WEBVTT 00:00.630 --> 00:04.800 Merhaba ve bugün derin öğrenme kursuna hoş geldiniz diyelim, bugün Max havuzdan 00:04.800 --> 00:07.380 bahsediyoruz ve önümüzde çok heyecan verici kayaklar var. 00:07.500 --> 00:10.930 Ve öğreticinin sonundaki özel bir sürpriz bile. 00:11.010 --> 00:12.440 Öyleyse başlayalım. 00:12.450 --> 00:15.860 Birincisi, ne toplanıyor ve neden ona ihtiyacımız var. 00:16.050 --> 00:19.650 Bu soruyu cevaplamak için bu görüntülerin üzerindeki bu görüntülere bir göz atalım. 00:19.650 --> 00:20.780 Bir çita var. 00:20.790 --> 00:23.680 Aslında ilk imgede aynı çita olduğunu. 00:23.680 --> 00:29.640 Bu görüntü düzgün bir şekilde konumlandırılmış ve ikinci görüntü üzerinde size doğru bakıyor. 00:29.640 --> 00:30.660 Biraz döndürüldü. 00:30.660 --> 00:32.710 Ve üçüncü görüntü biraz ezildi. 00:32.790 --> 00:40.020 Ve işte buradaki şey, sinir ağının bu görüntülerin her birinde çiteyi 00:40.020 --> 00:41.450 tanımasını istiyoruz. 00:41.460 --> 00:43.230 Aslında bu sadece bir çita. 00:43.230 --> 00:45.070 Ya farklı atıcılarımız varsa. 00:45.090 --> 00:46.120 İşte bir çita. 00:46.180 --> 00:47.250 O bir çita. 00:47.400 --> 00:53.130 İşte onun Ashira'nın Ishida çetesinin başka bir çitidir ve o bir çita ve 00:53.130 --> 01:01.110 biz sinir ağının tüm bu püskürtücülerden paçavralar olduğunu fark etmesini istiyoruz ve her biri farklı yönde görünüyorsa hepsinin 01:01.110 --> 01:06.300 farklı kısımlarında olduğunu nasıl yapabilirim? görüntüleri, yüzlerinin farklı olduğu görüntülerin bir yerine 01:06.300 --> 01:10.080 yerleştirilir. Biri sağ tarafta, sol köşede biri veya 01:10.080 --> 01:10.700 ortada. 01:11.010 --> 01:14.280 Hepsi biraz farklıdır ve doku biraz farklıdır. 01:14.280 --> 01:16.200 Aydınlatma biraz farklıdır. 01:16.200 --> 01:21.600 Bir sürü küçük fark vardır ve bu nedenle eğer sinir 01:21.810 --> 01:29.700 ağı tam olarak belli bir özelliğe bakarsa, örneğin çitenin ayırt edici bir özelliği, gözlerindeki veya 01:29.700 --> 01:35.310 gözlerden uzanan gözyaşlarıdır Gözyaşlarına benzeyen Gölge gölgeleri Gözlerinden aşağıya inen desen 01:35.310 --> 01:40.890 burun kenarında ve Cheetah'ın ayırıcı bir özelliği olan gözyaşlarına benziyor. 01:40.890 --> 01:48.660 Ancak eğer belirli çitalarından öğrendiği bu özelliği tam bir konumda, kesin bir şekil veya 01:48.660 --> 01:53.370 formda veya dokudan arıyorsanız, diğer atıcıları asla bulamazlar. 01:53.460 --> 02:01.410 konvolümantasyonumuzla fakiriz, ancak özelliklerin özelliklerden biraz daha yakın olması veya özellikleri biraz daha 02:01.440 --> 02:10.170 farklı olması halinde özellikler biraz farklılaşırsa özen göstermek zorunda değildir birbirine göreceli olarak. 02:10.520 --> 02:16.460 Dolayısıyla, sinir ağımızın mekansal değişmezlik adı verilen ve özelliklerin tekrar 02:16.800 --> 02:23.400 nerede olduğunun önemi kalmayan bir özelliğe sahip olduğundan emin olmalıyız, çünkü 02:23.400 --> 02:29.940 resmin hangi kısmında kaşınırız ki biz onu almış bulunuyoruz haritamızla birlikte 02:29.940 --> 02:30.210   02:30.210 --> 02:37.230 Dolayısıyla, özellik biraz bozulmuşsa, sinir ağımız bu özelliği hala bulabilmek için bir 02:37.410 --> 02:39.930 miktar esnekliğe sahip olmalıdır. 02:40.050 --> 02:42.690 Ve havuzun amacı buydu. 02:42.690 --> 02:45.140 Dolayısıyla, havuzun nasıl çalıştığı hakkında bir göz atalım. 02:45.180 --> 02:51.090 İşte özellik haritamız, zaten konvolüsyonumuzu tamamladık ve o kısmı tamamladık ve şimdi konvolüyon 02:51.090 --> 02:52.680 ile orada çalışıyoruz. 02:52.680 --> 02:53.880 Şimdi havuz uygulamaya devam edeceğiz. 02:53.880 --> 02:54.690 Peki nasıl işliyor 02:54.690 --> 02:56.420 Geri havuz uygulamak için başvuracağız. 02:56.670 --> 03:01.640 Birkaç farklı türde oynamaya uygunluk vardır, bunlar havuzun bir araya getirilmesi ve hikayenin 03:01.710 --> 03:03.440 sonuna doğru yorumlanmaları anlamına gelir. 03:03.540 --> 03:11.040 ve o kutuya maksimum değeri buluyorsunuz ve yalnızca o değeri kaydediyorsunuz ve diğer üçünü de göz ardı ettiniz. 03:11.040 --> 03:15.020 Fakat şu an sadece Max havuz kullanıyoruz, böylece iki piksel 03:15.030 --> 03:21.900 iki piksel alıyoruz ve yine iki piksel olmak zorunda değilsiniz, herhangi bir kutu boyutunu seçebilir ve yine 03:21.900 --> 03:26.310 bunun üzerine yorum yapacaktır. Tauriel ve onu sol üst köşeye koydunuz 03:26.310 --> 03:30.600 Dolayısıyla kutunuzda, sadece üçünü dikkate almadığınız dört değeriniz var, bu durumda yalnızca bir 03:30.600 --> 03:31.830 tanesini göz ardı etmiyorsunuz. 03:31.830 --> 03:36.210 Ardından, kutunuzu bir adım daha sağa doğru, bir adım daha seçtiğinizde hareket ettirirsiniz. 03:36.210 --> 03:41.850 Yani burada iki adım atıyoruz ve seçtiğiniz birinin adımını söyleyebildiğiniz gibi normalde çektiğiniz şey 03:41.850 --> 03:42.880 de bu. 03:42.990 --> 03:47.940 Çakışan kutular var, isterseniz üçümüzden hoşlanacağınız herhangi bir grev çeşidini seçebilirsiniz, ancak burada iki 03:48.770 --> 03:52.440 kişilik bir adım belirliyoruz ve yaygın olarak kullanılan şey budur. 03:52.470 --> 03:57.660 Sonra tekrar ederseniz, kaydettiğiniz işlemi tekrarlarsanız, burada geçerseniz ve önemsiyorsanız, 03:57.660 --> 04:00.080 yaptığınız şeyi yapmaya devam edin. 04:00.090 --> 04:05.690 Hâlâ burada maksimum 0 kayıt yapıyorsunuz burada maksimum 4'tür. 04:05.700 --> 04:11.380 Burada maksimumlar 1 0 1 veya 2 ve sonra 1'dir. 04:11.400 --> 04:13.970 Gördüğün gibi, bir kaç şey oldu. 04:13.980 --> 04:18.890 Her şeyden önce özelliklerini doğru bir şekilde korumayı başardık. 04:19.080 --> 04:23.730 Gösterdikleri azami rakamlar, çünkü Lehre'nin nasıl sonuç verdiğini biliyoruz. 04:23.730 --> 04:28.650 Özellik haritanızdaki maksimum veya büyük sayıların, bir özelliğe en yakın 04:28.650 --> 04:31.480 benzerliği bulduğunuz yeri temsil ettiklerini biliyoruz. 04:31.650 --> 04:38.250 Ancak bu özellikleri bir araya getirdiğimizde, öncelikle, 04:38.250 --> 04:46.110 aradıklarımızın önemli olmadığı özellik olmayan yüzde 75'ten kurtulduk, çünkü 04:46.220 --> 04:49.410 dörtte üçümüz piksel . 04:49.710 --> 04:51.510 Yani sadece yüzde 25 alıyoruz. 04:51.510 --> 05:00.260 ya da sahip olduğumuz değerlerin maksimumunu piksellerden aldığımız için herhangi bir bozulma var. 05:00.770 --> 05:04.160 Ve sonra da, çünkü biz 05:04.160 --> 05:12.810 Mesela, göz kamaştıran gözlerdeki göz yaşları bir resimde solda bir miktar var ya da 05:12.830 --> 05:16.550 biraz sola, diğeri de biraz döndürüldü. 05:16.580 --> 05:22.100 Ve nasıl olması gerektiği ya da bizden birisini üs olarak kabul edersek ve bir tane daha bitler sola 05:22.100 --> 05:23.800 dönersek nasıl olur da böyle oluruz. 05:24.060 --> 05:26.570 Çekilen özellik aynı olacak. 05:26.570 --> 05:32.900 Dolayısıyla cheater'ın gözyaşlarından bahsedecek olursak, o zaman bu dört olduğunu söyleyelim ve burada 05:32.900 --> 05:36.050 biraz döndürülmüş olsaydı, burada burada olduğunu görebilirsiniz. 05:36.050 --> 05:38.270 Mesela dördü buraya geldi. 05:38.390 --> 05:44.180 Sonra, havuzlamayı yaptığımızda aynı havuz özellik haritasını alacağız ve bunun 05:44.180 --> 05:46.270 arkasındaki prensip bu. 05:46.430 --> 05:52.340 Tekrar sezgisel bir açıklama yapan yine çok kaba bir açıklama, 05:52.340 --> 06:00.290 ancak özelliklerin korunabilmesi ve ayrıca olası mekânsal veya dokusal veya diğer çarpıklıkları hesaba katabildiğimizin 06:00.290 --> 06:02.330 toplanması noktasında budur. 06:02.420 --> 06:07.370 Ve hepsine ek olarak boyutu küçültüyoruz, böylece başka bir yararı var. 06:07.370 --> 06:13.520 ki bu da işlem açısından bize yardımcı olacak çok büyük. 06:13.520 --> 06:19.700 Dolayısıyla, alansal değişmezleri tanıttığımız özellikleri koruyoruz, boyutunu yüzde 75 oranında azaltıyoruz, 06:19.870 --> 06:25.970 Ayrıca, havuzlamanın bir başka yararı, parametrelerin sayısını azalttığımızdan% 75 oranında tekrar 06:26.690 --> 06:31.370 azaltmamız veya sinir ağının son Lar'lerimize gidecek parametrelerin 06:31.370 --> 06:35.270 sayısını azaltmamız ve dolayısıyla aşırı uyumu önlüyoruz. 06:35.300 --> 06:42.580 Bilgiyi kaldırdığımızı havuzlamanın çok önemli bir yararıdır ve bu iyi bir şeydir. 06:42.590 --> 06:50.660 çünkü bu şekilde modelimiz bu bilgilere fazla yetişemeyecektir çünkü özellikle bu bilgiler iyi değildir ve en başta 06:50.690 --> 06:54.500 hatırladığımız gibi insan olarak insan için bile olsa 06:54.950 --> 07:00.650 bizleri görmek önemlidir gözlerimize gelen diğer tüm gürültüye değil tam olarak özelliklere. 07:00.650 --> 07:02.520 Bu iyi bir şey 07:02.780 --> 07:09.070 Sinir ağları için de aynı şey, gereğinden fazla uyumu önlemeyle yardımcı 07:09.080 --> 07:12.470 olduğumuz gereksiz önemli oluşumu dikkate almadan. 07:12.500 --> 07:14.590 Dolayısıyla, havuzlama konusu bu. 07:14.600 --> 07:21.500 Ve burada soru, elbette WiMax'ın neden çok sayıda farklı havuz biriktirme ve genişlemiş 07:21.710 --> 07:26.780 genişliği iki ile iki piksel arasında değişen çok şey var. 07:26.780 --> 07:33.980 bu notta sizi Bonn Üniversitesi'nden Dominic Scherrer'in nesne tanıma için konvolüyonal mimaride 07:33.980 --> 07:40.250 havuzlama operasyonlarının değerlendirilmesi denilen bu güzel araştırma kağıdına tanıtmak isterim. 07:40.250 --> 07:41.100 Ve 07:41.180 --> 07:47.540 Bu kağıt hakkında bir bağlantı var ve güzellik çok basit çok basit olmasıdır Yani 07:47.550 --> 07:51.530 vermek istediğiniz şeyden önce hiç bir araştırma makalesi okumadıysanız. 07:51.530 --> 07:54.440 Bu, çok kısa bir sürede başlamak için harika bir yer. 07:54.440 --> 07:55.400 Sadece 10 sayfa. 07:55.400 --> 07:56.810 Okunması çok kolay. 07:57.080 --> 08:03.170 Üstelik ekstra fayda, konvolüsyon ve havuzlamayı ele aldığımıza göre, bu 08:03.170 --> 08:07.040 makalede bahsettikleri her şeye rahatça sahip olacaksınız. 08:07.100 --> 08:11.880 Bu aslında güçlendirmenin harika bir yoludur ve ayrıca bu kağıdı kontrol etmenizi tavsiye ederim. 08:11.930 --> 08:18.050 Okumak için 20 dakikanızı ayıracağım ve biraz esrarengiz ya da yabancılaşmış gibi hissediyorsa, ilgili iş 08:18.050 --> 08:19.880 olarak adlandırılan 2. bölümü atlayabilirsiniz. 08:19.880 --> 08:21.230 Sadece o kısmı okumayın. 08:21.290 --> 08:23.950 Doğrudan bölüm 1'den bölüm 3'e gidin. 08:24.020 --> 08:29.600 Ve bu makalede bilmeniz gereken bir şey, alt örnekleme olarak adlandırılan bir kavramdan 08:30.360 --> 08:33.230 bahsediyorlar, bu temelde ortalama havuz oluyor. 08:33.230 --> 08:36.260 Bu yüzden nasıl olduğumuzu hatırlayın. 08:36.280 --> 08:37.400 Maksimum miktarı alıyoruz. 08:37.400 --> 08:43.250 Yani maksimum değer alan kare hesaplamamızda Ortalama havuzlama denilen bir kavram var ya da bazıları 08:43.250 --> 08:48.590 ortalama havuzlamaya kadar bu değerlerin sadece bir kısmını çektiğinizde ya da bunların hepsinden ortalama 08:48.650 --> 08:53.890 değeri aldığınız ve alt örneklemenin alınması, bir genellemeye benzemek gibi. erkeklerin bir araya toplanması. 08:53.900 --> 09:00.840 Bu, bu değerlerin ortalamasının alınmasına yönelik daha genel bir yaklaşım türüdür. 09:00.860 --> 09:05.480 Ve kağıtta biraz daha okuyabilirsiniz, aksi takdirde bir kağıt okurken bunu ortalama 09:05.480 --> 09:06.620 havuz olarak düşünebilirsiniz. 09:06.920 --> 09:11.180 bu konuyla ilgili ek bilgi edinebilirsiniz ve şimdi nereden geldiğimizi özetleyelim. 09:11.210 --> 09:12.310 İşte bu yüzden 09:12.320 --> 09:14.440 Dolayısıyla giriş imajımız var. 09:14.870 --> 09:18.960 Sonra konvolüsyon operasyonunu uyguladık ve sonuç aldık. 09:19.070 --> 09:24.230 Ve şimdi alacağımız özellik haritalarının her birine Pullinger uyguladık. 09:24.260 --> 09:30.590 Dolayısıyla, iki aşamalı evrim ve havuzlaşma yaptık ve artık heyecan verici bir şey çok 09:30.590 --> 09:32.160 eğlenceli bir şeyler yapacağız. 09:32.220 --> 09:40.340 yapacağız, bu yüzden Adam Harley tarafından oluşturulan ve Ryerson Üniversitesi bilgisayar bilimleri bölümünde hazırlanan bir 09:40.340 --> 09:48.140 araçtan aldığım bir ekran görüntüsü ve şimdi Carnegie Mellon'da olan, sayfasını yaparken düşünüyorum. 09:48.320 --> 09:49.750 Bu işi deney 09:50.060 --> 09:53.150 Ve harika bir araç, o halde bir göz atalım. 09:53.270 --> 09:55.780 Böylece onu aslında Google aracılığıyla bulabileceğinizi görebilirsiniz. 09:55.780 --> 09:57.500 Rolünü bilmelisin. 09:57.500 --> 10:03.790 Sanki Google üzerinden bulmak zor çünkü burada sadece bu yıl olduğu gibi bir metin yok. 10:03.930 --> 10:08.350 Reierson dosyasının başlangıcını ve bu şeyleri göreceğim. 10:08.510 --> 10:14.820 Ve temelde bu yaptığımız şey ama görselleştirmek Yani burada bir numara çizmeniz 10:14.820 --> 10:21.330 gerekiyor yani dört numaralı çizelgeye geçelim ve bu araç sayı dörtünü buraya koyacak. 10:21.340 --> 10:22.960 İşte senin imge. 10:22.960 --> 10:26.620 İlk adımımızda bu konvolüsyon basamağıdır. 10:26.800 --> 10:27.100 Sağ. 10:27.100 --> 10:30.390 Ve bu havuzlama aşamasıdır ve bu arada havuzlama da aşağı örnekleme olarak adlandırılmaktadır. 10:30.390 --> 10:33.770 Yani çekme ve aşağı örnekleme aynı şeylerdir. 10:33.930 --> 10:39.190 Böylece, konvolüsyon uygulandığını, daha sonra havuzlamanın uygulandığını ve bunun nasıl çalıştığını görebilirsiniz. 10:39.190 --> 10:44.290 Ne tür döndürmeler uyguladığını veya ne gibi görünen filtreleri uyguladığını 10:44.290 --> 10:45.020 görebilirsiniz. 10:45.130 --> 10:47.630 Hangi özellikler aranıyor? 10:47.830 --> 10:53.340 Ve daha sonra havuzlama uygulanır, böylece boyutu azaltıyor ve burada bunun önemli olduğunu görebilirsiniz. 10:53.380 --> 11:01.090 Dolayısıyla bu görüntünün konvolüsyonlu görüntüsü olduğunu ve bu görüntünün çekilen görüntü olduğunu görebilir ve yine aynı özelliklerin 11:01.090 --> 11:05.830 daha az bilgi olduğunu, aynı özelliklerin doğru özelliklerini koruduğunu görebilirsiniz. 11:05.830 --> 11:08.110 Önemli olan budur. 11:08.350 --> 11:14.170 Dahası, eğer her dörtün biraz biraz yan tarafa döndürülmüş gibi davranıp yumuşatılmadığını biliyorsanız, yine 11:14.170 --> 11:16.960 de benzer havuz Lares'i almaya devam edebileceksiniz. 11:17.050 --> 11:19.810 Ve sonra bundan sonra henüz konuşmadığımız daha fazla mektup var. 11:19.810 --> 11:26.840 O halde, burada bulunmayacak başka bir konvolüyonlu konvolüsyon bir ini var. 11:27.130 --> 11:30.730 Ve sonra başka bir zavallı sığ yanıyor, ancak temelde aynı işlemi tekrar ediyor. 11:31.000 --> 11:34.880 Ve bundan sonra kursta daha çok konuşacağız. 11:34.910 --> 11:37.610 Tam bağlı Lares'leri var. 11:38.080 --> 11:39.880 Ancak bununla kesinlikle uğraşabilirsiniz. 11:39.880 --> 11:47.890 Dolayısıyla 7'yi çizecek olursam beğendiğinizi sildim, tahmin edersiniz ki bunun bir 7 olduğu 11:47.890 --> 11:49.410 tahmin ediliyor. 11:49.570 --> 11:52.850 Ve ikincisi ikinci ihtimalin üç olduğunu tahmin ediyor. 11:53.050 --> 11:56.440 Böylece bazı zorlayıcı şeyler çizebilir ve onları alıp alamayacağını görebilirsiniz. 11:56.440 --> 12:02.680 Diyelim ki, 0'a benzeyen bir şey çizseydim bitmiş 0 değilse, almayı bırakın, almadım 12:02.770 --> 12:03.730 bu sefer. 12:03.730 --> 12:06.190 Resme 9 kat daha benziyor. 12:06.190 --> 12:08.550 Ya ben hoşlansam böyle bitirirsem ne olur. 12:08.560 --> 12:14.430 Şimdi 0 ya da 9 olduğunu düşünüyor ve orada 0'ın aydınlatıcı olduğunu görebilirsiniz. 12:14.460 --> 12:16.600 Ancak şüphe için bu bölümden bahsedeceğiz. 12:16.720 --> 12:20.030 Bir tane daha 8 gibi diyelim mi? 12:20.260 --> 12:23.780 Bence bu şimdi 8 alabilmemiz oldukça zor. 12:23.800 --> 12:29.590 Böylece, 8'e girdiğini görebilir ve bundan sonra durağanların tanınabilir olmasını durdurur, böylece 12:29.590 --> 12:31.570 insanlar bize mantıklı gelir. 12:31.570 --> 12:32.150 Sağ. 12:32.170 --> 12:34.390 Çalıştığı bu özellikler. 12:34.570 --> 12:38.710 Fakat aynı zamanda 8 yaşında olduğunu doğru bir şekilde tanır. 12:39.100 --> 12:42.540 Kesinlikle yüzünüzü surat çizerek eğlendirin. 12:42.550 --> 12:43.460 O zaman ne olacak. 12:44.310 --> 12:50.070 Aracın açıkça sadece 0'dan 9'a kadar olan basamaklar üzerinde eğitilmiş olması nedeniyle bu araç için bu 12:50.070 --> 12:50.950 üçlüğe benziyor. 12:51.120 --> 12:58.530 Öyleyse orada olan bir şeyi tanımak zorundasınız ve daha önce hiç muhallebi elması ya da başka 12:58.530 --> 13:05.700 bir şey gibi görmediğiniz bir tür meyve gibi bir şey gördüğünüzde üçte birinin hayatta olduğu 13:06.120 --> 13:12.570 gibi tanıdığını ve bunun onun Armut, çünkü aslında burada ne bulacağınızı bilmeden önce hiç 13:12.570 --> 13:18.210 görmediniz, böylece aslında suratlı yüzler üzerinde eğitim almadı ve bu yüzden ağaç 13:18.210 --> 13:20.480 olarak bir ağaç olduğunu düşünüyor. 13:20.490 --> 13:25.770 bir piksel pikselinin üzerine fare koyduğunuzda, bununla oynamak sizin için faydalı olacaktır. 13:26.130 --> 13:29.430 Dolayısıyla, çok güçlü ve güçlü bir araçtır; göstereceğiniz 13:29.430 --> 13:36.930 Özellik dedektörünün o pikseli nereden alacağını size gösterir, böylece o piksellerin nereden geldiğini 13:36.930 --> 13:43.170 görebilir ve böylece filtrenin resimden nasıl geçtiğini, tam olarak nasıl ve 13:43.170 --> 13:47.910 nereden bahsettiğimizi ve tabii ki burada nasıl bir 13:47.910 --> 13:58.140 şey olduğunu görebilirsiniz. çekmeyi çekmenin bittiğini ikiden ikiye bölen küçük bir kare ile yaptığını ve günümüzdeki öğreticide tartıştığımız 13:58.200 --> 14:03.730 gibi ikisinin de bir adım olduğunu görebildiğini görebildiğini görebilirsiniz. 14:03.960 --> 14:09.240 Dolayısıyla oyun oynamaya veya onunla oyun oynamaya gidin ve umarım bugünkü oturumdan hoşlanırsınız. 14:09.240 --> 14:10.610 Bir dahaki sefere seni görmek isterim. 14:10.620 --> 14:12.470 Ve o zamana kadar derin öğrenmenin keyfini çıkarın.