WEBVTT 00:00.520 --> 00:02.800 Hallo und willkommen zurück zum Kurs und tiefes Lernen. 00:02.800 --> 00:06.140 Heute sind wir endlich bei STEPNELL vor der Vollverbindung. 00:06.310 --> 00:08.210 Worum geht es in diesem Schritt. 00:08.440 --> 00:16.990 Nun, in diesem Schritt fügen wir unserem konvolutionellen neuronalen Netzwerk ein ganzes künstliches neuronales Netzwerk hinzu, also zu all 00:17.000 --> 00:22.450 den Dingen, die wir bisher gemacht haben, nämlich Faltungs-Pooling und Abflachung. 00:22.510 --> 00:24.910 Jetzt fügen wir ein ganz neues hinzu. 00:24.930 --> 00:28.990 Und dann auf der Rückseite, wie intensiv das ist. 00:28.990 --> 00:32.350 Das ist nur etwas, das definitiv etwas ist. 00:32.590 --> 00:36.730 Und hier haben wir die Eingabeebene, wir haben einen vollständig verbundenen Plan. 00:36.740 --> 00:42.580 Ich werde dort hinstellen und übrigens die vollständig verbundene Lehre in den künstlichen neuronalen Netzwerken, die 00:42.580 --> 00:47.650 wir als verborgene Schichten bezeichnet haben, und hier nennen wir sie vollständig verbunden, 00:47.650 --> 00:53.500 weil sie verborgene Ebenen sind, aber gleichzeitig sind sie spezifischer Fiddler-Typen, die in künstlichen neuronalen Netzwerken 00:53.500 --> 00:57.510 vollständig verbunden sind, müssen versteckte Buchstaben nicht vollständig verbunden sein. 00:57.520 --> 01:02.230 In neuronalen Faltungsnetzen werden wir vollständig verbundene Buchstaben verwenden, weshalb sie im 01:02.230 --> 01:05.640 Allgemeinen als vollständig verbundene Lares bezeichnet werden. 01:05.770 --> 01:11.620 Im Grunde haben wir also die ganze Spalte oder den Vektor der Ausgaben, die wir nach 01:11.620 --> 01:18.160 der Abflachung haben, in die hier gelernte Eingabe übernommen. Wir haben ein sehr vereinfachtes Beispiel, nur zur Veranschaulichung. 01:18.160 --> 01:26.770 Der Hauptzweck des künstlichen neuronalen Netzwerks besteht darin, unsere Merkmale zu mehr Attributen zu kombinieren, die die 01:26.770 --> 01:28.960 Klaas noch besser vorhersagen. 01:28.960 --> 01:37.660 Wir haben also bereits in unserem Vektor der Ausgaben im Flaten des abgeflachten Ergebnisses aus dem, was wir wirklich getan haben, einige Merkmale in 01:37.660 --> 01:43.750 den Zahlen in diesem Vektor kodiert, und sie können wahrscheinlich schon ziemlich gut vorhersagen, was Clauss 01:43.750 --> 01:51.730 'ist Betrachten Sie, ob es sich um einen Hund oder eine Katze handelt oder ob es sich um einen Tumor handelt 01:51.730 --> 01:53.840 oder nicht, und so weiter. 01:53.890 --> 02:00.610 Gleichzeitig wissen wir jedoch, dass wir diese Struktur haben, die als künstliches neuronales Netzwerk bezeichnet wird. Sie 02:00.610 --> 02:07.810 ist so konzipiert, dass sie mit Attributen umgehen und herauskommen oder mit Features umgehen und neue Attribute entwickeln 02:07.810 --> 02:16.120 und Attribute kombinieren muss, um die Dinge noch besser vorhersagen zu können dass wir versuchen vorherzusagen, und wir wissen das aus 02:16.120 --> 02:20.360 den vorherigen Teilen, also warum sollten wir das nicht nutzen. 02:20.440 --> 02:22.750 Und genau das ist der Plan hier. 02:22.750 --> 02:29.140 Wie wäre es also, wenn wir diese Werte in einem künstlichen neuronalen Netzwerk weitergeben und alles, was wir tun, 02:29.140 --> 02:30.350 noch weiter optimieren. 02:30.640 --> 02:31.900 Und so werden wir es tun. 02:31.900 --> 02:36.390 Aber schauen wir uns ein realistischeres Beispiel an, weil dieses etwas zu einfach ist. 02:36.610 --> 02:43.990 Hier haben wir also ein besser aussehendes künstliches neuronales Netzwerk, bei dem wir fünf Attribute an den Eingängen haben, 02:43.990 --> 02:51.040 die wir beim ersten haben, es sei denn, wir haben sechs Neuronen in dem zweiten oder im zweiten 02:51.040 --> 02:55.510 vollständig verbundenen Larry einer für hund und einer für katze. 02:55.630 --> 03:02.240 Daher ist es wichtig zu besprechen, dass wir hier zwei Gründe haben. 03:02.240 --> 03:09.100 Wir sind es gewohnt, nur eine Ausgabe in unseren künstlichen neuronalen Netzwerken zu haben. Eine Ausgabe ist eine 03:09.100 --> 03:14.740 Art, wenn Sie einen numerischen Wert vorhersagen, wenn Sie drucken, wenn Sie ein Regressionsproblem 03:14.740 --> 03:15.480 ausführen. 03:15.760 --> 03:22.840 Aber wenn Sie eine Klassifizierung vornehmen, brauchen Sie eine Ausgabe Proclus, mit Ausnahme der Ausnahme, wenn Sie nur zwei Cluster haben, wie 03:22.840 --> 03:27.940 wir hier zwei Klassen haben: Hund und Katze, und wir hätten nur eine Ausgabe gemacht 03:27.970 --> 03:33.790 und eine binäre Ausgabe gemacht ein Hund und Nullen eine Katze, und das hätte absolut gut funktioniert, und 03:33.790 --> 03:38.760 was Sie sehen werden, hatte das Mittagessen in den praktischen Übungen und so werden sie 03:38.770 --> 03:39.250 strukturiert. 03:39.250 --> 03:46.090 Wenn Sie jedoch mehr als zwei Kategorien haben, z. B. Hunde, Katzen und Vögel, müssen Sie für 03:46.090 --> 03:52.420 jede Kategorie ein Neuron haben. Deshalb üben wir in diesem Beispiel zwei Kategorien, damit wir 03:52.420 --> 03:58.320 wissen, was zu erwarten ist wenn wir jemals mehr als zwei Kategorien haben. 03:58.550 --> 04:00.010 Und was wird hier also passieren? 04:00.010 --> 04:05.260 Wir haben also bereits alle Vorarbeiten geleistet, an denen wir die Faltung durchgeführt haben. 04:05.620 --> 04:10.570 Wir haben das Pooling und die Abflachung durchgeführt. Nun gehen die Informationen durch 04:10.570 --> 04:12.300 das künstliche neuronale Netzwerk. 04:12.340 --> 04:18.460 Es gibt Informationen, die von Anfang an von dem Moment an durchlaufen werden, in dem das Bild verarbeitet und 04:18.610 --> 04:23.920 gefaltet, gefaltet und anschließend plattgedrückt und dann durch das künstliche neuronale Netzwerk alle vier Schritte 04:23.920 --> 04:30.720 durchlaufen wird. Dann wird eine Vorhersage getroffen und wir werden sehen, wie dies in einer Moment wird sehr sehr interessant sein. 04:30.730 --> 04:32.920 Aber jetzt sagen wir einfach eine Vorhersage. 04:32.920 --> 04:36.070 Und zum Beispiel zu 80 Prozent, dass es ein Hund ist. 04:36.070 --> 04:40.610 Es stellt sich jedoch heraus, dass es sich um eine Katze handelt, und dann wird ein Fehler berechnet. 04:40.610 --> 04:40.990 EIN. 04:41.200 --> 04:47.720 Nun, was wir früher in einem künstlichen neuronalen Netzwerk als Kostenfunktion bezeichneten, und wir verwendeten dort mittlere 04:47.740 --> 04:51.460 quadratische Fehler oder in weit verbreitete illusionale neuronale Netzwerke. 04:51.460 --> 04:57.630 Es wird als Verlustfunktion bezeichnet und wir verwenden dafür eine Entropie-Kreuzfunktion. 04:57.640 --> 04:59.870 Und wir sprechen über Kreuzentropie und mittlere quadratische Fehler. 05:00.130 --> 05:02.820 In einem separaten Tutorial und wie das alles passiert. 05:02.820 --> 05:08.730 Aber um zu wissen, dass Sie wissen, dass wir eine verloren gegangene Funktion haben, die uns zeigt, wie gut unser 05:08.730 --> 05:13.560 Netzwerk arbeitet, und wir versuchen, es zu optimieren oder zu minimieren, um unser Netzwerk zu optimieren. 05:13.750 --> 05:19.470 Der Fehler wird berechnet und dann wird er zurück durch das Netzwerk propagiert, so wie wir es in 05:19.470 --> 05:26.700 künstlichen neuronalen Netzwerken hatten, und er wird zurück propagiert, und einige Dinge werden im Netzwerk angepasst, um die Leistung zu optimieren, und 05:27.000 --> 05:31.670 die eingestellten Dinge sind wie üblich die Gewichte Das künstliche neuronale Netzwerk ist Teil 05:31.670 --> 05:34.910 der blauen Linien, die Sie hier beim Cynapsus sehen. 05:35.340 --> 05:43.950 Dann werden auch die Feature-Detektoren angepasst, sodass wir wissen, dass wir nach Features suchen, aber was ist, wenn wir nach 05:43.950 --> 05:46.140 den falschen Features suchen. 05:46.140 --> 05:51.570 Was ist, wenn dies nicht geklappt hat, weil die Funktionen nicht korrekt sind und die Merkmalsdetektoren sich an 05:51.570 --> 05:53.860 die kleinen Matrizen erinnern, die wir hatten? 05:54.250 --> 05:57.270 Das sind die drei mal drei Matrizen. 05:57.270 --> 06:03.240 Sie sind so eingestellt, dass es beim nächsten Mal vielleicht besser wird und wir sehen, was passiert. 06:03.360 --> 06:03.860 Art der Sache 06:03.870 --> 06:11.040 Und natürlich wird alles mit viel Wissenschaft im Hintergrund von viel Mathematik erledigt und 06:11.040 --> 06:14.580 alles durch einen Gradientenabfall der Rückenausbreitung. 06:14.580 --> 06:20.880 Es ist also alles nicht nur zufällige Störungen, es ist wirklich sehr durchdacht, wie es gemacht wird. 06:21.210 --> 06:27.630 Trotzdem werden die Merkmalsdetektoren angepasst, die Gewichte werden angepasst, und der gesamte Vorgang wird erneut ausgeführt, und 06:27.630 --> 06:30.710 die Fehler breiten sich dann erneut aus. 06:30.720 --> 06:32.610 Und das geht weiter und weiter und weiter. 06:32.760 --> 06:37.950 Und so wird unser Netzwerk optimiert. So trainiert unser Netzwerk die Daten. 06:37.950 --> 06:43.800 Das Wichtigste dabei ist, dass die Daten von Anfang bis Ende durch den gesamten Bereich 06:43.800 --> 06:44.410 gehen. 06:44.430 --> 06:49.950 Dann wird der Fehler verglichen, so dass der Fehler berechnet und anschließend zurückgespielt wird. 06:49.950 --> 06:56.520 Dieselbe Geschichte wie bei künstlichen neuronalen Netzen, die aufgrund der Gesamtheit der ersten drei Schritte, die wir bereits 06:56.520 --> 06:58.320 hatten, etwas länger ist. 06:59.040 --> 07:04.440 Und nun sehen wir uns den interessanten Teil an. Der wirklich interessante Teil, 07:04.440 --> 07:10.050 wie diese beiden Klassen funktionieren, weil oder wie diese beiden Ausgabe-Neuronen funktionieren, weil wir vorher 07:10.050 --> 07:11.840 immer ein Ausgabe-Neuron hatten. 07:11.840 --> 07:17.490 Wie spielt sich diese Situation der Klassifikation oder der Bilder ab? 07:17.670 --> 07:21.610 Beginnen wir mit dem Top-Neuron, das zuerst mit dem Hund beginnt. 07:22.080 --> 07:28.950 Wie müssen wir als Hauptzweck zunächst einmal verstehen, welche Gewichte allen diesen Lehrplänen zugeordnet werden müssen, die 07:28.950 --> 07:36.000 mit dem Hund verbunden sind, damit wir wissen, welche der vorherigen Neuronen für den Hund tatsächlich wichtig 07:36.000 --> 07:38.910 sind und wie das ist fertig. 07:38.910 --> 07:46.460 Nehmen wir also hypothetisch an, dass wir diese Zahlen in unserer vorherigen Ebene der vorherigen vollständig verknüpften Ebene haben. 07:46.500 --> 07:47.980 In der letzten vollständig verbundenen Schicht. 07:48.120 --> 07:51.010 Und wieder können diese Zahlen alles sein. 07:51.030 --> 07:56.490 Sie müssen nicht so sein, dass es sich um Zahlen handeln kann, aber nur aus Gründen der Argumentation 07:56.490 --> 08:01.890 werden wir uns darauf einigen, dass wir uns speziell mit Zahlen zwischen 0 und 1 befassen. 08:02.280 --> 08:09.840 Es ist also einfacher für uns, diese Dinge zu argumentieren und zu verstehen, und eines bedeutet, dass das Neuron 08:09.840 --> 08:15.960 sehr zuversichtlich war, dass es dieses Feature gefunden hat, und Null bedeutet, dass dieses Neuron 08:15.960 --> 08:23.580 kein Feature gefunden hat, denn am Ende des An diesem linken Tag betrachten diese Neuronen wie alles andere nur 08:23.610 --> 08:25.470 Merkmale auf einem Bild. 08:25.470 --> 08:27.490 Das ist schon sehr sehr Prozess. 08:27.510 --> 08:32.940 Aber es ist immer noch das Erkennen eines bestimmten Merkmals oder einer Kombination von Merkmalen im Bild, bevor wir den 08:33.700 --> 08:34.590 Schritt weiterentwickeln können. 08:34.590 --> 08:39.060 Wir hatten einige erkennbare Funktionen im Pool-Set, die weniger erkennbar sind, als sie im abgeflachten 08:39.060 --> 08:40.850 Bild noch weniger erkennbar werden. 08:40.850 --> 08:42.550 Und dann bekommen sie zusammen und so weiter. 08:42.570 --> 08:48.720 Aber trotzdem reden wir hier über bestimmte Eigenschaften, die Bild oder deren Kombination darstellen. 08:48.720 --> 08:54.480 So und einer, der übergeben wurde, und das ist wichtig, wurde sowohl dem Hund als auch 08:54.480 --> 08:57.020 der Katze gleichzeitig an beide Ausgangsneuronen weitergegeben. 08:57.150 --> 09:06.180 Für uns bedeutet dies also, dass es für dieses Argument bedeutet, dass dieses Neuron seine Funktion aktiviert hat. Es erkennt schnell, dass dieses Merkmal 09:06.180 --> 09:11.850 eine Augenbraue ist, für die es eine Augenbraue ist, und diese Augenbraue wird der Einfachheit 09:11.870 --> 09:15.170 halber möglicherweise erkannt, um diese Augenbraue zu erkennen. 09:15.270 --> 09:20.310 Und ist mitzuteilen, dass der Hund zu dem Katzenneuron rennt und sagt, ich kann meine Augenbraue sehen, ich kann meine Augenbraue sehen. 09:20.310 --> 09:25.240 Und dann liegt es an dem Hund und dem Katzenneuron zu verstehen, was das für ihn bedeutet. 09:25.290 --> 09:25.860 Recht. 09:25.890 --> 09:30.840 In diesem Fall also, welche Neuronen diese drei Neuronen abfeuern, feuern die Augenbrauen hoch und sagen, 09:30.830 --> 09:36.120 die Nase besagt, dass ich sehen kann, dass ich eine große Nase sehen kann und schlaffe Ohren sehe. 09:36.270 --> 09:40.540 Also und es sagt das dem Hund und der Katze und dann was dem Hund. 09:40.560 --> 09:43.390 Und dann wissen wir, dass dies ein Hund ist. 09:43.440 --> 09:49.920 Das Neuron des Hundes weiß also, dass die Antwort darin liegt, dass es sich tatsächlich um einen Hund handelt, weil wir am Ende mit dem 09:49.920 --> 09:53.640 Bild oder dem Etikett auf dem Bild und mit einem anderen Hund vergleichen. 09:53.640 --> 09:56.310 Im Grunde wird das Neuron des Hundes Aha sagen. 09:56.310 --> 09:58.820 Also sollte ich in diesem Fall ausgelöst werden. 09:58.830 --> 10:04.790 Das sind also Neuronen, die sie dieses Signal aussenden, das sie sowohl an den Hund als auch an die Katze senden, und 10:04.790 --> 10:09.000 die Katze ist eigentlich ein Hinweis darauf, dass es sich um einen Hund handelt. 10:09.020 --> 10:13.940 Und während dieser vielen, vielen und vielen Iterationen passiert dies oft, dass 10:13.940 --> 10:19.580 der Hund herausfindet, dass diese Neuronen tatsächlich hochfahren, wenn das Merkmal einem Hund gehört. 10:19.670 --> 10:24.260 Andererseits wird das Katzenneuron wissen, dass es sich nicht um eine Katze handelt, und es wird wissen, dass 10:24.260 --> 10:28.210 diese Funktion aktiviert wird, und dieses Neuron sagt mir, dass es Schlappohren Schlappohren sehen kann. 10:28.370 --> 10:31.040 Aber gleichzeitig ist es keine Katze. 10:31.040 --> 10:36.980 Im Grunde ist das für mich ein Signal, dass ich dieses Neuron gerne ignorieren sollte. Je 10:36.980 --> 10:41.960 mehr dies geschieht, desto mehr ignoriert das Katzenneuron dieses Neuron bei den Schlappohren. 10:42.440 --> 10:49.100 Und im Grunde ist es das, wie durch viele, viele Iterationen, wenn dies oft geschieht. 10:49.100 --> 10:54.170 Dies ist also nur ein Beispiel, aber wenn dies häufig vorkommt, vielleicht eine Eins vielleicht 0. 8 0. Manchmal feuert es 10:54.170 --> 11:02.090 manchmal nicht, aber im Durchschnitt leuchtet dieses Neuron sehr oft auf, wenn es tatsächlich ein Hund ist, den das 11:02.090 --> 11:05.920 Neuron des Hundes beginnt, diesem Neuron eine höhere Bedeutung zuzuordnen. 11:05.930 --> 11:06.590 Und so gehen wir hin. 11:06.590 --> 11:08.430 So werden wir es bezeichnen. 11:08.450 --> 11:14.570 Wir werden sagen, dass diese drei Neuronen diesen iterativen Prozess mit vielen, vielen, vielen Proben durchlaufen haben, und 11:14.570 --> 11:20.210 viele erinnern sich daran, dass ein Beispiel eine Zeile in Ihrem Datensatz ist und Apoc, wenn 11:20.210 --> 11:25.150 Sie Ihren gesamten Datensatz immer wieder durchlaufen und wieder gibt es viele, viele Iterationen. 11:25.220 --> 11:34.010 Dieses Neuron des Hundes lernte, dass dieses Augenbrauen-Neuron und dieses große Nasen-Neuron und dieses Floppy-Ear-Neuron, 11:34.340 --> 11:43.040 die alle scheinen, sehr gut zur Klassifizierung dessen beitragen, wonach es sucht und was ein 11:43.040 --> 11:44.350 Hund ist. 11:44.480 --> 11:45.730 So funktioniert es. 11:45.740 --> 11:55.130 Und wieder sind diese Ohren und Nasen und Augenbrauen sehr annähernd oder sehr weit hergeholte Beispiele, denn bis zu diesem Zeitpunkt 11:55.130 --> 12:01.640 in diesem ganzen konventionellen neuronalen Faltungsnetz ist es völlig unkenntlich, wonach sie suchen, aber gleichzeitig 12:01.640 --> 12:07.400 ist es etwas in dem Merkmale von Hunden oder Katzen oder was auch 12:07.400 --> 12:09.020 immer Sie klassifizieren. 12:09.410 --> 12:11.130 Und dann machen wir weiter mit dem nächsten. 12:11.150 --> 12:15.860 Jetzt schauen wir uns das Katzenneuron an. Aber wir werden daran erinnern, dass diese Gewichte Sie wissen, 12:15.860 --> 12:17.900 wie wir den Hund sortiert haben. 12:17.900 --> 12:22.970 Der Hund ist also so, als würde er alle diese anderen Neuronen eins zwei, drei, vier oder fünf 12:22.970 --> 12:26.510 ignorieren, aber er achtet wirklich darauf, was diese drei Neuronen sagen. 12:26.570 --> 12:28.330 Was hört die Katze jetzt? 12:28.490 --> 12:30.830 Nun, wann immer es tatsächlich eine Katze ist. 12:30.970 --> 12:32.530 Recht. 12:32.710 --> 12:35.600 Dies ist ein Beispiel für eine Situation, in der es sich tatsächlich um eine Katze handelt. 12:35.600 --> 12:42.980 Sie werden also sehen, dass diese drei Neuronen 0 sind. 9 0. Sie sagen etwas, was sie sowohl dem Hund 12:42.980 --> 12:44.590 als auch der Katze sagen. 12:44.600 --> 12:49.510 Und das ist wieder wichtig. Denken Sie daran, dass dieses Ausgangssignal in beide Richtungen läuft. 12:49.520 --> 12:55.520 Es ist eine Aussage des Hundes zu der Katze, aber dann ist es Sache des Hundes, der Katze 12:55.520 --> 13:00.220 zu entscheiden, ob sie dieses Signal berücksichtigen und daraus lernen soll oder nicht. 13:00.500 --> 13:05.810 Sowohl der Hund als auch die Katze können sehen, dass dies ein Foto ist, von dem ich ein Foto von einer Katze hier setzen sollte, aber im Grunde ein 13:05.810 --> 13:10.030 Foto von einer Katze vorstellen, sowohl ein Hund als auch die Katze können sehen, dass es sich tatsächlich um eine Katze handelt. 13:10.190 --> 13:20.150 Im Grunde ist der Hund wie OK, also sind diese Schnurrhaare und diese spitzen Dreiecksohren und diese kleine 13:20.420 --> 13:28.250 Größe ja oder oder vielleicht wissen Sie, wie Katzen diese Dinge in ihren 13:28.310 --> 13:33.350 Augen haben. Ihre Augen sind wie kleine Katzenaugen. 13:33.350 --> 13:37.460 Grundsätzlich arbeiten diese Katzenaugen definitiv nicht für mich. 13:37.460 --> 13:42.980 Sie helfen mir nicht, ich sage voraus, denn jedes Mal, wenn diese Neuronen die Vorhersage aufleuchten, ist es nicht 13:42.980 --> 13:44.240 das, wonach ich suche. 13:44.240 --> 13:46.910 Andererseits ist die Katze wie hmm das ist interessant. 13:46.910 --> 13:51.620 Jedes Mal, wenn dieses aufleuchtet, leuchtet es meistens auf. 13:51.620 --> 13:55.310 Es entspricht meiner Erwartung, es entspricht, was ich suche. 13:55.310 --> 13:55.630 OK. 13:55.640 --> 13:58.050 Ich werde diesem Kerl mehr als diesen hier anhören. 13:58.160 --> 14:02.710 Dies ist jedes Mal dasselbe, wenn es oder meistens leuchtet. 14:02.810 --> 14:09.100 Ich bin zufällig gut geworden und wurde für meine Vorhersage belohnt, weil ich es richtig verstanden habe. 14:09.110 --> 14:09.760 Es ist eine Katze. 14:09.770 --> 14:10.080 OK. 14:10.130 --> 14:11.440 Ich werde ihm mehr zuhören. 14:11.450 --> 14:17.930 Sie wissen, dass das für mich nutzlos ist, weil er nicht wirklich weiß, dass er nicht einmal leuchtet, es ist eine 14:17.930 --> 14:21.040 Katze, aber er leuchtet nicht, also passiert das Gegenteil. 14:21.050 --> 14:24.410 Und das hier ist gut, es ist ein Cad, aber er lässt nicht nach, also werde ich nicht auf ihn hören. 14:24.410 --> 14:31.250 Aber als er ging, was die Augen waren, die die Katzenaugen leuchten, können wir sehen, dass es eine Katze 14:31.250 --> 14:31.850 ist. 14:31.850 --> 14:36.440 Es passt meistens zusammen, also werde ich daraus lernen und ich werde diesen drei 14:36.980 --> 14:38.750 Jungs öfter zuhören als nicht. 14:38.750 --> 14:44.810 Und im Grunde hört die Katze auf diese drei und ignoriert die 14:45.350 --> 14:54.830 anderen fünf, und so lernen diese letzten Neuronen, welche Neuronen in der letzten vollständig verbundenen Lehre die Ausgangsneuronen hören 14:54.830 --> 14:58.460 sollen, von denen die vollständig sind. 14:58.670 --> 15:00.030 Es gibt Neuronen zum Hören. 15:00.180 --> 15:02.530 Und so verstehen sie. 15:02.790 --> 15:08.930 Im Grunde werden die Features über das Netzwerk verbreitet und an die Ausgabe weitergeleitet. 15:08.970 --> 15:14.070 Und auch wenn diese Features natürlich nicht so viel Bedeutung haben wie Floppy-Ohren 15:14.070 --> 15:14.900 oder Whisker. 15:15.210 --> 15:21.860 Gleichzeitig haben sie einige Besonderheiten, sie sind ein charakteristisches Merkmal dieser spezifischen Klasse. Auf diese Weise 15:21.870 --> 15:27.270 wird das Netzwerk trainiert, da wir uns auch während des Back-Propagation-Prozesses an 15:27.270 --> 15:33.750 die Feature-Detektoren anpassen, wenn ein Feature für die Ausgabe unbrauchbar ist Es wird wahrscheinlich nicht 15:33.750 --> 15:39.600 beachtet werden, da dies nicht bei ein oder zwei Geschichten passiert, sondern bei 15:39.600 --> 15:41.000 Tausenden von Iterationen. 15:41.040 --> 15:46.620 Mit der Zeit wird also eine Funktion, die für das Netzwerk unbrauchbar ist, außer Acht 15:46.620 --> 15:52.830 gelassen und durch Funktion ersetzt, sodass Sie am Ende des Tages in dieser letzten Schicht von 15:53.070 --> 15:59.730 Neuronen wahrscheinlich viele Funktionen oder Kombinationen von Funktionen haben Bild, das tatsächlich repräsentativ oder beschreibend für Hunde 15:59.730 --> 16:01.320 und Katzen ist. 16:01.710 --> 16:06.660 Wenn Ihr Netzwerk erst einmal trainiert ist, werden wir es so anwenden. 16:06.660 --> 16:09.340 Dies ist also der nächste Schritt, als würden wir unser Netzwerk trainieren, wenn dies geschehen wird. 16:09.350 --> 16:13.020 Mal sehen, was passiert, wenn dieses Netzwerk angewendet wird. 16:13.020 --> 16:15.660 Nehmen wir an, wir geben ein Bild eines Hundes weiter. 16:16.410 --> 16:20.340 Die Werte werden über ein Netzwerk verbreitet und wir erhalten bestimmte Werte. 16:20.610 --> 16:26.880 Deshalb wissen die Neuronen des Hundes und der Katze diesmal nicht, dass sie nicht das Bild des Hundes hier haben. Sie wissen nicht, dass es sich um 16:26.880 --> 16:28.470 einen Hund oder eine Katze handelt. 16:28.470 --> 16:35.380 Sie haben keine Ahnung, was es ist, aber sie haben gelernt, was hier gezeigt wird. 16:35.380 --> 16:35.660 Recht. 16:35.670 --> 16:40.440 Sie haben gelernt, auf Hund zu hören und hören diesen drei Neuronen zu, die ein Katzenneuron diesen drei 16:40.440 --> 16:40.910 zuhört. 16:40.950 --> 16:44.850 Und so sieht das Neuron des Hundes auf eins zwei drei und sagt, aha diese sind ziemlich hoch. 16:44.940 --> 16:50.430 Meine Wahrscheinlichkeit ist also hoch, dass es sich bei diesem Hund um einen Hund handelt, den 16:50.470 --> 16:53.670 das Neuron der Katze auf diese drei sieht. 16:53.670 --> 16:54.320 Interessant. 16:54.320 --> 16:56.990 Meine Wahrscheinlichkeit wird also 0 sein. 05. 16:57.130 --> 16:58.950 Und dann und so weiter. 16:58.980 --> 17:00.110 Und hier bekommen Sie Ihre Vorhersage. 17:00.120 --> 17:04.490 Also ist Ihre erste Wahl für dieses neuronale Netzwerk der Hund. 17:04.500 --> 17:06.900 Die zweite Wahl ist Katze und das war es schon. 17:06.900 --> 17:11.690 Die Antwort ist also Hund und dasselbe passiert, wenn Sie an einer Katze vorbeikommen. 17:11.910 --> 17:16.580 Sie erhalten neue Werte und Sie können sehen, dass diese Werte niedrig sind, auch wenn diese hoch sind. 17:16.770 --> 17:20.560 Und für die Katze war das hoch und das war ein bisschen niedrig. 17:20.670 --> 17:25.850 Die Wahrscheinlichkeit ist hier möglicherweise nicht so groß wie zuvor, aber Sie können immer noch erkennen, dass es sich um eine Katze 17:25.860 --> 17:26.810 von 79 Prozent handelt. 17:26.940 --> 17:30.230 Daher wird das neuronale Netzwerk dafür stimmen, dass es eine Katze ist. 17:30.270 --> 17:33.240 Und im Grunde werden alle neuronalen Netzwerke davon ausgehen, dass es sich um eine Katze handelt. 17:33.330 --> 17:40.710 Abstimmen ist ein Begriff, der für diese Typen verwendet wird, damit diese Neuronen in der endgültigen, vollständig verbundenen Lehre sie 17:40.710 --> 17:41.510 wählen können. 17:41.520 --> 17:42.810 Und das sind ihre Stimmen. 17:42.870 --> 17:47.160 Und wieder sind wir nur der Argumentation wegen, hier Werte zwischen 0 und 1 zu setzen. 17:47.160 --> 17:54.480 Dies können beliebige Werte sein, aber sie können wählen, und dann sind diese Gewichte die Wichtigkeit ihrer Stimme. 17:54.480 --> 18:00.540 Das sind also diese violetten Gewichte, wie die Neuronen des Hundes ihre Stimmen sehen. 18:00.540 --> 18:04.820 Welchen Stellenwert hat es diesen Neuronen und diesen Stimmen? 18:04.830 --> 18:12.810 Und so wichtig ist es, dass das Neuron der Katze für diese Stimmen die Stimmen dieser Neuronen groß ist. Daher wählen diese Neuronen den Hund 18:12.810 --> 18:18.840 und die Katze auf der Grundlage ihres Erlernens der Gewichte, die sie entscheiden, wem sie zuhören, und dann treffen 18:18.840 --> 18:23.490 sie ihre Vorhersagen und halten dann Das neuronale Netzwerk kommt zu dem Schluss, dass 18:23.490 --> 18:29.190 dies in diesem Fall eine Katze ist und dann ist das. Und dann ist dies Ihre Schlussfolgerung. So 18:29.490 --> 18:37.200 erhalten Sie Bilder wie diese, bei denen Sie einen Gepard haben und dann haben Sie Gepardklauen, die Sie wie eine hohe Wahrscheinlichkeit kennen Sie 18:37.200 --> 18:40.080 kennen die Wahrscheinlichkeit, die das Netzwerk vorhergesagt hat. 18:40.080 --> 18:44.430 Und das sind Gesetze, aber diese existieren immer noch, weil sie immer noch eine kleine 18:44.430 --> 18:49.710 Chance sind, dass die anderen Neuronen auch ihren Wählern zuhören und sagen, vielleicht ist es tatsächlich ein Leopard und 18:49.710 --> 18:50.580 ein Hochgeschwindigkeitszug. 18:50.580 --> 18:51.400 Sehr wahrscheinlich 18:51.400 --> 18:52.470 Ich höre schere 18:52.470 --> 18:57.600 Sie wissen, dieses eine, aber Handglas war ein 18:57.600 --> 19:03.960 sehr enger Sekundenzeiger und in Fünf-Pence-Stethoskop, weil Sie diesem Neuron 19:03.960 --> 19:07.070 das Neuronenschere sehen konnten. 19:07.080 --> 19:10.190 Aber auch das Handglas hatte ein gutes Ergebnis. 19:10.200 --> 19:16.450 Also los, so funktioniert die volle Verbindung und wie sich das alles zusammen ausspielt. 19:16.680 --> 19:18.810 Ich hoffe, Ihnen hat das heutige Tutorial gefallen. 19:18.810 --> 19:21.320 Wir werden das alles auch in der Zusammenfassung zusammenfassen. 19:21.420 --> 19:22.860 Und wir sehen uns nächstes Mal. 19:22.860 --> 19:24.720 Bis dahin tiefes Lernen genießen.