WEBVTT 00:00.520 --> 00:02.800 Bună ziua și bun venit înapoi la curs și învățare profundă. 00:02.800 --> 00:06.140 Astăzi suntem în sfârșit la STEPNELL înainte de conectarea completă. 00:06.310 --> 00:08.210 Deci, ce înseamnă acest pas? 00:08.440 --> 00:16.990 Ei bine, în acest pas, adăugăm o întreagă rețea neurală artificială rețelei noastre neuronale convoluționale, astfel încât la toate lucrurile 00:17.000 --> 00:22.450 pe care le-am făcut până acum, care sunt convoluție piscină și aplatizare. 00:22.510 --> 00:24.910 Acum adaugam un intreg nou. 00:24.930 --> 00:28.990 Și apoi pe partea din spate a cât de intens este asta. 00:28.990 --> 00:32.350 Asta este doar ceva care este cu siguranță ceva. 00:32.590 --> 00:36.730 Și așa că avem aici stratul de intrare, avem un plan complet conectat. 00:36.740 --> 00:42.580 Voi pune acolo și de modul în care Lehre conectat pe deplin în rețelele neuronale artificiale le-am folosit 00:42.580 --> 00:47.650 pentru a le numi straturi ascunse și aici le numim pe deplin conectate pentru că ele 00:47.650 --> 00:53.500 sunt ascunse furturi, dar în același timp sunt un mai specific tip de fișiere care sunt complet conectate în 00:53.500 --> 00:57.510 rețelele neuronale artificiale literele ascunse nu trebuie să fie complet conectate. 00:57.520 --> 01:02.230 În timp ce în rețele neuronale convoluționale vom folosi litere complet conectate și de 01:02.230 --> 01:05.640 aceea ele sunt denumite în general Lares complet conectate. 01:05.770 --> 01:11.620 Și astfel, în esență, întreaga coloană sau vector de ieșiri pe care le avem 01:11.620 --> 01:18.160 după aplatizare îl transmitem în intrarea învățată aici, avem un exemplu foarte simplificat doar pentru scopuri ilustrative. 01:18.160 --> 01:26.770 Și care este scopul principal al rețelei neuronale artificiale este de a combina caracteristicile noastre în mai multe atribute care 01:26.770 --> 01:28.960 prezic mai bine Klaas-ul. 01:28.960 --> 01:37.660 Deci, deja în vectorul nostru de ieșiri în Flaten a rezultatului aplatizat din ceea ce am făcut cu adevărat, avem câteva caracteristici codificate în numerele 01:37.660 --> 01:43.750 din acel vector și pot face deja probabil o treabă destul de bună la prezicerea a ceea 01:43.750 --> 01:51.730 ce este Clauss, re examinați dacă este vorba de un câine sau o pisică sau dacă este o tumoare sau nu o 01:51.730 --> 01:53.840 tumoare și așa mai departe. 01:53.890 --> 02:00.610 Dar, în același timp, știm că avem această structură numită rețea neurală artificială care este concepută care are 02:00.610 --> 02:07.810 scopul de a se ocupa de atribute și de a ieși sau de a trata caracteristici și de a veni 02:07.810 --> 02:16.120 cu noi atribute și de a combina atributele împreună pentru a anticipa mai bine lucrurile pe care încercăm să o previzionăm și știm 02:16.120 --> 02:20.360 că din părțile anterioare, de ce să nu folosim acest lucru. 02:20.440 --> 02:22.750 Și acesta este planul de aici. 02:22.750 --> 02:29.140 Deci, cum am trece aceste valori într-o rețea neurală artificială și lăsăm să optimizeze tot mai mult tot 02:29.140 --> 02:30.350 ceea ce facem. 02:30.640 --> 02:31.900 Și așa vom face. 02:31.900 --> 02:36.390 Dar să ne uităm la un exemplu mai realist, deoarece acesta este un pic prea simplu. 02:36.610 --> 02:43.990 Deci, aici avem o rețea neurală artificială cu aspect mai bun în cazul în care avem cinci atribute pe intrările pe care 02:43.990 --> 02:51.040 le avem în primul, dacă nu avem șase neuroni în al doilea sau al doilea conectat complet Larry are opt neuroni 02:51.040 --> 02:55.510 și apoi avem două ieșiri unul pentru câine și unul pentru pisică. 02:55.630 --> 03:02.240 Și un lucru important pentru care să discutăm aici este că de ce avem două ieșiri. 03:02.240 --> 03:09.100 Suntem obișnuiți să avem doar o singură ieșire în rețelele noastre neuronale artificiale. Ei bine, o ieșire este de tipul 03:09.100 --> 03:14.740 atunci când estimați o valoare numerică atunci când tipăriți atunci când executați un tip de regresie 03:14.740 --> 03:15.480 de problemă. 03:15.760 --> 03:22.840 Dar când faci clasificare, ai nevoie de un Proclus de ieșire, cu excepția cazului în care ai doar două clustere, cum ar fi două clase aici 03:22.840 --> 03:27.940 câine și pisică și am fi putut face doar o ieșire și a făcut-o o ieșire binară și 03:27.970 --> 03:33.790 a spus Unul este un câine și o zână o pisică și asta ar fi funcționat în totalitate și, de fapt, 03:33.790 --> 03:38.760 ceea ce veți vedea a avut prânzul face acest lucru în tutorialele practice și așa vor fi 03:38.770 --> 03:39.250 structurate. 03:39.250 --> 03:46.090 Dar, în același timp, dacă aveți mai mult de două categorii, de exemplu pisici și păsări de câini, atunci trebuie 03:46.090 --> 03:52.420 să aveți un neuron pentru fiecare categorie și de aceea vom proceda cu două categorii în acest exemplu 03:52.420 --> 03:58.320 pentru a ști ce să ne așteptăm dacă avem vreodată mai mult de două categorii. 03:58.550 --> 04:00.010 Și ce urmează să se întâmple aici. 04:00.010 --> 04:05.260 Deci am facut deja toate lucrarile pe care le-am facut convolutia pe care am facut-o in pooling 04:05.620 --> 04:10.570 si aplatizarea si acum informatia va trece prin reteaua neuronala artificiala, asa ca sa ne 04:10.570 --> 04:12.300 uitam la cealalta se intampla. 04:12.340 --> 04:18.460 Există informații care încep de la începutul momentului în care imaginea este procesată și conturate în felul acesta 04:18.610 --> 04:23.920 se convexă apoi se aplatizează și apoi prin rețeaua neurală artificială toate cele patru pași 04:23.920 --> 04:30.720 și apoi se face o predicție și vom vedea cum se întâmplă acest lucru într-o momentul va fi foarte interesant. 04:30.730 --> 04:32.920 Dar, pentru moment, să spunem doar o predicție. 04:32.920 --> 04:36.070 Și, de exemplu, 80% că este un câine. 04:36.070 --> 04:40.610 Dar se pare că este o pisică și apoi se calculează o eroare. 04:40.610 --> 04:40.990 A. 04:41.200 --> 04:47.720 Ei bine, ceea ce am folosit pentru a numi accosts cost funcția într-o rețea neurală artificială și am folosit 04:47.740 --> 04:51.460 o eroare medie pătrată acolo sau rețele neuronale iluzionale comune. 04:51.460 --> 04:57.630 Se numește o funcție de pierdere și pentru aceasta folosim o funcție de entropie încrucișată. 04:57.640 --> 04:59.870 Și vom vorbi despre entropia încrucișată și erorile medii pătrată. 05:00.130 --> 05:02.820 Într-un tutorial separat și cum se întâmplă toate acestea. 05:02.820 --> 05:08.730 Dar, pentru cunoștințe, spuneți că avem o funcție pierdută care ne spune cât de bine funcționează rețeaua noastră și 05:08.730 --> 05:13.560 că încercăm să optimizăm optimizarea sau să minimizăm această funcție pentru a optimiza rețeaua noastră. 05:13.750 --> 05:19.470 Deci, eroarea este calculată și apoi este propagată în rețeaua de rețea exact așa cum am avut în 05:19.470 --> 05:26.700 rețelele neuronale artificiale este propagat înapoi și unele lucruri sunt ajustate în rețea pentru a ajuta la optimizarea performanței și lucrurile care 05:27.000 --> 05:31.670 sunt ajustate sunt ca de obicei greutățile în rețeaua neurală artificială face parte din 05:31.670 --> 05:34.910 acele linii albastre pe care le vedeți aici, Cynapsus. 05:35.340 --> 05:43.950 Apoi, de asemenea, un alt lucru care este ajustat este detectoarele de funcții, astfel încât știm că căutăm caracteristici, dar 05:43.950 --> 05:46.140 ce dacă căutăm funcții greșite. 05:46.140 --> 05:51.570 Ce se întâmplă dacă acest lucru nu a funcționat deoarece caracteristicile sunt incorecte și deci detectoarele de funcții amintesc 05:51.570 --> 05:53.860 acele mici matrice pe care le-am avut. 05:54.250 --> 05:57.270 Acestea sunt cele trei-trei matrici. 05:57.270 --> 06:03.240 Sunt ajustate pentru ca data viitoare să fie mai bine și să vedem ce se întâmplă. 06:03.360 --> 06:03.860 Tip de lucru. 06:03.870 --> 06:11.040 Și, bineînțeles, totul este făcut cu o mulțime de științe în fundalul unei mulțimi de matematică și totul este realizat 06:11.040 --> 06:14.580 printr-o înclinație de gradient de înclinare a propagării spatelui. 06:14.580 --> 06:20.880 Deci totul nu este doar o perturbație aleatorie, ci de fapt foarte gândit de modul în care se face. 06:21.210 --> 06:27.630 Dar, cu toate acestea, detectoarele de funcții sunt ajustate, greutățile sunt ajustate și întregul proces se întâmplă din nou, 06:27.630 --> 06:30.710 iar din nou erorile din spate se propagă. 06:30.720 --> 06:32.610 Și asta continuă și mai departe. 06:32.760 --> 06:37.950 Așa este optimizarea rețelei noastre, așa că trenul nostru tratează datele. 06:37.950 --> 06:43.800 Deci, este important ca datele să treacă prin întreaga zonă de la început până la 06:43.800 --> 06:44.410 sfârșit. 06:44.430 --> 06:49.950 Apoi, eroarea este comparată astfel încât eroarea este calculată și apoi este propagată înapoi. 06:49.950 --> 06:56.520 Deci, aceeași poveste ca și cu rețelele neuronale artificiale doar un pic mai mult din cauza acelui întreg pentru primii trei pași 06:56.520 --> 06:58.320 pe care i-am avut deja. 06:59.040 --> 07:04.440 Și acum, să aruncăm o privire la partea interesantă, partea interesantă, cum funcționează aceste două clase, sau cum funcționează 07:04.440 --> 07:10.050 acești doi neuroni de ieșire, pentru că înainte de a avea întotdeauna un fel de neuron de ieșire, ce 07:10.050 --> 07:11.840 se întâmplă când avem două. 07:11.840 --> 07:17.490 Cum funcționează această situație de clasificare sau imagini? 07:17.670 --> 07:21.610 Ei bine, haideți să începem cu primul neuron început să începem cu câinele. 07:22.080 --> 07:28.950 Cum avem scopul principal, ceea ce trebuie sa facem mai intai este ca trebuie sa intelegem ce ponderi sa atribuim 07:28.950 --> 07:36.000 tuturor acestor programe care se conecteaza la caine, astfel incat sa stim care dintre neuronii anteriori sunt de fapt importanti pentru 07:36.000 --> 07:38.910 caine si sa vedem cum asta este făcut. 07:38.910 --> 07:46.460 Deci, să presupunem ipotetic că avem aceste numere în stratul nostru precedent complet conectat. 07:46.500 --> 07:47.980 În stratul final complet conectat. 07:48.120 --> 07:51.010 Și din nou, aceste cifre pot fi absolut orice. 07:51.030 --> 07:56.490 Nu trebuie să fie că ele pot fi numere, dar doar din motive de argumentăm că 07:56.490 --> 08:01.890 vom fi de acord că privim în mod specific la cifre între 0 și 1. 08:02.280 --> 08:09.840 Deci este mai ușor pentru noi să argumentăm aceste lucruri și să înțelegem și unul înseamnă că acel neuron a fost foarte 08:09.840 --> 08:15.960 încrezător că a găsit această caracteristică și zero va însemna că acel neuron nu a găsit o trăsătură 08:15.960 --> 08:23.580 care o caută, deoarece la sfârșitul zi acești neuroni ca orice altceva de pe acest din pe această stânga este doar uita la 08:23.610 --> 08:25.470 caracteristicile de la o imagine. 08:25.470 --> 08:27.490 Acest proces este deja foarte foarte. 08:27.510 --> 08:32.940 Dar totuși detectează o anumită caracteristică sau o combinație de caracteristici pe imagine chiar înainte de a 08:33.700 --> 08:34.590 putea evolua. 08:34.590 --> 08:39.060 Am avut o serie de caracteristici recunoscute în setul de piscine, care sunt mai puțin recunoscute decât devin 08:39.060 --> 08:40.850 și mai puțin recunoscute în imaginea aplatizată. 08:40.850 --> 08:42.550 Și apoi se îmbină și așa mai departe. 08:42.570 --> 08:48.720 Dar, totuși, aici vorbim despre anumite trăsături care reprezintă imaginea prezentă sau combinația lor. 08:48.720 --> 08:54.480 Deci, și unul care a fost trecut și acest lucru este important, a fost transmis atât câinelui cât și pisicii, 08:54.480 --> 08:57.020 în același timp, atât celor neuroni de ieșire. 08:57.150 --> 09:06.180 Deci cineva inseamna ca pentru noi, pentru argumentul nostru, inseamna ca acest neuron are o lupta. Este foarte rapid sa detectezi acea caracteristica pe care 09:06.180 --> 09:11.850 o stii ca ar putea fi o sprânceană care ar putea detecta din nou această 09:11.870 --> 09:15.170 sprâncene din simplitate pentru că detectează această sprânceană. 09:15.270 --> 09:20.310 Și este comunica că la câine alerga la neuronul pisicii spunând că pot vedea sprâncenele mele pot vedea sprancene. 09:20.310 --> 09:25.240 Și apoi depinde de câine și de neuronul pisicii să înțeleagă ce înseamnă asta pentru ei. 09:25.290 --> 09:25.860 Dreapta. 09:25.890 --> 09:30.840 Și așa, în cazul în care neuronii trag în sus, acești trei neuroni spală sprâncenele și 09:30.830 --> 09:36.120 care spun că nasul spune că pot vedea că pot vedea un nas mare și pot vedea urechi floppy. 09:36.270 --> 09:40.540 Deci, și spune asta câinelui și pisicii și apoi ce câine. 09:40.560 --> 09:43.390 Și apoi ce se întâmplă este că știm că acesta este un câine. 09:43.440 --> 09:49.920 Deci, neuronul câinelui știe că răspunsul este că este de fapt un câine, deoarece la final ne comparăm cu imaginea 09:49.920 --> 09:53.640 sau cu eticheta din imagine și cu un alt câine. 09:53.640 --> 09:56.310 Deci, practic neuronul câinelui va spune Aha. 09:56.310 --> 09:58.820 Deci ar trebui să fiu declanșat în acest caz. 09:58.830 --> 10:04.790 Deci, aceștia sunt neuroni, spunând acest semnal că mi-au trimis la mine la câine și pisica 10:04.790 --> 10:09.000 este de fapt o indicație pentru mine că este un câine. 10:09.020 --> 10:13.940 Și pe parcursul acestor loturi și o mulțime de iterații de acest lucru se 10:13.940 --> 10:19.580 întâmplă de mai multe ori câinele va învăța că acești neuroni într-adevăr aprind când caracteristica aparține unui câine. 10:19.670 --> 10:24.260 Pe de altă parte, neuronul de pisică va ști că nu este o pisică și va ști că această caracteristică 10:24.260 --> 10:28.210 se trage în sus și acest neuron îmi spune că poate vedea urechi de floppy în urechi. 10:28.370 --> 10:31.040 Dar, în același timp, nu este o pisică. 10:31.040 --> 10:36.980 De fapt, pentru mine este un semn că ar trebui să ignor acest neuron și cu cât mai 10:36.980 --> 10:41.960 mult se întâmplă cu cât neuronul pisicii va ignora acest neuron în privința urechilor floppy. 10:42.440 --> 10:49.100 Și așa că în esență asta este modul în care prin mulțimi și o mulțime de iterații, dacă acest lucru se întâmplă de multe ori. 10:49.100 --> 10:54.170 Deci, acesta este doar un exemplu, dar dacă acest lucru se întâmplă adesea poate unul poate 0. 8 0. 9 poate că uneori 10:54.170 --> 11:02.090 nu se va declanșa, dar, în general, în general acest neuron aprinde foarte des atunci când este într-adevăr un câine neuronul câinilor 11:02.090 --> 11:05.920 va începe să atribuie o importanță mai mare acestui neuron. 11:05.930 --> 11:06.590 Și așa mergem. 11:06.590 --> 11:08.430 Asta este modul în care o vom semnifica. 11:08.450 --> 11:14.570 Vom spune că acești trei neuroni prin acest proces iterativ cu mine cu multe multe multe mostre și multe altele amintesc, 11:14.570 --> 11:20.210 astfel încât un eșantion este un rând în setul de date și Apoc este atunci când treceți întregul set 11:20.210 --> 11:25.150 de date din nou și din nou și din nou există multe și multe iterații. 11:25.220 --> 11:34.010 Acest neuron de câine a aflat că acest neuron cu spatele și acest neuron al nasului mare și acest neuron 11:34.340 --> 11:43.040 de ureche floppy toate par să contribuie într-adevăr foarte bine la clasificarea a ceea ce caută și care este 11:43.040 --> 11:44.350 un câine. 11:44.480 --> 11:45.730 Deci așa funcționează. 11:45.740 --> 11:55.130 Și din nou aceste urechi, nasul și sprâncenele, sunt foarte aproximative sau ca niște exemple foarte îndepărtate, deoarece prin această etapă 11:55.130 --> 12:01.640 în această întreagă convoluție rețeaua neuronală convențională este complet nerecunoscută ceea ce căutăm, dar 12:01.640 --> 12:07.400 în același timp este ceva în caracteristicile câinilor sau pisicilor sau orice 12:07.400 --> 12:09.020 altceva îl clasificați. 12:09.410 --> 12:11.130 Și apoi să trecem la următoarea. 12:11.150 --> 12:15.860 Acum ne vom uita la neuronul pisicilor, dar acestea le vom aminti că aceste 12:15.860 --> 12:17.900 greutăți știți cum am rezolvat câinele. 12:17.900 --> 12:22.970 Deci, câinele seamănă cu ignorarea la toți acești alți neuroni unu doi trei, patru sau cinci, dar cu 12:22.970 --> 12:26.510 adevărat să acorde atenție la ceea ce spun acești trei neuroni. 12:26.570 --> 12:28.330 Acum ce ascultă pisica. 12:28.490 --> 12:30.830 Ei bine, ori de câte ori este de fapt o pisică. 12:30.970 --> 12:32.530 Dreapta. 12:32.710 --> 12:35.600 Acesta este un exemplu de situație când este de fapt o pisică. 12:35.600 --> 12:42.980 Deci veți vedea că acești trei neuroni 0. 9 0. 9 și unul vor spune ceva că spun ceva 12:42.980 --> 12:44.590 atât câinelui, cât și pisicii. 12:44.600 --> 12:49.510 Și acest lucru este din nou important amintiți-vă că acest semnal de ieșire merge în ambele moduri este același drept. 12:49.520 --> 12:55.520 Este vorba de a spune unui câine care să spună pisicii, dar atunci este de până la câine pisicii să 12:55.520 --> 13:00.220 decidă dacă să ia în considerare acel semnal și să învețe din ea sau nu. 13:00.500 --> 13:05.810 Și atât câinele cât și pisica pot vedea că aceasta este o fotografie pe care ar trebui să o pun o fotografie de pisică aici, dar imaginați-vă de 13:05.810 --> 13:10.030 fapt o fotografie a unei pisici, atât un câine, cât și o pisică poate vedea că aceasta este de fapt o pisică. 13:10.190 --> 13:20.150 Deci, practic, câinele este ca și cum ar fi bine, aceste mușchi și aceste urechi de triunghi, și această mică dimensiune da sau sau 13:20.420 --> 13:28.250 poate acest tip știi cum pisicile au aceste lucruri în ochii lor ochii lor sunt ca niște mici Nu 13:28.310 --> 13:33.350 sunt cercuri sau linii sau ceva de genul ochi de pisica. 13:33.350 --> 13:37.460 Practic, acești ochi de pisică nu lucrează cu siguranță pentru mine. 13:37.460 --> 13:42.980 Nu mă ajută să prezic, pentru că de fiecare dată când acești neuroni se aprind, predicția nu este 13:42.980 --> 13:44.240 ceea ce caut. 13:44.240 --> 13:46.910 Pe de altă parte, pisica este ca și cum ar fi interesantă. 13:46.910 --> 13:51.620 De fiecare dată când aceasta se aprinde, este mai multă vreme când se aprinde. 13:51.620 --> 13:55.310 Se potrivește cu așteptările mele că se potrivește cu ceea ce caut. 13:55.310 --> 13:55.630 O.K. 13:55.640 --> 13:58.050 O să-l ascult pe tipul ăsta mai mult decât acesta. 13:58.160 --> 14:02.710 Același lucru de fiecare dată când se aprinde sau de cele mai multe ori se aprinde. 14:02.810 --> 14:09.100 Mi sa întâmplat să primesc un bine că am fost răsplătit pentru predicția mea pentru că am dreptate. 14:09.110 --> 14:09.760 Este o pisica. 14:09.770 --> 14:10.080 O.K. 14:10.130 --> 14:11.440 O să-l ascult mai mult. 14:11.450 --> 14:17.930 Tu stii acest lucru inutil pentru mine pentru ca nu stii de fapt ca el nu aprinde nici macar o pisica, 14:17.930 --> 14:21.040 dar nu il aprinde asa ca se intampla contrariul. 14:21.050 --> 14:24.410 Și asta e bine că e cad, dar nu se lasă, așa că nu-l voi asculta. 14:24.410 --> 14:31.250 Dar atunci când a mers în ochi, ochii pisicii se luminează, putem vedea că pot vedea că eo 14:31.250 --> 14:31.850 pisică. 14:31.850 --> 14:36.440 Se potrivește de cele mai multe ori, așa că am de gând să învăț de la asta și am să ascult 14:36.980 --> 14:38.750 pe acești trei tipi mai des decât nu. 14:38.750 --> 14:44.810 Și astfel, practic pisica ascultă aceste trei și ignoră celelalte cinci și astfel modul 14:45.350 --> 14:54.830 în care acești neuroni finali învață care neuroni în Lehre finală pe deplin conectat să asculte neuronii de ieșire să învețe care dintre 14:54.830 --> 14:58.460 cele pe deplin care sunt finale complet conectate. 14:58.670 --> 15:00.030 Există neuroni pentru a asculta. 15:00.180 --> 15:02.530 Și așa inteleg ei. 15:02.790 --> 15:08.930 Practic, modul în care caracteristicile sunt propagate prin rețea și transmise la ieșire. 15:08.970 --> 15:14.070 Și astfel, chiar dacă aceste trăsături, desigur, nu au prea multă semnificație ca urechile floppy 15:14.070 --> 15:14.900 sau whiskers. 15:15.210 --> 15:21.860 În același timp, ele au un caracter distinctiv, ele sunt o caracteristică distinctivă a acelei clase specifice și astfel 15:21.870 --> 15:27.270 rețeaua este instruită pentru că, de asemenea, în timpul memorării în timpul procesului de propagare 15:27.270 --> 15:33.750 înapoi, reglează, de asemenea, detectoarele de caracteristici astfel încât, dacă o caracteristică este inutilă la ieșire va fi 15:33.750 --> 15:39.600 probabil ignorată, deoarece nu se întâmplă cu una sau două povestiri care se întâmplă prin mii și 15:39.600 --> 15:41.000 mii de iterații. 15:41.040 --> 15:46.620 Deci, cu timpul o caracteristică care este inutilă pentru rețea va fi ignorată și înlocuită 15:46.620 --> 15:52.830 cu caracteristica este utilă și astfel la sfârșitul zilei în acest strat final de neuroni este posibil 15:53.070 --> 15:59.730 să aveți o mulțime de caracteristici sau combinații de caracteristici de la imagine care este într-adevăr reprezentativă sau descriptivă 15:59.730 --> 16:01.320 pentru câini și pisici. 16:01.710 --> 16:06.660 Și atunci, odată ce rețeaua dvs. este pregătită, atunci acest lucru este modul în care este aplicată. 16:06.660 --> 16:09.340 Deci, acesta este urmatorul pas ca am fost instruiti in reteaua noastra. 16:09.350 --> 16:13.020 Să vedem ce se întâmplă când se aplică această rețea. 16:13.020 --> 16:15.660 Deci, să spunem că vom transmite o imagine a unui câine. 16:16.410 --> 16:20.340 Valorile sunt propagate printr-o rețea obținem anumite valori. 16:20.610 --> 16:26.880 Și de data aceasta câinele și neuronii de pisică nu știu că nu au imaginea câinelui aici, că nu știu că este 16:26.880 --> 16:28.470 un câine sau o pisică. 16:28.470 --> 16:35.380 Ei nu au nici o idee ce este, dar au învățat să asculte ceea ce este prezentat aici. 16:35.380 --> 16:35.660 Dreapta. 16:35.670 --> 16:40.440 Ei au învățat să asculte câinele și ascultă la acești trei neuroni un neuron de pisică ascultă aceste 16:40.440 --> 16:40.910 trei. 16:40.950 --> 16:44.850 Și așa neuronul câinelui se uită la unul doi doi și spune că aceste sunt destul de mari. 16:44.940 --> 16:50.430 Deci, probabilitatea mea va fi ridicată, că este un câine neuron pistil se uită la aceste trei și spune OK 16:50.470 --> 16:53.670 acestea sunt destul de mari, dar acestea sunt destul de scăzute. 16:53.670 --> 16:54.320 Interesant. 16:54.320 --> 16:56.990 Probabilitatea mea va fi 0. 05. 16:57.130 --> 16:58.950 Și apoi și asta. 16:58.980 --> 17:00.110 Și acolo țineți predicția. 17:00.120 --> 17:04.490 Deci prima dvs. alegere pentru această rețea neurală este câinele. 17:04.500 --> 17:06.900 A doua opțiune este pisica și asta este destul de mult. 17:06.900 --> 17:11.690 Deci răspunsul este câine și același lucru se întâmplă atunci când treci o imagine a unei pisici. 17:11.910 --> 17:16.580 Obțineți noi valori și puteți vedea că, chiar dacă aceasta este ridicată, acestea sunt scăzute. 17:16.770 --> 17:20.560 Și pentru pisică A fost mare că a fost mare și asta e cam scăzută. 17:20.670 --> 17:25.850 Deci, probabilitatea ca aici nu ar putea fi la fel de mare ca inainte, dar totusi poti vedea ca este o 17:25.860 --> 17:26.810 pisica de 79%. 17:26.940 --> 17:30.230 Și astfel, rețeaua neuronală va vota că este o pisică. 17:30.270 --> 17:33.240 Și așa că toate rețelele neuronale vor concluziona că este o pisică. 17:33.330 --> 17:40.710 Votarea este un termen care este folosit pentru acești tipi, astfel încât acești neuroni din Lehre finali pe deplin conectați 17:40.710 --> 17:41.510 să voteze. 17:41.520 --> 17:42.810 Și acestea sunt voturile lor. 17:42.870 --> 17:47.160 Și din nou, suntem doar pentru argumentare, punând valori între 0 și 1 aici. 17:47.160 --> 17:54.480 Acestea ar putea fi orice valori, dar ele ajung la vot, iar apoi aceste greutăți sunt importanța votului lor. 17:54.480 --> 18:00.540 Deci, acestea sunt aceste greutăți purpurii sunt modul în care neuronul câinelui își vede voturile. 18:00.540 --> 18:04.820 Câtă importanță le atribuie acestor neuroni și acele voturi. 18:04.830 --> 18:12.810 Și aceasta este importanța pe care neuronul pisicii le-a crescut la aceste voturi voturile acestor neuroni și deci acești neuroni votează câinele și pisica 18:12.810 --> 18:18.840 pe baza învățării lor greutățile pe care le decid cine să asculte și apoi își fac predicțiile 18:18.840 --> 18:23.490 și apoi ține rețeaua neurală concluzionează că acesta este în acest caz o 18:23.490 --> 18:29.190 pisică și apoi asta este Și atunci aceasta este concluzia ta și așa ai obținut imagini 18:29.490 --> 18:37.200 de genul ăsta unde ai un ghepard și apoi ai ghearele cu gheparde pe care le știi ca o mare probabilitate mare Deci 18:37.200 --> 18:40.080 asta e știți probabilitatea că rețeaua a prezis. 18:40.080 --> 18:44.430 Și acestea sunt legi, dar acestea există încă pentru că sunt încă cam așa de mici 18:44.430 --> 18:49.710 ca și ceilalți neuroni ascultă alegătorii lor și ei spun că poate că este de fapt un leopard și un 18:49.710 --> 18:50.580 tren de glonț. 18:50.580 --> 18:51.400 Foarte probabil. 18:51.400 --> 18:52.470 Am auzit foarfece. 18:52.470 --> 18:57.600 Știți asta, dar sticla de mână a fost o secundă foarte apropiată și în stetoscopul 18:57.600 --> 19:03.960 de cinci pence pentru că ați putut vedea ca acest tip acest neuron neuron pentru foarfece neuronul seriei de ieșire 19:03.960 --> 19:07.070 a ascultat alegătorii și a avut votul predominant general. 19:07.080 --> 19:10.190 Dar apoi sticla de mână a avut un rezultat bun, de asemenea. 19:10.200 --> 19:16.450 Deci, acolo mergem cum funcționează întreaga conexiune și cum toate acestea se desfășoară împreună. 19:16.680 --> 19:18.810 Sper că ți-a plăcut tutorialul de astăzi. 19:18.810 --> 19:21.320 Vom rezuma toate acestea și în rezumat. 19:21.420 --> 19:22.860 Ne vedem data viitoare. 19:22.860 --> 19:24.720 Până atunci se bucură de învățare profundă.