WEBVTT 00:00.390 --> 00:03.060 Hallo und willkommen zurück zu dem Kurs zum tiefen Lernen. 00:03.120 --> 00:06.010 Wir haben also in diesem Abschnitt viel gelernt. 00:06.030 --> 00:08.390 Fassen wir zusammen, worüber wir gesprochen haben. 00:08.580 --> 00:09.920 Also gut, hier gehts. 00:10.110 --> 00:16.230 Wir haben mit einem Eingabebild begonnen, auf das wir mehrere verschiedene Feature-Detektoren angewendet haben, oder auch 00:16.230 --> 00:19.100 Filter genannt, um diese Feature-Maps zu erstellen. 00:19.140 --> 00:21.530 Und dies umfasst unser Faltungslager. 00:21.630 --> 00:28.910 Dann haben wir zusätzlich zu dieser entscheidenden Lehre die Lineareinheit oder die gleichgerichtete lineare Einheit angewendet, um Klarheit zu beseitigen 00:28.980 --> 00:32.050 oder die Nichtlinearität in unseren Bildern zu erhöhen. 00:32.060 --> 00:36.970 Dann haben wir ein Pooling-Lager für unser Faltungslager angelegt. 00:36.990 --> 00:44.910 Aus jeder einzelnen Feature-Map haben wir also eine Puled-Feature-Map erstellt, und im Grunde hat die ziehende Lehre viele 00:44.910 --> 00:45.840 Vorteile. 00:45.840 --> 00:54.690 Der Hauptzweck der ziehenden Höhle besteht darin, sicherzustellen, dass wir in unseren Bildern eine besondere räumliche Invariante haben. 00:54.690 --> 01:01.890 Wenn sich also etwas neigt oder verdreht oder etwas vom idealen Szenario abweicht, können wir 01:01.890 --> 01:07.210 diese Funktion noch nutzen und das Ziehen der Bilder erheblich reduzieren. 01:07.260 --> 01:15.360 Auch das Pooling hilft dabei, jegliche Art von Überanpassung unserer Daten oder des Gesamtmodells an die Daten zu vermeiden, 01:15.360 --> 01:18.220 da diese Daten einfach entfernt werden. 01:18.450 --> 01:24.300 Gleichzeitig bewahrt das Pooling jedoch die Hauptfunktionen, nach denen wir suchen, nur weil die Art und Weise, wie 01:24.330 --> 01:26.720 Anweisungen und Pooling verwendet wurden, Max-Pooling war. 01:26.970 --> 01:35.760 Dann haben wir alle gepoolten Bilder in einen langen Vektor oder eine Spalte all dieser Werte geglättet, und wir haben das in ein 01:35.760 --> 01:40.140 künstliches neuronales Netzwerk eingefügt, und das war eine schrittweise Abflachung. 01:40.140 --> 01:46.770 Und Schritt vier ist ein vollständig verbundenes künstliches neuronales Netzwerk, in dem alle diese 01:46.920 --> 01:53.700 Funktionen über ein Netzwerk verarbeitet werden. Dann haben wir die letzte endgültige, vollständig verbundene Schicht, 01:53.910 --> 02:00.630 die die Abstimmung für die Klassen vornimmt, und danach wird alles trainiert durch einen 02:00.720 --> 02:02.550 Vorwärtsfortpflanzungs- und Rückwärtsfortpflanzungsprozess. 02:02.580 --> 02:09.730 Viele Iterationen und in Parks und am Ende haben wir ein sehr gut definiertes neuronales Netzwerk. 02:09.920 --> 02:10.470 Und. 02:10.730 --> 02:14.850 Eine weitere wichtige Sache ist, dass nicht nur die Gewichte im 02:15.180 --> 02:22.590 künstlichen Neuronen-Arbeitsteil trainiert werden, sondern auch die Merkmalsdetektoren in demselben anteiligen Prozess trainiert und eingestellt werden, wodurch wir die besten 02:22.590 --> 02:23.930 Merkmalskarten erstellen können. 02:23.940 --> 02:31.110 Und am Ende erhalten wir ein voll ausgebildetes neuronales Netz, das Bilder erkennen und klassifizieren 02:31.110 --> 02:31.700 kann. 02:31.770 --> 02:32.360 Also los geht's. 02:32.370 --> 02:35.480 So funktionieren konvolutionelle neuronale Netzwerke. 02:35.730 --> 02:42.220 Und jetzt sollten Sie sich mit diesem Konzept vollkommen auskennen und zu den praktischen Anwendungen übergehen. 02:42.330 --> 02:51.370 Wenn Sie noch etwas lesen möchten, gibt es einen großartigen Blog von L. D. ab 2016 aufzulösen. 02:51.450 --> 02:53.400 Sie können den Link dort oben sehen. 02:53.400 --> 02:58.360 Der Blog heißt also The Nine Deep Learning Papers, die Sie wissen müssen, um den dritten Teil von CNN 02:58.440 --> 02:59.180 zu verstehen. 02:59.310 --> 03:04.860 Und in diesem Blog erhalten Sie einen kurzen Überblick über neun verschiedene 03:04.860 --> 03:10.590 CNNs, die von Menschen wie Ihnen erstellt wurden, und andere, die Sie weiterführen können. 03:10.590 --> 03:18.000 Es wird also eine Menge neuer Dinge geben, die für Sie völlig neu sind und dass Sie sich umsehen müssen, aber 03:18.000 --> 03:23.880 denken Sie nur an diesen Blog, sind diese neun Artikel gedacht, und auch wenn Sie nicht bereit 03:23.880 --> 03:29.220 sind, durchzugehen Sie können jetzt vielleicht nach den praktischen Übungen vielleicht nach einem zusätzlichen Training 03:29.490 --> 03:36.180 im Bereich des tiefen Lernens langsam auf diese Arbeiten zurückgreifen, und im Idealfall denke ich, dass Sie durch das 03:36.180 --> 03:41.360 Durchschauen der neuronalen Netzwerke anderer Menschen und deren Struktur einen großen Wert bekommen . 03:41.550 --> 03:46.620 Es kann illusorische Netze geben, und dies wird Ihnen helfen zu verstehen, was die 03:46.620 --> 03:51.870 besten Praktiken sind und warum Menschen bestimmte Dinge auf eine bestimmte Art und Weise getan haben. 03:51.870 --> 03:57.900 Dies wird Ihnen bei der Architektur neuronaler Netzwerke helfen, da neuronale Netzwerke und konvolutionelle neuronale Netzwerke keine Ausnahme sind. 03:58.020 --> 04:05.670 Sie sind wie eine architektonische Herausforderung. Sie müssen sich eine Idee einfallen lassen, diese strukturieren, anpassen und 04:05.670 --> 04:11.780 anpassen, um das bestmögliche Design und die bestmögliche und optimale Leistung zu erhalten. 04:11.790 --> 04:12.490 Also los geht's. 04:12.510 --> 04:13.430 Das sind wir für heute. 04:13.420 --> 04:17.720 Ich hoffe, Ihnen hat das heutige Tutorial und dieser ganze Abschnitt gefallen und ich freue mich darauf, Sie das nächste Mal zu sehen. 04:17.730 --> 04:19.440 Bis dahin tiefes Lernen genießen.