas. 02:59.400 --> 03:01.050 Saya akan coba jelaskan. 03:01.080 --> 03:07.740 Saya akan mencoba menunjukkan contoh pada gambar ini tetapi pada akhirnya ini adalah konsep yang sangat matematis dan 03:07.740 --> 03:12.480 harus masuk ke banyak matematika untuk benar-benar menjelaskan apa yang sedang terjadi. 03:12.480 --> 03:13.800 Tapi mari kita coba, mari kita lihat. 03:13.800 --> 03:16.800 Jadi misalnya mari kita lihat ini. 03:16.860 --> 03:17.580 Gedung ini di sini. 03:17.580 --> 03:18.070 Kanan. 03:18.090 --> 03:20.150 Jadi ini gedung sendiri. 03:20.730 --> 03:22.400 Maka Anda bisa melihat bayangan ini. 03:22.440 --> 03:29.010 Bagian hitam bayangan ini di sini, Anda melihat bahwa itu putih pantulan cahaya dan kemudian abu-abu dan 03:29.010 --> 03:33.160 kemudian menjadi lebih gelap dan kemudian menjadi lebih gelap lagi. 03:33.240 --> 03:35.860 Jadi dan ketika kita mengeluarkannya, kita menghilangkan bintik hitam itu. 03:35.860 --> 03:38.220 Jadi pikirkan itu dalam hal linearitas yang benar. 03:38.250 --> 03:43.700 Jadi sepertinya saat Anda beralih dari putih menjadi abu-abu, langkah selanjutnya akan menjadi hitam. 03:43.740 --> 03:50.970 Tepat berikutnya akan menjadi hitam itu adalah perkembangan linier dari terang ke gelap dan karena 03:50.970 --> 03:53.490 itu ini seperti situasi linear. 03:53.490 --> 03:56.560 Ketika Anda mengambil hitam Anda memecah linieritas. 03:56.670 --> 03:57.800 Mari kita coba yang lain. 03:58.050 --> 03:59.110 Mari kita lihat di sini. 03:59.220 --> 04:01.980 Dan pada saat yang sama masih gedung yang sama. 04:01.980 --> 04:08.320 Bukannya tidak seperti Anda atau Anda tidak seperti Anda memadukan dua bangunan menjadi satu sama lain 04:08.550 --> 04:09.810 tetapi itu sekunder. 04:09.810 --> 04:11.940 Poin utamanya adalah memecah linearitas. 04:12.210 --> 04:13.590 Jadi mari kita lihat di sini hal yang sama. 04:13.590 --> 04:19.480 Jadi Anda melihat abu-abu putih hitam abu-abu putih. 04:19.590 --> 04:22.520 Dan ketika Anda memecahnya, Anda tidak memilikinya lagi. 04:22.530 --> 04:29.600 Anda tidak memiliki perkembangan itu, perkembangan bertahap yang baru saja Anda miliki seperti perubahan mendadak. 04:29.730 --> 04:33.540 Dan itu membantu memperkenalkan non-linearitas ke dalam gambar Anda. 04:33.540 --> 04:42.540 Jadi ini adalah penjelasan yang sangat kasar, sangat suka pada atau di jari penjelasan daripada teknis tetapi mudah-mudahan itu semacam membantu Anda 04:42.690 --> 04:47.370 memahami sedikit lebih baik apa yang kita bicarakan di sini. 04:47.370 --> 04:54.870 Jadi di sini lagi Anda dapat melihat abu-abu putih adalah contoh yang lebih baik bahkan untuk semakin gelap semakin gelap semakin 04:54.980 --> 04:55.680 gelap. 04:55.680 --> 05:04.460 Jadi bagian ini sepertinya lebih tipis daripada Anda hancurkan seperti itu lagi jadi ini adalah penjelasan yang sangat kasar. 05:04.480 --> 05:08.570 Ini tidak sepenuhnya sempurna tetapi setidaknya itu memberi Anda gambaran tentang apa yang terjadi. 05:08.800 --> 05:14.120 Tetapi jika Anda ingin mempelajari lebih lanjut, selalu ada makalah yang bagus karena selalu ada makalah. 05:14.200 --> 05:20.370 Yang ini oleh korps CCJ dari University of California dan itu disebut Memahami jaringan saraf 05:20.380 --> 05:22.980 convolutional yang memiliki model matematika. 05:23.200 --> 05:28.840 Dan pada dasarnya mereka adalah Dia menjawab pertanyaan dan Anda hanya perlu melihat yang pertama. 05:28.840 --> 05:33.820 Dan pertanyaannya adalah mengapa bukan fungsi aktivasi nonlinier sangat penting pada 05:33.820 --> 05:36.130 output filter semua lapisan menengah. 05:36.220 --> 05:44.280 Jadi hal semacam itu menjelaskannya sedikit lebih detail baik dari segi intuisi dan sebagian besar dalam hal matematika. 05:44.320 --> 05:47.970 Jadi itulah makalah yang menarik di mana Anda bisa mendapatkan lebih banyak informasi tambahan tentang topik ini. 05:48.100 --> 05:53.360 Dan jika Anda benar-benar ingin menggali dan mengeksplorasi beberapa hal keren di sini. 05:53.360 --> 05:55.690 Lalu ada kertas lain yang mungkin menarik bagi Anda. 05:55.690 --> 06:01.720 Ini disebut menggali lebih dalam ke penyearah melebihi kinerja tingkat manusia pada gambar dan 06:01.720 --> 06:02.830 klasifikasi itu. 06:02.920 --> 06:09.190 Dan di sini penulis menyisir rambut dan lainnya dari Microsoft Research. 06:09.400 --> 06:17.630 Mereka mengusulkan jenis fungsi unit leaner yang berbeda. 06:17.650 --> 06:21.830 Mereka mengusulkan fungsi diperbaiki parametrik yang Anda lihat di sini di sebelah kanan. 06:22.030 --> 06:26.740 Dan mereka berpendapat bahwa itu memberikan hasil yang lebih baik tanpa mengorbankan kinerja. 06:26.740 --> 06:30.200 Sangat menarik dibaca jika Anda ingin sedikit lebih dalam topik ini. 06:30.490 --> 06:32.020 Dan itu saja untuk hari ini. 06:32.280 --> 06:38.380 Benar-benar lapisan Anda sangat sederhana sehingga untuk menyesuaikan hanya menerapkan fungsi penyearah dan saya berharap dapat melihat Anda 06:38.380 --> 06:39.230 lain kali. 06:39.250 --> 06:40.770 Sampai kemudian menikmati belajar.