WEBVTT 00:00.480 --> 00:03.150 مرحبًا بكم ومرحبًا بكم مرة أخرى في الدورة التدريبية حول التعلم العميق اليوم. 00:03.150 --> 00:08.730 نحن نتحدث عن Max pooling ولدينا بعض الشرائح المثيرة للغاية القادمة وحتى مفاجأة خاصة 00:08.730 --> 00:10.800 في نهاية البرنامج التعليمي. 00:10.800 --> 00:12.260 اذا هيا بنا نبدأ. 00:12.270 --> 00:15.780 السؤال الأول هو ما هو التجميع ولماذا نحتاج إليه؟ 00:15.810 --> 00:18.540 حسنًا ، للإجابة على هذا السؤال ، دعونا نلقي نظرة على هذه الصور. 00:18.540 --> 00:20.640 في هذه الصور الثلاث ، لدينا فهد. 00:20.640 --> 00:23.580 في الواقع ، إنه نفس الفهد بالضبط في الصورة الأولى. 00:23.580 --> 00:26.130 تم وضع الصورة بشكل صحيح. 00:26.220 --> 00:27.900 الفهد ينظر إليك مباشرة. 00:27.900 --> 00:32.490 في الصورة الثانية ، تم تدويرها قليلاً والصورة الثالثة مضغوطة قليلاً. 00:32.490 --> 00:39.960 والشيء هنا هو أننا نريد أن تكون الشبكة العصبية قادرة على التعرف على الفهد في كل واحدة 00:39.960 --> 00:41.190 من هذه الصور. 00:41.190 --> 00:43.170 في الحقيقة ، هذا مجرد فهد واحد. 00:43.170 --> 00:45.030 ماذا لو كان لدينا الكثير من الفهود المختلفة؟ 00:45.030 --> 00:45.960 هذا هو الفهد. 00:45.960 --> 00:47.160 هذا هو الفهد. 00:47.160 --> 00:48.480 ها هو فهد آخر. 00:48.510 --> 00:51.420 ها هو فهد ، ها هو فهد وها هو فهد. 00:51.420 --> 00:55.860 ونريد أن تتعرف الشبكة العصبية على كل هذه الفهود على أنها فهود. 00:55.980 --> 01:01.710 وكيف يمكنها فعل ذلك إذا كانوا جميعًا ينظرون في اتجاهات مختلفة؟ 01:01.710 --> 01:04.050 كلهم في أجزاء مختلفة من الصورة. 01:04.050 --> 01:06.990 إنهم مثل وجوههم موضوعة في أجزاء مختلفة من الصورة. 01:06.990 --> 01:10.560 شخص ما على الجانب الأيمن ، شخص ما في الزاوية اليسرى ، شخص ما في المنتصف. 01:10.860 --> 01:12.390 كلهم مختلفون بعض الشيء. 01:12.480 --> 01:16.110 الملمس مختلف قليلاً ، والإضاءة مختلفة قليلاً. 01:16.110 --> 01:17.340 هناك الكثير من الاختلافات الصغيرة. 01:17.340 --> 01:23.130 وبالتالي ، إذا كانت الشبكة العصبية تبحث عن ميزة معينة بالضبط ، على سبيل 01:23.130 --> 01:31.740 المثال ، فإن السمة المميزة للفهد هي الدموع التي على وجهها تنطلق من العيون أو الظلال التي تبدو مثل الدموع ، 01:31.740 --> 01:36.090 والملمس ، والنمط الذي هو تنطلق من عينيه إلى الأسفل. 01:36.090 --> 01:37.740 إنه بحجم أنفه. 01:37.740 --> 01:38.430 يبدو مثل الدموع. 01:38.430 --> 01:40.680 هذه سمة مميزة للفهد. 01:40.680 --> 01:48.600 ولكن إذا كانت تبحث عن هذه الميزة ، التي تعلمتها من بعض الفهود في مكان محدد أو في شكل أو شكل 01:48.600 --> 01:53.190 أو نسيج دقيق ، فلن تجد هذه الفهود الأخرى أبدًا. 01:53.190 --> 02:01.380 لذلك علينا التأكد من أن شبكتنا العصبية لها خاصية تسمى الثبات المكاني ، مما يعني أنها 02:01.380 --> 02:10.320 لا تهتم بمكان وجود الميزات ، وليس بقدر ما هو جزء من الصورة ، لأننا التقطنا نوعًا ما هذا في الاعتبار 02:10.320 --> 02:16.560 مع خريطتنا ، مع موقعنا ، مع الطبقة التلافيفية. 02:16.560 --> 02:23.340 لكن ليس من الضروري أن تهتم إذا كانت الميزات مائلة قليلاً ، أو إذا كانت الميزات مختلفة قليلاً في النسيج 02:23.340 --> 02:30.150 ، أو إذا كانت الميزات أقرب قليلاً ، أو إذا كانت الميزات متباعدة قليلاً بالنسبة لبعضها البعض. 02:30.150 --> 02:37.200 لذلك إذا كانت الميزة نفسها مشوهة بعض الشيء ، يجب أن تتمتع شبكتنا العصبية بمستوى معين من المرونة لتظل 02:37.200 --> 02:42.120 قادرة على العثور على هذه الميزة ، وهذا هو ما يدور حوله التجميع. 02:42.510 --> 02:44.880 لذلك دعونا نلقي نظرة على كيفية عمل التجميع. 02:44.880 --> 02:46.080 ها هي خريطتنا المميزة. 02:46.080 --> 02:52.470 لقد قمنا بالفعل بالالتفاف وأكملنا هذا الجزء ونحن الآن نعمل مع الطبقة التلافيفية. 02:52.500 --> 02:53.820 الآن سنقوم بتطبيق التجميع. 02:53.820 --> 02:54.600 فكيف يعمل؟ 02:54.600 --> 02:56.280 سنقوم بتطبيق أقصى تجمع. 02:56.550 --> 03:01.140 هناك عدة أنواع مختلفة من التجميع يمكن تطبيقها وهي تعني التجميع ، والتجميع الأقصى ، وبعض التجميعات 03:01.140 --> 03:03.360 وسنعلق عليها في نهاية هذا البرنامج التعليمي. 03:03.360 --> 03:05.010 لكن في الوقت الحالي نحن فقط نطبق أقصى تجميع. 03:05.010 --> 03:12.240 لذلك نأخذ مربعًا من 2 × 2 بكسل على هذا النحو ، ومرة أخرى ، لا يجب أن يكون 2 × 2. 03:12.270 --> 03:13.470 يمكنك اختيار أي حجم للصندوق. 03:13.470 --> 03:18.360 ومرة أخرى ، سنعلق على ذلك قرب نهاية التجربة وتضعه في أعلى الزاوية 03:18.360 --> 03:21.840 اليسرى وستجد القيمة القصوى في هذا المربع. 03:21.840 --> 03:26.100 وبعد ذلك تقوم بتسجيل تلك القيمة فقط وتتجاهل الثلاثة الأخرى. 03:26.100 --> 03:30.420 إذن في صندوقك لديك أربع قيم ، تتجاهل ثلاثة فقط ، وتحتفظ بواحد فقط كحد أقصى ، وهو 03:30.420 --> 03:31.530 واحد في هذه الحالة. 03:31.530 --> 03:36.000 ثم تقوم بتحريك الصندوق الخاص بك إلى اليمين بخطوة ، تقوم بتحديد الخطوة مرة أخرى. 03:36.000 --> 03:41.010 لذلك نختار خطوة من خطوتين ، وهذا ما تختاره عادة. 03:41.010 --> 03:42.780 يمكنك تحديد خطوة واحدة ، يمكنك الاختيار. 03:42.780 --> 03:44.310 لذلك هناك مربعات متداخلة. 03:44.310 --> 03:48.090 يمكنك تحديد أي نوع من الخطوات التي تريدها ، حتى ثلاث خطوات إذا أردت. 03:48.600 --> 03:52.290 لكننا نختار خطوة من خطوتين هنا ، وهذا هو الشائع الاستخدام. 03:52.290 --> 03:53.850 ثم كرر العملية. 03:53.850 --> 03:55.770 يمكنك تسجيل الحد الأقصى هنا. 03:55.770 --> 03:59.880 إذا تجاوزت الأمر ولم يكن الأمر مهمًا ، فما عليك سوى الاستمرار في فعل ما تفعله. 03:59.880 --> 04:07.230 إذن ما زلت تسجل الحد الأقصى هنا ، صفر هنا ، والحد الأقصى هو أربعة هنا ، والحد الأقصى هو اثنان 04:07.230 --> 04:10.740 هنا ، والحد الأقصى هو 10102 ثم واحد. 04:11.190 --> 04:13.920 لذا كما ترون ، حدثت بعض الأشياء. 04:13.920 --> 04:18.360 بادئ ذي بدء ، ما زلنا قادرين على الحفاظ على الميزات ، أليس كذلك؟ 04:18.930 --> 04:23.670 العدد الأقصى الذي يمثلونه لأننا نعرف كيف تعمل طبقة الالتفاف. 04:23.670 --> 04:28.590 نحن نعلم أن الأرقام الكبيرة أو القصوى في خريطة المعالم الخاصة بك تمثل المكان 04:28.590 --> 04:31.410 الذي عثرت فيه بالفعل على أقرب تشابه للميزة. 04:31.410 --> 04:38.190 ولكن من خلال تجميع هذه الميزات ، فإننا أولاً وقبل كل شيء ، نتخلص من 75٪ من المعلومات. 04:38.190 --> 04:46.170 هذه ليست الميزة التي ليست هي الأشياء المهمة التي نبحث عنها لأننا نتجاهل ثلاثة بيكسلات 04:46.170 --> 04:51.240 من أصل أربعة ، لذلك نحن نحتفظ بنسبة 25٪ فقط. 04:51.240 --> 04:59.880 وبعد ذلك أيضًا لأننا نأخذ الحد الأقصى من وحدات البكسل أو القيم التي نأخذها. 05:00.480 --> 05:04.080 لذلك نحن نتحمل مسؤولية أي تشويه. 05:04.080 --> 05:11.880 على سبيل المثال ، صورتان فيهما ، على سبيل المثال ، دموع الفهد على عينيه. 05:12.060 --> 05:15.480 في صورة واحدة هناك قليلا إلى اليسار أو قليلا إلى اليسار. 05:15.480 --> 05:16.080 وواحدة أخرى. 05:16.080 --> 05:21.330 هناك القليل وهناك كيف من المفترض أن يكونوا أو كيف نحب إذا أخذنا أحدهما كأساس ثم الآخر 05:21.330 --> 05:26.490 هناك والذي يدور إلى اليسار ، فإن الميزة المجمعة ستكون هي نفسها تمامًا. 05:26.490 --> 05:30.360 لذلك يمكنك أن ترى هنا ما إذا كنا نتحدث عن الغشاشين أم لا. 05:30.360 --> 05:34.110 لنفترض إذن أن هذا هو الأربعة وهذا هو المكان الذي كان فيه هنا. 05:34.110 --> 05:35.970 ثم إذا تم استدارة قليلا. 05:35.970 --> 05:41.010 على سبيل المثال ، انتهى الأمر بالأربعة هنا ، ثم عندما نقوم بالتجميع ، سنستمر في الحصول على 05:41.010 --> 05:42.690 نفس خريطة الميزات المجمعة. 05:42.960 --> 05:46.140 وهذا نوع من المبدأ الكامن وراءه. 05:46.410 --> 05:51.930 إنه تفسير تقريبي للغاية ، مرة أخرى ، تفسير بديهي ، ولكن هذه هي نقطة التجميع 05:51.930 --> 06:00.210 التي ما زلنا قادرين على الحفاظ على الميزات ، علاوة على ذلك ، حساب احتمالها المكاني أو التركيبي أو أي نوع 06:00.210 --> 06:02.130 آخر من التشوهات. 06:02.130 --> 06:05.730 بالإضافة إلى كل ذلك ، نحن بصدد تقليل الحجم. 06:05.730 --> 06:07.290 لذلك هناك فائدة أخرى. 06:07.290 --> 06:12.900 لذا فنحن نحافظ على الميزات ، ونقدم الثوابت المكانية ، ونقلص الحجم 06:12.900 --> 06:19.470 بنسبة 75٪ ، وهو حجم ضخم ، وهو ما سيساعدنا حقًا فيما يتعلق بالمعالجة. 06:19.470 --> 06:25.050 علاوة على ذلك ، هناك فائدة أخرى للتجميع وهي تقليل عدد المعلمات. 06:25.050 --> 06:27.750 لذا فإننا نخفض مرة أخرى بنسبة 75٪. 06:27.750 --> 06:32.370 نحن نعمل على تقليل عدد المعلمات التي ستدخل في طبقاتنا النهائية للشبكة العصبية 06:32.370 --> 06:35.160 ، وبالتالي فإننا نمنع التخصيص الزائد. 06:35.160 --> 06:41.100 إنها ميزة مهمة جدًا للتجميع أننا نزيل المعلومات. 06:41.100 --> 06:42.510 وهذا أمر جيد. 06:42.510 --> 06:50.610 هذا أمر جيد لأنه بهذه الطريقة لن يكون نموذجنا قادرًا على احتواء تلك المعلومات لأنه على وجه الخصوص لأن هذه 06:50.610 --> 06:52.620 المعلومات ليست ذات صلة. 06:52.620 --> 06:57.060 تذكر ، كما في البداية التي كنا نتحدث عنها حتى بالنسبة لنا كبشر ، من المهم 06:57.060 --> 07:02.370 أن نرى الميزات بالضبط بدلاً من كل هذه الضوضاء الأخرى التي تأتي إلى أعيننا. 07:02.550 --> 07:04.440 حسنًا ، نفس الشيء بالنسبة للشبكات العصبية. 07:04.440 --> 07:12.090 إنهم من خلال تجاهل المعلومات غير الضرورية غير المهمة ، فنحن نساعد في منع فرط التجهيز. 07:12.240 --> 07:12.990 حتى يذهبوا. 07:12.990 --> 07:14.520 هذا هو ما هو التجمع. 07:14.520 --> 07:18.720 والسؤال هنا بالطبع لماذا؟ 07:18.720 --> 07:19.800 لماذا ماكس بولنج ، صحيح. 07:19.800 --> 07:25.020 هناك الكثير من الأنواع المختلفة للتجميع ولماذا حاولت منفرجًا معرفة سبب وجود الكثير من كل هذه 07:25.020 --> 07:26.520 الأشياء بحجم 2 × 2 بكسل. 07:26.520 --> 07:33.900 وفي هذه الملاحظة ، أود أن أقدم لكم هذه الورقة البحثية الرائعة المسماة تقييم عمليات التجميع 07:33.900 --> 07:40.890 في البنى التلافيفية للتعرف على الأشياء من قبل دومينيك شيرير من جامعة بون. 07:40.890 --> 07:47.460 هناك الرابط ، والجميل في هذه الورقة أنها بسيطة جدًا ومباشرة جدًا. 07:47.460 --> 07:51.480 لذا ، إذا لم تقرأ ورقة بحث من قبل ، فما الذي ترغب في تجربته؟ 07:51.480 --> 07:53.760 إنه مكان مدهش كبداية. 07:53.760 --> 07:56.790 إنها قصيرة جدًا ، عشر صفحات فقط ، سهلة القراءة جدًا. 07:56.790 --> 08:02.610 بالإضافة إلى ذلك ، الميزة الإضافية هي أننا الآن بعد أن ناقشنا الالتفاف والتجميع ، ستكون 08:02.610 --> 08:05.880 مرتاحًا تمامًا لكل ما يتحدثون عنه في هذه الورقة. 08:05.880 --> 08:09.360 وهذه طريقة رائعة لتعزيز معرفتك. 08:09.360 --> 08:11.550 لذلك أوصي بشدة بمراجعة هذه الورقة. 08:11.700 --> 08:17.520 سأستغرق 20 دقيقة لقراءته ويمكنك حتى تخطي الجزء الثاني ، والذي يسمى العمل ذي الصلة. 08:17.520 --> 08:19.800 إذا شعرت بقليل من الاحتمال أو الاغتراب. 08:19.800 --> 08:20.970 فقط لا تقرأ هذا الجزء. 08:20.970 --> 08:23.610 فقط انتقل مباشرة من الجزء الأول إلى الجزء الثالث. 08:23.610 --> 08:29.670 وشيء واحد تحتاج لمعرفته حول هذه الورقة ، يتحدثون عن مفهوم يسمى أخذ العينات الفرعية حيث أخذ العينات 08:30.300 --> 08:33.150 الفرعية هو في الأساس متوسط التجميع. 08:33.150 --> 08:37.320 لذا تذكر كيف أننا هنا كنا نأخذ أقصى ما في الأمر. 08:37.320 --> 08:39.870 إذن في المربع ، كنا نأخذ القيمة القصوى. 08:39.870 --> 08:42.990 هناك مفهوم يسمى يعني التجميع أو بعض التجميع. 08:42.990 --> 08:46.740 بعض التجميع هل أنت فقط بعض هذه القيم يصل متوسط التجميع أو يعني التجميع؟ 08:46.740 --> 08:53.850 تأخذ متوسط القيمة من كل هذه والعينات الفرعية يشبه نوعًا ما تعميم تجميع المتوسط. 08:53.850 --> 09:00.780 إنه نوع من المقاربة المعممة لأخذ متوسط هذه القيم. 09:00.780 --> 09:05.250 ويمكنك قراءة المزيد عنها في الصحيفة ، ولكن بخلاف ذلك ، فكر في الأمر على أنه متوسط تجميع عندما 09:05.250 --> 09:06.390 تقرأ تلك الورقة. 09:06.720 --> 09:09.690 ومن هنا يمكنك الحصول على بعض المعلومات الإضافية حول هذا الموضوع. 09:09.690 --> 09:12.270 والآن دعونا نلخص نوعًا ما من أين وصلنا؟ 09:12.270 --> 09:14.070 إذن هناك صورة المدخلات لدينا. 09:14.610 --> 09:18.870 ثم طبقنا عملية الالتواء ونحصل على طبقة الالتواء. 09:18.870 --> 09:24.090 والآن على كل من خرائط المعالم التي حصلنا عليها ، قمنا بتطبيق طبقة التجميع. 09:24.090 --> 09:30.330 لذلك ، لقد قمنا بهاتين الخطوتين الالتفاف والتجميع ، والآن سنقوم بشيء ممتع 09:30.330 --> 09:31.920 للغاية ، شيء مثير. 09:31.920 --> 09:34.380 سنقوم بتجربة هذا. 09:34.380 --> 09:44.550 هذه لقطة شاشة أخذتها من أداة أنشأها آدم هارلي من الخلف عندما كان في جامعة رايرسون لعلوم الكمبيوتر والآن هو في 09:44.550 --> 09:50.910 جامعة كارنيجي ميلون ، على ما أعتقد ، يحضر الدكتوراه وأداة رائعة. 09:50.910 --> 09:52.410 لذلك دعونا نفتح. 09:52.410 --> 09:54.090 دعنا نلقي نظرة حتى تتمكن من العثور عليها. 09:54.090 --> 09:55.680 لا يمكنك العثور عليه بالفعل من خلال Google. 09:55.680 --> 09:57.450 عليك أن تعرف URL. 09:57.450 --> 09:59.370 من الصعب العثور عليه. 09:59.480 --> 10:01.010 من خلال Google لأنه لا يوجد نص هنا. 10:01.160 --> 10:03.950 SC حسنًا ، فقط عنوان URL هذا. 10:04.130 --> 10:08.270 CS Dot Ryerson Dossier ثم هذه الأشياء في النهاية. 10:08.270 --> 10:11.930 وهذا هو بالضبط ما نفعله. 10:11.930 --> 10:12.620 لكن تخيل. 10:12.620 --> 10:14.330 لذلك هنا تحتاج إلى رسم رقم. 10:14.330 --> 10:21.290 لنفترض أنني رسمت الرقم أربعة وستضع هذه الأداة الرقم أربعة هنا. 10:21.290 --> 10:24.080 هذه صورتك في خطوتنا الأولى. 10:24.080 --> 10:26.990 ثم هذه هي خطوة الالتفاف ، أليس كذلك؟ 10:26.990 --> 10:28.130 وهذه هي خطوة التجميع. 10:28.130 --> 10:30.320 وبالمناسبة ، فإن التجميع أيضًا يسمى الاختزال. 10:30.320 --> 10:33.350 لذا فإن التجميع والاختزال هما نفس الأشياء. 10:33.860 --> 10:39.050 حتى تتمكن من رؤية الالتفاف المطبق ، ثم التجميع المطبق ويمكنك أن ترى كيف يعمل بالضبط. 10:39.050 --> 10:44.330 لذا يمكنك أن ترى أي نوع من التلافيفات التي طبقتها أو نوع المرشحات التي طبقتها ، كيف 10:44.330 --> 10:44.780 تبدو. 10:44.780 --> 10:50.570 يمكنك معرفة الميزات التي تبحث عنها ثم يتم تطبيقها ، وتجميعها ، وبالتالي فهي تقلل الحجم. 10:50.570 --> 10:53.300 ويمكنك أن ترى هنا أن هذا مهم ، أليس كذلك؟ 10:53.300 --> 11:01.700 لذلك يمكنك أن ترى أن هذه هي الصورة المعنية وهذه هي الصورة المجمعة ولا يزال بإمكانك رؤية نفس الميزات. 11:01.700 --> 11:04.210 إنها مجرد معلومات أقل ، ولكن نفس الميزات ، أليس كذلك؟ 11:04.220 --> 11:05.750 الميزات محفوظة. 11:05.750 --> 11:07.160 هذا هو الجزء المهم. 11:08.150 --> 11:13.370 علاوة على ذلك ، إذا كنت تعلم ، إذا كانت أربعة لدينا تشبه إلى حد ما نوعًا ما يشبه الدوران قليلاً إلى 11:13.370 --> 11:16.790 الجانب ، فستظل قادرة على التقاط طبقات مجمعة متشابهة جدًا. 11:16.790 --> 11:18.500 وبعد ذلك أصبح لدينا المزيد من الطبقات. 11:18.500 --> 11:19.730 لم نتحدث عن ذلك بعد. 11:19.730 --> 11:27.380 إذن ، هناك طبقة تلافيفية أخرى هنا لن تكون لدينا في الواقع ، ومن ثم لديها طبقة تجمع أخرى ، لكنها 11:27.380 --> 11:30.700 في الأساس مجرد تكرار نفس العملية. 11:30.710 --> 11:36.110 وبعد ذلك ، هذا ما سنتحدث عنه بشكل أكبر في الدورة التدريبية وهو الحصول على الطبقات المتصلة 11:36.110 --> 11:39.800 بالكامل وما إلى ذلك ، ولكن يمكنك بالتأكيد اللعب بهذا الأمر. 11:39.800 --> 11:47.720 لذا إذا حذفت ما يعجبك ، إذا رسمت سبعة ، فسترى أنها تخبرك بالفعل أن التخمين هو أن هذا هو 11:47.720 --> 11:52.730 سبعة والتخمين الثاني ، الاحتمال الثاني هو ثلاثة. 11:52.730 --> 11:56.360 حتى تتمكن من رسم بعض الأشياء الصعبة ومعرفة ما إذا كان يمكن التقاطها. 11:56.360 --> 12:01.100 لنفترض أنه إذا رسمت شيئًا يشبه الصفر ، لكنه ليس صفرًا نهائيًا ، فهل 12:01.100 --> 12:03.620 يلتقطه الآن هذه المرة لم يلتقطه. 12:03.620 --> 12:06.080 يبدو أن الرقم تسعة في الصورة. 12:06.080 --> 12:08.270 ماذا لو كنت مثل الانتهاء من هذا القبيل؟ 12:08.270 --> 12:14.390 الآن يعتقد أنه صفر أو تسعة ويمكنك أن ترى هناك ما يضيء الصفر أو التسعة. 12:14.390 --> 12:16.220 لكننا سنتحدث عن هذا الجزء في الأسفل. 12:16.460 --> 12:17.270 لنقم بواحدة أخرى. 12:17.300 --> 12:19.760 دعنا نقول مثل ثمانية. 12:19.760 --> 12:25.820 أعتقد أن الثمانيات صعبة جدًا لأن هذا التقط الآن ثمانية ، لذلك يمكنك أن ترى أن هذا يتحول إلى ثمانية. 12:25.820 --> 12:28.850 ثم بعد ذلك يتوقف عن التعرف عليه. 12:28.850 --> 12:31.970 التوقفات منطقية بالنسبة لنا نحن البشر ، أليس كذلك؟ 12:31.970 --> 12:38.540 هذه الميزات التي تعمل معها ، لكنها في نفس الوقت تدرك بشكل صحيح أنها ثمانية. 12:38.750 --> 12:40.460 نعم ، بالتأكيد العب بهذا الأمر. 12:40.460 --> 12:43.430 يمكنك رسم وجه مبتسم ، انظر ماذا سيحدث بعد ذلك. 12:43.940 --> 12:49.810 يبدو الأمر وكأنه ثلاثة إلى هذه الأداة ، لأنه من الواضح أن الأداة مدربة فقط على أرقام 12:49.810 --> 12:50.860 من 0 إلى 9. 12:50.860 --> 12:55.870 لذلك يجب أن يتعرف على شيء ما هناك ويتعرف على ثلاثة. 12:56.830 --> 13:02.110 يبدو الأمر كما في الحياة عندما ترى شيئًا مثل نوع من الفاكهة لم تره 13:02.140 --> 13:05.830 من قبل ، مثل تفاحة كاسترد أو شيء من هذا القبيل. 13:05.830 --> 13:12.250 وتعتقد أنها مثلها مثل الكمثرى لأنك لم ترها بالفعل من قبل. 13:12.250 --> 13:13.930 أنت لا تعرف ما تصنفه على أنه. 13:13.930 --> 13:14.590 نفس الشيء هنا. 13:14.590 --> 13:17.590 لذلك لم يتدرب بالفعل على الوجوه المبتسمة. 13:17.590 --> 13:19.270 ولهذا السبب تعتقد أنها شجرة. 13:19.450 --> 13:20.200 إنها ثلاثة. 13:20.200 --> 13:20.860 لذا ها أنت ذا. 13:20.860 --> 13:22.600 إنها أداة قوية جدًا وقوية. 13:22.600 --> 13:25.190 سيكون من المفيد لك أن تتلاعب بها. 13:25.190 --> 13:32.950 وفي الواقع ، عندما تضع الماوس فوق بكسل بكسل ، فإنه يوضح لك المكان الذي كان يقوم فيه كاشف الميزات 13:32.950 --> 13:37.390 بالتقاط هذا البكسل حتى تتمكن من رؤية مصدر هذه البكسل. 13:37.390 --> 13:44.410 وأيضًا يمكنك أن ترى كيف كان الفلتر نوعًا ما مثل المرور عبر الصورة ، بالضبط كيف تحدثنا في الدورة. 13:44.410 --> 13:51.430 وهنا يمكنك أن ترى التجميع ، يمكنك أن ترى أن التجميع يتم مع 13:51.430 --> 13:56.950 التجميع بحجم مربع صغير من اثنين في اثنين. 13:56.950 --> 14:03.670 ويمكنك أن ترى أنها خطوة من خطوتين أيضًا ، تمامًا كما ناقشنا في البرنامج التعليمي اليوم. 14:03.670 --> 14:09.130 لذا ها نحن نلعب مع ذلك وآمل أن تكون قد استمتعت بجلسة اليوم. 14:09.130 --> 14:10.450 أتطلع إلى رؤيتك في المرة القادمة. 14:10.450 --> 14:12.580 وحتى ذلك الحين ، استمتع بالتعلم العميق.