WEBVTT 00:00.640 --> 00:02.940 Merhaba ve derin öğrenme kursuna hoş geldiniz. 00:02.970 --> 00:09.120 Bugün, birimlerinizde düzeltilen bir ipucu hakkında konuşuyoruz ve bu 00:09.120 --> 00:12.180 konvansiyon adımımıza ek bir adım. 00:12.180 --> 00:16.140 Yani ayrı bir adım değil, temelde bir adım küçük bir adım. 00:16.290 --> 00:18.230 Ve burada neler oluyor. 00:18.240 --> 00:24.090 Elimizde girdi imajımız var, burada tartıştığımız konvolüsyon var ve bunun 00:24.090 --> 00:26.080 üzerine biz de uygulayacağız. 00:26.400 --> 00:27.190 Bunun için bekle. 00:27.240 --> 00:36.720 En sevdiğimiz doğrultucu fonksiyonu ve yapay sinir ağları üzerindeki önceki bölümdeki doğrultucu 00:36.750 --> 00:47.400 fonksiyonunu biliyorsunuz ve bu nedenle bazen yazarlarımız veya eğitmenlerimiz konvolüsyon ve doğrudan ateşi örneklerimizde 00:47.430 --> 00:54.030 iki ayrı adım olarak ayırıyorlar; Sonra redresör ikinci evrim 00:54.030 --> 00:57.060 için büyük bir adım. 00:57.270 --> 01:03.750 Doğrultucuyu uygulamanızın nedeni, imajımızdaki veya ağımızdaki ve ticari sinir ağımızdaki 01:03.780 --> 01:13.410 doğrusal olmayanlığı artırmak istediğiniz için ve o yangın bu filtre gibi davranırsa veya o fonksiyona 01:13.440 --> 01:19.200 erişip arızalanırsanız ağımızdaki doğrusal olmayanlığı artırmamızın sebebi, özellikle birbirine 01:19.440 --> 01:25.950 yakın nesneleri veya arka planı farklı nesneleri algılarsanız ve görüntü 01:26.010 --> 01:32.790 doğrusal olmayan öğelerden oluştuğunu düşünürseniz, görüntülerin kendilerini son derece doğrusal olmamasından 01:33.180 --> 01:38.050 kaynaklanır. ve bitişik pikseller arasındaki geçiş genellikle doğrusal olmayacaktır. 01:38.040 --> 01:41.280 Biliyorsun, çünkü sınırları farklı renkler farklı. 01:41.460 --> 01:46.020 Resimlerinizde farklı öğeler var ve aynı zamanda, bildiğiniz konvolüsyon 01:46.020 --> 01:52.410 gibi bir matematiksel işlemi uygularken ve özellik haritalarımızı oluşturmak için bu özellik 01:52.710 --> 01:59.710 algılamasını çalıştırdığımızda lineer bir şey oluşturabileceğimizi ve bu nedenle parçalanmamız gerektiğini de hikaye. 01:59.970 --> 02:05.960 Öyleyse burada bir görüntüye ve orijinal görüntüye bir göz atalım. 02:05.970 --> 02:13.220 Şimdi bu görüntüye bir özellik algılama detektörü uyguladığımızda böyle bir şey elde ederiz. 02:13.290 --> 02:16.230 Böylece burada siyahın negatif beyazın da pozitif değer olduğunu görebilirsiniz. 02:16.230 --> 02:22.980 Bir özelliği detektörü uyguladığınızda, sadece sıfırlar ve olanlar olmaksızın çok sayıda farklı değerlere sahip olan ve daha önce 02:22.980 --> 02:28.890 gördüğümüz gibi uyguladığınız uygun bir görüntüye benzeyen bir görüntü uyguladığınızda, Teksas kendi içinde olumsuz değerlere sahip 02:29.070 --> 02:30.920 olabilir, bazen negatif değerler alırsınız. 02:31.080 --> 02:34.670 Ve işte siyah olanlar negatif beyaz olanlar pozitiftir. 02:34.800 --> 02:45.240 Doğrusal doğrusal bir birim işlevi ne yapar, sıfıra düşen sıfırın altındaki her şeydeki tüm siyah 02:45.240 --> 02:46.490 hakları kaldırır. 02:46.560 --> 02:49.160 Ve bundan ötürü bu doğruya dönüşüyor. 02:49.290 --> 02:57.990 Dolayısıyla, lineerliği parçalama açısından fayda tam olarak ne olduğunu görmek oldukça 02:58.050 --> 02:58.910 zor. 02:59.400 --> 03:01.050 Açıklamaya çalışacağım. 03:01.080 --> 03:07.740 Bu görüntü üzerinde bir örnek göstermeye çalışacağım, ancak günün sonunda bu çok matematiksel bir kavram ve 03:07.740 --> 03:12.480 neler olup bittiğini gerçekten açıklamak için çok sayıdaki matematiğe geçmek zorunda kalacak. 03:12.480 --> 03:13.800 Ama bir göz atalım deneyelim. 03:13.800 --> 03:16.800 Yani mesela buna bakalım. 03:16.860 --> 03:17.580 Buradaki bina. 03:17.580 --> 03:18.070 Sağ. 03:18.090 --> 03:20.150 Yani bu kendi başına bir bina. 03:20.730 --> 03:22.400 Sonra bu gölgeyi görebilirsiniz. 03:22.440 --> 03:29.010 Bu siyah kısım bu gölge burada, beyazın yansımasını görüyor ve daha sonra gri görünüyor ve daha 03:29.010 --> 03:33.160 koyu hale geliyor ve daha sonra daha koyu hale geliyor. 03:33.240 --> 03:35.860 Bu yüzden ve onu çıkardığımızda o kara noktayı çıkarıyoruz. 03:35.860 --> 03:38.220 Doğrusallık açısından doğru düşünün. 03:38.250 --> 03:43.700 Dolayısıyla, beyazdan griye gittiğinde bir sonraki adım siyah olur gibi görünüyor. 03:43.740 --> 03:50.970 Hemen sonraki siyah, parlaktan karanlığa lineer bir ilerleme olduğu için bu tür 03:50.970 --> 03:53.490 bir lineer duruma benziyor. 03:53.490 --> 03:56.560 Siyahı çıkardığınızda doğrusallığı parçalarsınız. 03:56.670 --> 03:57.800 Başka bir tane deneyelim. 03:58.050 --> 03:59.110 Bir göz atalım buraya. 03:59.220 --> 04:01.980 Ve aynı zamanda hala aynı bina haklı. 04:01.980 --> 04:08.320 Senin ya da senininken değil, iki banyoyu birbirine karıştırdığın gibi 04:08.550 --> 04:09.810 değil, ikincil. 04:09.810 --> 04:11.940 Temel nokta doğrusallığı parçalamaktır. 04:12.210 --> 04:13.590 O halde burada aynı şeyleri bir göz atalım. 04:13.590 --> 04:19.480 Yani beyaz gri siyah gri beyaz görüyorsunuz. 04:19.590 --> 04:22.520 Ve onu parçaladığınızda, artık doğru olanın yok. 04:22.530 --> 04:29.600 Sadece bir ani değişikliğe uğrayan kademeli ilerlemenin ilerleyişine sahip değilsin. 04:29.730 --> 04:33.540 Ve bu, görüntünüze doğrusal olmayanlık getirmeye yardımcı olur. 04:33.540 --> 04:42.540 Bu yüzden, teknik değil, parmakların açıklaması üzerinde çok hoşunuza giden çok kaba bir açıklama var, ancak umarım bu, 04:42.690 --> 04:47.370 burada bahsettiğimiz konuyu biraz daha iyi anlamanıza yardımcı olur. 04:47.370 --> 04:54.870 Böylece yine burada, beyaz griyi daha koyu, daha koyu, koyu ve koyu renkten daha parlak koyultaya göre daha iyi bir 04:54.980 --> 04:55.680 örnek görebilirsiniz. 04:55.680 --> 05:04.460 Dolayısıyla bu bölüm, yine böldüğünden daha incedir, bu yüzden bu çok kaba bir açıklama. 05:04.480 --> 05:08.570 Kesinlikle mükemmel değil, en azından neler olup bittiğine dair bir fikir verir. 05:08.800 --> 05:14.120 Ancak, daha fazla bilgi edinmek isterseniz, her zaman olduğu gibi iyi bir kağıt da vardır, hep bir kağıt vardır. 05:14.200 --> 05:20.370 Bu, Kaliforniya Üniversitesi'nden CCJ kolordu tarafından yapılır ve matematiksel bir modeli olan 05:20.380 --> 05:22.980 konvolüsyon sinir ağlarını anlama denir. 05:23.200 --> 05:28.840 Ve temel olarak onlar sorulara cevaplar ve ilkine bakmanız yeterlidir. 05:28.840 --> 05:33.820 Ve soru şu ki, tüm ara katmanların filtre çıktısında doğrusal olmayan 05:33.820 --> 05:36.130 bir aktivasyon fonksiyonu gerekli değildir. 05:36.220 --> 05:44.280 Dolayısıyla bu tür hem sezgiler açısından hem de çoğunlukla matematik açısından biraz daha ayrıntılı olarak açıklıyor. 05:44.320 --> 05:47.970 Bu, bu konuyla ilgili daha fazla bilgi edinebileceğiniz ilginç bir kağıt. 05:48.100 --> 05:53.360 Ve gerçekten burada kazmak ve bazı güzel şeyler burada keşfetmek istiyorsanız. 05:53.360 --> 05:55.690 Ardından, ilginizi çekebilecek başka bir kağıt daha var. 05:55.690 --> 06:01.720 Doğrultucuya görüntü ve sınıflandırma üzerindeki insan seviye düzeyindeki performansı aşan derine 06:01.720 --> 06:02.830 derleme deniyor. 06:02.920 --> 06:09.190 Ve burada yazar saçları ve Microsoft Research'ten başkalarını tarıyor. 06:09.400 --> 06:17.630 Farklı tipte düzeltilmiş yağsız ünite fonksiyonu öneriyorlar. 06:17.650 --> 06:21.830 Sağ tarafta gördüğünüz parametrik düzeltilmiş fonksiyonu öneriyorlar. 06:22.030 --> 06:26.740 Ayrıca, performanstan ödün vermeden daha iyi sonuçlar verdiğini savunuyorlar. 06:26.740 --> 06:30.200 Bu konuyla biraz daha ilgilenmek için çok ilginç. 06:30.490 --> 06:32.020 Ve bugün hepsi içindir. 06:32.280 --> 06:38.380 Gerçekten katman oldukça basit, sadece doğrultucu işlevini ayarlamak için, sizi bir dahaki sefere görmeyi 06:38.380 --> 06:39.230 sabırsızlıkla bekliyoruz. 06:39.250 --> 06:40.770 O zamana kadar öğrenmenin tadını çıkarın.