WEBVTT 00:00.390 --> 00:03.060 Bonjour et bienvenue au cours sur l'apprentissage en profondeur. 00:03.120 --> 00:06.010 Nous avons donc beaucoup appris dans cette section du cours. 00:06.030 --> 00:08.390 Résumons ce dont nous avons parlé. 00:08.580 --> 00:09.920 Bon alors on y va. 00:10.110 --> 00:16.230 Nous avons commencé avec une image d'entrée à laquelle nous avons appliqué plusieurs détecteurs de caractéristiques différents ou également 00:16.230 --> 00:19.100 appelé filtres pour créer ces cartes de caractéristiques. 00:19.140 --> 00:21.530 Et cela comprend notre repaire de convolution. 00:21.630 --> 00:28.910 Puis, en plus de cette Lehre cruciale, nous avons appliqué l’unité linéaire de réglage ou rectifiée pour supprimer toute 00:28.980 --> 00:32.050 clarté ou augmenter la non-linéarité de nos images. 00:32.060 --> 00:36.970 Ensuite, nous avons appliqué un repaire de mise en commun à notre repaire de convolution. 00:36.990 --> 00:44.910 Ainsi, à partir de chaque carte de caractéristiques, nous avons créé une carte de caractéristiques puled et tirer le Lehre présente de 00:44.910 --> 00:45.840 nombreux avantages. 00:45.840 --> 00:54.690 L'objectif principal du repaire de tirage est de s'assurer que nous avons un invariant spatial spécial dans nos images. 00:54.690 --> 01:01.890 Donc, fondamentalement, si quelque chose bascule ou se tord ou est un peu différent du scénario idéal, nous pouvons 01:01.890 --> 01:07.210 toujours utiliser cette fonctionnalité et tirer en réduisant considérablement la taille de nos images. 01:07.260 --> 01:15.360 La mise en commun permet également d’éviter toute sur-adaptation de nos données ou de notre modèle global aux données, car elle supprime tout 01:15.360 --> 01:18.220 simplement une grande partie de ces données. 01:18.450 --> 01:24.300 Mais en même temps, le pooling préserve les fonctionnalités principales que nous recherchons, tout simplement parce que l'instruction et 01:24.330 --> 01:26.720 le pooling étaient utilisés par Max pooling. 01:26.970 --> 01:35.760 Ensuite, nous avons aplati toutes les images regroupées dans un long vecteur ou une colonne de toutes ces valeurs et nous l'avons mis dans 01:35.760 --> 01:40.140 un réseau de neurones artificiels, ce qui a été l'étape d'aplanissement. 01:40.140 --> 01:46.770 Et la quatrième étape est un réseau de neurones artificiels entièrement connecté où toutes ces fonctionnalités sont traitées 01:46.920 --> 01:53.700 via un réseau. Nous avons ensuite cette dernière couche Lehre finale entièrement connectée qui effectue le vote vers 01:53.910 --> 02:00.630 les classes que nous recherchons et ensuite tout cela est formé. à travers un processus de propagation en 02:00.720 --> 02:02.550 avant et en arrière. 02:02.580 --> 02:09.730 Beaucoup d'itérations et dans les parcs et à la fin nous avons un réseau de neurones très bien défini. 02:09.920 --> 02:10.470 Et. 02:10.730 --> 02:14.850 Une autre chose importante est que non seulement les poids sont entraînés dans le travail 02:15.180 --> 02:22.590 des neurones artificiels, mais également que les détecteurs de fonctions sont formés et ajustés selon le même processus décent, ce qui nous permet de produire les 02:22.590 --> 02:23.930 meilleures cartes de caractéristiques. 02:23.940 --> 02:31.110 Et à la fin, nous obtenons un réseau de neurones convolutifs entièrement formé qui peut reconnaître et classer les 02:31.110 --> 02:31.700 images. 02:31.770 --> 02:32.360 Alors on y va. 02:32.370 --> 02:35.480 C'est ainsi que fonctionnent les réseaux de neurones convolutifs. 02:35.730 --> 02:42.220 Et maintenant, vous devriez être totalement à l'aise avec ce concept et prêt à passer aux applications pratiques. 02:42.330 --> 02:51.370 Si vous souhaitez faire des lectures supplémentaires, alors il y a un super blog de L. RÉ. se séparer de 2016. 02:51.450 --> 02:53.400 Vous pouvez voir le lien là-bas en bas. 02:53.400 --> 02:58.360 Le blog s'intitule The Nine Deep Learning Papers, que vous devez connaître pour comprendre la troisième partie 02:58.440 --> 02:59.180 de CNN. 02:59.310 --> 03:04.860 Et ce blog vous donne en fait un bref aperçu de neuf CNN différents qui ont 03:04.860 --> 03:10.590 été créés par des personnes comme vous, Licken et d’autres, que vous pouvez ensuite étudier plus avant. 03:10.590 --> 03:18.000 Il y aura donc beaucoup de nouvelles choses qui seront totalement nouvelles pour vous et qui devront vous faire comprendre mais gardez 03:18.000 --> 03:23.880 ce blog à l'esprit sont ces neuf articles en tête et même si vous n'êtes pas prêt 03:23.880 --> 03:29.220 à passer à travers peut-être qu'après les tutoriels pratiques, après avoir suivi une formation supplémentaire dans 03:29.490 --> 03:36.180 le domaine de l'apprentissage en profondeur, vous pourrez ensuite référencer ces travaux et, idéalement, je pense que vous obtiendrez beaucoup 03:36.180 --> 03:41.360 de valeur en consultant les réseaux de neurones d'autres personnes et leur structure. . 03:41.550 --> 03:46.620 Il peut y avoir des réseaux illusoires et cela vous aidera à comprendre quelles sont les 03:46.620 --> 03:51.870 meilleures pratiques et pourquoi les gens ont fait certaines choses d'une certaine manière et cela vous aidera avec 03:51.870 --> 03:57.900 votre architecture de réseaux de neurones car les réseaux de neurones et les réseaux de neurones convolutionnels ne font pas exception. 03:58.020 --> 04:05.670 C’est comme un défi d’architecture: vous devez proposer une idée, puis la structurer, l’ajuster et la 04:05.670 --> 04:11.780 modifier pour obtenir le meilleur design possible et les meilleures performances possibles. 04:11.790 --> 04:12.490 Alors on y va. 04:12.510 --> 04:13.430 C'est nous pour aujourd'hui. 04:13.420 --> 04:17.720 J'espère que vous avez apprécié le tutoriel d'aujourd'hui et toute cette section et j'ai hâte de vous voir la prochaine fois. 04:17.730 --> 04:19.440 Jusque-là, profitez d'un apprentissage en profondeur.