WEBVTT

00:00.570 --> 00:04.920
Halo dan selamat datang kembali ke kursus pembelajaran mendalam. Saya harap Anda

00:04.920 --> 00:10.950
mengikuti tutorial intuisi ini dengan baik dan Anda memiliki kesempatan untuk bermain-main dengan semua yang telah kita pelajari sejauh

00:11.010 --> 00:15.930
ini dan hari ini kita berbicara tentang perataan dan Berita baiknya adalah ini adalah langkah

00:15.930 --> 00:21.900
yang sangat sederhana dan tutorial ini akan sangat cepat dan kemudian kita akan dapat beralih ke hal-hal menarik berikutnya.

00:21.900 --> 00:28.830
Baiklah jadi kita sejauh ini kita punya Lehre menarik fitur peta dan itu adalah setelah kita menerapkan operasi

00:28.830 --> 00:34.020
konvolusi ke gambar kita dan kemudian kita menerapkan penggabungan ke hasil tabrakan yang

00:34.020 --> 00:35.120
melibatkan gambar.

00:35.140 --> 00:37.460
Dan jadi apa yang akan kita lakukan jika fitur peta ini di-puled.

00:37.590 --> 00:41.380
Kita akan ambil dan ratakan menjadi kolom.

00:41.640 --> 00:47.130
Jadi pada dasarnya ambil saja angka-angka baris demi baris dan masukkan ke dalam kolom yang panjang ini.

00:47.190 --> 00:53.670
Dan alasannya adalah karena kami ingin memasukkan ini nanti ke dalam jaringan saraf tiruan untuk

00:53.670 --> 00:55.310
diproses lebih lanjut.

00:55.320 --> 00:59.850
Jadi ini adalah seperti ketika Anda memiliki banyak lapisan penyatuan atau

00:59.850 --> 01:07.890
Anda memiliki tuas penarik dengan banyak peta fitur puled dan kemudian Anda meratakannya sehingga Anda menempatkan mereka ke dalam kolom

01:07.890 --> 01:15.230
panjang ini secara berurutan satu demi satu dan Anda mendapatkan satu vektor besar input untuk jaringan saraf tiruan.

01:15.450 --> 01:19.220
Jadi, untuk meringkas semua ini, kita punya gambar input.

01:19.410 --> 01:27.340
Kami menerapkan konvolusional di sana dan jangan lupa real atau fungsi unit linear yang diperbaiki yang

01:27.350 --> 01:29.920
kami terapkan setelah revolusi juga.

01:30.060 --> 01:39.330
Dan kemudian kita menerapkan pooling dan kemudian kita meratakan semuanya menjadi vektor panjang yang akan menjadi lapisan input

01:39.420 --> 01:47.210
kita untuk jaringan saraf tiruan dan bagaimana cara kerjanya kita akan menemukan di tutorial berikutnya

01:47.220 --> 01:50.010
Semoga Anda menikmati sesi hari ini dan menantikan Anda nanti.

01:50.010 --> 01:51.720
Sampai kemudian menikmati pembelajaran yang mendalam.