WEBVTT 00:00.520 --> 00:02.800 Bonjour et bienvenue au cours et à l'apprentissage en profondeur. 00:02.800 --> 00:06.140 Aujourd'hui, nous sommes enfin à STEPNELL avant la connexion complète. 00:06.310 --> 00:08.210 Alors, quelle est cette étape tout au sujet. 00:08.440 --> 00:16.990 Dans cette étape, nous ajoutons tout un réseau de neurones artificiels à notre réseau de neurones de convolution, de sorte à tout ce que nous 00:17.000 --> 00:22.450 avons fait jusqu’à présent, à savoir la mise en commun et l’aplatissement de la convolution. 00:22.510 --> 00:24.910 Maintenant, nous ajoutons un tout nouveau. 00:24.930 --> 00:28.990 Et ensuite, à quel point est-ce intense? 00:28.990 --> 00:32.350 C'est juste que c'est quelque chose qui est définitivement quelque chose. 00:32.590 --> 00:36.730 Et donc ici nous avons la couche d’entrée nous avons un plan entièrement connecté. 00:36.740 --> 00:42.580 Je mettrai là et au fait, les Lehre entièrement connectés dans les réseaux de neurones artificiels que nous utilisions 00:42.580 --> 00:47.650 auparavant pour les appeler couches cachées. Ici, nous les appelons entièrement connectés car ce sont des repaires 00:47.650 --> 00:53.500 cachés, mais ils sont en même temps plus spécifiques type de violoneux qui sont entièrement connectés dans des réseaux de 00:53.500 --> 00:57.510 neurones artificiels, les lettres cachées ne doivent pas nécessairement être complètement connectées. 00:57.520 --> 01:02.230 Alors que dans les réseaux de neurones convolutifs, nous allons utiliser des lettres entièrement connectées, 01:02.230 --> 01:05.640 raison pour laquelle elles sont généralement appelées Lares entièrement connectées. 01:05.770 --> 01:11.620 Et donc, fondamentalement, toute la colonne ou le vecteur de sorties que nous avons après 01:11.620 --> 01:18.160 l'aplatissement nous les transmettons aux entrées apprises ici. Nous avons un exemple très simplifié juste à titre d'illustration. 01:18.160 --> 01:26.770 Et l'objectif principal du réseau de neurones artificiels est de combiner nos fonctionnalités pour créer davantage d'attributs permettant de prédire 01:26.770 --> 01:28.960 encore mieux les Klaas. 01:28.960 --> 01:37.660 Nous avons donc déjà, dans notre vecteur de sorties dans Flaten du résultat aplati de ce que nous avons vraiment fait, des fonctionnalités codées 01:37.660 --> 01:43.750 dans les nombres de ce vecteur et ils peuvent déjà déjà faire un très bon travail 01:43.750 --> 01:51.730 pour prédire ce que nous sommes, Clauss Nous cherchons à savoir s’il s’agit d’un chien ou d’un chat, d’une tumeur ou 01:51.730 --> 01:53.840 non, et ainsi de suite. 01:53.890 --> 02:00.610 Mais en même temps, nous savons que nous avons cette structure appelée réseau de neurones 02:00.610 --> 02:07.810 artificiels, conçue pour traiter les attributs et afficher ou traiter les caractéristiques, créer de nouveaux attributs et 02:07.810 --> 02:16.120 associer des attributs pour encore mieux prédire les choses. que nous essayons de prédire et que nous connaissons des 02:16.120 --> 02:20.360 parties précédentes, alors pourquoi ne pas en tirer parti. 02:20.440 --> 02:22.750 Et c'est exactement ce que le plan est ici. 02:22.750 --> 02:29.140 Alors, pourquoi ne pas transmettre ces valeurs à un réseau de neurones artificiels et le laisser optimiser encore plus tout ce 02:29.140 --> 02:30.350 que nous faisons. 02:30.640 --> 02:31.900 Et c'est ce que nous allons faire. 02:31.900 --> 02:36.390 Mais regardons un exemple plus réaliste car celui-ci est un peu trop simple. 02:36.610 --> 02:43.990 Nous avons donc ici un réseau de neurones artificiels plus esthétique dans lequel nous avons cinq attributs sur les entrées que nous avons 02:43.990 --> 02:51.040 dans le premier, à moins que nous ayons six neurones dans le deuxième ou dans le second. Larry est complètement connecté et 02:51.040 --> 02:55.510 possède huit neurones, puis deux sorties. un pour chien et un pour chat. 02:55.630 --> 03:02.240 Il est donc important de parler ici de la raison pour laquelle nous avons deux produits. 03:02.240 --> 03:09.100 Nous sommes en quelque sorte habitués à n’avoir qu’une sortie dans nos réseaux de neurones artificiels. Une sortie est destinée 03:09.100 --> 03:14.740 au type de prévision d’une valeur numérique lors de l’impression lorsque vous exécutez un problème de 03:14.740 --> 03:15.480 type régression. 03:15.760 --> 03:22.840 Cependant, lorsque vous effectuez une classification, vous avez besoin d’une sortie Proclus, à l’exception de ce que vous n’avez que deux grappes, par exemple chien 03:22.840 --> 03:27.940 et chat, et que nous aurions pu faire une sortie et en faire une sortie binaire en disant 03:27.970 --> 03:33.790 que One est un chien et zéros un chat et cela aurait fonctionné parfaitement bien et en fait ce que 03:33.790 --> 03:38.760 vous verrez si vous aviez déjeuné le faire dans les tutoriels pratiques et c'est comment ils seront 03:38.770 --> 03:39.250 structurés. 03:39.250 --> 03:46.090 Mais dans le même temps, si vous avez plus de deux catégories, par exemple chiens, chats et oiseaux, vous 03:46.090 --> 03:52.420 devez disposer d’un neurone pour chaque catégorie. C’est pourquoi nous allons pratiquer avec deux catégories dans cet exemple 03:52.420 --> 03:58.320 afin de savoir à quoi nous attendre. si jamais nous avons plus de deux catégories. 03:58.550 --> 04:00.010 Et donc qu'est-ce qui va se passer ici. 04:00.010 --> 04:05.260 Nous avons donc déjà fait tout le travail de fond que nous avons fait la convolution que nous avons 04:05.620 --> 04:10.570 faite la mise en commun et l'aplatissement et maintenant l'information passera par le réseau de neurones artificiels alors 04:10.570 --> 04:12.300 voyons comment tout se passe. 04:12.340 --> 04:18.460 Il y a des informations qui circulent depuis le début, à partir du moment où 04:18.610 --> 04:23.920 l'image est traitée et dont le type est convoluté, puis compressé, puis aplati, 04:23.920 --> 04:30.720 puis à travers le réseau de neurones artificiels toutes les quatre étapes. moment sera très très intéressant. 04:30.730 --> 04:32.920 Mais pour l'instant disons simplement qu'une prédiction est faite. 04:32.920 --> 04:36.070 Et par exemple 80% que c'est un chien. 04:36.070 --> 04:40.610 Mais il s’agit d’un chat et une erreur est calculée. 04:40.610 --> 04:40.990 UNE. 04:41.200 --> 04:47.720 Eh bien, ce que nous appelions autrefois fonction de coût dans un réseau de neurones artificiels et nous utilisions ici 04:47.740 --> 04:51.460 l’erreur quadratique moyenne ou les réseaux de neurones illusoires communs. 04:51.460 --> 04:57.630 C'est ce qu'on appelle une fonction de perte et nous utilisons une fonction d'entropie croisée pour cela. 04:57.640 --> 04:59.870 Et nous parlerons d'entropie croisée et d'erreurs moyennes au carré. 05:00.130 --> 05:02.820 Dans un tutoriel séparé et comment tout cela se passe. 05:02.820 --> 05:08.730 Mais pour ce qui est de la connaissance, vous dites que nous avons un type de fonction perdu qui nous indique les performances 05:08.730 --> 05:13.560 de notre réseau et que nous essayons d'optimiser l'optimisation ou de minimiser cette fonction pour optimiser notre réseau. 05:13.750 --> 05:19.470 Ainsi, l'erreur est calculée, puis elle est renvoyée à travers le réseau, comme 05:19.470 --> 05:26.700 dans les réseaux de neurones artificiels, et certaines modifications sont ajustées dans le réseau pour optimiser les 05:27.000 --> 05:31.670 performances. les réseaux de neurones artificiels font partie des lignes bleues 05:31.670 --> 05:34.910 que vous voyez ici, le Cynapsus. 05:35.340 --> 05:43.950 Nous avons également ajusté les détecteurs de fonctions afin que nous sachions que nous recherchons des fonctionnalités, mais que faire si 05:43.950 --> 05:46.140 nous recherchons les mauvaises fonctionnalités 05:46.140 --> 05:51.570 Et si cela ne fonctionnait pas parce que les fonctionnalités sont incorrectes et donc les détecteurs de fonctionnalités se 05:51.570 --> 05:53.860 souviennent de ces petites matrices que nous avions. 05:54.250 --> 05:57.270 C'est la matrice trois par trois. 05:57.270 --> 06:03.240 Ils sont ajustés pour que peut-être que la prochaine fois ce soit mieux et voyons ce qui se passe. 06:03.360 --> 06:03.860 Type de chose. 06:03.870 --> 06:11.040 Et bien sûr, tout est fait avec beaucoup de science en arrière-plan avec beaucoup de maths et tout cela 06:11.040 --> 06:14.580 via une pente de gradient de descente en retour. 06:14.580 --> 06:20.880 Donc, tout n’est pas que des perturbations aléatoires, c’est en fait une réflexion approfondie sur la manière de procéder. 06:21.210 --> 06:27.630 Mais néanmoins, les détecteurs de fonctions sont ajustés, les poids sont ajustés et tout ce processus 06:27.630 --> 06:30.710 se répète, puis les erreurs se propagent. 06:30.720 --> 06:32.610 Et cela continue encore et encore. 06:32.760 --> 06:37.950 Et c’est ainsi que notre réseau est optimisé, c’est comme ça que notre réseau s’entraîne sur les données. 06:37.950 --> 06:43.800 L'important est donc que les données traversent toute la zone du début à la 06:43.800 --> 06:44.410 fin. 06:44.430 --> 06:49.950 Ensuite, l'erreur est comparée de sorte que l'erreur soit calculée et ensuite propagée. 06:49.950 --> 06:56.520 Donc, même histoire qu'un peu plus longue avec les réseaux de neurones artificiels à cause de cet ensemble pour les trois premières 06:56.520 --> 06:58.320 étapes que nous avons déjà eues. 06:59.040 --> 07:04.440 Et maintenant, regardons la partie intéressante, la partie vraiment intéressante, comment fonctionnent ces deux classes? Ou comment fonctionnent ces 07:04.440 --> 07:10.050 deux neurones de sortie, car nous avions toujours en quelque sorte un neurone de sortie, ce qui se produit 07:10.050 --> 07:11.840 lorsque nous en avons deux. 07:11.840 --> 07:17.490 Comment se déroule cette situation de classement ou d'images? 07:17.670 --> 07:21.610 Eh bien, commençons par le neurone supérieur qui commence par le chien. 07:22.080 --> 07:28.950 En premier lieu, comment devons-nous savoir quels poids attribuer à tous ces programmes reliés 07:28.950 --> 07:36.000 au chien afin de savoir quels neurones précédents sont réellement importants pour le chien 07:36.000 --> 07:38.910 et voyons comment c'est fait. 07:38.910 --> 07:46.460 Donc, supposons que nous ayons ces chiffres dans notre couche précédente de précédents entièrement connectés. 07:46.500 --> 07:47.980 Dans la dernière couche entièrement connectée. 07:48.120 --> 07:51.010 Et encore une fois ces chiffres peuvent être absolument n'importe quoi. 07:51.030 --> 07:56.490 Ils ne doivent pas nécessairement être des chiffres, mais nous allons convenir 07:56.490 --> 08:01.890 que nous examinons spécifiquement les nombres entre 0 et 1. 08:02.280 --> 08:09.840 Il est donc plus facile pour nous de discuter de ces choses et de les comprendre. Cela signifie que ce neurone était très 08:09.840 --> 08:15.960 confiant d’avoir trouvé cette fonctionnalité et que zéro signifierait que ce neurone n’a pas trouvé une fonctionnalité recherchée, car 08:15.960 --> 08:23.580 à la fin de la Au jour le jour, ces neurones ressemblent à tout ce qui se trouve de ce côté gauche et n’examinent 08:23.610 --> 08:25.470 que les caractéristiques d’une image. 08:25.470 --> 08:27.490 C'est déjà très très processus. 08:27.510 --> 08:32.940 Mais il faut tout de même détecter une certaine caractéristique ou une combinaison de caractéristiques sur l'image juste avant que 08:33.700 --> 08:34.590 nous puissions évoluer. 08:34.590 --> 08:39.060 Nous avions en quelque sorte des caractéristiques reconnaissables dans l’ensemble de la piscine: elles étaient moins reconnaissables qu’elles ne 08:39.060 --> 08:40.850 le deviennent encore moins dans l’image aplatie. 08:40.850 --> 08:42.550 Et puis ils obtiennent la moissonneuse-batteuse et ainsi de suite. 08:42.570 --> 08:48.720 Mais néanmoins, nous parlons ici de certaines caractéristiques qui sont l’image actuelle ou leur combinaison. 08:48.720 --> 08:54.480 Donc, et un qui a été passé et qui est important a été transmis au chien et au chat 08:54.480 --> 08:57.020 en même temps aux deux neurones de sortie. 08:57.150 --> 09:06.180 Cela signifie donc que pour notre argument, cela signifie que ce neurone est en train 09:06.180 --> 09:11.850 de se déclencher. Il détecte très rapidement cette fonction 09:11.870 --> 09:15.170 qui pourrait être un sourcil. 09:15.270 --> 09:20.310 Et communiquez cela au chien qui court vers le neurone du chat en lui disant que je peux voir mon sourcil, que je peux voir mon sourcil. 09:20.310 --> 09:25.240 Et ensuite, il appartient au chien et au neurone du chat de comprendre ce que cela signifie pour eux. 09:25.290 --> 09:25.860 Droite. 09:25.890 --> 09:30.840 Et donc, dans ce cas, quels neurones activent ces trois neurones activent leur sourcil et disent que le 09:30.830 --> 09:36.120 nez indique que je peux voir que je peux voir un gros nez et que je peux voir des oreilles floues. 09:36.270 --> 09:40.540 Alors ça et ça dit ça au chien et au chat et puis qu'est-ce que le chien. 09:40.560 --> 09:43.390 Et puis, ce qui se passe, c'est que nous savons qu'il s'agit d'un chien. 09:43.440 --> 09:49.920 Le neurone du chien sait donc que la réponse est qu’il s’agit bien d’un chien, car à la fin, nous 09:49.920 --> 09:53.640 comparons l’image ou l’étiquette de l’image et celle d’un autre chien. 09:53.640 --> 09:56.310 Donc, fondamentalement, le neurone du chien va dire Aha. 09:56.310 --> 09:58.820 Je devrais donc être déclenché dans ce cas. 09:58.830 --> 10:04.790 Ce sont donc des neurones qui transmettent ce signal qu’ils envoient à mon chien et au chat; 10:04.790 --> 10:09.000 c’est en fait une indication pour moi que c’est un chien. 10:09.020 --> 10:13.940 Et, tout au long de ces opérations, le chien apprendra 10:13.940 --> 10:19.580 que ces neurones se déclenchent lorsque la caractéristique appartient à un chien. 10:19.670 --> 10:24.260 D'autre part, le neurone du chat saura que ce n'est pas un chat et qu'il saura que cette fonctionnalité est en train 10:24.260 --> 10:28.210 de se déclencher et que ce neurone me dit qu'il peut voir les oreilles floppy oreilles floppy oreilles. 10:28.370 --> 10:31.040 Mais en même temps, ce n'est pas un chat. 10:31.040 --> 10:36.980 Donc, fondamentalement, pour moi, c'est un signal que je devrais ignorer ce neurone et plus cela se produit, 10:36.980 --> 10:41.960 plus le neurone du chat va ignorer ce neurone au sujet des oreilles de disquette. 10:42.440 --> 10:49.100 Et donc, en gros, c’est comme ça que l’on passe à travers des tas d’itérations si cela se produit souvent. 10:49.100 --> 10:54.170 Ce n’est donc qu’un exemple, mais si cela se produit souvent, c’est peut-être un 1 ou 0. 8 0. 9 peut-être que parfois 10:54.170 --> 11:02.090 il ne se déclenche pas mais dans l’ensemble, en moyenne, ce neurone s’allume très souvent, alors qu’il s’agit bien d’un chien, le 11:02.090 --> 11:05.920 neurone du chien commence à lui attribuer une importance accrue. 11:05.930 --> 11:06.590 Et alors on y va. 11:06.590 --> 11:08.430 C'est comme ça que nous allons le dire. 11:08.450 --> 11:14.570 Nous allons dire que ces trois neurones traversent ce processus itératif avec moi, avec beaucoup d'échantillons dont beaucoup 11:14.570 --> 11:20.210 se souviennent. Un échantillon est donc une ligne dans votre ensemble de données et Apoc, lorsque vous 11:20.210 --> 11:25.150 parcourez tout votre ensemble de données. et encore, il y a beaucoup, beaucoup d'itérations. 11:25.220 --> 11:34.010 Ce neurone chien a appris que ce neurone sourcilier, ce neurone à gros nez et ce neurone à 11:34.340 --> 11:43.040 oreille disloquée semblent tous très bien contribuer à la classification de ce qu’il recherche et qui est 11:43.040 --> 11:44.350 un chien. 11:44.480 --> 11:45.730 Alors c'est comme ça que ça marche. 11:45.740 --> 11:55.130 Et encore une fois, ces oreilles, nez et sourcils sont très approximatifs ou ressemblent à des exemples très recherchés, car à ce stade 11:55.130 --> 12:01.640 de tout ce réseau neuronal conventionnel de convolution, il est complètement méconnaissable de savoir ce 12:01.640 --> 12:07.400 qu’ils recherchent, mais en même temps, caractéristiques de chiens ou de chats ou quoi 12:07.400 --> 12:09.020 que vous classiez. 12:09.410 --> 12:11.130 Et ensuite passons au suivant. 12:11.150 --> 12:15.860 Nous allons maintenant examiner le neurone du chat mais nous allons nous rappeler que ces poids vous permettent de 12:15.860 --> 12:17.900 savoir comment nous avons trié le chien. 12:17.900 --> 12:22.970 Le chien ignore en quelque sorte tous les autres neurones, un deux, trois, quatre ou cinq, mais 12:22.970 --> 12:26.510 il fait très attention à ce que ces trois neurones disent. 12:26.570 --> 12:28.330 Maintenant, qu'est-ce que le chat écoute? 12:28.490 --> 12:30.830 Eh bien, chaque fois que c'est en fait un chat. 12:30.970 --> 12:32.530 Droite. 12:32.710 --> 12:35.600 C'est un exemple de situation où il s'agit en fait d'un chat. 12:35.600 --> 12:42.980 Donc, vous verrez que ces trois neurones 0. 9 0. 9 et un ils disent quelque chose ils disent quelque chose à 12:42.980 --> 12:44.590 la fois le chien et le chat. 12:44.600 --> 12:49.510 Et ceci est à nouveau important, souvenez-vous donc que ce signal de sortie va dans les deux sens, c'est la même chose. 12:49.520 --> 12:55.520 Il s’agit de dire au chien de le dire au chat, mais c’est ensuite au chien au chat 12:55.520 --> 13:00.220 de décider de prendre en compte ce signal et d’en tirer des enseignements. 13:00.500 --> 13:05.810 Et le chien et le chat peuvent voir qu'il s'agit d'une photo que je devrais mettre une 13:05.810 --> 13:10.030 photo de chat ici, mais en gros, imaginez une photo de chat. 13:10.190 --> 13:20.150 Donc, fondamentalement, le chien est comme OK, donc ces moustaches et ces oreilles pointues en triangle et cette petite taille, oui ou ou peut-être de 13:20.420 --> 13:28.250 ce type, vous savez comment les chats ont ces choses dans leurs yeux, leurs yeux sont comme des petits. 13:28.310 --> 13:33.350 Ils ne sont pas des cercles ou des lignes yeux de chat. 13:33.350 --> 13:37.460 En gros, ces yeux de chat ne fonctionnent certainement pas pour moi. 13:37.460 --> 13:42.980 Ils ne m'aident pas, je vais prédire, car chaque fois que ces neurones s'allument, la prédiction n'est pas 13:42.980 --> 13:44.240 ce que je recherche. 13:44.240 --> 13:46.910 Par contre le chat est comme hmm c'est intéressant. 13:46.910 --> 13:51.620 Chaque fois que celui-ci s’allume, c’est le plus souvent. 13:51.620 --> 13:55.310 Cela correspond à mes attentes et à ce que je recherche. 13:55.310 --> 13:55.630 D'ACCORD. 13:55.640 --> 13:58.050 Je vais écouter ce gars plus que celui-ci. 13:58.160 --> 14:02.710 C'est la même chose chaque fois qu'il s'allume ou la plupart du temps, il s'allume. 14:02.810 --> 14:09.100 Il m'est arrivé d'obtenir un bon résultat, je suis récompensé pour ma prédiction parce que je le fais bien. 14:09.110 --> 14:09.760 C'est un chat. 14:09.770 --> 14:10.080 D'ACCORD. 14:10.130 --> 14:11.440 Je vais l'écouter plus. 14:11.450 --> 14:17.930 Vous savez que celui-ci est inutile pour moi car il ne sait pas réellement, car il n'éclaire même pas un chat, mais 14:17.930 --> 14:21.040 il ne l'éclaire pas, c'est le contraire qui se produit. 14:21.050 --> 14:24.410 Et celui-ci est bien, c'est un goujat, mais il ne lâche pas, alors je ne vais pas l'écouter. 14:24.410 --> 14:31.250 Mais celui-ci quand il est allé qu'est-ce que c'est que les yeux les yeux du chat s'illuminent nous pouvons voir que je peux voir que c'est 14:31.250 --> 14:31.850 un chat. 14:31.850 --> 14:36.440 Cela correspond la plupart du temps, alors je vais en tirer des leçons et écouter 14:36.980 --> 14:38.750 ces trois types plus souvent. 14:38.750 --> 14:44.810 Et donc, fondamentalement, le chat écoute ces trois facteurs et ignore les 14:45.350 --> 14:54.830 cinq autres. C’est ainsi que ces derniers neurones apprennent quels neurones dans le Lehre final sont totalement connectés 14:54.830 --> 14:58.460 pour écouter les neurones de sortie. 14:58.670 --> 15:00.030 Il y a des neurones à écouter. 15:00.180 --> 15:02.530 Et c'est comme ça qu'ils comprennent. 15:02.790 --> 15:08.930 En gros, c'est ainsi que les entités sont propagées sur le réseau et transmises à la sortie. 15:08.970 --> 15:14.070 Et donc, même si ces caractéristiques n’ont bien sûr pas beaucoup de sens, comme les oreilles de disquette ou 15:14.070 --> 15:14.900 les moustaches. 15:15.210 --> 15:21.860 En même temps, ils ont une particularité propre à chaque classe. C’est ainsi que le réseau est formé, car 15:21.870 --> 15:27.270 nous nous souvenons également pendant le processus de propagation en retour que nous ajustons 15:27.270 --> 15:33.750 également les détecteurs de caractéristiques afin qu’une fonctionnalité soit inutilisable pour la sortie. il va probablement être ignoré 15:33.750 --> 15:39.600 parce que cela n'arrive pas à une ou deux histoires mais à des milliers et à 15:39.600 --> 15:41.000 des milliers d'itérations. 15:41.040 --> 15:46.620 Ainsi, avec le temps, une fonctionnalité inutile pour le réseau sera ignorée et remplacée par 15:46.620 --> 15:52.830 une fonctionnalité est utile. Ainsi, en fin de journée, dans cette couche finale de neurones, vous 15:53.070 --> 15:59.730 aurez probablement de nombreuses fonctionnalités ou combinaisons de fonctionnalités image qui est effectivement représentative ou descriptive des chiens 15:59.730 --> 16:01.320 et des chats. 16:01.710 --> 16:06.660 Et puis, une fois que votre réseau est formé, voici comment cela s’applique. 16:06.660 --> 16:09.340 C’est donc la prochaine étape puisque nous avons été formés sur notre réseau pour que cela se produise. 16:09.350 --> 16:13.020 Voyons ce qui se passe lorsque ce réseau est appliqué. 16:13.020 --> 16:15.660 Alors disons que nous transmettons l'image d'un chien. 16:16.410 --> 16:20.340 Les valeurs sont propagées à travers un réseau, nous obtenons certaines valeurs. 16:20.610 --> 16:26.880 Et donc cette fois, le chien et les neurones du chat ne savent pas qu’ils n’ont pas l’image du chien, ils ne savent pas que 16:26.880 --> 16:28.470 c’est un chien ou un chat. 16:28.470 --> 16:35.380 Ils n'ont aucune idée de ce que c'est mais ils ont appris à écouter ce qui est montré ici. 16:35.380 --> 16:35.660 Droite. 16:35.670 --> 16:40.440 Ils ont appris à écouter un chien et à écouter ces trois neurones. Un neurone de chat écoute ces trois 16:40.440 --> 16:40.910 neurones. 16:40.950 --> 16:44.850 Et ainsi le neurone du chien regarde un deux trois et dit aha ceux-ci sont assez élevés. 16:44.940 --> 16:50.430 Donc, ma probabilité que le neurone du chat regarde ces trois-là et dit OK, celui-ci 16:50.470 --> 16:53.670 est assez élevé, mais ceux-ci sont plutôt faibles. 16:53.670 --> 16:54.320 Intéressant. 16:54.320 --> 16:56.990 Donc, ma probabilité va être 0. 05. 16:57.130 --> 16:58.950 Et puis et c'est. 16:58.980 --> 17:00.110 Et c'est là que vous obtenez votre prédiction. 17:00.120 --> 17:04.490 Votre premier choix pour ce réseau de neurones est donc chien. 17:04.500 --> 17:06.900 Le deuxième choix est le chat et c'est à peu près tout. 17:06.900 --> 17:11.690 Donc, la réponse est chien et la même chose se produit lorsque vous transmettez l'image d'un chat. 17:11.910 --> 17:16.580 Vous obtenez de nouvelles valeurs et vous pouvez voir que même si celui-ci est élevé, celles-ci sont faibles. 17:16.770 --> 17:20.560 Et pour le chat C'était haut c'était haut et celui-ci est un peu bas. 17:20.670 --> 17:25.850 Donc, la probabilité ici n'est peut-être pas aussi grande qu'auparavant, mais vous pouvez voir qu'il s'agit d'un 17:25.860 --> 17:26.810 chat de 79%. 17:26.940 --> 17:30.230 Et donc donc le réseau de neurones va voter pour que ce soit un chat. 17:30.270 --> 17:33.240 Et donc, fondamentalement, tous les réseaux de neurones vont conclure que c'est un chat. 17:33.330 --> 17:40.710 Le vote est un terme qui est utilisé pour ces types afin que les neurones de la dernière Lehre, totalement connectés, 17:40.710 --> 17:41.510 puissent voter. 17:41.520 --> 17:42.810 Et ce sont leurs votes. 17:42.870 --> 17:47.160 Et encore une fois, nous sommes juste pour l’argumentation, plaçant ici les valeurs comprises entre 0 et 1. 17:47.160 --> 17:54.480 Celles-ci peuvent être des valeurs quelconques, mais elles doivent voter et ces poids sont l’importance de leur vote. 17:54.480 --> 18:00.540 Voici donc ces poids violets qui permettent au neurone du chien d’envisager ses votes. 18:00.540 --> 18:04.820 Quelle importance attribue-t-il à ces neurones et à ces votes? 18:04.830 --> 18:12.810 Et c’est l’importance que revêt la taille du neurone du chat pour les votes de ces neurones. Ainsi, ces neurones votent le chien et 18:12.810 --> 18:18.840 le chat en fonction de leur poids, ils décident qui ils doivent écouter et ensuite ils font leurs 18:18.840 --> 18:23.490 prédictions et tiennent ensuite réseau de neurones conclut que c’est dans ce cas un 18:23.490 --> 18:29.190 chat et puis c’est Et c’est votre conclusion et c’est ainsi que vous obtenez des images comme 18:29.490 --> 18:37.200 celle-ci où vous avez un guépard et ensuite vous avez une griffe de guépard que vous connaissez comme une probabilité très élevée Donc c’est 18:37.200 --> 18:40.080 vous connaissez la probabilité prédite par le réseau. 18:40.080 --> 18:44.430 Et ce sont des lois, mais celles-ci existent toujours, car elles sont encore un peu comme une petite 18:44.430 --> 18:49.710 chance que les autres neurones écoutent également leurs électeurs et ils se disent: peut-être que c'est en fait un train léopard et un 18:49.710 --> 18:50.580 train de balles. 18:50.580 --> 18:51.400 Très très probable. 18:51.400 --> 18:52.470 J'entends des ciseaux. 18:52.470 --> 18:57.600 Vous connaissez celui-ci, mais le verre à main était un stéthoscope 18:57.600 --> 19:03.960 en deuxième position et à cinq pences, car vous pouvez voir comme ce gars-là 19:03.960 --> 19:07.070 ce neurone les neurones en ciseaux. 19:07.080 --> 19:10.190 Mais le verre à main a également eu un bon résultat. 19:10.200 --> 19:16.450 Voilà donc comment fonctionne la connexion complète et comment tout cela se joue ensemble. 19:16.680 --> 19:18.810 J'espère que vous avez apprécié le tutoriel d'aujourd'hui. 19:18.810 --> 19:21.320 Nous allons également résumer tout cela dans le résumé. 19:21.420 --> 19:22.860 Et je te verrai la prochaine fois. 19:22.860 --> 19:24.720 Jusque-là, profitez d'un apprentissage en profondeur.