WEBVTT 00:00.570 --> 00:04.920 Hallo und willkommen zurück zu dem Kurs über vertieftes Lernen. Ich 00:04.920 --> 00:10.950 hoffe, Sie verfolgen diese Intuitions-Tutorials gut, und Sie hatten die Möglichkeit, mit all dem, was wir bisher 00:11.010 --> 00:15.930 gelernt haben, herumzuspielen Eine gute Nachricht ist, dass dies ein sehr einfacher Schritt ist, 00:15.930 --> 00:21.900 und dieses Tutorial wird sehr schnell sein, und dann können wir mit den nächsten interessanten Dingen fortfahren. 00:21.900 --> 00:28.830 In Ordnung, also haben wir bisher die gezogene Lehre gezogen, die Feature-Map, und nachdem wir die Faltungsoperation auf 00:28.830 --> 00:34.020 unser Image angewendet haben, wenden wir das Pooling auf das Kollisionsergebnis des betreffenden 00:34.020 --> 00:35.120 Image an. 00:35.140 --> 00:37.460 Und was machen wir dann, wenn diese Karte mit den Pulvern funktioniert? 00:37.590 --> 00:41.380 Nun, wir nehmen es und machen es zu einer Kolonne. 00:41.640 --> 00:47.130 Im Grunde nehmen Sie die Zahlen also nur Zeile für Zeile und fügen Sie sie in diese eine lange Spalte ein. 00:47.190 --> 00:53.670 Und das liegt daran, dass wir dies später zur weiteren Verarbeitung in ein künstliches neuronales 00:53.670 --> 00:55.310 Netzwerk eingeben wollen. 00:55.320 --> 00:59.850 So sieht es also aus, wenn Sie mehrere Pooling-Layer haben 00:59.850 --> 01:07.890 oder wenn Sie die Pulling-Hebel mit vielen Puled-Feature-Maps verwenden, und Sie sie dann abflachen, sodass Sie sie nacheinander in 01:07.890 --> 01:15.230 diese eine lange Spalte einfügen und einen riesigen Vektor davon erhalten Eingänge für ein künstliches neuronales Netzwerk. 01:15.450 --> 01:19.220 Um das Ganze zusammenzufassen, haben wir ein Eingabebild. 01:19.410 --> 01:27.340 Wir wenden dort eine Faltung an und vergessen wir nicht die Funktion der reellen oder gleichgerichteten linearen Einheiten, die wir 01:27.350 --> 01:29.920 auch nach der Revolution dort anwenden. 01:30.060 --> 01:39.330 Und dann wenden wir das Pooling an und glätten alles in einen langen Vektor, der unsere Eingabeebene für ein 01:39.420 --> 01:47.210 künstliches neuronales Netzwerk sein wird, und genau wie das funktioniert, erfahren wir im nächsten Tutorial. 01:47.220 --> 01:50.010 Ich hoffe, Sie haben die heutige Sitzung genossen und würden sich beim nächsten Mal auf Sie freuen. 01:50.010 --> 01:51.720 Bis dahin tiefes Lernen genießen.