WEBVTT 00:00.520 --> 00:02.800 Cześć i witamy z powrotem na kursie i głębokiej nauce. 00:02.800 --> 00:06.140 Dzisiaj jesteśmy w STEPNELL przed pełnym połączeniem. 00:06.310 --> 00:08.210 Więc o co chodzi w tym kroku. 00:08.440 --> 00:16.990 Cóż, w tym kroku dodajemy całą sztuczną sieć neuronową do naszej splotowej sieci neuronowej, tak do wszystkich rzeczy, 00:17.000 --> 00:22.450 które do tej pory zrobiliśmy, które splotują się i spłaszczają. 00:22.510 --> 00:24.910 Teraz dodajemy zupełnie nowy. 00:24.930 --> 00:28.990 A potem z tyłu tego, jak intensywne jest to. 00:28.990 --> 00:32.350 Po prostu to jest coś, co jest zdecydowanie czymś. 00:32.590 --> 00:36.730 I tak oto mamy warstwę wejściową, którą mamy w pełni połączony plan. 00:36.740 --> 00:42.580 Umieszczę tam i przy okazji w pełni połączony Lehre w sztucznych sieciach neuronowych, które nazywamy 00:42.580 --> 00:47.650 ukrytymi warstwami i tutaj nazywamy je w pełni połączonymi, ponieważ są one ukrytymi 00:47.650 --> 00:53.500 kryjówkami, ale jednocześnie są bardziej szczegółowe rodzaj skrzypek, które są w pełni połączone w ukrytych 00:53.500 --> 00:57.510 listach sztucznych sieci neuronowych, nie muszą być w pełni połączone. 00:57.520 --> 01:02.230 Natomiast w splotowych sieciach neuronowych będziemy używać w pełni połączonych liter i dlatego 01:02.230 --> 01:05.640 nazywane są one ogólnie w pełni połączonymi Lares. 01:05.770 --> 01:11.620 I tak w zasadzie cała kolumna lub wektor wyjść, które mamy po spłaszczeniu, 01:11.620 --> 01:18.160 przekazujemy na dane wejściowe, dowiedzieliśmy się, że mamy bardzo uproszczony przykład tylko dla celów ilustracyjnych. 01:18.160 --> 01:26.770 A głównym celem sztucznej sieci neuronowej jest połączenie naszych funkcji w więcej atrybutów, które jeszcze 01:26.770 --> 01:28.960 lepiej przewidują Klaas. 01:28.960 --> 01:37.660 Więc już w naszym wektorze wyjść w Płaskości spłaszczonego wyniku z tego, co naprawdę zrobiliśmy, mamy pewne cechy zakodowane 01:37.660 --> 01:43.750 w liczbach w tym wektorze i mogą już zrobić całkiem niezłą robotę w 01:43.750 --> 01:51.730 przewidywaniu, co to jest Clauss " ponowne sprawdzenie, czy to pies czy kot, czy też guz, czy 01:51.730 --> 01:53.840 guz, i tak dalej. 01:53.890 --> 02:00.610 Ale jednocześnie wiemy, że mamy tę strukturę nazywaną sztuczną siecią neuronową, która jest zaprojektowana, która 02:00.610 --> 02:07.810 ma za zadanie zajmowanie się atrybutami i wychodzenie lub zajmowanie się cechami i wymyślanie nowych atrybutów 02:07.810 --> 02:16.120 i łączenie atrybutów w celu jeszcze lepszego przewidywania rzeczy. które staramy się przewidzieć i wiemy o tym z 02:16.120 --> 02:20.360 poprzednich części, więc dlaczego by tego nie wykorzystać. 02:20.440 --> 02:22.750 I dokładnie taki jest plan. 02:22.750 --> 02:29.140 A zatem, przekazujemy te wartości do sztucznej sieci neuronowej i jeszcze bardziej optymalizujemy wszystko, 02:29.140 --> 02:30.350 co robimy. 02:30.640 --> 02:31.900 I właśnie to będziemy robić. 02:31.900 --> 02:36.390 Ale spójrzmy na bardziej realistyczny przykład, ponieważ ten jest nieco zbyt prosty. 02:36.610 --> 02:43.990 Tutaj mamy lepiej wyglądającą sztuczną sieć neuronową, w której mamy pięć atrybutów na wejściach, które mamy w pierwszym, 02:43.990 --> 02:51.040 chyba że mamy sześć neuronów w drugim lub w drugim pełnym połączeniu Larry ma osiem neuronów, a następnie 02:51.040 --> 02:55.510 mamy dwa wyjścia jeden dla psa i jeden dla kota. 02:55.630 --> 03:02.240 A więc ważną rzeczą, o której warto porozmawiać, jest to, że mamy dwa wyjścia. 03:02.240 --> 03:09.100 Jesteśmy przyzwyczajeni do posiadania tylko jednego wyjścia w naszych sztucznych sieciach neuronowych Cóż, jedno wyjście jest 03:09.100 --> 03:14.740 dla pewnego rodzaju, gdy przewidujesz wartość liczbową podczas drukowania, gdy masz problem z 03:14.740 --> 03:15.480 regresem. 03:15.760 --> 03:22.840 Ale kiedy robisz klasyfikację, potrzebujesz wyjścia Proclus, z wyjątkiem wyjątku, kiedy masz tylko dwa klastry, tak jak mamy dwie klasy 03:22.840 --> 03:27.940 tutaj, psie i kocie i mogliśmy właśnie zrobić jedno wyjście i uczynić je binarnym wyjściem 03:27.970 --> 03:33.790 i powiedzieć One jest pies i zeruje kota, a to by działało zupełnie dobrze, a właściwie 03:33.790 --> 03:38.760 to, co zobaczysz, gdy zrobi to lunch w praktycznych tutorialach i tak się 03:38.770 --> 03:39.250 skonstruują. 03:39.250 --> 03:46.090 Ale w tym samym czasie, jeśli masz więcej niż dwie kategorie, na przykład psy, koty i ptaki, 03:46.090 --> 03:52.420 musisz mieć neuron na każdą kategorię i dlatego w tym przykładzie będziemy ćwiczyć z dwiema kategoriami, 03:52.420 --> 03:58.320 abyśmy wiedzieli, czego się spodziewać jeśli kiedykolwiek będziemy mieć więcej niż dwie kategorie. 03:58.550 --> 04:00.010 I co się tutaj dzieje. 04:00.010 --> 04:05.260 Tak więc zrobiliśmy już wszystkie podstawy, w których dokonaliśmy splotu, który zrobiliśmy, łącząc i 04:05.620 --> 04:10.570 spłaszczając, a teraz informacje będą przechodzić przez sztuczną sieć neuronową, więc spójrzmy, jak 04:10.570 --> 04:12.300 to wszystko się dzieje. 04:12.340 --> 04:18.460 Informacje są przekazywane od samego początku, od momentu przetworzenia obrazu, a następnie zawinięte w 04:18.610 --> 04:23.920 rodzaj splotu, następnie spłaszczone, a następnie przez sztuczną sieć neuronową, wszystkie cztery 04:23.920 --> 04:30.720 etapy, a następnie przepowiednia, a zobaczymy, jak to się dzieje w moment będzie bardzo bardzo interesujący. 04:30.730 --> 04:32.920 Ale na razie powiedzmy, że przepowiedziano. 04:32.920 --> 04:36.070 I na przykład 80 procent, że to pies. 04:36.070 --> 04:40.610 Ale okazuje się, że jest kotem, a następnie obliczany jest błąd. 04:40.610 --> 04:40.990 ZA. 04:41.200 --> 04:47.720 Cóż, nazywaliśmy funkcję kosztów accosts w sztucznej sieci neuronowej i używaliśmy tam przeciętnego błędu 04:47.740 --> 04:51.460 kwadratowego lub w typowych iluzorycznych sieciach neuronowych. 04:51.460 --> 04:57.630 Nazywa się to funkcją straty i używamy do tego funkcji cross entropy. 04:57.640 --> 04:59.870 Porozmawiamy o entropii krzyżowej i błędach średniej kwadratowej. 05:00.130 --> 05:02.820 W oddzielnym samouczku i jak to wszystko się dzieje. 05:02.820 --> 05:08.730 Ale jeśli chodzi o wiedzę, mówimy, że mamy zagubioną funkcję, która mówi nam, jak dobrze działa nasza sieć 05:08.730 --> 05:13.560 i staramy się ją zoptymalizować lub zminimalizować tę funkcję, aby zoptymalizować naszą sieć. 05:13.750 --> 05:19.470 Tak więc błąd jest obliczany, a następnie jest on propagowany przez sieć, tak jak w 05:19.470 --> 05:26.700 sztucznych sieciach neuronowych, który jest propagowany wstecz i niektóre rzeczy są regulowane w sieci, aby pomóc zoptymalizować wydajność, a 05:27.000 --> 05:31.670 rzeczy, które są dostosowane są jak zwykle wagi w sztuczna sieć neuronowa 05:31.670 --> 05:34.910 jest częścią niebieskich linii, które widzisz tutaj Cynapsus. 05:35.340 --> 05:43.950 Kolejną rzeczą, która została dostosowana, są detektory cech, więc wiemy, że szukamy funkcji, ale co jeśli 05:43.950 --> 05:46.140 szukamy niewłaściwych funkcji. 05:46.140 --> 05:51.570 Co jeśli to nie zadziałało, ponieważ funkcje są niepoprawne, a więc detektory cech pamiętają 05:51.570 --> 05:53.860 te małe matryce, które mieliśmy. 05:54.250 --> 05:57.270 To są trzy na trzy macierze. 05:57.270 --> 06:03.240 Zostały one tak dostosowane, że może następnym razem będzie lepiej i zobaczmy, co się stanie. 06:03.360 --> 06:03.860 Rodzaj rzeczy. 06:03.870 --> 06:11.040 I oczywiście wszystko odbywa się z dużą ilością nauki na tle wielu matematyki i wszystko 06:11.040 --> 06:14.580 odbywa się poprzez gradientowe pochylenie propagacji wstecznej. 06:14.580 --> 06:20.880 Więc to wszystko to nie tylko przypadkowe perturbacje, ale to bardzo przemyślane, jak to się robi. 06:21.210 --> 06:27.630 Niemniej jednak detektory cech są regulowane, a wagi są korygowane, a cały proces odbywa się 06:27.630 --> 06:30.710 ponownie, a następnie ponownie propaguje się błędy. 06:30.720 --> 06:32.610 I to ciągle trwa i trwa. 06:32.760 --> 06:37.950 I tak nasza sieć jest zoptymalizowana tak, jak nasza sieć trenuje dane. 06:37.950 --> 06:43.800 Ważne jest to, że dane przechodzą przez cały obszar od samego początku do samego 06:43.800 --> 06:44.410 końca. 06:44.430 --> 06:49.950 Następnie błąd jest porównywany, więc błąd jest obliczany, a następnie jest propagowany z powrotem. 06:49.950 --> 06:56.520 Ta sama historia jak ze sztucznymi sieciami neuronowymi jest nieco dłuższa z powodu tej całości dla pierwszych trzech 06:56.520 --> 06:58.320 kroków, które już mieliśmy. 06:59.040 --> 07:04.440 A teraz spójrzmy na interesującą część tej naprawdę interesującej części, w jaki sposób działają te dwie 07:04.440 --> 07:10.050 klasy, albo jak działają te dwa neurony wyjściowe, ponieważ przedtem zawsze mieliśmy jeden neuron wyjściowy, co dzieje 07:10.050 --> 07:11.840 się, gdy mamy dwa. 07:11.840 --> 07:17.490 W jaki sposób działa ta sytuacja klasyfikacji lub obrazów. 07:17.670 --> 07:21.610 Zacznijmy od tego, że pierwszy neuron zacznie się od psa. 07:22.080 --> 07:28.950 W jaki sposób głównym celem tego, co musimy zrobić w pierwszej kolejności, musimy zrozumieć, jakie wagi przypisać 07:28.950 --> 07:36.000 do wszystkich tych sylabusów, które łączą się z psem, abyśmy wiedzieli, które z poprzednich neuronów są rzeczywiście ważne dla 07:36.000 --> 07:38.910 psa i zobaczmy, jak to się stało. 07:38.910 --> 07:46.460 Załóżmy hipotetycznie, że mamy te numery w poprzedniej warstwie wcześniej w pełni połączonej. 07:46.500 --> 07:47.980 W końcowej, w pełni połączonej warstwie. 07:48.120 --> 07:51.010 I znowu te liczby mogą być absolutnie wszystkim. 07:51.030 --> 07:56.490 Nie muszą one być takie, że mogą to być dowolne liczby, ale tylko z 07:56.490 --> 08:01.890 powodu kłótni, zgodzimy się, że szukamy konkretnie liczb od 0 do 1. 08:02.280 --> 08:09.840 Łatwiej jest nam spierać się o te rzeczy i rozumieć, a jeden oznacza, że neuron był bardzo 08:09.840 --> 08:15.960 pewny, że znalazł tę funkcję, a zero oznacza, że ten neuron nie znalazł cechy, 08:15.960 --> 08:23.580 której szuka, ponieważ pod koniec te neurony, jak wszystko inne na tej lewej stronie, to po prostu patrzenie 08:23.610 --> 08:25.470 na cechy obrazu. 08:25.470 --> 08:27.490 To już bardzo bardzo proces. 08:27.510 --> 08:32.940 Ale wciąż wykrywa określoną funkcję lub kombinację funkcji na obrazie, zanim będziemy mogli 08:33.700 --> 08:34.590 ewoluować. 08:34.590 --> 08:39.060 W zestawie basenów mamy pewne rozpoznawalne cechy, które są mniej rozpoznawalne, niż stają się jeszcze 08:39.060 --> 08:40.850 mniej rozpoznawalne w spłaszczonym obrazie. 08:40.850 --> 08:42.550 A potem łączą się i tak dalej. 08:42.570 --> 08:48.720 Niemniej jednak mówimy tutaj o niektórych funkcjach, które są obecnym obrazem lub ich połączeniem. 08:48.720 --> 08:54.480 Tak więc jedno i to, co zostało przekazane i to jest ważne, zostało przekazane zarówno psom, jak i kotom 08:54.480 --> 08:57.020 w tym samym czasie do obu neuronów wyjściowych. 08:57.150 --> 09:06.180 Oznacza to, że dla nas, dla naszego argumentu, oznacza to, że ten neuron się uruchamia. To naprawdę szybko wykrywa tę cechę, 09:06.180 --> 09:11.850 o której wiesz, że może być brwią, może wykrywa tę brwi, ponieważ znowu 09:11.870 --> 09:15.170 dla prostoty, sake wykrywa tę brew. 09:15.270 --> 09:20.310 I komunikuje, że pies biegnie do neuronu kota mówiąc, że widzę moją brew, widzę moją brew. 09:20.310 --> 09:25.240 A następnie do psa i neuronu kota, aby zrozumieć, co to oznacza dla nich. 09:25.290 --> 09:25.860 Dobrze. 09:25.890 --> 09:30.840 I w tym przypadku, które neurony rozpalają, te trzy neurony strzelają do brwi, 09:30.830 --> 09:36.120 a to oznacza, że nos mówi, że widzę duży nos i widzę niewypadające uszy. 09:36.270 --> 09:40.540 Więc to i to mówi do psa i do kota, a potem do psa. 09:40.560 --> 09:43.390 A potem wiemy, że to pies. 09:43.440 --> 09:49.920 Więc neuron psa wie, że odpowiedź brzmi: tak naprawdę jest to pies, ponieważ na koniec porównujemy go 09:49.920 --> 09:53.640 do obrazu lub etykiety na obrazku i innego psa. 09:53.640 --> 09:56.310 Więc w zasadzie neuron psa powie "Aha". 09:56.310 --> 09:58.820 Więc powinienem zostać uruchomiony w tym przypadku. 09:58.830 --> 10:04.790 Więc to są neurony, które mówią ten sygnał, który wysyłają do mnie zarówno do psa, jak i 10:04.790 --> 10:09.000 do kota, tak naprawdę jest dla mnie wskazaniem, że to pies. 10:09.020 --> 10:13.940 I podczas tych wielu losów i wielu powtórzeń tego wydarzenia wiele razy 10:13.940 --> 10:19.580 pies dowie się, że te neurony rzeczywiście odpalają się, gdy cecha ta należy do psa. 10:19.670 --> 10:24.260 Z drugiej strony neuron kota będzie wiedział, że to nie jest kot i będzie wiedział, że ta cecha 10:24.260 --> 10:28.210 się rozpala i ten neuron mówi mi, że może widzieć uszy kłapiące jak uszy. 10:28.370 --> 10:31.040 Ale jednocześnie nie jest to kot. 10:31.040 --> 10:36.980 W zasadzie dla mnie jest to sygnał, że powinienem zignorować ten neuron i im więcej 10:36.980 --> 10:41.960 się dzieje, tym bardziej neuron kota zignoruje ten neuron na temat dyskietek. 10:42.440 --> 10:49.100 Zasadniczo tak przez wiele iteracji, jeśli zdarza się to często. 10:49.100 --> 10:54.170 Jest to tylko jeden przykład, ale jeśli zdarza się to często, może być 0. 8 0. 9 być może 10:54.170 --> 11:02.090 czasami nie wystrzeli, ale ogólnie rzecz biorąc, ten neuron bardzo często zapala się, gdy faktycznie jest to pies, 11:02.090 --> 11:05.920 neuron psa zacznie przypisywać większe znaczenie temu neuronowi. 11:05.930 --> 11:06.590 I tak idziemy. 11:06.590 --> 11:08.430 Tak właśnie to zamierzamy oznaczać. 11:08.450 --> 11:14.570 Powiemy, że te trzy neurony przechodzą przez ten iteracyjny proces ze mną z wieloma wieloma wieloma próbkami 11:14.570 --> 11:20.210 i wieloma innymi, więc próbka jest rzędem w twoim zbiorze danych, a Apoc jest, kiedy 11:20.210 --> 11:25.150 raz po raz przeglądasz cały zbiór danych i znowu jest wiele iteracji. 11:25.220 --> 11:34.010 Ten neuron psa nauczył się, że ten neuron z brwiami i ten wielki neuron nosa i 11:34.340 --> 11:43.040 ten neuron ucha wydają się bardzo dobrze przyczyniać się do klasyfikacji tego, czego szuka i który 11:43.040 --> 11:44.350 jest psem. 11:44.480 --> 11:45.730 Tak to działa. 11:45.740 --> 11:55.130 I znowu te uszy, nos i brwi są bardzo przybliżone lub bardzo podobne, ponieważ na tym etapie 11:55.130 --> 12:01.640 całej tej splotu konwencjonalna sieć neuronowa jest całkowicie nierozpoznawalna, czego szukają, ale 12:01.640 --> 12:07.400 jednocześnie jest czymś w rodzaju cechy psów lub kotów lub cokolwiek 12:07.400 --> 12:09.020 je klasyfikujesz. 12:09.410 --> 12:11.130 A potem przejdźmy do następnego. 12:11.150 --> 12:15.860 Teraz przyjrzymy się neuronowi kotów, ale te będziemy pamiętać, że te wagi 12:15.860 --> 12:17.900 są wiedzą, jak posortowaliśmy psa. 12:17.900 --> 12:22.970 Tak więc pies trochę jakby ignoruje wszystkie inne neurony jeden dwa trzy cztery lub pięć, ale 12:22.970 --> 12:26.510 naprawdę zwraca uwagę na to, co mówią te trzy neurony. 12:26.570 --> 12:28.330 Teraz słucha tego kot. 12:28.490 --> 12:30.830 Cóż, gdy w rzeczywistości jest kotem. 12:30.970 --> 12:32.530 Dobrze. 12:32.710 --> 12:35.600 Jest to przykład sytuacji, w której jest to kot. 12:35.600 --> 12:42.980 Więc zobaczysz, że to te trzy neurony 0. 9 0. 9 i jeden mówią coś, co mówią coś zarówno 12:42.980 --> 12:44.590 do psa, jak i kota. 12:44.600 --> 12:49.510 I to jest znowu ważne, pamiętajcie, że ten sygnał wyjściowy idzie w obie strony tak samo. 12:49.520 --> 12:55.520 To mówi do psa, który mówi do kota, ale to zależy od psa do kota, aby zdecydować, 12:55.520 --> 13:00.220 czy wziąć pod uwagę ten sygnał i uczyć się od niego, czy nie. 13:00.500 --> 13:05.810 I zarówno pies, jak i kot widzą, że to zdjęcie, na które powinienem umieścić zdjęcie kota, ale w zasadzie 13:05.810 --> 13:10.030 wyobrażam sobie zdjęcie kota, zarówno psa, jak i kota, który widzi, że to właściwie kot. 13:10.190 --> 13:20.150 Więc w zasadzie pies jest jak OK, więc te wąsy i te spiczaste trójkątne uszy i ten mały rozmiar tak czy 13:20.420 --> 13:28.250 też może ten typ wiesz, jak koty mają te rzeczy w ich oczach Ich oczy są jak 13:28.310 --> 13:33.350 małe Nie są kręgami, liniami czy czymś podobnym kocie oczy. 13:33.350 --> 13:37.460 Zasadniczo te kocie oczy zdecydowanie nie działają dla mnie. 13:37.460 --> 13:42.980 Nie pomagają mi. Przewiduję, ponieważ za każdym razem, gdy te neurony zapalają się, prognozy nie są 13:42.980 --> 13:44.240 tym, czego szukam. 13:44.240 --> 13:46.910 Z drugiej strony kot jest podobny do hmm, co jest interesujące. 13:46.910 --> 13:51.620 Za każdym razem, gdy ten się świeci, przez większość czasu świeci. 13:51.620 --> 13:55.310 Pasuje do moich oczekiwań, pasuje do tego, czego szukam. 13:55.310 --> 13:55.630 DOBRZE. 13:55.640 --> 13:58.050 Będę słuchać tego gościa bardziej niż tego. 13:58.160 --> 14:02.710 To samo dzieje się za każdym razem, gdy się świeci lub w większości przypadków się świeci. 14:02.810 --> 14:09.100 Zdarzyło mi się, że dostaję coś dobrego, bo tak się złożyło, że otrzymałem nagrodę za moje przewidywania, ponieważ dobrze to rozumiem. 14:09.110 --> 14:09.760 To jest kot. 14:09.770 --> 14:10.080 DOBRZE. 14:10.130 --> 14:11.440 Będę go więcej słuchać. 14:11.450 --> 14:17.930 Wiesz, że ten jest dla mnie bezużyteczny, ponieważ tak naprawdę nie wiesz, że on nie pali, że to kot, ale 14:17.930 --> 14:21.040 on nie pali się, więc dzieje się coś przeciwnego. 14:21.050 --> 14:24.410 A ten jest zdrowy, ale nie puszcza, więc nie będę go słuchał. 14:24.410 --> 14:31.250 Ale ten, kiedy poszedł, co to jest za oczy, oczy kota rozjaśniają się, widzimy, że to 14:31.250 --> 14:31.850 kot. 14:31.850 --> 14:36.440 Pasuje do większości przypadków, więc zamierzam się z tego uczyć i częściej będę 14:36.980 --> 14:38.750 słuchał tych trzech facetów. 14:38.750 --> 14:44.810 I tak w zasadzie kot słucha tych trzech i ignoruje pozostałych pięć, i 14:45.350 --> 14:54.830 tak właśnie te ostatnie neurony dowiadują się, które neurony w ostatecznym, w pełni połączonym Lehre, aby słuchały neuronów wyjściowych, uczą się, 14:54.830 --> 14:58.460 które z nich są w pełni połączone. 14:58.670 --> 15:00.030 Są neurony do słuchania. 15:00.180 --> 15:02.530 I tak to rozumieją. 15:02.790 --> 15:08.930 Zasadniczo w ten sposób funkcje są propagowane w sieci i przekazywane do wyjścia. 15:08.970 --> 15:14.070 I chociaż te cechy oczywiście nie mają dla nich takiego znaczenia, jak uszy 15:14.070 --> 15:14.900 lub wąsy. 15:15.210 --> 15:21.860 Jednocześnie mają pewne cechy charakterystyczne, które są charakterystyczną cechą tej konkretnej klasy i właśnie w ten 15:21.870 --> 15:27.270 sposób sieć jest wyszkolona, ponieważ również podczas pamiętania podczas procesu propagacji wstecznej 15:27.270 --> 15:33.750 dostosowujemy również detektory cech, więc jeśli funkcja jest bezużyteczna dla wyjścia to prawdopodobnie zostanie zlekceważone, 15:33.750 --> 15:39.600 ponieważ nie dzieje się tak z jedną lub dwiema historiami, które zdarzają się 15:39.600 --> 15:41.000 w tysiącach iteracji. 15:41.040 --> 15:46.620 Więc z czasem funkcja, która jest bezużyteczna dla sieci, zostanie zlekceważona i zastąpiona 15:46.620 --> 15:52.830 przez funkcję jest użyteczna, a więc pod koniec dnia w tej ostatniej warstwie neuronów prawdopodobnie 15:53.070 --> 15:59.730 będziesz miał wiele cech lub kombinacji cech z obraz, który rzeczywiście jest reprezentatywny lub opisowy dla 15:59.730 --> 16:01.320 psów i kotów. 16:01.710 --> 16:06.660 I tak, kiedy twoja sieć zostanie przeszkolona, to tak właśnie jest. 16:06.660 --> 16:09.340 Więc to jest kolejny krok, tak jak gdybyśmy zostali przeszkoleni w naszej sieci, tak się stanie. 16:09.350 --> 16:13.020 Zobaczmy, co się stanie, gdy ta sieć zostanie zastosowana. 16:13.020 --> 16:15.660 Powiedzmy, że przekazujemy obraz psa. 16:16.410 --> 16:20.340 Wartości są propagowane przez sieć, do której docierają określone wartości. 16:20.610 --> 16:26.880 I tym razem pies i koci neurony nie wiedzą, że nie mają wizerunku psa, nie wiedzą, że 16:26.880 --> 16:28.470 to pies czy kot. 16:28.470 --> 16:35.380 Nie mają pojęcia, co to jest, ale nauczyli się słuchać tego, co tu się pokazuje. 16:35.380 --> 16:35.660 Dobrze. 16:35.670 --> 16:40.440 Nauczyli się słuchać psa i słuchają tych trzech neuronów, których neuron kota słucha tych 16:40.440 --> 16:40.910 trzech. 16:40.950 --> 16:44.850 I tak neuron psa patrzy na jeden dwa trzy i mówi, że są bardzo wysokie. 16:44.940 --> 16:50.430 Moje prawdopodobieństwo będzie wysokie, to jest pies, który neuron kota patrzy na te trzy i mówi OK, że 16:50.470 --> 16:53.670 ten jest dość wysoki, ale są one dość niskie. 16:53.670 --> 16:54.320 Ciekawy. 16:54.320 --> 16:56.990 Moje prawdopodobieństwo będzie wynosić 0. 05. 16:57.130 --> 16:58.950 A potem i to jest. 16:58.980 --> 17:00.110 I tam właśnie dostajesz swoje prognozy. 17:00.120 --> 17:04.490 Zatem twoim pierwszym wyborem dla tej sieci neuronowej jest pies. 17:04.500 --> 17:06.900 Drugi wybór to kot i to prawie wszystko. 17:06.900 --> 17:11.690 Tak więc odpowiedź brzmi: pies i to samo dzieje się, gdy mijamy obraz kota. 17:11.910 --> 17:16.580 Otrzymujesz nowe wartości i możesz zauważyć, że nawet te wysokie są niskie. 17:16.770 --> 17:20.560 A dla kota To było wysokie, to było wysokie, a ten jest trochę niski. 17:20.670 --> 17:25.850 Prawdopodobieństwo może nie być tak duże, jak wcześniej, ale nadal widać, że jest to kot o 17:25.860 --> 17:26.810 79 procent. 17:26.940 --> 17:30.230 Dlatego sieć neuronowa będzie głosowała, że to kot. 17:30.270 --> 17:33.240 I tak w zasadzie wszystkie sieci neuronowe dojdą do wniosku, że to kot. 17:33.330 --> 17:40.710 Głosowanie jest terminem, który jest używany dla tych ludzi, więc te neurony w ostatecznym, w pełni połączonym Lehre mogą 17:40.710 --> 17:41.510 głosować. 17:41.520 --> 17:42.810 I to są ich głosy. 17:42.870 --> 17:47.160 I znowu jesteśmy po prostu dla argumentacji, umieszczając tutaj wartości od 0 do 1. 17:47.160 --> 17:54.480 Mogą to być dowolne wartości, ale muszą głosować, a te wagi są ważne dla ich głosu. 17:54.480 --> 18:00.540 Więc to są te fioletowe wagi, jak neuron psa widzi swoje głosy. 18:00.540 --> 18:04.820 Jaką wagę przypisuje się tym neuronom i tym głosom. 18:04.830 --> 18:12.810 I właśnie o tym, jak duży jest wpływ neuronu kota na te głosy głosów tych neuronów, a więc te neurony 18:12.810 --> 18:18.840 głosują na psa i kota na podstawie ich ciężaru, decydują, kogo słuchać, a następnie robią 18:18.840 --> 18:23.490 swoje przewidywania, a następnie trzymają sieć neuronowa konkluduje, że to jest w 18:23.490 --> 18:29.190 tym przypadku kot, a potem to jest A potem to jest twój wniosek i 18:29.490 --> 18:37.200 tak powstają obrazy, w których masz geparda, a potem masz pazury geparda, które znasz jako wysokie wysokie prawdopodobieństwo. Więc to 18:37.200 --> 18:40.080 jest znasz prawdopodobieństwo, które sieć przewidziała. 18:40.080 --> 18:44.430 A to są prawa, ale te wciąż istnieją, ponieważ wciąż są jak 18:44.430 --> 18:49.710 mała szansa, że inne neurony słuchają swoich wyborców i mówią, że może to właściwie lampart i 18:49.710 --> 18:50.580 pociąg pociskowy. 18:50.580 --> 18:51.400 Bardzo bardzo prawdopodobne. 18:51.400 --> 18:52.470 Słyszę nożyczki. 18:52.470 --> 18:57.600 Znasz to jedno, ale szkło ręczne było bardzo blisko drugim stetoskopem w pięciu 18:57.600 --> 19:03.960 pensach, ponieważ mogłeś zobaczyć takiego faceta, że ten neuron, neuron nożyczek, neuron z serii wyjściowej słuchał 19:03.960 --> 19:07.070 swoich wyborców i miał ogólnie dominujący głos. 19:07.080 --> 19:10.190 Ale również szkło ręczne miało dobry wynik. 19:10.200 --> 19:16.450 Więc idziemy tak, jak działa pełne połączenie i jak to wszystko się wszystko razem gra. 19:16.680 --> 19:18.810 Mam nadzieję, że podobał Ci się dzisiejszy samouczek. 19:18.810 --> 19:21.320 Podsumujemy to również w podsumowaniu. 19:21.420 --> 19:22.860 I do zobaczenia następnym razem. 19:22.860 --> 19:24.720 Do tego czasu ciesz się głęboką nauką.