WEBVTT 00:00.520 --> 00:02.800 Hola y bienvenidos al curso y al aprendizaje profundo. 00:02.800 --> 00:06.140 Hoy finalmente estamos en STEPNELL antes de la conexión completa. 00:06.310 --> 00:08.210 Entonces, ¿de qué se trata este paso? 00:08.440 --> 00:16.990 Bien en este paso, estamos agregando una red neuronal artificial completa a nuestra red neuronal convolucional, así como a todas las cosas que 00:17.000 --> 00:22.450 hemos hecho hasta ahora que son la puesta en común y el aplanamiento de convolución. 00:22.510 --> 00:24.910 Ahora estamos agregando un nuevo completo. 00:24.930 --> 00:28.990 Y luego, en la parte posterior de eso, qué tan intenso es eso. 00:28.990 --> 00:32.350 Eso es solo que es algo que definitivamente es algo. 00:32.590 --> 00:36.730 Y aquí tenemos la capa de entrada, tenemos un plan completamente conectado. 00:36.740 --> 00:42.580 Voy a poner allí y, por cierto, el Lehre completamente conectado en las redes neuronales artificiales 00:42.580 --> 00:47.650 que solíamos llamar capas ocultas y aquí los llamamos completamente conectados porque son guaridas 00:47.650 --> 00:53.500 ocultas, pero al mismo tiempo son más específicos tipo de violinistas que están completamente conectados en 00:53.500 --> 00:57.510 redes neuronales artificiales, las letras ocultas no tienen que estar completamente conectadas. 00:57.520 --> 01:02.230 Mientras que en las redes neuronales convolucionales vamos a utilizar letras totalmente conectadas y 01:02.230 --> 01:05.640 es por eso que generalmente se llaman Lares totalmente conectadas. 01:05.770 --> 01:11.620 pasando a la entrada aprendida aquí, tenemos un ejemplo muy simplificado solo para fines ilustrativos. 01:11.620 --> 01:18.160 Entonces, básicamente, toda esa columna o vector de resultados que tenemos después del aplanamiento la estamos 01:18.160 --> 01:26.770 Y cuál es el propósito principal de la red neuronal artificial es combinar nuestras características en más atributos que predicen que 01:26.770 --> 01:28.960 los Klaas son aún mejores. 01:28.960 --> 01:37.660 Entonces, ya en nuestro vector de resultados en el Flaten del resultado aplanado de lo que realmente hemos hecho, tenemos algunas características codificadas 01:37.660 --> 01:43.750 en los números en ese vector y probablemente ya pueden hacer un muy buen trabajo al 01:43.750 --> 01:51.730 predecir qué es lo que Clauss es ' Estoy mirando si es un perro o un gato o si es un 01:51.730 --> 01:53.840 tumor o no, y así sucesivamente. 01:53.890 --> 02:00.610 tratando de predecir y lo sabemos por las partes anteriores, ¿por qué no aprovechar eso? 02:00.610 --> 02:07.810 Pero, al mismo tiempo, sabemos que tenemos esta estructura llamada red neuronal artificial que está diseñada 02:07.810 --> 02:16.120 para lidiar con los atributos y salir o tratar con las características y crear nuevos atributos y combinar 02:16.120 --> 02:20.360 atributos para predecir incluso mejor las cosas. que estamos 02:20.440 --> 02:22.750 Y eso es exactamente lo que es el plan aquí. 02:22.750 --> 02:29.140 Entonces, ¿qué tal si pasamos esos valores a una red neuronal artificial y dejamos que optimice aún más todo 02:29.140 --> 02:30.350 lo que estamos haciendo? 02:30.640 --> 02:31.900 Y entonces eso es lo que vamos a hacer. 02:31.900 --> 02:36.390 Pero veamos un ejemplo más realista porque este es demasiado simple. 02:36.610 --> 02:43.990 Así que aquí tenemos una red neuronal artificial con mejor aspecto, donde tenemos cinco atributos en las entradas que tenemos en 02:43.990 --> 02:51.040 la primera, a menos que tengamos seis neuronas en el segundo o en el segundo Larry totalmente conectado tengamos ocho 02:51.040 --> 02:55.510 neuronas y luego tengamos dos salidas uno para perro y otro para gato. 02:55.630 --> 03:02.240 Entonces, una cosa importante de la que hablar para que hablemos aquí es por qué tenemos dos productos. 03:02.240 --> 03:09.100 Estamos acostumbrados a tener solo una salida en nuestras redes neuronales artificiales. Una salida es para cuando 03:09.100 --> 03:14.740 estás prediciendo un valor numérico cuando imprimes cuando estás ejecutando un tipo de problema 03:14.740 --> 03:15.480 de regresión. 03:15.760 --> 03:22.840 funcionado perfectamente bien y, de hecho, lo que verás al almorzar ha hecho eso en los tutoriales prácticos y así será estructurado. 03:22.840 --> 03:27.940 Pero cuando estás haciendo una clasificación necesitas una salida de Proclus excepto por la excepción cuando tienes 03:27.970 --> 03:33.790 solo dos clusters, como que tenemos dos clases aquí, perro y gato, y podríamos haber hecho una salida y 03:33.790 --> 03:38.760 hacer una salida binaria y decir que One es un perro y ceros un gato y 03:38.770 --> 03:39.250 eso habría 03:39.250 --> 03:46.090 Pero al mismo tiempo, si tienes más de dos categorías, por ejemplo, perros, gatos y pájaros, debes tener 03:46.090 --> 03:52.420 una neurona por cada categoría y es por eso que vamos a practicar con dos categorías en 03:52.420 --> 03:58.320 este ejemplo para que sepamos qué esperar. si alguna vez tenemos más de dos categorías. 03:58.550 --> 04:00.010 Y entonces, ¿qué va a estar pasando aquí? 04:00.010 --> 04:05.260 Así que ya hicimos todo el trabajo de base que hicimos con la convolución, hicimos el agrupamiento y el 04:05.620 --> 04:10.570 aplanamiento y ahora la información pasará a través de la red neuronal artificial, así que echemos un vistazo 04:10.570 --> 04:12.300 a cómo sucede todo lo demás. 04:12.340 --> 04:18.460 Hay información desde el principio desde el momento en que la imagen se procesa y se convoluciona en 04:18.610 --> 04:23.920 forma convolvente y luego se aplana y luego a través de la red neuronal artificial los 04:23.920 --> 04:30.720 cuatro pasos y luego se hace una predicción y veremos cómo sucede esto en un momento será muy muy interesante. 04:30.730 --> 04:32.920 Pero por ahora solo digamos que se hizo una predicción. 04:32.920 --> 04:36.070 Y por ejemplo, el 80 por ciento de que es un perro. 04:36.070 --> 04:40.610 Pero resulta ser un gato y luego se calcula un error. 04:40.610 --> 04:40.990 A. 04:41.200 --> 04:47.720 Bueno, lo que solíamos llamar "costo de la función de costos en una red neuronal artificial" y usamos el 04:47.740 --> 04:51.460 error cuadrático medio allí o en las redes neuronales ilusorias comunes. 04:51.460 --> 04:57.630 Se llama función de pérdida y usamos una función de entropía cruzada para eso. 04:57.640 --> 04:59.870 Y hablaremos sobre la entropía cruzada y los errores cuadráticos medios. 05:00.130 --> 05:02.820 En un tutorial separado y cómo todo eso sucede. 05:02.820 --> 05:08.730 tan bien está funcionando nuestra red y estamos tratando de optimizarla optimizando o minimizando esa función para optimizar nuestra red. 05:08.730 --> 05:13.560 Pero para el conocimiento, usted dice que tenemos un tipo de función perdida que nos dice qué 05:13.750 --> 05:19.470 Entonces, el error se calcula y luego se propaga a través de la red, tal como lo hacíamos 05:19.470 --> 05:26.700 en redes neuronales artificiales, se propaga nuevamente y algunas cosas se ajustan en la red para ayudar a optimizar el rendimiento y 05:27.000 --> 05:31.670 las cosas ajustadas son como siempre las ponderaciones la red neuronal artificial es parte 05:31.670 --> 05:34.910 de las líneas azules que se ven aquí, el Cynapsus. 05:35.340 --> 05:43.950 Luego, otra cosa que se ajusta son los detectores de funciones, así que sabemos que estamos buscando funciones, pero qué sucede si 05:43.950 --> 05:46.140 estamos buscando las características incorrectas. 05:46.140 --> 05:51.570 las características son incorrectas y por eso los detectores de funciones recuerdan esas pequeñas matrices que teníamos? 05:51.570 --> 05:53.860 ¿Qué pasa si esto no funcionó porque 05:54.250 --> 05:57.270 Esa es la matriz de tres por tres. 05:57.270 --> 06:03.240 Están ajustados para que la próxima vez sea mejor y veamos qué pasa. 06:03.360 --> 06:03.860 Tipo de cosa 06:03.870 --> 06:11.040 Y, por supuesto, todo está hecho con mucha ciencia en el fondo de una gran cantidad de matemáticas y todo se hace a 06:11.040 --> 06:14.580 través de un gradiente de gradiente descendente de propagación hacia atrás. 06:14.580 --> 06:20.880 Así que es todo, no son solo perturbaciones aleatorias, sino que realmente se piensa en cómo se hace. 06:21.210 --> 06:27.630 ajustan, los pesos se ajustan y todo este proceso se repite y luego nuevamente se propagan los errores. 06:27.630 --> 06:30.710 Pero, sin embargo, los detectores de función se 06:30.720 --> 06:32.610 Y esto sigue y sigue y sigue. 06:32.760 --> 06:37.950 Y así es como se optimiza nuestra red, así es como nuestra red entrena en los datos. 06:37.950 --> 06:43.800 Entonces, lo importante aquí es que los datos pasan por toda el área desde el principio hasta 06:43.800 --> 06:44.410 el final. 06:44.430 --> 06:49.950 Luego se compara el error para que se calcule el error y luego se vuelva a propagar. 06:49.950 --> 06:56.520 Así que la misma historia que con las redes neuronales artificiales es un poco más larga debido a ese todo para los 06:56.520 --> 06:58.320 primeros tres pasos que ya teníamos. 06:59.040 --> 07:04.440 Y ahora echemos un vistazo a la parte interesante, la parte realmente interesante, ¿cómo funcionan estas dos clases 07:04.440 --> 07:10.050 porque O cómo funcionan estas dos neuronas de salida porque antes siempre hemos tenido una neurona de salida 07:10.050 --> 07:11.840 lo que sucede cuando tenemos dos. 07:11.840 --> 07:17.490 ¿Cómo se desarrolla esta situación de clasificación o imágenes? 07:17.670 --> 07:21.610 Bueno, comencemos con la neurona superior que primero comenzará con el perro. 07:22.080 --> 07:28.950 ¿Cómo es que el propósito principal de lo que tenemos que hacer primero es comprender qué pesos asignar a todos 07:28.950 --> 07:36.000 estos planes de estudios que se conectan con el perro para que sepamos cuáles de las neuronas anteriores son realmente importantes 07:36.000 --> 07:38.910 para el perro y veamos cómo Está hecho. 07:38.910 --> 07:46.460 Entonces, hipotéticamente, tenemos estos números en nuestra capa previa anterior totalmente conectados. 07:46.500 --> 07:47.980 En la capa final completamente conectada. 07:48.120 --> 07:51.010 Y nuevamente estos números pueden ser absolutamente cualquier cosa. 07:51.030 --> 07:56.490 No tienen que ser para que puedan ser números, solo por razones de discusión vamos 07:56.490 --> 08:01.890 a estar de acuerdo en que estamos buscando específicamente números entre 0 y 1. 08:02.280 --> 08:09.840 nosotros discutir estas cosas y entender, y uno quiere decir que esa neurona estaba muy segura de que encontró esta característica y 08:09.840 --> 08:15.960 cero significa que esa neurona no encontró una característica que esté buscando, porque al final de la 08:15.960 --> 08:23.580 el día en que estas neuronas, como cualquier otra cosa en este lado izquierdo, solo está mirando las características de una imagen. 08:23.610 --> 08:25.470 Entonces, es más fácil para 08:25.470 --> 08:27.490 Esto ya es muy, muy proceso. 08:27.510 --> 08:32.940 Pero aún está detectando una determinada característica o una combinación de características en la imagen justo antes de que podamos 08:33.700 --> 08:34.590 evolucionar el paso. 08:34.590 --> 08:39.060 Hemos tenido características reconocibles en el conjunto de la piscina que son menos reconocibles de lo que se vuelven 08:39.060 --> 08:40.850 aún menos reconocibles en la imagen aplanada. 08:40.850 --> 08:42.550 Y luego se combinan y así sucesivamente. 08:42.570 --> 08:48.720 Pero de todos modos aquí estamos hablando de ciertas características que son imagen presente o su combinación. 08:48.720 --> 08:54.480 Entonces, uno pasado y esto es importante ha pasado al perro y al gato al mismo 08:54.480 --> 08:57.020 tiempo a las dos neuronas de salida. 08:57.150 --> 09:06.180 Así que uno significa que para nosotros para nuestro argumento significa que esta neurona está activando. Detecta muy rápidamente esa característica que 09:06.180 --> 09:11.850 usted sabe que podría ser una ceja, podría estar detectando esta ceja otra vez 09:11.870 --> 09:15.170 por simplicidad. El motivo es detectar esta ceja. 09:15.270 --> 09:20.310 Y es comunicarle al perro que corre hacia la neurona del gato diciendo que puedo ver mi ceja y puedo ver mi ceja. 09:20.310 --> 09:25.240 Y luego depende del perro y la neurona del gato entender lo que eso significa para ellos. 09:25.290 --> 09:25.860 Derecha. 09:25.890 --> 09:30.840 Y entonces, en este caso, qué neuronas se disparan, estas tres neuronas se disparan en la ceja y 09:30.830 --> 09:36.120 dicen que la nariz dice que puedo ver que puedo ver una gran nariz y puedo ver las orejas caídas. 09:36.270 --> 09:40.540 Entonces eso y eso es lo que dice el perro y el gato y luego el perro. 09:40.560 --> 09:43.390 Y luego, lo que sucede es que sabemos que este es un perro. 09:43.440 --> 09:49.920 Entonces, la neurona del perro sabe que la respuesta es que en realidad es un perro porque al final estamos comparando con 09:49.920 --> 09:53.640 la imagen o con la etiqueta de la imagen y con otro perro. 09:53.640 --> 09:56.310 Entonces, básicamente, la neurona del perro va a decir Aha. 09:56.310 --> 09:58.820 Entonces debería ser activado en este caso. 09:58.830 --> 10:04.790 Así que estas son neuronas que están diciendo esta señal de que me están enviando al perro y el 10:04.790 --> 10:09.000 gato es en realidad una indicación para mí de que es un perro. 10:09.020 --> 10:13.940 Y a lo largo de estos lotes y muchas repeticiones de esto, muchas veces 10:13.940 --> 10:19.580 el perro aprenderá que estas neuronas se disparan cuando la característica le pertenece a un perro. 10:19.670 --> 10:24.260 Por otro lado, la neurona del gato sabrá que no es un gato y sabrá que esta característica se 10:24.260 --> 10:28.210 está disparando y esta neurona me está diciendo que puede ver las orejas caídas de oídos flojos. 10:28.370 --> 10:31.040 Pero al mismo tiempo no es un gato. 10:31.040 --> 10:36.980 y, cuanto más ocurra, más neuronas felinas van a ignorar a esta neurona sobre las orejas flojas. 10:36.980 --> 10:41.960 Así que, básicamente, para mí, esa es una señal de que debería ignorar esta neurona 10:42.440 --> 10:49.100 Y, básicamente, así es como a través de muchas y muchas iteraciones si esto sucede a menudo. 10:49.100 --> 10:54.170 Así que este es solo un ejemplo, pero si esto sucede a menudo tal vez uno tal vez 0. 8 0. 9 Tal vez a veces 10:54.170 --> 11:02.090 no se dispare pero, en general, esta neurona se enciende muy a menudo cuando en realidad es un perro, la neurona 11:02.090 --> 11:05.920 del perro comenzará a atribuirle mayor importancia a esta neurona. 11:05.930 --> 11:06.590 Y ahí vamos. 11:06.590 --> 11:08.430 Así es como lo vamos a significar. 11:08.450 --> 11:14.570 es cuando revisa todo su conjunto de datos una y otra vez y de nuevo hay muchas y muchas iteraciones. 11:14.570 --> 11:20.210 Vamos a decir que estas tres neuronas a través de este proceso iterativo conmigo con muchos muchos muchos ejemplos 11:20.210 --> 11:25.150 y muchos recuerdan, así que una muestra es una fila en su conjunto de datos y Apoc 11:25.220 --> 11:34.010 Esta neurona de perro aprendió que esta neurona de las cejas y esta neurona de la nariz grande y esta 11:34.340 --> 11:43.040 neurona de orejas flácidas parecen contribuir realmente muy bien a la clasificación de lo que está buscando y que 11:43.040 --> 11:44.350 es un perro. 11:44.480 --> 11:45.730 Así que así es como funciona. 11:45.740 --> 11:55.130 porque en esta etapa de esta red neuronal convencional de convolución completa es completamente irreconocible lo que están buscando pero al mismo tiempo 11:55.130 --> 12:01.640 es algo en el características de perros o gatos o lo que sea que lo clasifique. 12:01.640 --> 12:07.400 Y de nuevo estas orejas y nariz y cejas son muy muy aproximadas o 12:07.400 --> 12:09.020 como ejemplos muy extravagantes 12:09.410 --> 12:11.130 Y entonces, pasemos a la siguiente. 12:11.150 --> 12:15.860 Ahora vamos a ver la neurona del gato, pero estos vamos a recordar que estos pesos son 12:15.860 --> 12:17.900 que sabes cómo hemos resuelto el perro. 12:17.900 --> 12:22.970 Así que el perro es casi como ignorar a todas estas otras neuronas uno dos tres cuatro o cinco 12:22.970 --> 12:26.510 pero realmente está prestando atención a lo que estas tres neuronas están diciendo. 12:26.570 --> 12:28.330 Ahora, ¿qué está escuchando el gato? 12:28.490 --> 12:30.830 Bueno, siempre que en realidad sea un gato. 12:30.970 --> 12:32.530 Derecha. 12:32.710 --> 12:35.600 Este es un ejemplo de una situación en la que en realidad es un gato. 12:35.600 --> 12:42.980 Entonces verás que estas estas tres neuronas 0. 9 0. 9 y uno están diciendo algo, están diciendo 12:42.980 --> 12:44.590 algo al perro y al gato. 12:44.600 --> 12:49.510 Y esto también es importante recordar así que esta señal de salida va en ambos sentidos, es lo mismo correcto. 12:49.520 --> 12:55.520 Se trata de decirle al perro lo que le dice al gato, pero depende del perro y del 12:55.520 --> 13:00.220 gato decidir si tiene en cuenta esa señal y aprende de ella o no. 13:00.500 --> 13:05.810 Y tanto el perro como el gato pueden ver que esta es una foto. Debo poner una foto de un gato aquí, pero básicamente imagino 13:05.810 --> 13:10.030 una foto de un gato, tanto un perro como un gato, pueden ver que esto es realmente un gato. 13:10.190 --> 13:20.150 Así que, básicamente, el perro está bien así que estos bigotes y estas orejas triangulares puntiagudas y este pequeño tamaño sí o tal 13:20.420 --> 13:28.250 vez este tipo ya sabes cómo los gatos tienen estas cosas en sus ojos, sus ojos son como 13:28.310 --> 13:33.350 pequeños. No son círculos o líneas o algo así. ojos de gato. 13:33.350 --> 13:37.460 Básicamente estos ojos de gato definitivamente no funcionan para mí. 13:37.460 --> 13:42.980 No me están ayudando, lo predeciré porque cada vez que estas neuronas se encienden, la predicción no es 13:42.980 --> 13:44.240 lo que estoy buscando. 13:44.240 --> 13:46.910 Por otro lado, el gato es como hmm, eso es interesante. 13:46.910 --> 13:51.620 Cada vez que este se ilumina, es más la mayor parte del tiempo que se enciende. 13:51.620 --> 13:55.310 Coincide con mi expectativa de que coincida con lo que estoy buscando. 13:55.310 --> 13:55.630 DE ACUERDO. 13:55.640 --> 13:58.050 Voy a escuchar a este chico más que este. 13:58.160 --> 14:02.710 Esta misma cosa cada vez que se enciende o la mayoría de las veces se ilumina. 14:02.810 --> 14:09.100 Sucedí que obtuve un buen resultado, fui recompensado por mi predicción porque lo entiendo bien. 14:09.110 --> 14:09.760 Es un gato. 14:09.770 --> 14:10.080 DE ACUERDO. 14:10.130 --> 14:11.440 Voy a escucharlo más. 14:11.450 --> 14:17.930 Sabes que esto es inútil para mí porque él no es en realidad tu sabes como si él ni siquiera está encendiendo es un gato 14:17.930 --> 14:21.040 pero es que no está encendiéndose así que está sucediendo lo contrario. 14:21.050 --> 14:24.410 Y este es bueno, es un canalla, pero él no está decepcionando, así que no voy a escucharlo. 14:24.410 --> 14:31.250 Pero esta vez, cuando se fue, qué era esto, los ojos que se iluminan los ojos de gato, podemos ver que puedo ver que es 14:31.250 --> 14:31.850 un gato. 14:31.850 --> 14:36.440 que voy a aprender de eso y voy a escuchar a estos tres tipos más de las veces. 14:36.980 --> 14:38.750 Concuerda la mayor parte del tiempo, así 14:38.750 --> 14:44.810 Y básicamente el gato está escuchando estos tres y está ignorando a los otros cinco 14:45.350 --> 14:54.830 y así es como estas neuronas finales aprenden qué neuronas en el Lehre completamente conectado para escuchar a las neuronas de salida aprenden cuáles 14:54.830 --> 14:58.460 de las completamente que son las últimas conectadas por completo. 14:58.670 --> 15:00.030 Hay neuronas para escuchar. 15:00.180 --> 15:02.530 Y así es como lo entienden. 15:02.790 --> 15:08.930 Básicamente, así es como las características se propagan a través de la red y se transmiten a la salida. 15:08.970 --> 15:14.070 de que estas características, por supuesto, no tienen mucho significado para ellos, como orejas o bigotes. 15:14.070 --> 15:14.900 Y a pesar 15:15.210 --> 15:21.860 Al mismo tiempo, tienen algunos rasgos distintivos que son una característica distintiva de esa clase específica y así es 15:21.870 --> 15:27.270 como la red está entrenada porque también durante el proceso de propagación de retorno también 15:27.270 --> 15:33.750 ajustamos los detectores de funciones para que si una característica es inútil para la salida va a ser 15:33.750 --> 15:39.600 descartado probablemente porque esto no sucede con una o dos historias que sucede a través de miles 15:39.600 --> 15:41.000 y miles de iteraciones. 15:41.040 --> 15:46.620 es útil, por lo que al final del día en esta capa final de neuronas es probable que 15:46.620 --> 15:52.830 tenga muchas características o combinaciones de funciones del imagen que son de hecho representativos o descriptivos de perros y gatos. 15:53.070 --> 15:59.730 Por lo tanto, con el tiempo se va a descartar una característica que es inútil para la red y se la 15:59.730 --> 16:01.320 reemplaza por una característica que 16:01.710 --> 16:06.660 Entonces, una vez que su red se capacita, así es como se aplica. 16:06.660 --> 16:09.340 Así que este es el siguiente paso, como nos capacitaron en nuestra red, sucederá esto. 16:09.350 --> 16:13.020 Veamos qué ocurre cuando se aplica esta red. 16:13.020 --> 16:15.660 Entonces digamos que pasamos una imagen de un perro. 16:16.410 --> 16:20.340 Los valores se propagan a través de una red obtenemos ciertos valores. 16:20.610 --> 16:26.880 perro y el gato no saben que no tienen la imagen del perro aquí, no saben que es un perro o un gato. 16:26.880 --> 16:28.470 Y esta vez las neuronas del 16:28.470 --> 16:35.380 No tienen idea de lo que es, pero han aprendido a escuchar lo que se muestra aquí. 16:35.380 --> 16:35.660 Derecha. 16:35.670 --> 16:40.440 Han aprendido a escuchar al perro y escuchan estas tres neuronas. Una neurona del gato 16:40.440 --> 16:40.910 las escucha. 16:40.950 --> 16:44.850 Y entonces la neurona del perro mira uno dos tres y dice aha que son bastante altos. 16:44.940 --> 16:50.430 Así que mi probabilidad será alta: es un perro que la neurona del gato mira a estos tres 16:50.470 --> 16:53.670 y dice: "OK, este es bastante alto, pero son bastante bajos". 16:53.670 --> 16:54.320 Interesante. 16:54.320 --> 16:56.990 Entonces mi probabilidad va a ser 0. 05. 16:57.130 --> 16:58.950 Y y luego y eso es. 16:58.980 --> 17:00.110 Y ahí es donde obtienes tu predicción. 17:00.120 --> 17:04.490 Entonces, tu primera elección para esta red neuronal es dog. 17:04.500 --> 17:06.900 La segunda opción es cat y eso es más o menos. 17:06.900 --> 17:11.690 Entonces la respuesta es perro y pasa lo mismo cuando pasas la imagen de un gato. 17:11.910 --> 17:16.580 Obtienes nuevos valores y puedes ver que, aunque este sea alto, estos son bajos. 17:16.770 --> 17:20.560 Y para el gato Esto era alto, era alto y este es un poco bajo. 17:20.670 --> 17:25.850 Entonces la probabilidad aquí podría no ser tan buena como la anterior, pero aún así puedes ver que es un gato 17:25.860 --> 17:26.810 del 79 por ciento. 17:26.940 --> 17:30.230 Y entonces la red neuronal va a votar que es un gato. 17:30.270 --> 17:33.240 Y básicamente todas las redes neuronales van a concluir que es un gato. 17:33.330 --> 17:40.710 Votar es un término que se usa para estos tipos para que estas neuronas en el Lehre totalmente conectado 17:40.710 --> 17:41.510 puedan votar. 17:41.520 --> 17:42.810 Y estos son sus votos. 17:42.870 --> 17:47.160 Y de nuevo, estamos a favor del argumento, poniendo valores entre 0 y 1 aquí. 17:47.160 --> 17:54.480 Estos podrían ser cualquier valor, pero pueden votar, y estos pesos son la importancia de su voto. 17:54.480 --> 18:00.540 Así que estos son estos son estos pesos morados son cómo la neurona del perro ve sus votos. 18:00.540 --> 18:04.820 Cuanta importancia le asigna a estas neuronas y esos votos. 18:04.830 --> 18:12.810 Y esta es la importancia que tienen las neuronas del gato para votar los votos de estas neuronas y estas neuronas votan el perro 18:12.810 --> 18:18.840 y el gato en base a sus pesos aprendidos, deciden a quién escuchar y luego hacen sus predicciones 18:18.840 --> 18:23.490 y luego sostienen Neural Network concluye que esto es en este caso un gato 18:23.490 --> 18:29.190 y luego ese es Y entonces esa es tu conclusión y así es como obtienes imágenes como 18:29.490 --> 18:37.200 esta donde tienes un guepardo y luego tienes unas garras de guepardo que conoces como una alta probabilidad alta. Así que esto es 18:37.200 --> 18:40.080 usted sabe la probabilidad de que la red haya predicho. 18:40.080 --> 18:44.430 Y estas son leyes, pero aún existen porque todavía son como una pequeña posibilidad de que 18:44.430 --> 18:49.710 las otras neuronas también escuchen a sus votantes y digan que tal vez sea en realidad un leopardo y 18:49.710 --> 18:50.580 un tren bala. 18:50.580 --> 18:51.400 Muy muy probable 18:51.400 --> 18:52.470 Escucho tijeras. 18:52.470 --> 18:57.600 neurona de la serie de salida escuchaba a sus votantes y tenía el voto predominante en general. 18:57.600 --> 19:03.960 Usted sabe esto, pero el cristal de mano fue un segundo muy cercano y en cinco estetoscopio porque se podía 19:03.960 --> 19:07.070 ver como este tipo, esta neurona de las tijeras, la 19:07.080 --> 19:10.190 Pero luego el vidrio de mano también tuvo un buen resultado. 19:10.200 --> 19:16.450 Así que ahí vamos, así es como funciona la conexión completa y cómo esto es todo esto se desarrolla todo junto. 19:16.680 --> 19:18.810 Espero que hayan disfrutado el tutorial de hoy. 19:18.810 --> 19:21.320 Vamos a resumir todo esto en el resumen también. 19:21.420 --> 19:22.860 Y la veré la próxima vez. 19:22.860 --> 19:24.720 Hasta entonces disfruta del aprendizaje profundo.