WEBVTT

00:00.450 --> 00:02.820
أهلا ومرحبا بكم مرة أخرى في دورة التعلم العميق.

00:02.820 --> 00:08.190
آمل أن تكون متابعًا مع هذه البرامج التعليمية الحدسية على ما يرام وأن تكون لديك فرصة

00:08.190 --> 00:10.170
للعب مع كل ما تعلمناه حتى الآن.

00:10.380 --> 00:12.030
واليوم نتحدث عن التسطيح.

00:12.030 --> 00:18.150
والخبر السار هو أن هذه خطوة بسيطة للغاية وهذا البرنامج التعليمي سيكون سريعًا جدًا وبعد ذلك سنكون

00:18.150 --> 00:21.420
قادرين على الانتقال إلى الأشياء المثيرة التالية.

00:21.750 --> 00:22.110
حسنا.

00:22.110 --> 00:29.400
لذلك لدينا حتى الآن خريطة المعالم المجمعة للطبقة المجمعة ، وذلك بعد أن نطبق عملية الالتفاف على

00:29.400 --> 00:34.890
صورتنا ثم نطبق التجميع على نتيجة الالتفاف أو على الصورة المعنية.

00:34.890 --> 00:37.350
وماذا سنفعل إذا كانت خريطة الميزات المجمعة هذه؟

00:37.350 --> 00:41.250
حسنًا ، سنأخذها وسنقوم بتسويتها في عمود.

00:41.520 --> 00:46.320
لذلك ، ما عليك سوى أخذ الأرقام صفاً تلو الآخر ووضعها في هذا العمود الطويل.

00:46.980 --> 00:53.610
والسبب في ذلك هو أننا نريد إدخال هذا لاحقًا في شبكة عصبية اصطناعية لمزيد من

00:53.610 --> 00:54.840
المعالجة.

00:55.080 --> 00:59.790
هذا ما يبدو عليه عندما يكون لديك العديد من طبقات التجميع أو لديك طبقات

00:59.790 --> 01:04.140
تجميع مع العديد من خرائط المعالم المجمعة ، ثم تقوم بتسويتها.

01:04.140 --> 01:10.770
لذا تضعهم في هذا العمود الطويل بالتتابع ، واحدًا تلو الآخر ، وتحصل على متجه ضخم

01:11.790 --> 01:15.120
من المدخلات لشبكة عصبية اصطناعية.

01:15.120 --> 01:21.630
ولإيجاز كل هذا ، لدينا صورة إدخال ، نطبق طبقة تلافيفية ولا ننسى القيمة

01:21.630 --> 01:29.760
أو دالة الوحدات الخطية المصححة المصححة التي نطبقها بعد طبقة الالتواء أيضًا.

01:29.760 --> 01:39.300
ثم نطبق التجميع ثم نسطح كل شيء في متجه طويل ، والذي سيكون طبقة الإدخال الخاصة

01:39.300 --> 01:42.780
بنا لشبكة عصبية اصطناعية.

01:42.780 --> 01:46.950
وكيف يعمل هذا بالضبط ، سنكتشف في الدرس التالي.

01:46.980 --> 01:49.890
أتمنى أن تستمتع بجلسة اليوم ونتطلع إلى رؤيتك في المرة القادمة.

01:49.890 --> 01:51.840
حتى ذلك الحين ، استمتع بالتعلم العميق.