WEBVTT

00:00.570 --> 00:04.920
Hola y bienvenidos de nuevo al curso de aprendizaje profundo. Espero que sigan con

00:04.920 --> 00:10.950
estos tutoriales de intuición y que hayan tenido la oportunidad de jugar con todo lo que hemos aprendido hasta ahora

00:11.010 --> 00:15.930
y hoy estamos hablando de aplanamiento y La buena noticia es que este es un paso

00:15.930 --> 00:21.900
muy simple y este tutorial va a ser muy rápido y luego podremos pasar a las siguientes cosas interesantes.

00:21.900 --> 00:28.830
Muy bien, así que hasta ahora hemos sacado el mapa de características extraídas de Lehre y eso es después de que aplicamos la

00:28.830 --> 00:34.020
operación de convolución a nuestra imagen y luego aplicamos el agrupamiento al resultado de la colisión que

00:34.020 --> 00:35.120
representa la imagen involucrada.

00:35.140 --> 00:37.460
Y entonces, ¿qué vamos a hacer si este mapa de funciones puled.

00:37.590 --> 00:41.380
Bueno, vamos a tomarlo y vamos a aplanarlo en una columna.

00:41.640 --> 00:47.130
Básicamente, simplemente tome los números fila por fila y colóquelos en esta larga columna.

00:47.190 --> 00:53.670
Y la razón de esto es porque queremos ingresarlo más tarde en una red neuronal artificial

00:53.670 --> 00:55.310
para su posterior procesamiento.

00:55.320 --> 00:59.850
Así que esto es lo que parece cuando tienes muchas capas de agrupación

00:59.850 --> 01:07.890
o tienes las palancas de arrastre con muchos mapas de funciones levantadas y luego las aplastes para que las coloques en esta

01:07.890 --> 01:15.230
larga columna secuencialmente una detrás de la otra y obtienes un gran vector de entradas para una red neuronal artificial.

01:15.450 --> 01:19.220
Y para resumir todo esto, tenemos una imagen de entrada.

01:19.410 --> 01:27.340
Aplicamos un convolucional allí y no nos olvidemos de los reales o la función rectificada rectificada de unidades lineales que

01:27.350 --> 01:29.920
aplicamos después de la revolución allí también.

01:30.060 --> 01:39.330
Y luego aplicamos el agrupamiento y luego aplanamos todo en un vector largo que será nuestra capa de entrada

01:39.420 --> 01:47.210
para una red neuronal artificial y exactamente cómo funciona eso lo encontraremos en el siguiente tutorial.

01:47.220 --> 01:50.010
Espero que hayan disfrutado de la sesión de hoy y esperamos con interés la próxima vez.

01:50.010 --> 01:51.720
Hasta entonces disfruta del aprendizaje profundo.