WEBVTT 00:00.390 --> 00:02.720 Xin chào và chào mừng bạn trở lại khóa học về Học sâu. 00:02.730 --> 00:06.060 Hôm nay chúng ta cuối cùng đã ở bước số bốn, kết nối đầy đủ. 00:06.060 --> 00:08.110 Vì vậy, tất cả các bước này là gì? 00:08.130 --> 00:16.920 Chà, trong bước này, chúng tôi đang thêm toàn bộ mạng nơ-ron nhân tạo vào mạng nơ-ron tích tụ của chúng tôi. 00:16.920 --> 00:23.010 Vì vậy, đối với tất cả những thứ mà chúng tôi đã làm cho đến nay, đó là gộp chập và làm phẳng bây giờ chúng tôi 00:23.010 --> 00:24.780 đang thêm một thứ hoàn toàn mới. 00:24.810 --> 00:28.920 Và sau đó, ở mặt sau của điều đó, mức độ dữ dội như thế nào? 00:28.920 --> 00:32.310 Đó chỉ là đó là một cái gì đó chắc chắn là một cái gì đó. 00:32.310 --> 00:37.140 Và ở đây chúng ta có lớp đầu vào, lớp đầu ra mạng LAN được kết nối đầy đủ. 00:37.140 --> 00:42.960 Và nhân tiện, lớp được kết nối đầy đủ trong mạng nơ-ron nhân tạo, chúng tôi thường gọi chúng là các lớp ẩn và ở đây 00:42.960 --> 00:47.280 chúng tôi gọi chúng là các lớp được kết nối đầy đủ vì chúng là các lớp ẩn. 00:47.280 --> 00:52.740 Nhưng đồng thời chúng là một loại lớp ẩn cụ thể hơn, là lớp được kết nối đầy đủ trong 00:52.740 --> 00:54.060 mạng nơ-ron nhân tạo. 00:55.440 --> 00:59.910 Các lớp ẩn không nhất thiết phải được kết nối đầy đủ, trong khi trong mạng nơ-ron phức hợp, chúng ta sẽ 00:59.910 --> 01:05.400 sử dụng các lớp được kết nối đầy đủ và đó là lý do tại sao chúng thường được gọi là các lớp được kết nối đầy đủ. 01:05.490 --> 01:11.550 Và về cơ bản, toàn bộ cột hoặc vectơ đầu ra mà chúng ta có sau khi làm phẳng, chúng ta đang chuyển nó 01:11.550 --> 01:12.570 vào lớp đầu vào. 01:12.570 --> 01:20.310 Và ở đây chúng ta có một ví dụ rất đơn giản, chỉ nhằm mục đích minh họa và mục đích chính của mạng 01:20.310 --> 01:27.720 nơ-ron nhân tạo là gì, là kết hợp các tính năng của chúng ta thành nhiều thuộc tính hơn để dự đoán các 01:27.720 --> 01:28.890 lớp tốt hơn. 01:28.890 --> 01:37.800 Vì vậy, chúng tôi đã có vector kết quả đầu ra của chúng tôi ở độ phẳng và kết quả được làm phẳng từ những gì chúng tôi đã làm. 01:37.800 --> 01:44.010 Chúng tôi có một số tính năng được mã hóa bằng các con số trong vectơ đó và chúng có thể 01:44.010 --> 01:51.810 đã thực hiện khá tốt công việc dự đoán chúng ta đang xem lớp gì, cho dù đó là chó hay mèo, đó là khối u 01:51.810 --> 01:53.640 hay không, và như thế. 01:53.640 --> 01:59.310 Nhưng đồng thời, chúng ta biết rằng chúng ta có cấu trúc này được gọi là mạng 01:59.310 --> 02:07.290 nơ-ron nhân tạo, được thiết kế với mục đích xử lý các thuộc tính và xử lý các tính năng và tạo ra các 02:07.290 --> 02:15.690 thuộc tính mới và kết hợp các thuộc tính với nhau để đồng đều dự đoán tốt hơn những điều mà chúng tôi đang cố gắng 02:15.690 --> 02:16.620 dự đoán. 02:16.620 --> 02:18.600 Và chúng ta đã biết điều đó từ phần trước. 02:18.600 --> 02:20.160 Vậy tại sao không tận dụng điều đó? 02:20.160 --> 02:22.590 Và đó chính xác là kế hoạch ở đây. 02:22.590 --> 02:29.070 Vậy làm thế nào về việc chúng ta chuyển những giá trị đó vào một mạng nơ-ron nhân tạo và để nó tối ưu hóa hơn nữa mọi thứ mà 02:29.070 --> 02:30.180 chúng ta đang làm? 02:30.390 --> 02:31.800 Và đó là những gì chúng tôi sẽ làm. 02:31.800 --> 02:36.300 Nhưng hãy xem một ví dụ thực tế hơn vì ví dụ này hơi quá đơn giản. 02:36.300 --> 02:43.920 Vì vậy, ở đây chúng tôi có một mạng nơ-ron nhân tạo trông đẹp hơn, nơi chúng tôi có năm thuộc tính trên các đầu vào. 02:43.920 --> 02:50.970 Sau đó, chúng ta có trong lớp đầu tiên, chúng ta có sáu tế bào thần kinh trong lớp thứ hai hoặc trong lớp thứ hai được kết nối đầy đủ, chúng ta có tám 02:50.970 --> 02:55.320 tế bào thần kinh, và sau đó chúng ta có hai đầu ra, một cho chó và một cho mèo. 02:55.320 --> 03:02.130 Và một điều quan trọng cần nói ở đây là tại sao chúng ta lại có hai đầu ra? 03:02.130 --> 03:06.810 Chúng ta đã quen với việc chỉ có một đầu ra trong mạng nơ-ron nhân tạo của mình. 03:06.810 --> 03:13.830 Chà, một kết quả dành cho loại khi bạn dự đoán một giá trị số, khi bạn đang chạy một loại 03:13.830 --> 03:15.390 vấn đề hồi quy. 03:15.510 --> 03:22.680 Nhưng khi bạn đang phân loại, bạn cần một đầu ra cho mỗi lớp, ngoại trừ trường hợp ngoại lệ là khi bạn chỉ có hai lớp, giống như chúng ta có 03:22.680 --> 03:27.180 hai lớp ở đây, dog và cat và chúng ta có thể chỉ thực hiện một đầu ra và 03:27.180 --> 03:32.280 biến nó thành tệp nhị phân. đầu ra và cho biết một con là con chó và con số không là con mèo. 03:32.280 --> 03:33.990 Và điều đó sẽ hoạt động hoàn toàn tốt. 03:33.990 --> 03:38.700 Và trên thực tế, trên thực tế, bạn sẽ thấy cách thực hiện điều đó trong các hướng dẫn thực hành và đó là cách chúng được 03:38.730 --> 03:39.150 cấu trúc. 03:39.150 --> 03:45.720 Nhưng đồng thời, nếu bạn có nhiều hơn hai danh mục, chẳng hạn như chó, mèo và chim, thì bạn 03:45.720 --> 03:49.410 phải có một tế bào thần kinh cho mỗi danh mục. 03:49.410 --> 03:54.660 Và đó là lý do tại sao chúng ta sẽ thực hành với hai danh mục trong ví dụ này, để chúng ta biết 03:54.660 --> 03:57.780 điều gì sẽ xảy ra nếu chúng ta có nhiều hơn hai danh mục. 03:58.380 --> 03:59.940 Và điều gì sẽ xảy ra ở đây? 03:59.940 --> 04:04.590 Vì vậy, chúng tôi đã hoàn thành tất cả các bước cơ bản, chúng tôi đã thực hiện tích 04:04.590 --> 04:09.480 chập, chúng tôi đã thực hiện gộp và làm phẳng, và bây giờ thông tin sẽ đi qua mạng nơ-ron nhân tạo. 04:09.480 --> 04:11.970 Vì vậy, chúng ta hãy xem tất cả những điều đó xảy ra như thế nào. 04:12.030 --> 04:18.160 Có thông tin đi qua ngay từ đầu, từ thời điểm hình ảnh được xử lý, sau đó có thể được 04:18.160 --> 04:23.850 tham gia, sau đó gộp lại, làm phẳng và sau đó thông qua mạng nơ-ron nhân tạo, tất cả bốn 04:23.850 --> 04:24.420 bước. 04:24.960 --> 04:29.580 Và sau đó một dự đoán được đưa ra và chúng ta sẽ xem điều này xảy ra như thế nào trong giây lát. 04:29.580 --> 04:30.660 Nó sẽ rất, rất thú vị. 04:30.660 --> 04:32.820 Nhưng hiện tại, hãy nói rằng một dự đoán đã được đưa ra. 04:32.820 --> 04:40.470 Và ví dụ, 80% rằng đó là một con chó, nhưng nó lại là một con mèo và sau đó một lỗi được tính toán thành 04:40.470 --> 04:47.700 một giếng, cái mà chúng ta thường gọi là hàm chi phí trong mạng nơ-ron nhân tạo và chúng ta sử dụng lỗi bình 04:47.700 --> 04:51.240 phương trung bình ở đó hoặc trong mạng nơ-ron phức hợp. 04:51.240 --> 04:58.470 Nó được gọi là một hàm mất mát và chúng tôi sử dụng một hàm entropy chéo cho điều đó và chúng ta sẽ nói về entropy chéo và 04:58.470 --> 04:59.820 lỗi bình phương trung bình. 04:59.990 --> 05:02.660 Trong một hướng dẫn riêng và cách tất cả những điều đó xảy ra. 05:02.660 --> 05:08.240 Nhưng hiện tại, giả sử chúng ta có một loại chức năng bị mất cho chúng ta biết mạng của chúng ta đang hoạt động tốt như thế nào 05:08.240 --> 05:13.460 và chúng ta đang cố gắng tối ưu hóa, tối ưu hóa nó hoặc giảm thiểu chức năng đó để tối ưu hóa mạng của chúng ta. 05:13.460 --> 05:18.870 Vì vậy, chúng tôi tính toán lỗi và sau đó nó được lan truyền trở lại qua mạng giống như chúng tôi đã 05:18.890 --> 05:21.500 có trong mạng nơ-ron nhân tạo được truyền ngược trở lại. 05:21.500 --> 05:27.800 Và một số thứ được điều chỉnh trong mạng để giúp tối ưu hóa hiệu suất. 05:27.800 --> 05:31.880 Và những thứ được điều chỉnh như bình thường là trọng số trong phần mạng nơ-ron nhân tạo. 05:31.880 --> 05:34.790 Vì vậy, các đường màu xanh lam mà bạn nhìn thấy ở đây, các khớp thần kinh. 05:35.120 --> 05:41.570 Sau đó, một thứ khác cũng được điều chỉnh là các bộ phát hiện tính năng. 05:41.570 --> 05:46.070 Vì vậy, chúng tôi biết rằng chúng tôi đang tìm kiếm các tính năng, nhưng nếu chúng tôi đang tìm kiếm các tính năng sai thì sao? 05:46.070 --> 05:47.960 Điều gì sẽ xảy ra nếu điều này không thành công? 05:47.960 --> 05:49.370 Vì các tính năng không chính xác. 05:49.370 --> 05:55.940 Và do đó, các công cụ phát hiện tính năng, những công cụ này ghi nhớ những ma trận nhỏ mà chúng tôi 05:55.940 --> 06:03.470 đã có ba ma trận ba, chúng được điều chỉnh để có thể lần sau sẽ tốt hơn và chúng ta hãy xem điều gì sẽ xảy 06:03.470 --> 06:03.800 ra. 06:03.800 --> 06:11.000 Và tất nhiên, tất cả đều được thực hiện với rất nhiều khoa học trong nền và rất nhiều toán học và tất cả đều được thực 06:11.000 --> 06:14.480 hiện thông qua một gradient, gradient descent với sự lan truyền ngược. 06:14.480 --> 06:17.870 Vì vậy, tất cả không chỉ là những nhiễu loạn ngẫu nhiên. 06:17.870 --> 06:20.780 Nó thực sự rất suy nghĩ về cách nó được thực hiện. 06:20.990 --> 06:27.560 Nhưng tuy nhiên, các bộ phát hiện tính năng được điều chỉnh, trọng lượng được điều chỉnh và toàn bộ quá trình này 06:27.560 --> 06:28.460 lại diễn ra. 06:28.550 --> 06:32.540 Và sau đó một lần nữa lỗi lại được lan truyền và điều này tiếp tục lặp đi lặp lại. 06:32.540 --> 06:35.060 Và đó là cách mạng của chúng tôi được tối ưu hóa. 06:35.060 --> 06:37.850 Đó là cách mạng của chúng tôi đào tạo trên dữ liệu. 06:37.850 --> 06:42.200 Vì vậy điều quan trọng quan trọng ở đây là dữ liệu đi qua toàn bộ 06:42.200 --> 06:45.950 mạng từ đầu đến cuối, sau đó sai số được so sánh. 06:47.180 --> 06:49.880 Vì vậy, lỗi được tính toán và sau đó được lan truyền trở lại. 06:49.880 --> 06:56.450 Câu chuyện tương tự như với mạng nơ-ron nhân tạo chỉ lâu hơn một chút vì toàn bộ điều đó trong ba bước đầu tiên 06:56.450 --> 06:57.800 mà chúng ta đã có. 06:58.820 --> 07:02.450 Và bây giờ chúng ta hãy nhìn vào phần thú vị, phần thực sự thú vị. 07:02.450 --> 07:04.760 Hai lớp này hoạt động như thế nào? 07:04.760 --> 07:07.070 Vì hay hai nơ-ron đầu ra này hoạt động như thế nào? 07:07.070 --> 07:10.400 Bởi vì trước đây chúng ta luôn có một nơ-ron đầu ra. 07:10.400 --> 07:11.750 Điều gì xảy ra khi chúng ta có hai? 07:11.750 --> 07:17.420 Tình hình phân loại hình ảnh này diễn ra như thế nào? 07:17.420 --> 07:19.460 Vâng, hãy bắt đầu với nơ-ron trên cùng trước. 07:19.460 --> 07:21.350 Chúng ta sẽ bắt đầu với con chó. 07:21.890 --> 07:28.850 Mục đích chính của chúng ta như thế nào, điều chúng ta cần làm trước tiên là chúng ta cần hiểu khối lượng nào 07:28.850 --> 07:36.650 cần gán cho tất cả các khớp thần kinh này kết nối với con chó để chúng ta biết được neuron trước đó thực sự quan trọng đối 07:36.650 --> 07:37.760 với con chó. 07:37.760 --> 07:38.840 Và chúng ta hãy xem làm thế nào điều đó được thực hiện. 07:38.840 --> 07:46.250 Vì vậy, giả thuyết rằng, chúng ta có những con số này trong lớp trước của chúng ta, được kết nối đầy đủ trước đó trong lớp được kết 07:46.430 --> 07:47.870 nối đầy đủ cuối cùng. 07:47.870 --> 07:50.900 Và một lần nữa, những con số này hoàn toàn có thể là bất cứ điều gì. 07:50.900 --> 07:53.780 Chúng không nhất thiết phải là bất kỳ con số nào. 07:53.780 --> 08:00.740 Nhưng chỉ vì lý do tranh luận, chúng ta sẽ đồng ý rằng chúng ta đang xem xét cụ thể các con số từ 08:00.740 --> 08:01.730 0 đến 1. 08:02.210 --> 08:05.090 Vì vậy, chúng ta dễ dàng tranh luận và hiểu những điều này hơn. 08:05.450 --> 08:11.360 Và một điều có nghĩa là nơ-ron đó rất tự tin rằng nó đã tìm thấy một đặc điểm nào đó. 08:11.360 --> 08:15.980 Và số 0 sẽ có nghĩa là nơ-ron đó không tìm thấy một tính năng đang tìm kiếm. 08:15.980 --> 08:23.540 Vì vậy, bởi vì vào cuối ngày, những tế bào thần kinh này giống như bất kỳ thứ gì khác từ phía bên trái này chỉ nhìn vào các 08:23.540 --> 08:25.280 đặc điểm của một hình ảnh. 08:25.280 --> 08:30.500 Điều này đã được xử lý rất, rất nhiều, nhưng nó vẫn phát hiện một tính năng nhất định hoặc kết hợp 08:30.500 --> 08:31.970 các tính năng trên hình ảnh. 08:31.970 --> 08:36.860 Ngay trước khi thực hiện bước điều khiển, chúng ta đã có một số đặc điểm dễ nhận biết trong bước gộp. 08:36.860 --> 08:41.240 Chúng ít được nhận ra hơn, sau đó chúng thậm chí còn trở nên khó nhận biết hơn trong hình ảnh phẳng và sau đó chúng 08:41.240 --> 08:42.410 được kết hợp với nhau, v.v. 08:42.410 --> 08:48.140 Nhưng tuy nhiên, điều chúng ta đang nói ở đây, một số tính năng nhất định là hình ảnh hiện tại hoặc sự kết hợp 08:48.140 --> 08:48.650 của chúng. 08:48.650 --> 08:54.440 Vì vậy, một cái đang bị tạm dừng và cái này quan trọng sẽ được truyền cho cả chó và mèo cùng 08:54.440 --> 08:56.900 một lúc tới cả các nơ-ron đầu ra. 08:56.900 --> 09:05.030 Vì vậy, một có nghĩa là đối với chúng tôi, đối với lập luận của chúng tôi, nó có nghĩa là tế bào thần kinh này đang kích hoạt. 09:05.030 --> 09:08.360 Nó thực sự nhanh chóng phát hiện tính năng đó. 09:08.360 --> 09:10.100 Đó có thể là lông mày. 09:10.100 --> 09:15.080 Nó có thể phát hiện ra lông mày này một lần nữa, vì đơn giản, nó đang phát hiện ra lông mày này. 09:15.080 --> 09:17.300 Và nó đang giao tiếp điều đó với tế bào thần kinh của chó. 09:17.330 --> 09:20.270 Đối với thần kinh mèo mà nói, tôi có thể nhìn thấy lông mày của tôi, tôi có thể nhìn thấy lông mày của tôi. 09:20.270 --> 09:25.100 Và sau đó, tế bào thần kinh của chó và mèo phải hiểu điều đó có ý nghĩa gì đối với chúng. 09:25.100 --> 09:25.640 Đúng. 09:25.640 --> 09:28.370 Và trong trường hợp này, tế bào thần kinh nào đang kích hoạt? 09:28.370 --> 09:30.530 Ba tế bào thần kinh này đang bắn lên lông mày. 09:30.530 --> 09:36.020 Và giả sử cái mũi đang nói, tôi có thể thấy tôi có thể thấy một cái mũi to và tôi có thể thấy một đôi tai mềm. 09:36.020 --> 09:40.460 Vì vậy, nó đang nói điều đó với con chó và con mèo và sau đó là con chó. 09:40.460 --> 09:43.280 Và sau đó những gì xảy ra là chúng ta biết rằng đây là một con chó. 09:43.280 --> 09:49.880 Vì vậy, tế bào thần kinh của con chó biết rằng câu trả lời là nó thực sự là một con chó bởi vì cuối cùng chúng ta 09:49.880 --> 09:53.570 so sánh với hình ảnh hoặc nhãn trên bức tranh và nó biết con chó. 09:53.570 --> 09:58.610 Vì vậy, về cơ bản, tế bào thần kinh của chó sẽ nói, aha, vì vậy tôi nên được kích hoạt trong trường hợp này. 09:58.610 --> 09:59.540 Vì vậy, đây là. 09:59.650 --> 10:00.370 Tế bào thần kinh của tôi. 10:00.370 --> 10:06.190 Họ đang nói tín hiệu rằng họ đang gửi cho cả tôi, cho con chó và con mèo thực sự là một 10:06.190 --> 10:08.920 dấu hiệu cho tôi rằng đó là một con chó. 10:08.920 --> 10:13.540 Và trong suốt rất nhiều và rất nhiều và rất nhiều lần lặp đi lặp lại này, nếu điều này xảy 10:13.540 --> 10:19.450 ra nhiều lần, con chó sẽ biết rằng những tế bào thần kinh này thực sự kích hoạt khi tính năng đó thuộc về một con chó. 10:19.480 --> 10:24.100 Mặt khác, nơ-ron của mèo sẽ biết rằng đó không phải là mèo và nó sẽ biết rằng đặc điểm 10:24.100 --> 10:28.480 này đang kích hoạt và nơ-ron này nói với tôi rằng nó có thể nhìn thấy tai mềm, tai 10:28.480 --> 10:30.970 mềm, tai mềm, nhưng đồng thời thì không. con mèo. 10:30.970 --> 10:35.740 Vì vậy, về cơ bản đối với tôi đó là một tín hiệu mà tôi nên bỏ qua tế bào thần kinh này. 10:35.740 --> 10:40.960 Và điều đó càng xảy ra, tế bào thần kinh của mèo sẽ càng bỏ qua tế bào thần kinh này về đôi 10:40.960 --> 10:41.440 tai mềm. 10:42.160 --> 10:49.000 Và về cơ bản, đó là cách trải qua rất nhiều và rất nhiều lần lặp lại nếu điều này xảy ra thường xuyên. 10:49.000 --> 10:50.020 Vì vậy, đây chỉ là một ví dụ. 10:50.020 --> 10:54.370 Nhưng nếu điều này xảy ra thường xuyên, có thể là một, có thể là 0. 8, 0. 9, có lẽ đôi khi nó sẽ không cháy. 10:54.370 --> 10:59.410 Nhưng nhìn chung, trung bình, nơ-ron này rất thường xuyên sáng lên. 10:59.410 --> 11:05.830 Khi nó thực sự là một con chó, tế bào thần kinh của chó sẽ bắt đầu gán tầm quan trọng cao hơn cho tế bào thần kinh này. 11:05.830 --> 11:06.520 Và vậy là xong. 11:06.520 --> 11:08.290 Đó là cách chúng ta sẽ ký hiệu nó. 11:08.320 --> 11:14.200 Chúng ta sẽ nói rằng ba tế bào thần kinh này, thông qua quá trình lặp đi lặp lại này với rất nhiều, rất nhiều, 11:14.200 --> 11:16.810 rất nhiều mẫu và rất nhiều kỷ nguyên, hãy nhớ. 11:16.810 --> 11:22.630 Vì vậy, mẫu là một hàng trong tập dữ liệu của bạn và kỷ nguyên là khi bạn xem đi xem lại toàn bộ tập dữ liệu 11:22.630 --> 11:23.170 của mình. 11:23.170 --> 11:25.000 Có rất nhiều và rất nhiều lần lặp lại. 11:25.000 --> 11:34.090 Tế bào thần kinh của loài chó này đã học được rằng tế bào thần kinh lông mày này, tế bào thần kinh mũi to và tế bào thần 11:34.090 --> 11:42.970 kinh tai mềm này, tất cả chúng dường như thực sự đóng góp rất tốt vào việc phân loại thứ mà nó đang tìm kiếm và đâu là 11:42.970 --> 11:43.690 loài chó. 11:44.320 --> 11:45.520 Vì vậy, đó là cách nó hoạt động. 11:45.520 --> 11:55.060 Và một lần nữa, đôi tai, mũi và lông mày này, đó là những ví dụ rất, rất gần đúng hoặc giống như những ví dụ được tìm nạp rất xa 11:55.060 --> 12:01.570 bởi vì ở giai đoạn này, trong toàn bộ mạng nơ-ron tích chập này, nó hoàn toàn không thể nhận ra, 12:01.570 --> 12:03.490 những gì họ đang tìm kiếm. 12:03.490 --> 12:08.890 Nhưng đồng thời, nó là một cái gì đó trong các đặc điểm của chó, mèo hoặc bất cứ thứ gì bạn đang phân loại. 12:09.190 --> 12:11.140 Và sau đó chúng ta hãy chuyển sang phần tiếp theo. 12:11.140 --> 12:15.610 Bây giờ chúng ta sẽ xem xét tế bào thần kinh của mèo, nhưng chúng ta sẽ nhớ rằng những trọng lượng này là chúng 12:15.940 --> 12:17.830 mà chúng ta đã phân loại ra khỏi con chó. 12:17.830 --> 12:21.130 Vì vậy, con chó khá giống như bỏ qua tất cả các tế bào thần kinh khác. 12:21.130 --> 12:22.570 Một hai ba bốn năm. 12:22.570 --> 12:26.140 Nhưng nó thực sự chú ý đến những gì ba tế bào thần kinh này đang nói. 12:26.290 --> 12:28.240 Bây giờ, con mèo đang nghe gì? 12:28.240 --> 12:31.480 Chà, bất cứ khi nào nó thực sự là một con mèo, phải không. 12:32.500 --> 12:35.500 Đây là một ví dụ về một tình huống khi nó thực sự là một con mèo. 12:35.500 --> 12:42.460 Vì vậy, bạn sẽ thấy rằng ba tế bào thần kinh này, 0. 9, 0. 9 và một, họ đang nói điều gì đó. 12:42.460 --> 12:44.530 Họ đang nói điều gì đó với cả con chó và con mèo. 12:44.530 --> 12:45.730 Và điều này, một lần nữa, quan trọng cần nhớ. 12:45.730 --> 12:48.520 Vì vậy, tín hiệu đầu ra này đi theo cả hai cách. 12:48.520 --> 12:49.450 Nó giống nhau, phải không? 12:49.450 --> 12:54.190 Nó đang nói một người với con chó đang nói một người với con mèo, nhưng sau đó 12:54.190 --> 13:00.070 tùy thuộc vào con chó và con mèo để quyết định xem có tính đến tín hiệu đó và rút kinh nghiệm hay không. 13:00.280 --> 13:04.000 Và cả con chó và con mèo đều có thể nhận ra rằng đây là một bức ảnh. 13:04.030 --> 13:07.000 Lẽ ra, tôi nên đặt một bức ảnh của một con mèo ở đây, nhưng về cơ bản hãy tưởng tượng một bức ảnh của một con mèo. 13:07.000 --> 13:09.910 Cả con chó và con mèo đều có thể nhận ra rằng đây thực sự là một con mèo. 13:09.910 --> 13:18.970 Vì vậy, về cơ bản con chó giống như, Ồ, được rồi, vậy những chiếc râu này và đôi tai hình tam giác nhọn và kích thước nhỏ này, 13:18.970 --> 13:26.320 tôi đoán, hoặc ồ, có thể là kiểu này, bạn biết mèo có những thứ này như thế nào trong mắt không? 13:26.320 --> 13:28.240 Đôi mắt của họ giống như một chút. 13:28.240 --> 13:32.110 Chúng không phải là những vòng tròn, những đường thẳng của chúng hay những thứ tương tự. 13:32.110 --> 13:33.280 Giống như mắt mèo. 13:33.280 --> 13:37.390 Về cơ bản, đôi mắt mèo này, chúng chắc chắn không có tác dụng với tôi. 13:37.390 --> 13:42.880 Họ không giúp tôi dự đoán bởi vì mỗi khi những tế bào thần kinh này sáng lên, dự đoán không phải là những gì 13:42.910 --> 13:43.990 tôi đang tìm kiếm. 13:44.020 --> 13:46.810 Mặt khác, con mèo giống như, Hmm, điều đó thật thú vị. 13:46.810 --> 13:51.430 Mỗi khi cái này sáng lên, nó hoặc hầu hết thời gian nó sáng lên. 13:51.430 --> 13:53.800 Nó phù hợp với mong đợi của tôi. 13:53.800 --> 13:55.210 Nó phù hợp với những gì tôi đang tìm kiếm. 13:55.240 --> 13:55.540 Được chứ. 13:55.540 --> 13:57.970 Tôi sẽ lắng nghe anh chàng này nhiều hơn sau đó là điều này. 13:57.970 --> 13:58.870 Điều này, điều tương tự. 13:58.870 --> 14:01.840 Mỗi khi nó sáng lên hoặc hầu hết các lần nó sáng lên. 14:02.620 --> 14:09.040 Tôi tình cờ nhận được một điều tốt Tôi tình cờ được thưởng cho dự đoán của tôi bởi vì tôi làm đúng. 14:09.040 --> 14:09.670 Nó là con mèo. 14:09.670 --> 14:11.230 Được rồi, vì vậy tôi sẽ lắng nghe anh ấy nhiều hơn. 14:11.230 --> 14:16.060 Bạn biết đấy, điều này vô dụng với tôi bởi vì anh ấy thực sự không giống như anh ấy. 14:17.020 --> 14:17.980 Anh ấy thậm chí còn không sáng lên. 14:17.980 --> 14:19.870 Đó là một con mèo, nhưng nó không sáng lên. 14:19.870 --> 14:20.950 Vì vậy, điều ngược lại đang xảy ra. 14:20.950 --> 14:22.000 Và cả cái này nữa. 14:22.000 --> 14:23.410 Đó là một con mèo, nhưng nó không sáng lên. 14:23.410 --> 14:24.340 Vì vậy, tôi sẽ không nghe anh ta. 14:24.340 --> 14:27.520 Nhưng cái này, khi anh ấy khi nào đây là cái gì? 14:27.520 --> 14:27.940 Đôi mắt. 14:27.940 --> 14:29.350 Mắt mèo sáng lên. 14:29.590 --> 14:31.780 Chúng ta có thể thấy Tôi có thể thấy rằng đó là một con mèo. 14:31.780 --> 14:33.220 Nó phù hợp với hầu hết thời gian. 14:33.220 --> 14:38.650 Vì vậy, tôi sẽ học hỏi từ điều đó và tôi sẽ nghe ba người này thường xuyên hơn không. 14:38.650 --> 14:42.940 Và về cơ bản, con mèo đang nghe ba cái này và nó phớt lờ năm cái còn lại. 14:42.940 --> 14:53.620 Và đó là cách những tế bào thần kinh cuối cùng này học những tế bào thần kinh nào ở lớp cuối cùng, được kết nối đầy đủ để lắng nghe. 14:53.620 --> 14:58.330 Vì vậy, các tế bào thần kinh đầu ra học cái nào trong số các tế bào đầy đủ hoặc cái nào trong số các tế bào cuối cùng được kết nối hoàn toàn. 14:58.640 --> 14:59.990 Tế bào thần kinh của họ để lắng nghe. 14:59.990 --> 15:02.360 Và đó là cách họ hiểu. 15:02.720 --> 15:08.720 Về cơ bản, đó là cách các tính năng được truyền thông qua mạng và chuyển tải đến đầu ra. 15:08.720 --> 15:13.820 Và vì vậy, mặc dù những đặc điểm này, tất nhiên, không có nhiều ý nghĩa đối với 15:13.820 --> 15:21.050 chúng, như tai mềm hay râu, đồng thời, chúng có một số điểm đặc biệt, chúng là một đặc điểm nổi bật của lớp cụ 15:21.050 --> 15:21.770 thể đó. 15:21.770 --> 15:26.810 Và đó là cách mạng được đào tạo, bởi vì chúng tôi cũng ghi nhớ trong quá trình lan truyền ngược, 15:26.810 --> 15:29.660 chúng tôi cũng điều chỉnh các bộ phát hiện tính năng. 15:29.660 --> 15:36.410 Vì vậy, nếu một tính năng vô dụng đối với đầu ra, nó sẽ có thể bị bỏ qua vì điều này không xảy ra 15:36.410 --> 15:40.790 trong một hoặc hai ngày, nó chỉ xảy ra qua một nghìn hàng nghìn lần lặp. 15:40.790 --> 15:46.250 Vì vậy, theo thời gian, một tính năng vô dụng đối với mạng sẽ bị bỏ qua và thay thế bằng tính 15:46.250 --> 15:47.120 năng hữu ích. 15:47.120 --> 15:53.510 Và như vậy vào cuối ngày, trong lớp tế bào thần kinh cuối cùng này, bạn có thể có rất nhiều đặc 15:53.510 --> 16:00.080 điểm hoặc sự kết hợp các đặc điểm từ hình ảnh thực sự là đại diện hoặc mô tả về chó và 16:00.080 --> 16:00.620 mèo. 16:01.460 --> 16:06.560 Và sau đó khi mạng của bạn được đào tạo, thì đây là cách nó được áp dụng. 16:06.560 --> 16:08.540 Vì vậy, đây là bước tiếp theo, giống như chúng tôi đã đào tạo về nó. 16:08.540 --> 16:12.950 Vì vậy, chúng ta hãy xem điều gì sẽ xảy ra khi mạng này được áp dụng. 16:12.950 --> 16:15.170 Vì vậy, giả sử chúng ta truyền lại một hình ảnh của một con chó. 16:16.280 --> 16:20.300 Các giá trị được truyền qua mạng, chúng tôi nhận được các giá trị nhất định. 16:20.300 --> 16:24.860 Và vì vậy lần này tế bào thần kinh của chó và mèo không biết. 16:24.860 --> 16:26.660 Họ không có hình ảnh của con chó ở đây. 16:26.660 --> 16:28.370 Họ không biết rằng đó là một con chó hay một con mèo. 16:28.370 --> 16:35.570 Họ không biết nó là gì, nhưng họ đã học cách lắng nghe những gì được trình bày ở đây, phải không? 16:35.570 --> 16:39.980 Chúng đã học cách lắng nghe nơ-ron con chó, nghe ba nơ-ron này, nơ-ron mèo lắng nghe ba 16:39.980 --> 16:40.670 nơ-ron này. 16:40.670 --> 16:44.690 Và vì vậy tế bào thần kinh của chó nhìn vào 1 đến 3 và nói, Aha, chúng khá cao. 16:44.690 --> 16:47.570 Vì vậy, khả năng cao đó là một con chó. 16:47.600 --> 16:52.550 Con mèo thần kinh nhìn ba cái này và nói, được rồi, cái này, cái này khá cao, nhưng cái 16:52.550 --> 16:53.450 này khá thấp. 16:53.450 --> 16:54.230 Thú vị. 16:54.230 --> 16:56.870 Vì vậy, xác suất của tôi sẽ là 0. 05. 16:56.870 --> 17:00.020 Và sau đó và đó và đó là nơi bạn nhận được dự đoán của mình. 17:00.020 --> 17:05.600 Vì vậy, lựa chọn đầu tiên của bạn cho mạng nơ-ron này là chó, lựa chọn thứ hai là mèo. 17:05.600 --> 17:06.830 Và đó là khá nhiều. 17:06.830 --> 17:08.030 Vì vậy, câu trả lời là con chó. 17:08.150 --> 17:14.780 Và điều tương tự cũng xảy ra khi bạn chuyển qua hình ảnh một con mèo, bạn nhận được các giá trị mới và bạn có thể thấy rằng mặc dù giá trị 17:14.780 --> 17:16.520 này cao nhưng giá trị này lại thấp. 17:16.520 --> 17:20.450 Và đối với con mèo, con này cao hơn, con này cao và con này hơi thấp. 17:20.450 --> 17:23.870 Vì vậy, xác suất ở đây có thể không lớn như trước đây. 17:23.870 --> 17:26.720 Nhưng bạn vẫn có thể thấy rằng đó là một con mèo của 79%. 17:26.720 --> 17:30.080 Và do đó, mạng lưới thần kinh sẽ bỏ phiếu rằng đó là một con mèo. 17:30.080 --> 17:33.140 Và về cơ bản, tất cả mạng nơ-ron sẽ kết luận rằng đó là một con mèo. 17:33.140 --> 17:36.230 Bỏ phiếu là một thuật ngữ được sử dụng cho những người này. 17:36.230 --> 17:42.650 Vì vậy, những tế bào thần kinh này trong lớp được kết nối đầy đủ cuối cùng, chúng được biểu quyết và đây là những biểu quyết của chúng. 17:42.650 --> 17:47.120 Và một lần nữa, chúng tôi chỉ vì lợi ích của đối số, đặt các giá trị từ 0 đến 1 ở đây. 17:47.120 --> 17:54.110 Đây có thể là bất kỳ giá trị nào, nhưng họ có quyền bỏ phiếu và sau đó những trọng số này là tầm quan trọng của lá phiếu của 17:54.110 --> 17:54.410 họ. 17:54.410 --> 18:00.470 Vì vậy, đây là những quả cân màu tím này là cách nơ-ron của chó xem phiếu bầu của chúng. 18:00.470 --> 18:04.730 Mức độ quan trọng mà nó gán cho những tế bào thần kinh này và những phiếu bầu đó? 18:04.730 --> 18:12.650 Và đây là mức độ quan trọng mà tế bào thần kinh mèo gán cho chúng đối với các phiếu bầu của các tế bào thần kinh này. 18:12.650 --> 18:16.580 Và do đó, những tế bào thần kinh này bầu chọn con chó và con mèo dựa trên trọng lượng đã học của chúng. 18:16.580 --> 18:20.840 Họ quyết định nghe ai và sau đó họ đưa ra dự đoán của họ và sau đó nắm giữ. 18:20.840 --> 18:24.350 Mạng lưới thần kinh kết luận rằng đây là, trong trường hợp này, là một con mèo. 18:24.350 --> 18:26.870 Và sau đó và sau đó là kết luận của bạn. 18:26.870 --> 18:34.700 Và đó là cách bạn có được những hình ảnh như thế này, nơi bạn có một con báo gêpa và sau đó bạn có một lớp 18:34.700 --> 18:36.740 báo gêpa với xác suất rất cao. 18:36.740 --> 18:39.830 Vì vậy, đây là xác suất mà nhà mạng đã dự đoán. 18:39.830 --> 18:43.880 Và đây là những mức thấp, nhưng chúng vẫn tồn tại bởi vì chúng vẫn giống như một cơ hội nhỏ. 18:43.880 --> 18:48.740 Các tế bào thần kinh khác cũng đang lắng nghe cử tri của họ và họ nói, Ồ, có lẽ đó thực sự là một 18:48.740 --> 18:49.220 con báo. 18:49.220 --> 18:51.600 Và tàu cao tốc rất, rất có thể xảy ra ở đây. 18:51.650 --> 18:57.440 Scissors, bạn biết đấy, cái này, một nút pangloss đã ở rất gần thứ hai và sau đó là ống nghe bởi 18:57.440 --> 19:03.020 vì bạn có thể nhìn thấy như những người này, nơ-ron này, nơ-ron kéo, đầu ra, nơ-ron này lắng nghe 19:03.020 --> 19:09.350 cử tri của nó và nó có tỷ lệ bỏ phiếu chiếm ưu thế. , nhưng sau đó bóng tay cũng có kết quả 19:09.350 --> 19:09.740 tốt. 19:09.980 --> 19:10.760 Vậy là xong. 19:10.760 --> 19:14.390 Đó là cách hoạt động của kết nối đầy đủ và đây là cách thức hoạt động. 19:14.390 --> 19:16.400 Tất cả điều này diễn ra cùng nhau. 19:16.400 --> 19:18.620 Tôi hy vọng bạn thích hướng dẫn ngày hôm nay. 19:18.620 --> 19:22.730 Chúng tôi cũng sẽ tóm tắt tất cả những điều này trong phần tóm tắt và hẹn gặp lại bạn vào lần sau. 19:22.730 --> 19:24.800 Cho đến lúc đó, hãy tận hưởng việc học sâu.