WEBVTT 00:00.300 --> 00:05.400 Hallo en welkom terug bij de cursus over diepgaand leren, dus we hebben heel veel geleerd in dit gedeelte van 00:05.400 --> 00:05.960 de cursus. 00:05.970 --> 00:08.150 Laten we samenvatten waar we het over hebben gehad. 00:08.430 --> 00:08.940 Oke. 00:08.940 --> 00:09.690 Hier gaan we. 00:10.020 --> 00:16.170 We zijn begonnen met een invoerafbeelding waarop we meerdere verschillende kenmerkdetectoren hebben toegepast of ook wel filters 00:16.170 --> 00:18.810 hebben genoemd om deze kenmerkkaarten te maken. 00:18.960 --> 00:21.150 En dit omvat onze convolutionele laag. 00:21.510 --> 00:29.040 Vervolgens hebben we bovenop die laag de RELU of gerectificeerde Leanyer-eenheid aangebracht om elke lineariteit te verwijderen of 00:29.040 --> 00:31.610 niet-lineariteit in onze afbeeldingen te vergroten. 00:31.950 --> 00:36.890 Vervolgens hebben we daar een poollaag op onze convolutionele laag aangebracht. 00:36.900 --> 00:44.880 Dus van elke afzonderlijke feature map hebben we een gepoolde feature map gemaakt en in feite heeft de trekkende laag 00:44.880 --> 00:45.780 veel voordelen. 00:45.790 --> 00:54.090 Het belangrijkste doel van de trekkende laag is ervoor te zorgen dat we een speciale speciale invariantie in onze afbeeldingen 00:54.180 --> 00:54.620 hebben. 00:54.620 --> 01:01.590 Dus eigenlijk, als iets kantelt of draait of een beetje afwijkt van het ideale scenario, dan kunnen we die functie 01:01.590 --> 01:02.730 nog steeds oppikken. 01:02.940 --> 01:06.750 Bovendien verkleint het trekken de grootte van onze afbeeldingen aanzienlijk. 01:07.230 --> 01:15.300 Pooling helpt ook om elke vorm van overaanpassing van onze gegevens of ons model aan de gegevens te voorkomen, omdat het 01:15.300 --> 01:17.990 gewoon veel van die gegevens verwijdert. 01:18.330 --> 01:22.870 Maar tegelijkertijd behoudt pooling de belangrijkste kenmerken waar we naar op zoek zijn. 01:22.980 --> 01:28.320 Alleen omdat de manier waarop het is gestructureerd en de pooling die we gebruikten max pooling 01:28.320 --> 01:36.570 was, hebben we alle gepoolde afbeeldingen afgevlakt tot één langs een vector of kolom van al deze waarden, en die hebben we ingevoerd in een 01:36.570 --> 01:37.920 kunstmatig neuraal netwerk. 01:38.190 --> 01:40.050 En dat was stap drie afvlakken. 01:40.050 --> 01:46.710 En stap vier is het volledig verbonden kunstmatige neurale netwerk waar al deze functies via een netwerk worden 01:46.800 --> 01:47.520 verwerkt. 01:47.520 --> 01:54.690 En dan hebben we deze finale hun laatste volledig verbonden laag, die de stemming uitvoert naar de klassen 01:54.690 --> 01:55.980 die we zoeken. 01:55.980 --> 02:02.850 En dan wordt dit allemaal getraind door een proces van voorwaartse en achterwaartse voortplanting en heel 02:02.850 --> 02:04.920 veel iteraties en tijdperken. 02:05.040 --> 02:09.330 En uiteindelijk hebben we een zeer goed gedefinieerd neuraal netwerk. 02:09.600 --> 02:14.010 En het belangrijkste is dat niet alleen de gewichten worden 02:14.010 --> 02:21.660 getraind in een kunstmatig neuraal netwerkgedeelte, maar dat ook de functiedetectoren worden getraind en aangepast in datzelfde gradiëntafdalingsproces. 02:21.810 --> 02:23.850 En dat stelt ons in staat om de beste feature maps te bedenken. 02:23.850 --> 02:30.300 En uiteindelijk krijgen we een volledig getraind, convolutioneel neuraal netwerk dat beelden kan herkennen 02:30.300 --> 02:31.270 en classificeren. 02:31.650 --> 02:32.280 Dus daar gaan we. 02:32.280 --> 02:35.160 Dat is hoe convolutionele neurale netwerken werken. 02:35.580 --> 02:42.030 En nu zou je helemaal vertrouwd moeten zijn met dit concept en klaar om door te gaan naar de praktische toepassingen. 02:42.210 --> 02:49.320 Als je nog wat meer wilt lezen, dan is er een geweldige blog van Deshpande 02:49.320 --> 02:50.490 uit 2016. 02:51.330 --> 02:53.060 Je kunt de link daar onderaan zien. 02:53.310 --> 02:55.920 Dus de blog heet The Nine Deep Learning Papers. 02:55.920 --> 02:59.010 U moet weten hoe u CNN's deel drie begrijpt. 02:59.160 --> 03:04.800 En deze blog geeft je eigenlijk een kort overzicht van negen verschillende seizoenen die zijn gemaakt 03:04.800 --> 03:10.520 door mensen zoals de jonge Licorne en anderen, die je vervolgens kunt gaan bestuderen en verder kunt bestuderen. 03:10.530 --> 03:17.940 Er zullen dus veel nieuwe dingen zijn die totaal nieuw voor je zullen zijn en waar je je hoofd over moet 03:17.940 --> 03:18.450 breken. 03:18.450 --> 03:22.470 Maar houd deze blog of deze negen papers in gedachten. 03:22.470 --> 03:27.090 En zelfs als je er nu nog niet klaar voor bent, misschien na de praktische 03:27.240 --> 03:33.210 tutorials, misschien nadat je wat extra training hebt gedaan in de ruimte van diep leren, langzaamaan, kun je dan naar deze 03:33.210 --> 03:33.840 werken verwijzen. 03:33.840 --> 03:39.870 En idealiter denk ik dat je veel waarde zult krijgen door door de neurale netwerken van andere mensen te 03:39.870 --> 03:43.170 kijken en hoe ze hun convolutionele netten hebben gestructureerd. 03:43.170 --> 03:47.400 En dat zal je helpen te begrijpen wat de beste praktijken zijn en waarom mensen bepaalde dingen op een bepaalde 03:47.400 --> 03:48.060 manier deden. 03:48.300 --> 03:54.060 En dat zal je helpen met je architectuur van neurale netwerken, want neurale 03:54.060 --> 03:57.720 netwerken en convolutionele neurale netwerken zijn geen uitzondering. 03:57.900 --> 04:01.560 Ze zijn als een architectuuruitdaging. 04:01.560 --> 04:07.680 Je moet met een idee komen en het vervolgens structureren en vervolgens aanpassen en tweaken om het best mogelijke 04:07.680 --> 04:11.160 ontwerp en de best mogelijke en optimale prestaties te krijgen. 04:11.700 --> 04:12.420 Dus daar gaan we. 04:12.420 --> 04:13.350 Dat zijn wij voor vandaag. 04:13.350 --> 04:15.810 Ik hoop dat je de tutorial van vandaag en dit hele gedeelte leuk vond. 04:15.990 --> 04:17.520 En ik kijk ernaar uit om je de volgende keer te zien. 04:17.550 --> 04:19.410 Geniet tot die tijd van deep learning.