WEBVTT 00:00.640 --> 00:02.940 Ciao e bentornati al corso di deep learning. 00:02.970 --> 00:09.120 Oggi parliamo di un indizio che viene rettificato nelle vostre unità e questo è un ulteriore 00:09.120 --> 00:12.180 passo in aggiunta al nostro passo di convoluzione. 00:12.180 --> 00:16.140 Quindi non è un grande passo separato, è un piccolo passo nel primo passo essere fondamentalmente. 00:16.290 --> 00:18.230 E cosa sta succedendo qui. 00:18.240 --> 00:24.090 Bene, abbiamo la nostra immagine di input che abbiamo tutto convoluzionale lì di cui abbiamo discusso 00:24.090 --> 00:26.080 e quindi in aggiunta applicheremo. 00:26.400 --> 00:27.190 Aspettalo. 00:27.240 --> 00:36.720 La nostra funzione di raddrizzatore preferita e hai familiarità con la funzione di raddrizzatore della sezione precedente sulle reti 00:36.750 --> 00:47.400 neurali artificiali e nel nostro Così a volte autori o istruttori separano la convoluzione e dirigono il fuoco come due passaggi 00:47.430 --> 00:54.030 separati nei nostri esempi che li considereranno come il giusto un grande passo 00:54.030 --> 00:57.060 per la seconda evoluzione quindi il raddrizzatore. 00:57.270 --> 01:03.750 E il motivo per cui applichiamo il raddrizzatore è perché vuoi aumentare la non-linearità nella nostra 01:03.780 --> 01:13.410 immagine o nella nostra rete e nella nostra rete neurale commerciale e il nostro fuoco agisce come quel filtro o accesso a quella funzione 01:13.440 --> 01:19.200 che si interrompe e tu La ragione per cui vogliamo aumentare la non linearità 01:19.440 --> 01:25.950 nella nostra rete è perché le immagini stesse sono altamente non lineari specialmente se stai riconoscendo 01:26.010 --> 01:32.790 oggetti diversi uno accanto all'altro o solo sullo sfondo e cose del genere come l'immagine avrà molti 01:33.180 --> 01:38.050 elementi non lineari e la transizione tra pixel adiacenti è spesso non lineare. 01:38.040 --> 01:41.280 Questo lo sai perché i suoi confini sono diversi colori è diverso. 01:41.460 --> 01:46.020 Ci sono diversi elementi nelle tue immagini e, allo stesso tempo, quando 01:46.020 --> 01:52.410 applichiamo un'operazione matematica come la convoluzione che conosci e che esegui questa funzione di rilevamento per 01:52.710 --> 01:59.710 creare le nostre mappe delle funzionalità, rischiamo di creare qualcosa di lineare e quindi dobbiamo rompere la narrativa. 01:59.970 --> 02:05.960 Quindi diamo un'occhiata a un esempio qui è un'immagine e l'immagine originale. 02:05.970 --> 02:13.220 Ora quando applichiamo un rilevatore di rilevamento di funzionalità a questa immagine otteniamo qualcosa di simile. 02:13.290 --> 02:16.230 Quindi puoi vedere qui che il nero è negativo Il bianco è anche un valore positivo. 02:16.230 --> 02:22.980 Quando si applica un rilevatore di caratteristiche a un'immagine simile che non ha solo zero e uno ma ha molti valori 02:22.980 --> 02:28.890 diversi e si applica come abbiamo visto in precedenza, il Texas può avere valori negativi in ​​sé stessi 02:29.070 --> 02:30.920 a volte si ottengono valori negativi. 02:31.080 --> 02:34.670 E qui i neri sono negativi quelli bianchi sono positivi. 02:34.800 --> 02:45.240 E ciò che fa una funzione unitaria lineare rettificata è che rimuove tutti i diritti neri in qualsiasi cosa sotto zero 02:45.240 --> 02:46.490 e diventa zero. 02:46.560 --> 02:49.160 E così da questo si trasforma in questo diritto. 02:49.290 --> 02:57.990 E quindi è piuttosto difficile capire quale sia esattamente il vantaggio in termini di rottura 02:58.050 --> 02:58.910 della linearità. 02:59.400 --> 03:01.050 Proverò a spiegare. 03:01.080 --> 03:07.740 Proverò a mostrare un esempio su questa immagine, ma alla fine è un concetto molto matematico e 03:07.740 --> 03:12.480 dovrei fare un sacco di matematica per spiegare veramente cosa sta succedendo. 03:12.480 --> 03:13.800 Ma proviamo diamo un'occhiata. 03:13.800 --> 03:16.800 Quindi per esempio diamo un'occhiata a questo. 03:16.860 --> 03:17.580 Questo edificio qui. 03:17.580 --> 03:18.070 Destra. 03:18.090 --> 03:20.150 Quindi questo è un edificio a sé stante. 03:20.730 --> 03:22.400 Quindi puoi vedere questa ombra. 03:22.440 --> 03:29.010 Questa parte nera quest'ombra qui bene, vedi che è bianco il riflesso della luce e poi è un 03:29.010 --> 03:33.160 grigio e poi diventa più scuro e poi diventa più scuro. 03:33.240 --> 03:35.860 Quindi e quando lo tiriamo fuori, prendiamo quella macchia nera. 03:35.860 --> 03:38.220 Quindi pensaci in termini di linearità. 03:38.250 --> 03:43.700 Quindi sembra che quando vai dal bianco al grigio il prossimo passo sia nero. 03:43.740 --> 03:50.970 Il prossimo è nero, è una progressione lineare dal chiaro al buio e quindi è 03:50.970 --> 03:53.490 una specie di situazione lineare. 03:53.490 --> 03:56.560 Quando togli il nero, rompi la linearità. 03:56.670 --> 03:57.800 Proviamo un altro 03:58.050 --> 03:59.110 Diamo un'occhiata qui 03:59.220 --> 04:01.980 E allo stesso tempo è ancora lo stesso edificio vero. 04:01.980 --> 04:08.320 Non è che non è come te o come ti piace, non è che stai mescolando due edifici l'uno con l'altro, 04:08.550 --> 04:09.810 ma questo è secondario. 04:09.810 --> 04:11.940 Il punto principale è rompere la linearità. 04:12.210 --> 04:13.590 Quindi diamo un'occhiata qui stessa cosa. 04:13.590 --> 04:19.480 Quindi vedi bianco grigio nero grigio bianco. 04:19.590 --> 04:22.520 E quando lo interrompi non hai più ragione. 04:22.530 --> 04:29.600 Non hai quella progressione la progressione graduale che hai appena come un brusco cambiamento. 04:29.730 --> 04:33.540 E questo aiuta a introdurre la non-linearità nella tua immagine. 04:33.540 --> 04:42.540 Quindi è una spiegazione molto approssimativa molto simile a una spiegazione su o sulle dita piuttosto che tecnica, ma si spera che 04:42.690 --> 04:47.370 ti aiuti a capire un po 'meglio di cosa stiamo parlando qui. 04:47.370 --> 04:54.870 Quindi qui di nuovo puoi vedere che il grigio bianco è un esempio migliore anche per il brillante più scuro più scuro più scuro e più scuro 04:54.980 --> 04:55.680 più scuro. 04:55.680 --> 05:04.460 Quindi questa parte sembra che sia più sottile di come la rompi in quel modo, quindi questa è una spiegazione molto approssimativa. 05:04.480 --> 05:08.570 Non è assolutamente perfetto ma almeno ti dà un'idea di cosa sta succedendo. 05:08.800 --> 05:14.120 Ma se vuoi saperne di più c'è una buona carta, come sempre c'è sempre un giornale. 05:14.200 --> 05:20.370 Questo è dal corpo CCJ dell'Università della California e si chiama Understanding reti neurali 05:20.380 --> 05:22.980 convoluzionali che hanno un modello matematico. 05:23.200 --> 05:28.840 E fondamentalmente sono le risposte alle domande e devi solo guardare il primo. 05:28.840 --> 05:33.820 E la domanda è perché non è essenziale una funzione di attivazione non lineare all'uscita 05:33.820 --> 05:36.130 del filtro di tutti gli strati intermedi. 05:36.220 --> 05:44.280 Quindi questo tipo di spiegazioni è un po 'più dettagliata sia in termini di intuizione che per lo più in termini di matematica. 05:44.320 --> 05:47.970 Questo è un documento interessante in cui è possibile ottenere ulteriori informazioni aggiuntive su questo argomento. 05:48.100 --> 05:53.360 E se vuoi davvero approfondire ed esplorare alcune cose interessanti qui. 05:53.360 --> 05:55.690 Poi c'è un altro articolo a cui potresti essere interessato. 05:55.690 --> 06:01.720 Si chiama scavare più a fondo nel rettificatore superando le prestazioni a livello umano sull'immagine 06:01.720 --> 06:02.830 e quella classificazione. 06:02.920 --> 06:09.190 E qui l'autore sta pettinando i capelli e altri da Microsoft Research. 06:09.400 --> 06:17.630 Propongono un diverso tipo di funzione dell'unità più snella rettificata. 06:17.650 --> 06:21.830 Propongono la funzione parametrica rettificata che vedi qui a destra. 06:22.030 --> 06:26.740 E sostengono che offre risultati migliori senza sacrificare le prestazioni. 06:26.740 --> 06:30.200 Letture così interessanti se vuoi approfondire questo argomento. 06:30.490 --> 06:32.020 E questo è tutto per oggi. 06:32.280 --> 06:38.380 In realtà il tuo livello è piuttosto semplice, quindi per la regolazione basta applicare la funzione del raddrizzatore e non vedo l'ora di vederti 06:38.380 --> 06:39.230 la prossima volta. 06:39.250 --> 06:40.770 Fino ad allora piace imparare.