WEBVTT 00:00.520 --> 00:02.800 Olá e bem-vindo de volta ao curso e aprendizagem profunda. 00:02.800 --> 00:06.140 Hoje, finalmente, estamos no STEPNELL antes da conexão completa. 00:06.310 --> 00:08.210 Então, o que é esse passo? 00:08.440 --> 00:16.990 Bem, nesta etapa, estamos adicionando toda uma rede neural artificial à nossa rede neural convolutiva, de modo a todas as 00:17.000 --> 00:22.450 coisas que fizemos até agora, que são convolução de agrupamento e achatamento. 00:22.510 --> 00:24.910 Agora estamos adicionando um novo todo. 00:24.930 --> 00:28.990 E então, por trás disso, o intenso que é isso. 00:28.990 --> 00:32.350 Isso é que é algo que definitivamente é algo. 00:32.590 --> 00:36.730 E então aqui temos a camada de entrada que temos um plano totalmente conectado. 00:36.740 --> 00:42.580 Eu colocarei lá e, de jeito, o Lehre totalmente conectado nas redes neurais artificiais que costumávamos 00:42.580 --> 00:47.650 chamá-las de camadas escondidas e aqui estamos chamando-os totalmente conectados porque são minhocas escondidas, 00:47.650 --> 00:53.500 mas ao mesmo tempo são mais específicas O tipo de violinistas que estão totalmente conectados nas 00:53.500 --> 00:57.510 letras ocultas das redes neurais artificiais não precisam estar totalmente conectados. 00:57.520 --> 01:02.230 Considerando que, nas redes neurais convolutivas, vamos usar letras totalmente conectadas e é por 01:02.230 --> 01:05.640 isso que eles geralmente são chamados de Lares totalmente conectados. 01:05.770 --> 01:11.620 para a entrada aprendida aqui, temos um exemplo muito simplificado apenas para fins ilustrativos. 01:11.620 --> 01:18.160 E, basicamente, toda a coluna ou vetor de resultados que temos após o achatamento, estamos passando 01:18.160 --> 01:26.770 E o objetivo principal da rede neural artificial é combinar nossos recursos em mais atributos que prevêem que 01:26.770 --> 01:28.960 o Klaas seja ainda melhor. 01:28.960 --> 01:37.660 Então, já no nosso vetor de resultados no Flaten do resultado achatado do que realmente fiz, temos alguns recursos codificados nos números 01:37.660 --> 01:43.750 desse vetor e eles já podem provavelmente fazer um bom trabalho para prever o que 01:43.750 --> 01:51.730 é o Clauss, olhando para saber se é um cão ou um gato ou se é um tumor ou não 01:51.730 --> 01:53.840 um tumor e assim por diante. 01:53.890 --> 02:00.610 tentando prever e sabemos disso nas partes anteriores, então por que não alavancar isso. 02:00.610 --> 02:07.810 Mas, ao mesmo tempo, sabemos que temos essa estrutura chamada rede neural artificial, que é projetada 02:07.810 --> 02:16.120 com o objetivo de lidar com atributos e sair ou lidar com recursos e criar novos atributos e 02:16.120 --> 02:20.360 combinar atributos para prever melhor as coisas. que estamos 02:20.440 --> 02:22.750 E é exatamente o que o plano aqui é. 02:22.750 --> 02:29.140 Então, como sobre nós transmitemos esses valores para uma rede neural artificial e deixe ainda mais otimizar tudo 02:29.140 --> 02:30.350 o que estamos fazendo. 02:30.640 --> 02:31.900 E assim é o que vamos fazer. 02:31.900 --> 02:36.390 Mas vamos ver um exemplo mais realista porque este é um pouco simples demais. 02:36.610 --> 02:43.990 Então, aqui, temos uma rede de neurônios artificiais de melhor aparência, onde temos cinco atributos nas entradas que temos no 02:43.990 --> 02:51.040 primeiro, a menos que tenhamos seis neurônios no segundo ou no segundo totalmente conectado Larry tem oito neurônios e 02:51.040 --> 02:55.510 então temos duas saídas um para cachorro e um para gato. 02:55.630 --> 03:02.240 E, portanto, uma coisa importante para conversar sobre o que podemos falar aqui é por que temos dois resultados. 03:02.240 --> 03:09.100 Estamos um pouco habituados a ter apenas um resultado em nossas redes neurais artificiais. Um bom resultado é para um tipo 03:09.100 --> 03:14.740 de quando você está prevendo um valor numérico quando você imprime quando está executando um tipo de 03:14.740 --> 03:15.480 regressão do problema. 03:15.760 --> 03:22.840 isso teria funcionado totalmente bem e, na verdade, o que você verá, teve um almoço nos testes práticos e é assim que eles serão estruturados. 03:22.840 --> 03:27.940 Mas quando você está classificando você precisa de um Proclus de saída, exceto pela exceção, é quando você 03:27.970 --> 03:33.790 tem apenas dois clusters, como temos duas classes aqui de cachorro e gato e nós poderíamos ter acabado de fazer um 03:33.790 --> 03:38.760 resultado e o tornamos um resultado binário e dissemos que One is um cão e um zero um 03:38.770 --> 03:39.250 gato e 03:39.250 --> 03:46.090 Mas ao mesmo tempo, se você tem mais de duas categorias, por exemplo, cães, gatos e pássaros, então 03:46.090 --> 03:52.420 você precisa ter um neurônio por cada categoria e é por isso que vamos praticar com duas 03:52.420 --> 03:58.320 categorias neste exemplo para que possamos saber o que esperar se tivermos mais de duas categorias. 03:58.550 --> 04:00.010 E então, o que está acontecendo aqui. 04:00.010 --> 04:05.260 Então, nós já fizemos todas as bases que fizemos a convolução, fizemos o agrupamento e o 04:05.620 --> 04:10.570 achatamento e agora a informação vai passar pela rede neural artificial, então vamos dar uma 04:10.570 --> 04:12.300 olhada em como o outro acontece. 04:12.340 --> 04:18.460 Há informações que passam desde o início desde o momento em que a imagem é processada e 04:18.610 --> 04:23.920 convivida convolucionada, então torcida, achatada e, em seguida, através da rede neural artificial, as quatro 04:23.920 --> 04:30.720 etapas e, em seguida, uma previsão é feita e veremos como isso acontece em uma O momento será muito interessante. 04:30.730 --> 04:32.920 Mas, por agora, digamos que é feita uma previsão. 04:32.920 --> 04:36.070 E, por exemplo, 80 por cento que é um cão. 04:36.070 --> 04:40.610 Mas resulta ser um gato e, em seguida, um erro é calculado. 04:40.610 --> 04:40.990 UMA. 04:41.200 --> 04:47.720 Bem, o que costumávamos chamar de cotações funcionou em uma rede neural artificial e usamos 04:47.740 --> 04:51.460 erro quadrático médio lá ou redes neurais ilusórias comuns. 04:51.460 --> 04:57.630 É chamada de função de perda e usamos uma função de entropia cruzada para isso. 04:57.640 --> 04:59.870 E falaremos sobre entropia cruzada e erros quadráticos significativos. 05:00.130 --> 05:02.820 Em um tutorial separado e como tudo isso acontece. 05:02.820 --> 05:08.730 quão bem a nossa rede está atuando e estamos tentando otimizar otimizar ou minimizar essa função para otimizar nossa rede. 05:08.730 --> 05:13.560 Mas, para o conhecimento, você diz que temos um tipo de função perdida que nos diz o 05:13.750 --> 05:19.470 Então, o erro é calculado e, em seguida, é propagado de volta através da rede, assim como ocorreu 05:19.470 --> 05:26.700 em redes neurais artificiais, é propagado novamente e as coisas são ajustadas na rede para ajudar a otimizar o desempenho e as coisas 05:27.000 --> 05:31.670 que são ajustadas são, como de costume, os pesos em A rede neural artificial faz 05:31.670 --> 05:34.910 parte das linhas azuis que você vê aqui o Cynapsus. 05:35.340 --> 05:43.950 Então também outra coisa que é ajustada são os detectores de recursos, então sabemos que estamos procurando por recursos, mas e se 05:43.950 --> 05:46.140 estamos procurando os recursos errados. 05:46.140 --> 05:51.570 recursos estão incorretos e, portanto, os detectores de recursos que se lembram dessas pequenas matrizes que tínhamos. 05:51.570 --> 05:53.860 E se isso não funcionasse porque os 05:54.250 --> 05:57.270 São as três ou três matrizes. 05:57.270 --> 06:03.240 Eles são ajustados para que talvez da próxima vez seja melhor e vamos ver o que acontece. 06:03.360 --> 06:03.860 Tipo de coisa. 06:03.870 --> 06:11.040 E, é claro, tudo está feito com muita ciência no fundo de muitas matemáticas e tudo é feito através 06:11.040 --> 06:14.580 de uma gradiente gradiente de descida de propagação de trás. 06:14.580 --> 06:20.880 Então é tudo, não é apenas perturbações aleatórias, é realmente muito pensado sobre como é feito. 06:21.210 --> 06:27.630 os pesos são ajustados e todo esse processo acontece novamente e, novamente, os erros se propagam de volta. 06:27.630 --> 06:30.710 Mas, no entanto, os detectores de características são ajustados, 06:30.720 --> 06:32.610 E isso continua e continua. 06:32.760 --> 06:37.950 E é assim que a nossa rede está otimizada, assim é como a nossa rede treina nos dados. 06:37.950 --> 06:43.800 Portanto, o importante aqui é que os dados atravessam toda a área desde o início até 06:43.800 --> 06:44.410 o fim. 06:44.430 --> 06:49.950 Em seguida, o erro é comparado para que o erro seja calculado e depois seja propagado novamente. 06:49.950 --> 06:56.520 Então, a mesma história que com as redes neurais artificiais um pouco mais por esse conjunto para os três 06:56.520 --> 06:58.320 primeiros passos que já tínhamos. 06:59.040 --> 07:04.440 E agora vamos dar uma olhada na parte interessante da parte realmente interessante, como essas duas classes funcionam, porque 07:04.440 --> 07:10.050 ou como esses dois neurônios de produção funcionam porque antes de sempre temos algum tipo de neurônio de saída, 07:10.050 --> 07:11.840 o que acontece quando temos dois. 07:11.840 --> 07:17.490 Como funciona esta situação de classificação ou imagens. 07:17.670 --> 07:21.610 Bem, vamos começar com o neurônio superior primeiro a começar com o cachorro. 07:22.080 --> 07:28.950 Como é que o principal objetivo do que precisamos fazer primeiro, precisamos entender quais pesos atribuir a todos esses 07:28.950 --> 07:36.000 syllabuses que se conectam ao cachorro para que possamos saber quais dos neurônios anteriores são realmente importantes para o 07:36.000 --> 07:38.910 cachorro e vamos ver como Isso é feito. 07:38.910 --> 07:46.460 Então, digamos, hipotéticamente, temos esses números em nossa camada anterior do anterior totalmente conectado. 07:46.500 --> 07:47.980 Na camada final totalmente conectada. 07:48.120 --> 07:51.010 E novamente, esses números podem ser absolutamente nada. 07:51.030 --> 07:56.490 Eles não precisam ser que eles podem ser qualquer número, mas apenas por argumentos, 07:56.490 --> 08:01.890 vamos concordar que estamos olhando especificamente para os números entre 0 e 1. 08:02.280 --> 08:09.840 nós argumentar essas coisas e entender e um significa que esse neurônio estava muito confiante de que encontrou essa característica e zero 08:09.840 --> 08:15.960 vai significar que esse neurônio não encontrou uma característica está procurando, porque no final da O dia 08:15.960 --> 08:23.580 em que esses neurônios gostam de mais nada sobre isso neste lado esquerdo é apenas olhar para os recursos de uma imagem. 08:23.610 --> 08:25.470 Então, é mais fácil para 08:25.470 --> 08:27.490 Isso já é muito muito processo. 08:27.510 --> 08:32.940 Mas ainda está detectando uma determinada característica ou uma combinação de recursos na imagem logo antes 08:33.700 --> 08:34.590 que possamos evoluir. 08:34.590 --> 08:39.060 Nós possuímos um tipo de características reconhecíveis no conjunto da piscina que eles são menos reconhecíveis do que 08:39.060 --> 08:40.850 tornam-se ainda menos reconhecíveis na imagem achatada. 08:40.850 --> 08:42.550 E então eles combinam e assim por diante. 08:42.570 --> 08:48.720 Mas, no entanto, estamos falando aqui de certos recursos que são imagem presente ou sua combinação. 08:48.720 --> 08:54.480 Assim, e um que foi passado e isso é importante foi passado tanto para o cão quanto para o gato 08:54.480 --> 08:57.020 ao mesmo tempo para ambos os neurônios de saída. 08:57.150 --> 09:06.180 Então, isso significa que, para nós, para o nosso argumento, isso significa que esse neurônio tem está se acostumando. É realmente detectar rapidamente esse 09:06.180 --> 09:11.850 recurso que você sabe que pode ser uma sobrancelha, ele pode estar detectando essa sobrancelha 09:11.870 --> 09:15.170 novamente por motivos de simplicidade, é detectar essa sobrancelha. 09:15.270 --> 09:20.310 E é comunicar que o cachorro corre para o neurônio do gato dizendo que posso ver minha sobrancelha, eu posso ver minha sobrancelha. 09:20.310 --> 09:25.240 E então cabe ao cão e ao neurônio do gato entender o que isso significa para eles. 09:25.290 --> 09:25.860 Certo. 09:25.890 --> 09:30.840 E então, neste caso, quais neurônios estão disparando, esses três neurônios estão disparando a sobrancelha e dizem que 09:30.830 --> 09:36.120 o nariz está dizendo que eu posso ver, eu posso ver um nariz grande e posso ver as orelhas flexíveis. 09:36.270 --> 09:40.540 Então, está dizendo isso ao cachorro e ao gato e depois o que o cão. 09:40.560 --> 09:43.390 E então o que acontece é que sabemos que este é um cão. 09:43.440 --> 09:49.920 Então, o neurônio do cão sabe que a resposta é que é realmente um cachorro porque, no final, estamos comparando 09:49.920 --> 09:53.640 a imagem ou ao rótulo na foto e quando outro cachorro. 09:53.640 --> 09:56.310 Então, basicamente, o neurônio do cão vai dizer Aha. 09:56.310 --> 09:58.820 Então, eu deveria ser acionado neste caso. 09:58.830 --> 10:04.790 Então, estes são neurônios, eles estão dizendo esse sinal de que eles estão enviando para ambos para o cachorro 10:04.790 --> 10:09.000 e o gato é realmente uma indicação para mim que é um cachorro. 10:09.020 --> 10:13.940 E ao longo desses lotes e muitas e muitas iterações disso acontece muitas vezes 10:13.940 --> 10:19.580 o cão vai aprender que esses neurônios realmente se acendem quando o recurso pertence a um cachorro. 10:19.670 --> 10:24.260 Por outro lado, o neurônio do gato saberá que não é um gato e saberá que esse recurso está 10:24.260 --> 10:28.210 se acendendo e este neurônio está me dizendo que pode ver orelhas flexíveis orelhas de ouvido flexíveis. 10:28.370 --> 10:31.040 Mas, ao mesmo tempo, não é um gato. 10:31.040 --> 10:36.980 e quanto mais acontecer, mais o neurônio do gato vai ignorar esse neurônio sobre os ouvidos flexíveis. 10:36.980 --> 10:41.960 Então, basicamente para mim, isso é um sinal de que eu deveria ignorar esse neurônio 10:42.440 --> 10:49.100 E, basicamente, isso é como através de muitas e muitas iterações se isso acontecer com frequência. 10:49.100 --> 10:54.170 Então, este é apenas um exemplo, mas se isso acontecer, muitas vezes talvez seja um talvez 0. 8 0. 9 talvez às vezes 10:54.170 --> 11:02.090 não dispare, mas, em geral, esse neurônio está acendendo muitas vezes quando é realmente um cão que o neurônio 11:02.090 --> 11:05.920 do cão começará a atribuir maior importância a esse neurônio. 11:05.930 --> 11:06.590 E então, vamos lá. 11:06.590 --> 11:08.430 É assim que vamos significar isso. 11:08.450 --> 11:14.570 é quando você passa por todo o seu conjunto de dados novamente e novamente e novamente há muitas e muitas iterações. 11:14.570 --> 11:20.210 Nós vamos dizer que esses três neurônios através deste processo iterativo comigo com muitas muitas muitas amostras e muitos 11:20.210 --> 11:25.150 muitos se lembram, então uma amostra é uma linha no seu conjunto de dados e o Apoc 11:25.220 --> 11:34.010 Este neurônio do cão aprendeu que este neurônio com sobrancelha e este neurônio do nariz grande e este neurônio 11:34.340 --> 11:43.040 do ouvido flexível, eles parecem realmente contribuir muito bem com a classificação do que está procurando e qual é 11:43.040 --> 11:44.350 um cachorro. 11:44.480 --> 11:45.730 Então é assim que funciona. 11:45.740 --> 11:55.130 porque por esta etapa nesta rede neural convencional de convolução completa é completamente irreconhecível o que eles estão procurando, mas ao 11:55.130 --> 12:01.640 mesmo tempo é algo no características de cães ou gatos ou o que você classifica. 12:01.640 --> 12:07.400 E novamente, essas orelhas e narizes e sobrancelhas, são muito muito aproximadas ou 12:07.400 --> 12:09.020 são exemplos muito extravagantes, 12:09.410 --> 12:11.130 E então, vamos passar para o próximo. 12:11.150 --> 12:15.860 Agora vamos olhar para o neurônio do gato, mas estes Nós vamos lembrar que esses 12:15.860 --> 12:17.900 pesos você sabe como resolvemos o cachorro. 12:17.900 --> 12:22.970 Então, o cão é como ignorar todos esses outros neurônios um a dois três quatro ou cinco, 12:22.970 --> 12:26.510 mas está realmente prestando atenção ao que esses três neurônios estão dizendo. 12:26.570 --> 12:28.330 Agora, o que o gato está ouvindo. 12:28.490 --> 12:30.830 Bem, sempre que é realmente um gato. 12:30.970 --> 12:32.530 Certo. 12:32.710 --> 12:35.600 Este é um exemplo de uma situação em que é realmente um gato. 12:35.600 --> 12:42.980 Então você verá que esses três neurônios são 0. 9 0. 9 e um eles estão dizendo algo que eles estão dizendo 12:42.980 --> 12:44.590 algo para o cão e o gato. 12:44.600 --> 12:49.510 E isso é novamente importante, lembre-se, então esse sinal de saída vai nas duas formas, é o mesmo certo. 12:49.520 --> 12:55.520 Está dizendo um para o cão dizendo para o gato, mas, em seguida, cabe ao cachorro decidir 12:55.520 --> 13:00.220 se deve levar em conta esse sinal e aprender com ele ou não. 13:00.500 --> 13:05.810 E tanto o cão como o gato podem ver que esta é uma foto que devo colocar uma foto de um gato aqui, mas basicamente 13:05.810 --> 13:10.030 imagino uma foto de um gato, tanto um cachorro quanto o gato podem ver que isso é realmente um gato. 13:10.190 --> 13:20.150 Então, basicamente, o cão é como OK, então esses bigodes e essas orelhas triangulares pontudas e esse tamanho pequeno sim ou, ou talvez, 13:20.420 --> 13:28.250 esse tipo, você sabe como os gatos têm essas coisas nos olhos, seus olhos são como pequenos. Eles 13:28.310 --> 13:33.350 não são círculos ou linhas ou algo como olhos de gato. 13:33.350 --> 13:37.460 Basicamente, esses olhos de gato definitivamente não estão funcionando para mim. 13:37.460 --> 13:42.980 Eles não estão me ajudando, vou prever porque cada vez que esses neurônios iluminam a previsão não é 13:42.980 --> 13:44.240 o que eu procuro. 13:44.240 --> 13:46.910 Por outro lado, o gato é como hmm, isso é interessante. 13:46.910 --> 13:51.620 Toda vez que esta acende-se, a maioria das vezes acende-se. 13:51.620 --> 13:55.310 Corresponde à minha expectativa que corresponde ao que estou procurando. 13:55.310 --> 13:55.630 ESTÁ BEM. 13:55.640 --> 13:58.050 Eu vou ouvir esse cara mais do que esse. 13:58.160 --> 14:02.710 Esta mesma coisa toda vez que acende-se ou a maioria das vezes acende-se. 14:02.810 --> 14:09.100 Aconteceu de ter um bom, eu fui recompensado pela minha previsão porque eu entendo direito. 14:09.110 --> 14:09.760 É um gato. 14:09.770 --> 14:10.080 ESTÁ BEM. 14:10.130 --> 14:11.440 Eu vou escutá-lo mais. 14:11.450 --> 14:17.930 Você sabe que isso é inútil para mim, porque ele na verdade não sabe como ele é que ele nem se acende, é um 14:17.930 --> 14:21.040 gato, mas ele não está acendendo, então o contrário está acontecendo. 14:21.050 --> 14:24.410 E este está bem, é um cad, mas ele não está deixando cair, então não o vou ouvir. 14:24.410 --> 14:31.250 Mas este quando ele foi o que era isso, os olhos dos olhos do gato se iluminam, podemos ver que posso ver que é 14:31.250 --> 14:31.850 um gato. 14:31.850 --> 14:36.440 tempo, então eu vou aprender com isso e vou ouvir esses três caras mais frequentemente do que não. 14:36.980 --> 14:38.750 Ele coincide com a maior parte do 14:38.750 --> 14:44.810 E então, basicamente, o gato está ouvindo esses três e está ignorando os outros cinco 14:45.350 --> 14:54.830 e é assim que esses neurônios finais aprendem quais neurônios no Lehre final totalmente conectado para ouvir os neurônios de saída que aprendem 14:54.830 --> 14:58.460 qual do total, que é o final totalmente conectado. 14:58.670 --> 15:00.030 Há neurônios para ouvir. 15:00.180 --> 15:02.530 E é assim que eles entendem. 15:02.790 --> 15:08.930 Basicamente, é assim que as características são propagadas através da rede e transmitidas para a saída. 15:08.970 --> 15:14.070 embora essas características, claro, não tenham tanto significado para elas, como orelhas ou bigodes. 15:14.070 --> 15:14.900 E, portanto, 15:15.210 --> 15:21.860 Ao mesmo tempo que eles têm algum distintivo, eles são uma característica distintiva dessa classe específica e é 15:21.870 --> 15:27.270 assim que a rede é treinada, porque também durante o processo de propagação de 15:27.270 --> 15:33.750 volta também ajustamos os detectores de recursos, então, se um recurso for inútil para a saída Isso 15:33.750 --> 15:39.600 provavelmente será desconsiderado porque isso não acontece com uma ou duas histórias acontece com milhares 15:39.600 --> 15:41.000 e milhares de iterações. 15:41.040 --> 15:46.620 final do dia, nesta camada final de neurônios, é provável que você tenha muitos recursos 15:46.620 --> 15:52.830 ou combinações de recursos do Imagem que é de fato representativa ou descritiva de cães e gatos. 15:53.070 --> 15:59.730 Então, com o tempo, uma característica que é inútil para a rede será desconsiderada e substituída por recurso 15:59.730 --> 16:01.320 é útil e, no 16:01.710 --> 16:06.660 E então, assim que a sua rede for treinada, então, é assim que é aplicado. 16:06.660 --> 16:09.340 Então este é o próximo passo, como se tivéssemos treinado nossa rede, isso acontecerá. 16:09.350 --> 16:13.020 Vamos ver o que acontece quando a rede é aplicada. 16:13.020 --> 16:15.660 Então, digamos que passamos uma imagem de um cachorro. 16:16.410 --> 16:20.340 Os valores são propagados através de uma rede que obtemos certos valores. 16:20.610 --> 16:26.880 os neurônios do gato não sabem que não têm a imagem do cachorro aqui, eles não sabem que é um cachorro ou um gato. 16:26.880 --> 16:28.470 E, desta vez, o cão e 16:28.470 --> 16:35.380 Eles não tem idéia do que é, mas eles aprenderam a ouvir o que está sendo mostrado aqui. 16:35.380 --> 16:35.660 Certo. 16:35.670 --> 16:40.440 Eles aprenderam a ouvir cães e a ouvir esses três neurônios, um neurônio de gato escuta 16:40.440 --> 16:40.910 esses três. 16:40.950 --> 16:44.850 E então, o neurônio do cão olha para um e três e diz que aa são muito altas. 16:44.940 --> 16:50.430 Então, minha probabilidade vai ser alta, é um cão que o neurônio do gato olha para estes três e diz 16:50.470 --> 16:53.670 que OK, este é bastante alto, mas isso é bastante baixo. 16:53.670 --> 16:54.320 Interessante. 16:54.320 --> 16:56.990 Então, minha probabilidade será 0. 05. 16:57.130 --> 16:58.950 E e então e isso é. 16:58.980 --> 17:00.110 E é aí que você consegue sua previsão. 17:00.120 --> 17:04.490 Então, sua primeira escolha para esta rede neural é o cão. 17:04.500 --> 17:06.900 A segunda escolha é o gato e é praticamente isso. 17:06.900 --> 17:11.690 Então a resposta é cão e a mesma coisa acontece quando você passa a imagem de um gato. 17:11.910 --> 17:16.580 Você obtém novos valores e você pode ver que, embora este seja alto, estes são baixos. 17:16.770 --> 17:20.560 E para o gato Esta foi alta, isso foi alto e este é um pouco baixo. 17:20.670 --> 17:25.850 Portanto, a probabilidade aqui pode não ser tão grande quanto anteriormente, mas ainda assim você pode ver que é 17:25.860 --> 17:26.810 um gato de 79%. 17:26.940 --> 17:30.230 E, portanto, a rede neural vai votar que é um gato. 17:30.270 --> 17:33.240 E, basicamente, todas as redes neurais concluem que é um gato. 17:33.330 --> 17:40.710 Votar é um termo que é usado para esses caras, então esses neurônios no Lehre final totalmente conectado eles 17:40.710 --> 17:41.510 conseguem votar. 17:41.520 --> 17:42.810 E estes são seus votos. 17:42.870 --> 17:47.160 E, novamente, somos apenas por argumentos, colocando valores entre 0 e 1 aqui. 17:47.160 --> 17:54.480 Estes poderiam ser quaisquer valores, mas eles conseguem votar e, em seguida, esses pesos são a importância do seu voto. 17:54.480 --> 18:00.540 Então estes são estes pesos roxos são como o neurônio do cachorro vê seus votos. 18:00.540 --> 18:04.820 Quanta importância é atribuída a esses neurônios e aqueles votos. 18:04.830 --> 18:12.810 E esta é a importância do tamanho do neurônio do gato para estes votos os votos desses neurônios e, portanto, esses neurônios votam o cão e 18:12.810 --> 18:18.840 o gato com base em seus aprendidos os pesos que eles decidem quem escutar e então eles fazem suas 18:18.840 --> 18:23.490 previsões e depois mantêm a rede neural conclui que este é, neste caso, um gato 18:23.490 --> 18:29.190 e, então, é isso. E então, essa é a sua conclusão e é assim que você obtém imagens 18:29.490 --> 18:37.200 como esta, onde você tem uma chita e então você tem garras de chita que você conhece como uma alta probabilidade alta, então isso é 18:37.200 --> 18:40.080 Você sabe a probabilidade de a rede ter previsto. 18:40.080 --> 18:44.430 E estas são leis, mas estas ainda existem porque ainda são uma espécie de pequena chance 18:44.430 --> 18:49.710 de os outros neurônios também estarem ouvindo seus eleitores e eles estão dizendo que, talvez, seja um leopardo e um 18:49.710 --> 18:50.580 trem de bala. 18:50.580 --> 18:51.400 Muito provável. 18:51.400 --> 18:52.470 Ouço uma tesoura. 18:52.470 --> 18:57.600 tesouras, o neurônio da série de saída, escutou seus eleitores e teve o voto predominante em geral. 18:57.600 --> 19:03.960 Você conhece este, mas o vidro de mão foi um segundo e um estetoscópio de cinco horas, muito próximo, porque 19:03.960 --> 19:07.070 você podia ver desse tipo esse neurônio, o neurônio das 19:07.080 --> 19:10.190 Mas o copo de mão também teve um bom resultado. 19:10.200 --> 19:16.450 Então, vamos lá, é assim que funciona a conexão completa e como isso é tudo isso se desenrola. 19:16.680 --> 19:18.810 Espero que você tenha gostado do tutorial de hoje. 19:18.810 --> 19:21.320 Também vamos resumir tudo isso no resumo. 19:21.420 --> 19:22.860 E eu vejo você na próxima vez. 19:22.860 --> 19:24.720 Até então, aproveite a aprendizagem profunda.