WEBVTT

00:00.570 --> 00:04.920
Salve e bentornati al corso sull'apprendimento approfondito, spero che tu stia seguendo questi

00:04.920 --> 00:10.950
tutorial di intuizione e che tu abbia avuto la possibilità di giocare con tutto ciò che abbiamo imparato finora

00:11.010 --> 00:15.930
e oggi parliamo di appiattimento e la buona notizia è che questo è un passaggio

00:15.930 --> 00:21.900
molto semplice e questo tutorial sarà molto veloce e quindi saremo in grado di passare alle prossime cose interessanti.

00:21.900 --> 00:28.830
Va bene, quindi finora abbiamo ottenuto la mappa delle caratteristiche tirate da Lehre e cioè dopo che applichiamo l'operazione

00:28.830 --> 00:34.020
di convoluzione alla nostra immagine e poi applichiamo il raggruppamento al risultato della collisione

00:34.020 --> 00:35.120
che l'immagine coinvolta.

00:35.140 --> 00:37.460
E quindi cosa faremo se questa mappa delle funzionalità ridotta.

00:37.590 --> 00:41.380
Bene, lo prenderemo e lo radicheremo in una colonna.

00:41.640 --> 00:47.130
Quindi basterà prendere i numeri riga per riga e inserirli in questa colonna lunga.

00:47.190 --> 00:53.670
E la ragione è che vogliamo in seguito inserirli in una rete neurale artificiale

00:53.670 --> 00:55.310
per un'ulteriore elaborazione.

00:55.320 --> 00:59.850
Quindi questo è ciò che appare quando hai molti livelli di raggruppamento

00:59.850 --> 01:07.890
o hai le leve che tirano con molte mappe di funzionalità e poi li appiattisci in modo da metterli in questa

01:07.890 --> 01:15.230
colonna lunga in sequenza uno dopo l'altro e ottieni un vettore enorme di input per una rete neurale artificiale.

01:15.450 --> 01:19.220
E quindi per riassumere tutto abbiamo un'immagine in ingresso.

01:19.410 --> 01:27.340
Applichiamo un convoluzionale lì e non dimentichiamo la funzione delle unità lineari rettificate o reali rettificate che

01:27.350 --> 01:29.920
applichiamo anche dopo la rivoluzione.

01:30.060 --> 01:39.330
E poi applichiamo il raggruppamento e poi appiattiamo tutto in un lungo vettore che sarà il nostro livello

01:39.420 --> 01:47.210
di input per una rete neurale artificiale e esattamente come funziona lo scopriremo nel prossimo tutorial.

01:47.220 --> 01:50.010
Spero ti sia piaciuta la sessione di oggi e ti aspetto la prossima volta.

01:50.010 --> 01:51.720
Fino ad allora godere di un apprendimento profondo.