WEBVTT

00:00.520 --> 00:02.800
Ciao e bentornati al corso e all'apprendimento profondo.

00:02.800 --> 00:06.140
Oggi siamo finalmente su STEPNELL prima della connessione completa.

00:06.310 --> 00:08.210
Quindi, qual è questo passo tutto.

00:08.440 --> 00:16.990
Bene, in questo passo stiamo aggiungendo un'intera rete neurale artificiale alla nostra rete neurale convoluzionale, quindi a tutte le cose che

00:17.000 --> 00:22.450
abbiamo fatto finora, che sono la messa in comune e l'appiattimento della convoluzione.

00:22.510 --> 00:24.910
Ora stiamo aggiungendo un tutto nuovo.

00:24.930 --> 00:28.990
E poi sul retro di quello che è intenso.

00:28.990 --> 00:32.350
Questo è solo qualcosa che è sicuramente qualcosa.

00:32.590 --> 00:36.730
E così qui abbiamo il livello di input che abbiamo un piano completamente connesso.

00:36.740 --> 00:42.580
Metterò lì e, a proposito, le Lehre completamente connesse nelle reti neurali artificiali che usavamo

00:42.580 --> 00:47.650
per chiamarle livelli nascosti e qui li chiamiamo completamente connessi perché sono nascondigli

00:47.650 --> 00:53.500
nascosti ma allo stesso tempo sono più specifici tipo di violinisti che sono completamente collegati

00:53.500 --> 00:57.510
in reti nascoste artificiali, le lettere nascoste non devono essere completamente connesse.

00:57.520 --> 01:02.230
Mentre nelle reti neurali convoluzionali useremo lettere completamente collegate ed è per

01:02.230 --> 01:05.640
questo che vengono generalmente chiamate Lares pienamente connesse.

01:05.770 --> 01:11.620
stiamo trasmettendo nell'input appreso qui abbiamo un esempio molto semplificato solo a scopo illustrativo.

01:11.620 --> 01:18.160
E così fondamentalmente l'intera colonna o il vettore di output che abbiamo dopo l'appiattimento che

01:18.160 --> 01:26.770
E quale è lo scopo principale della rete neurale artificiale è combinare le nostre caratteristiche in più attributi che

01:26.770 --> 01:28.960
predicono ancora meglio il Klaas.

01:28.960 --> 01:37.660
Quindi, già nel nostro vettore di output nel Flaten del risultato appiattito da quello che abbiamo fatto, abbiamo alcune caratteristiche codificate nei

01:37.660 --> 01:43.750
numeri di quel vettore e possono già fare un buon lavoro per predire cosa è ciò

01:43.750 --> 01:51.730
che è Clauss noi " stai guardando se è un cane o un gatto o se è un tumore o meno

01:51.730 --> 01:53.840
un tumore e così via.

01:53.890 --> 02:00.610
le cose che stiamo cercando di prevedere e lo sappiamo dalle parti precedenti, quindi perché non sfruttarlo.

02:00.610 --> 02:07.810
Ma allo stesso tempo sappiamo che abbiamo questa struttura chiamata rete neurale artificiale che è stata progettata

02:07.810 --> 02:16.120
quale che ha lo scopo di trattare gli attributi e di uscire o affrontare le caratteristiche e di creare nuovi

02:16.120 --> 02:20.360
attributi e combinare insieme gli attributi per prevedere ancora meglio

02:20.440 --> 02:22.750
E questo è esattamente ciò che il piano qui è.

02:22.750 --> 02:29.140
Che ne dici di trasferire quei valori in una rete neurale artificiale e di ottimizzare ulteriormente tutto ciò

02:29.140 --> 02:30.350
che stiamo facendo.

02:30.640 --> 02:31.900
E così è quello che faremo.

02:31.900 --> 02:36.390
Ma vediamo un esempio più realistico perché questo è un po 'troppo semplice.

02:36.610 --> 02:43.990
Quindi qui abbiamo una rete neurale artificiale di migliore qualità in cui abbiamo cinque attributi sugli input che abbiamo nel primo

02:43.990 --> 02:51.040
a meno che non abbiamo sei neuroni nel secondo o nel secondo Larry completamente connesso con otto neuroni e quindi

02:51.040 --> 02:55.510
abbiamo due uscite uno per il cane e uno per il gatto.

02:55.630 --> 03:02.240
E quindi una cosa importante di cui parlare di noi qui è che abbiamo due risultati.

03:02.240 --> 03:09.100
Siamo abituati ad avere un solo output nelle nostre reti neurali artificiali. Bene, un output è per tipo di

03:09.100 --> 03:14.740
quando si prevede un valore numerico quando si stampa quando si esegue un tipo di problema

03:14.740 --> 03:15.480
di regressione.

03:15.760 --> 03:22.840
questo avrebbe funzionato perfettamente e in realtà quello che vedrai pranzato lo farebbe nei tutorial pratici ed è così che saranno strutturati.

03:22.840 --> 03:27.940
Ma quando stai facendo la classificazione hai bisogno di un output Proclus tranne che per l'eccezione

03:27.970 --> 03:33.790
è quando hai solo due cluster come abbiamo due classi qui cane e gatto e avremmo potuto fare solo

03:33.790 --> 03:38.760
un output e fatto un output binario e detto One è un cane e zeri un

03:38.770 --> 03:39.250
gatto e

03:39.250 --> 03:46.090
Ma allo stesso tempo se hai più di due categorie per esempio cani e uccelli, devi avere

03:46.090 --> 03:52.420
un neurone per ogni categoria ed è per questo che ci eserciteremo con due categorie in

03:52.420 --> 03:58.320
questo esempio in modo da sapere cosa aspettarci se mai abbiamo più di due categorie.

03:58.550 --> 04:00.010
E quindi cosa succederà qui.

04:00.010 --> 04:05.260
Quindi abbiamo già fatto tutto il lavoro di base che abbiamo fatto con la convoluzione che abbiamo fatto

04:05.620 --> 04:10.570
la messa in comune e l'appiattimento e ora l'informazione passerà attraverso la rete neurale artificiale, quindi diamo

04:10.570 --> 04:12.300
un'occhiata a come succede l'altro.

04:12.340 --> 04:18.460
Ci sono informazioni che passano dal momento stesso in cui l'immagine viene elaborata e il tipo convoluto

04:18.610 --> 04:23.920
convolvi poi spianati e poi attraverso la rete neurale artificiale tutti e quattro i passaggi

04:23.920 --> 04:30.720
e poi viene fatta una previsione e vedremo come ciò avviene in un il momento sarà molto molto interessante.

04:30.730 --> 04:32.920
Ma per ora diciamo solo che è stata fatta una previsione.

04:32.920 --> 04:36.070
E per esempio l'80 percento che è un cane.

04:36.070 --> 04:40.610
Ma si scopre essere un gatto e quindi viene calcolato un errore.

04:40.610 --> 04:40.990
UN.

04:41.200 --> 04:47.720
Bene, quello che chiamavamo chiamava la funzione di costo in una rete neurale artificiale e usavamo

04:47.740 --> 04:51.460
l'errore quadratico medio o le comuni reti neurali illusorie.

04:51.460 --> 04:57.630
Si chiama funzione di perdita e usiamo una funzione di entropia incrociata per quello.

04:57.640 --> 04:59.870
E parleremo di entropia incrociata e di errori quadratici medi.

05:00.130 --> 05:02.820
In un tutorial separato e in che modo tutto ciò accade.

05:02.820 --> 05:08.730
sta funzionando la nostra rete e stiamo cercando di ottimizzare l'ottimizzazione o minimizzare quella funzione per ottimizzare la nostra rete.

05:08.730 --> 05:13.560
Ma per conoscenza tu dici che abbiamo un tipo di funzione perduto che ci dice quanto bene

05:13.750 --> 05:19.470
Quindi l'errore viene calcolato e poi viene propagato attraverso la rete proprio come si è propagato

05:19.470 --> 05:26.700
alle reti neurali artificiali e alcune cose sono aggiustate nella rete per ottimizzare le prestazioni e le cose che sono

05:27.000 --> 05:31.670
regolate sono come al solito i pesi in la rete neurale artificiale fa

05:31.670 --> 05:34.910
parte di quelle linee blu che vedi qui il Cynapsus.

05:35.340 --> 05:43.950
Poi anche un'altra cosa che viene regolata sono i rilevatori di caratteristiche, quindi sappiamo che stiamo cercando funzionalità, ma cosa succede se

05:43.950 --> 05:46.140
stiamo cercando le funzionalità sbagliate.

05:46.140 --> 05:51.570
perché le funzionalità non sono corrette e quindi i rilevatori di funzionalità che ricordano quelle piccole matrici che abbiamo avuto.

05:51.570 --> 05:53.860
Che cosa succede se questo non ha funzionato

05:54.250 --> 05:57.270
Sono le tre e le tre matrici.

05:57.270 --> 06:03.240
Sono aggiustati in modo che forse la prossima volta sia meglio e vediamo cosa succede.

06:03.360 --> 06:03.860
Tipo di cosa

06:03.870 --> 06:11.040
E, naturalmente, è tutto fatto con un sacco di scienza sullo sfondo di un sacco di matematica e tutto

06:11.040 --> 06:14.580
avviene attraverso una discesa gradiente di gradiente della propagazione posteriore.

06:14.580 --> 06:20.880
Quindi non è tutto, non solo perturbazioni casuali, è davvero pensato per come è fatto.

06:21.210 --> 06:27.630
pesi vengono regolati e l'intero processo si ripete nuovamente e poi di nuovo gli errori si propagano.

06:27.630 --> 06:30.710
Tuttavia, i rilevatori di caratteristiche vengono regolati, i

06:30.720 --> 06:32.610
E questo continua ad andare avanti e avanti e avanti.

06:32.760 --> 06:37.950
Ed è così che la nostra rete è ottimizzata è così che la nostra rete si allena sui dati.

06:37.950 --> 06:43.800
Quindi la cosa importante qui è che i dati attraversano l'intera area dall'inizio alla

06:43.800 --> 06:44.410
fine.

06:44.430 --> 06:49.950
Quindi l'errore viene confrontato in modo da calcolare l'errore e quindi viene propagato nuovamente.

06:49.950 --> 06:56.520
Quindi la stessa storia con le reti neurali artificiali solo un po 'più a lungo a causa di tutto ciò per i

06:56.520 --> 06:58.320
primi tre passaggi che avevamo già.

06:59.040 --> 07:04.440
E ora diamo un'occhiata alla parte interessante della parte davvero interessante su come funzionano queste due classi

07:04.440 --> 07:10.050
o su come funzionano questi due neuroni di output, perché prima abbiamo sempre avuto un neurone di output

07:10.050 --> 07:11.840
che succede quando ne abbiamo due.

07:11.840 --> 07:17.490
Come funziona questa situazione di classificazione o immagini.

07:17.670 --> 07:21.610
Bene, iniziamo dal primo neurone che inizierà con il cane.

07:22.080 --> 07:28.950
Come abbiamo lo scopo principale quello che dobbiamo fare per prima cosa dobbiamo capire quali pesi assegnare a tutti

07:28.950 --> 07:36.000
questi programmi che si collegano al cane in modo da sapere quali dei precedenti neuroni sono effettivamente importanti per

07:36.000 --> 07:38.910
il cane e vediamo come questo è fatto.

07:38.910 --> 07:46.460
Quindi ipotizziamo che abbiamo questi numeri nel nostro precedente strato di precedenti completamente connessi.

07:46.500 --> 07:47.980
Nel livello finale completamente connesso.

07:48.120 --> 07:51.010
E ancora questi numeri possono essere assolutamente qualsiasi cosa.

07:51.030 --> 07:56.490
Non è necessario che siano numeri qualsiasi, ma solo per motivi di discussione, concorderemo

07:56.490 --> 08:01.890
sul fatto che stiamo osservando in modo specifico i numeri tra 0 e 1.

08:02.280 --> 08:09.840
noi discutere di queste cose e capire, e uno significa che quel neurone era molto fiducioso che ha trovato questa caratteristica

08:09.840 --> 08:15.960
e zero significherà che quel neurone non ha trovato che una caratteristica lo sta cercando, perché alla

08:15.960 --> 08:23.580
fine del giorno questi neuroni come qualsiasi altra cosa da questo lato sinistro stanno guardando solo le caratteristiche di un'immagine.

08:23.610 --> 08:25.470
Quindi è più facile per

08:25.470 --> 08:27.490
Questo è già un processo molto molto

08:27.510 --> 08:32.940
Ma ancora sta rilevando una determinata funzionalità o una combinazione di funzioni sull'immagine appena prima di poter

08:33.700 --> 08:34.590
evolvere il passo.

08:34.590 --> 08:39.060
Avevamo una sorta di caratteristiche riconoscibili nel set da biliardo che sono meno riconoscibili di quanto

08:39.060 --> 08:40.850
siano ancora meno riconoscibili nell'immagine appiattita.

08:40.850 --> 08:42.550
E poi si combinano e così via.

08:42.570 --> 08:48.720
Ma tuttavia stiamo parlando di alcune caratteristiche che sono l'immagine presente o la loro combinazione.

08:48.720 --> 08:54.480
Così e uno che è stato passato e questo è importante è stato passato sia al cane che al gatto

08:54.480 --> 08:57.020
allo stesso tempo a entrambi i neuroni di uscita.

08:57.150 --> 09:06.180
Quindi uno significa che per noi per la nostra argomentazione significa che questo neurone sta funzionando. Sta rilevando molto rapidamente quella caratteristica

09:06.180 --> 09:11.850
che sai potrebbe essere un sopracciglio che potrebbe rivelare questo sopracciglio di nuovo per

09:11.870 --> 09:15.170
la semplicità che sta rilevando questo sopracciglio.

09:15.270 --> 09:20.310
Ed è comunicare che al cane corrono dal neurone felino dicendo che posso vedere il mio sopracciglio posso vedere il mio sopracciglio.

09:20.310 --> 09:25.240
E poi tocca al cane e al neurone gatto capire cosa significa per loro.

09:25.290 --> 09:25.860
Destra.

09:25.890 --> 09:30.840
E così, in questo caso, che i neuroni stanno sparando su questi tre neuroni stanno sparando al sopracciglio e che

09:30.830 --> 09:36.120
dicono che il naso sta dicendo che posso vedere che posso vedere un grande naso e posso vedere le orecchie floscia.

09:36.270 --> 09:40.540
Quindi e lo sta dicendo al cane e al gatto e poi a ciò che il cane.

09:40.560 --> 09:43.390
E poi quello che succede è che sappiamo che questo è un cane.

09:43.440 --> 09:49.920
Quindi il neurone cane sa che la risposta è che in realtà è un cane perché alla fine ci stiamo confrontando

09:49.920 --> 09:53.640
con l'immagine o con l'etichetta sulla foto e quando un altro cane.

09:53.640 --> 09:56.310
Quindi in pratica il neurone cane sta per dire Aha.

09:56.310 --> 09:58.820
Quindi dovrei essere innescato in questo caso.

09:58.830 --> 10:04.790
Quindi questi sono neuroni che stanno dicendo questo segnale che stanno mandando entrambi da me al cane e il

10:04.790 --> 10:09.000
gatto è in realtà un'indicazione per me che si tratta di un cane.

10:09.020 --> 10:13.940
E durante questi lotti e molte e molte iterazioni di questo accade molte volte

10:13.940 --> 10:19.580
il cane apprenderà che questi neuroni si attivano davvero quando la caratteristica appartiene a un cane.

10:19.670 --> 10:24.260
D'altra parte il neurone del gatto saprà che non è un gatto e saprà che questa funzione sta

10:24.260 --> 10:28.210
sparando e questo neurone mi sta dicendo che può vedere le orecchie floppy orecchie floppy orecchie.

10:28.370 --> 10:31.040
Ma allo stesso tempo non è un gatto.

10:31.040 --> 10:36.980
neurone e più succede e più il neurone gatto ignorerà questo neurone sulle orecchie floppy.

10:36.980 --> 10:41.960
Quindi, fondamentalmente per me questo è un segnale che dovrei ignorare questo

10:42.440 --> 10:49.100
E così fondamentalmente che è così attraverso tante e tante iterazioni se questo accade spesso.

10:49.100 --> 10:54.170
Quindi questo è solo un esempio, ma se questo accade spesso forse uno forse 0. 8 0. 9 forse a volte

10:54.170 --> 11:02.090
non sparerà, ma in generale questo neurone si accende molto spesso quando è davvero un cane che il neurone

11:02.090 --> 11:05.920
cane inizierà ad attribuire maggiore importanza a questo neurone.

11:05.930 --> 11:06.590
E così ci siamo.

11:06.590 --> 11:08.430
Questo è quello che intendiamo significare.

11:08.450 --> 11:14.570
è quando si passa attraverso l'intero set di dati ancora e ancora e di nuovo ci sono un sacco di iterazioni.

11:14.570 --> 11:20.210
Stiamo andando a dire che questi tre neuroni attraverso questo processo iterativo con me con molti molti molti campioni

11:20.210 --> 11:25.150
e molti molti un ricordo quindi un campione è una riga nel set di dati e Apoc

11:25.220 --> 11:34.010
Questo neurone del cane ha appreso che questo neurone sopracciglio e questo grande neurone del naso e questo

11:34.340 --> 11:43.040
neurone ad orecchio floscio sembrano davvero contribuire molto bene alla classificazione di ciò che sta cercando e che

11:43.040 --> 11:44.350
è un cane.

11:44.480 --> 11:45.730
Ecco come funziona

11:45.740 --> 11:55.130
inverosimili perché da questo stadio in tutta questa convoluzione convenzionale della rete neurale è completamente irriconoscibile ciò che stanno cercando, ma allo stesso

11:55.130 --> 12:01.640
tempo è qualcosa nel caratteristiche di cani o gatti o qualsiasi cosa tu lo classifichi.

12:01.640 --> 12:07.400
E di nuovo queste orecchie e il naso e le sopracciglia sono molto approssimative

12:07.400 --> 12:09.020
o come esempi molto

12:09.410 --> 12:11.130
E quindi passiamo a quello successivo.

12:11.150 --> 12:15.860
Ora guarderemo il neurone del gatto, ma questi ricorderemo che questi pesi sono

12:15.860 --> 12:17.900
sai come abbiamo risolto il cane.

12:17.900 --> 12:22.970
Quindi il cane è un po 'come se ignorasse tutti questi altri neuroni uno due tre quattro o cinque,

12:22.970 --> 12:26.510
ma in realtà sta prestando attenzione a ciò che questi tre neuroni stanno dicendo.

12:26.570 --> 12:28.330
Ora, a cosa sta ascoltando il gatto.

12:28.490 --> 12:30.830
Bene ogni volta che in realtà è un gatto.

12:30.970 --> 12:32.530
Destra.

12:32.710 --> 12:35.600
Questo è un esempio di una situazione in cui è in realtà un gatto.

12:35.600 --> 12:42.980
Quindi vedrai che questi questi tre neuroni 0. 9 0. 9 e uno stanno dicendo qualcosa che stanno dicendo qualcosa

12:42.980 --> 12:44.590
sia al cane che al gatto.

12:44.600 --> 12:49.510
E questo è ancora importante ricordare in modo che questo segnale di uscita vada in entrambi i sensi è lo stesso giusto.

12:49.520 --> 12:55.520
È dire uno al cane che dice al gatto, ma poi spetta al cane al gatto

12:55.520 --> 13:00.220
decidere se tener conto di quel segnale e imparare da esso o meno.

13:00.500 --> 13:05.810
E sia il cane che il gatto possono vedere che questa è una foto che dovrei mettere una foto di un gatto qui, ma in pratica

13:05.810 --> 13:10.030
immagina una foto di un gatto sia un cane che il gatto possono vedere che questo è in realtà un gatto.

13:10.190 --> 13:20.150
Quindi, in pratica, il cane è come OK, quindi questi baffi e queste orecchie triangolari a punta e queste piccole dimensioni sì oo forse

13:20.420 --> 13:28.250
questo tipo sai come i gatti hanno queste cose nei loro occhi i loro occhi sono come piccoli Non

13:28.310 --> 13:33.350
sono cerchi o linee o qualcosa del genere occhi di gatto.

13:33.350 --> 13:37.460
Fondamentalmente questi occhi di gatto non funzionano decisamente per me.

13:37.460 --> 13:42.980
Non mi stanno aiutando Prevedo perché ogni volta che questi neuroni si accendono la previsione non è

13:42.980 --> 13:44.240
quello che sto cercando.

13:44.240 --> 13:46.910
D'altra parte il gatto è come hmm che è interessante.

13:46.910 --> 13:51.620
Ogni volta che questo si accende è più che altro il tempo che si illumina.

13:51.620 --> 13:55.310
Corrisponde alla mia aspettativa che corrisponda a quello che sto cercando.

13:55.310 --> 13:55.630
OK.

13:55.640 --> 13:58.050
Ascolterò questo ragazzo più di questo.

13:58.160 --> 14:02.710
Questa è la stessa cosa ogni volta che si accende o la maggior parte delle volte si illumina.

14:02.810 --> 14:09.100
Mi è capitato di averne una buona mi è capitato di essere ricompensato per la mia predizione perché ho capito bene.

14:09.110 --> 14:09.760
È un gatto.

14:09.770 --> 14:10.080
OK.

14:10.130 --> 14:11.440
Lo ascolterò di più.

14:11.450 --> 14:17.930
Sai che questo è inutile per me perché in realtà non lo sai come se non stesse nemmeno accendendo è un

14:17.930 --> 14:21.040
gatto ma non si sta illuminando così sta accadendo l'opposto.

14:21.050 --> 14:24.410
E questo è buono, è un cad ma non si lascia scappare, quindi non lo ascolterò.

14:24.410 --> 14:31.250
Ma questa volta quando è andato quello che è stato questo gli occhi gli occhi di gatto si accendono possiamo vedere che posso vedere che è

14:31.250 --> 14:31.850
un gatto.

14:31.850 --> 14:36.440
quindi ho intenzione di imparare da questo e ho intenzione di ascoltare questi tre ragazzi più spesso.

14:36.980 --> 14:38.750
Corrisponde alla maggior parte del tempo

14:38.750 --> 14:44.810
E così fondamentalmente il gatto sta ascoltando questi tre e sta ignorando gli altri cinque

14:45.350 --> 14:54.830
ed è così che questi neuroni finali imparano quali neuroni nella Lehre finale completamente connessa ad ascoltare i neuroni di uscita imparano quale

14:54.830 --> 14:58.460
dei completamente che sono gli ultimi completamente connessi.

14:58.670 --> 15:00.030
Ci sono neuroni da ascoltare.

15:00.180 --> 15:02.530
Ed è così che capiscono.

15:02.790 --> 15:08.930
Fondamentalmente è così che le funzionalità vengono propagate attraverso la rete e trasmesse all'output.

15:08.970 --> 15:14.070
se queste caratteristiche ovviamente non hanno molto significato per loro come orecchie flosce o baffi.

15:14.070 --> 15:14.900
E quindi anche

15:15.210 --> 15:21.860
Allo stesso tempo hanno qualche caratteristica distintiva di quella specifica classe e questo è il modo in

15:21.870 --> 15:27.270
cui la rete viene addestrata perché anche durante il processo di propagazione del back

15:27.270 --> 15:33.750
si aggiustano i rilevatori di feature, quindi se una funzionalità è inutile per l'output probabilmente sarà

15:33.750 --> 15:39.600
ignorato perché questo non accade per una o due storie che avviene attraverso migliaia e

15:39.600 --> 15:41.000
migliaia di iterazioni.

15:41.040 --> 15:46.620
fine della giornata in questo ultimo strato di neuroni è probabile che tu abbia molte

15:46.620 --> 15:52.830
caratteristiche o combinazioni di funzioni dal immagine che sono effettivamente rappresentative o descrittive di cani e gatti.

15:53.070 --> 15:59.730
Quindi con il tempo una funzionalità inutile per la rete verrà ignorata e sostituita con la funzione è

15:59.730 --> 16:01.320
utile e quindi alla

16:01.710 --> 16:06.660
E quindi, una volta che la rete è stata addestrata, questo è il modo in cui viene applicata.

16:06.660 --> 16:09.340
Quindi questo è il prossimo passo come se fossimo stati addestrati nella nostra rete.

16:09.350 --> 16:13.020
Vediamo cosa succede quando viene applicata questa rete.

16:13.020 --> 16:15.660
Quindi diciamo che trasmettiamo un'immagine di un cane.

16:16.410 --> 16:20.340
I valori sono propagati attraverso una rete otteniamo determinati valori.

16:20.610 --> 16:26.880
del cane e del gatto non sanno di non avere l'immagine del cane qui non sanno che è un cane o un gatto.

16:26.880 --> 16:28.470
E così questa volta i neuroni

16:28.470 --> 16:35.380
Non hanno idea di cosa sia ma hanno imparato ad ascoltare ciò che viene mostrato qui.

16:35.380 --> 16:35.660
Destra.

16:35.670 --> 16:40.440
Hanno imparato ad ascoltare il cane e ad ascoltare questi tre neuroni che un neurone felino ascolta

16:40.440 --> 16:40.910
questi tre.

16:40.950 --> 16:44.850
E così il neurone cane guarda uno due tre e dice che aha questi sono piuttosto alti.

16:44.940 --> 16:50.430
Quindi la mia probabilità sarà alta che è un cane, il neurone gatto guarda questi tre e

16:50.470 --> 16:53.670
dice OK questi sono piuttosto alti ma sono piuttosto bassi.

16:53.670 --> 16:54.320
Interessante.

16:54.320 --> 16:56.990
Quindi la mia probabilità sarà 0. 05.

16:57.130 --> 16:58.950
E poi e quello è.

16:58.980 --> 17:00.110
Ed è qui che ottieni la tua previsione.

17:00.120 --> 17:04.490
Quindi la tua prima scelta per questa rete neurale è il cane.

17:04.500 --> 17:06.900
La seconda scelta è gatto e questo è praticamente tutto.

17:06.900 --> 17:11.690
Quindi la risposta è cane e la stessa cosa succede quando passi un'immagine di un gatto.

17:11.910 --> 17:16.580
Ottieni nuovi valori e puoi vedere che anche se questo è alto questi sono bassi.

17:16.770 --> 17:20.560
E per il gatto Questo era alto questo era alto e questo è un po 'basso.

17:20.670 --> 17:25.850
Quindi la probabilità qui potrebbe non essere grande come in precedenza, ma puoi ancora vedere che si tratta di un

17:25.860 --> 17:26.810
gatto del 79 percento.

17:26.940 --> 17:30.230
E quindi la rete neurale voterà che è un gatto.

17:30.270 --> 17:33.240
E così fondamentalmente tutte le reti neurali concluderanno che si tratta di un gatto.

17:33.330 --> 17:40.710
La votazione è un termine che viene usato per questi ragazzi, quindi questi neuroni nella finale Lehre completamente connessa

17:40.710 --> 17:41.510
possono votare.

17:41.520 --> 17:42.810
E questi sono i loro voti.

17:42.870 --> 17:47.160
E di nuovo siamo solo per argomento, mettendo valori tra 0 e 1 qui.

17:47.160 --> 17:54.480
Questi potrebbero essere qualsiasi valore, ma arrivano al voto e quindi questi pesi sono l'importanza del loro voto.

17:54.480 --> 18:00.540
Quindi questi sono questi pesi viola sono come i neuroni cane vedono i loro voti.

18:00.540 --> 18:04.820
Quanta importanza è che assegna a questi neuroni e quei voti.

18:04.830 --> 18:12.810
E questo è quanto sia importante l'estensione del neurone del gatto a questi voti i voti di questi neuroni e così questi neuroni votano il

18:12.810 --> 18:18.840
cane e il gatto in base ai loro dotti i pesi decidono chi ascoltare e poi fanno le loro

18:18.840 --> 18:23.490
previsioni e poi tengono la rete neurale conclude che questo è in questo caso

18:23.490 --> 18:29.190
un gatto e poi questo è E poi questa è la tua conclusione ed è così che ottieni

18:29.490 --> 18:37.200
immagini come questa in cui hai un ghepardo e poi hai un artiglio cheetah che conosci come una probabilità molto alta Quindi questo è

18:37.200 --> 18:40.080
conosci la probabilità che la rete ha previsto.

18:40.080 --> 18:44.430
E queste sono leggi ma queste esistono ancora perché sono ancora un po 'come una piccola possibilità

18:44.430 --> 18:49.710
che anche gli altri neuroni ascoltino i loro elettori e stanno dicendo che forse è in realtà un leopardo e

18:49.710 --> 18:50.580
un treno proiettile.

18:50.580 --> 18:51.400
Molto molto probabile.

18:51.400 --> 18:52.470
Sento le forbici.

18:52.470 --> 18:57.600
della serie in uscita ascoltò i suoi elettori e aveva il voto predominante in generale.

18:57.600 --> 19:03.960
Conoscete questo, ma il vetro a mano era uno stetoscopio molto vicino e in cinque pence perché potevate vedere come

19:03.960 --> 19:07.070
questo ragazzo questo neurone, il neurone delle forbici, il neurone

19:07.080 --> 19:10.190
Ma anche il vetro della mano ha avuto un buon risultato.

19:10.200 --> 19:16.450
Così eccoci, ecco come funziona la connessione completa e come tutto questo si svolge insieme.

19:16.680 --> 19:18.810
Spero ti sia piaciuto il tutorial di oggi.

19:18.810 --> 19:21.320
Stiamo andando a riassumere tutto questo nel sommario pure.

19:21.420 --> 19:22.860
E ci vediamo la prossima volta.

19:22.860 --> 19:24.720
Fino ad allora godere di un apprendimento profondo.