WEBVTT 00:00.480 --> 00:04.860 Hallo en welkom terug bij de cursus over diep leren, ik hoop dat je deze intuïtie-tutorials goed 00:04.860 --> 00:09.990 volgt en dat je de kans hebt gehad om te spelen met alles wat we tot nu toe hebben geleerd. 00:10.530 --> 00:12.060 En vandaag hebben we het over afvlakken. 00:12.060 --> 00:18.150 En het goede nieuws is dat dit een heel eenvoudige stap is en dat dit materiaal heel snel zal zijn en 00:18.150 --> 00:21.210 dan kunnen we verder gaan met de volgende interessante dingen. 00:21.750 --> 00:22.110 Oke. 00:22.110 --> 00:29.400 Dus we hebben tot nu toe hun getrokken feature map getrokken, en dat is nadat we de convolutiebewerking op onze afbeelding hebben toegepast en 00:29.400 --> 00:34.770 dan hebben we puling toegepast op het resultaat van de convolutionele afbeelding op de betrokken afbeelding. 00:35.010 --> 00:37.290 En wat gaan we doen als deze gepoolde feature map? 00:37.470 --> 00:41.050 Nou, we nemen het en we gaan het plat maken tot een kolom. 00:41.550 --> 00:46.200 Dus eigenlijk, neem de getallen rij voor rij en plaats ze in deze ene lange kolom. 00:46.980 --> 00:53.610 En de reden daarvoor is dat we dit later willen invoeren in een kunstmatig neuraal netwerk voor 00:53.610 --> 00:54.640 verdere verwerking. 00:55.200 --> 00:59.790 Dus dit is hoe het eruit ziet als je veel pooling-lagen hebt of je hebt 00:59.790 --> 01:04.170 de pull-lagen met veel gepoolde feature maps en je maakt ze vervolgens plat. 01:04.170 --> 01:10.560 Dus je plaatst ze achter elkaar in deze ene lange kolom, de een na de ander, en je krijgt een 01:11.880 --> 01:14.920 enorme vector van inputs voor een kunstmatig neuraal netwerk. 01:15.270 --> 01:18.810 Om dit alles samen te vatten, hebben we een invoerbeeld. 01:19.260 --> 01:27.330 We brengen een convolutielaag aan en laten we de relu of gerectificeerde gelijkgerichte lineaire eenheden-functie niet vergeten die we daar 01:27.330 --> 01:29.600 ook toepassen na de convolutie. 01:29.910 --> 01:39.300 En dan passen we pooling toe en dan vlakken we alles af tot een lange vector, die onze invoerlaag zal zijn 01:39.300 --> 01:44.360 voor een kunstmatig neuraal netwerk en hoe dat precies werkt. 01:44.370 --> 01:46.790 We zullen het ontdekken in de volgende tutorial. 01:47.110 --> 01:48.330 Ik hoop dat je genoten hebt van de sessie van vandaag. 01:48.330 --> 01:49.870 En ik kijk uit naar je volgende keer. 01:49.890 --> 01:51.660 Geniet tot die tijd van deep learning.