WEBVTT 00:00.390 --> 00:03.060 Halo dan selamat datang kembali ke kursus belajar yang mendalam. 00:03.120 --> 00:06.010 Jadi kami telah belajar banyak di bagian kursus ini. 00:06.030 --> 00:08.390 Mari kita simpulkan apa yang telah kita bicarakan. 00:08.580 --> 00:09.920 Baiklah jadi kita mulai. 00:10.110 --> 00:16.230 Kami mulai dengan gambar input yang kami terapkan beberapa detektor fitur yang berbeda atau disebut 00:16.230 --> 00:19.100 juga filter untuk membuat peta fitur ini. 00:19.140 --> 00:21.530 Dan ini terdiri dari sarang convolutional kami. 00:21.630 --> 00:28.910 Kemudian di atas Lehre yang penting itu kami menerapkan reglue atau unit linear yang diperbaiki untuk menghilangkan 00:28.980 --> 00:32.050 kejelasan atau meningkatkan non-linearitas pada gambar kami. 00:32.060 --> 00:36.970 Kemudian kami menerapkan sarang penyatuan ke sarang konvolusional kami. 00:36.990 --> 00:44.910 Jadi dari setiap peta fitur kami membuat peta fitur berdenyut dan pada dasarnya Lehre yang menarik memiliki banyak 00:44.910 --> 00:45.840 keuntungan. 00:45.840 --> 00:54.690 Tujuan utama dari Lair penarik adalah untuk memastikan bahwa kami memiliki invarian spasial khusus dalam gambar kami. 00:54.690 --> 01:01.890 Jadi pada dasarnya jika sesuatu dimiringkan atau diputar atau sedikit berbeda dengan skenario ideal maka kita masih 01:01.890 --> 01:07.210 dapat mengambil fitur itu dan menarik secara signifikan mengurangi ukuran gambar kita. 01:07.260 --> 01:15.360 Selain itu penyatuan membantu menghindari segala jenis data yang berlebihan atau model keseluruhan dari data karena 01:15.360 --> 01:18.220 hanya menghilangkan banyak data itu. 01:18.450 --> 01:24.300 Tetapi pada saat yang sama pooling mempertahankan fitur utama yang kami kejar hanya karena cara instruksi 01:24.330 --> 01:26.720 dan pooling digunakan adalah Max pooling. 01:26.970 --> 01:35.760 Kemudian kami meratakan semua gambar yang dikumpulkan menjadi satu vektor panjang atau kolom dari semua nilai-nilai ini dan kami menempatkan itu 01:35.760 --> 01:40.140 ke dalam jaringan saraf tiruan dan itu adalah langkah rata. 01:40.140 --> 01:46.770 Dan Langkah empat adalah jaringan saraf tiruan yang terhubung penuh di mana semua fitur ini 01:46.920 --> 01:53.700 diproses melalui jaringan dan kemudian kita memiliki lapisan akhir yang terhubung sepenuhnya dengan Lehre akhir yang 01:53.910 --> 02:00.630 melakukan pemungutan suara terhadap kelas yang kita kejar dan kemudian semua ini dilatih melalui proses propagasi 02:00.720 --> 02:02.550 maju dan propagasi balik. 02:02.580 --> 02:09.730 Banyak sekali iterasi dan di taman dan pada akhirnya kami memiliki jaringan saraf yang sangat baik. 02:09.920 --> 02:10.470 Dan. 02:10.730 --> 02:14.850 Hal penting lainnya adalah tidak hanya bobot yang dilatih di bagian kerja 02:15.180 --> 02:22.590 neuron buatan tetapi juga detektor fitur dilatih dan disesuaikan dalam proses yang layak bahan yang sama dan yang memungkinkan kita untuk menghasilkan 02:22.590 --> 02:23.930 peta fitur terbaik. 02:23.940 --> 02:31.110 Dan pada akhirnya kita mendapatkan jaringan saraf convolutional yang sepenuhnya terlatih yang dapat mengenali gambar dan 02:31.110 --> 02:31.700 mengklasifikasikannya. 02:31.770 --> 02:32.360 Jadi begitulah. 02:32.370 --> 02:35.480 Begitulah cara kerja jaringan saraf convolutional. 02:35.730 --> 02:42.220 Dan sekarang Anda harus benar-benar nyaman dengan konsep ini dan siap untuk melanjutkan ke aplikasi praktis. 02:42.330 --> 02:51.370 Jika Anda ingin melakukan beberapa bacaan tambahan maka ada blog yang bagus oleh L. D. untuk bubar dari 2016. 02:51.450 --> 02:53.400 Anda dapat melihat tautannya di bagian bawah. 02:53.400 --> 02:58.360 Jadi blog disebut The Nine makalah pembelajaran mendalam yang perlu Anda ketahui tentang memahami bagian 02:58.440 --> 02:59.180 tiga CNN. 02:59.310 --> 03:04.860 Dan blog ini sebenarnya memberi Anda gambaran singkat tentang sembilan CNN berbeda yang telah dibuat oleh 03:04.860 --> 03:10.590 orang-orang seperti Anda dan licken dan orang lain yang kemudian dapat Anda lanjutkan dan pelajari lebih lanjut. 03:10.590 --> 03:18.000 Jadi akan ada banyak hal baru yang akan benar-benar baru bagi Anda dan bahwa Anda harus mendapatkan kepala Anda di sekitar 03:18.000 --> 03:23.880 tetapi tetap ingat blog ini adalah sembilan makalah ini dalam pikiran dan bahkan jika Anda tidak siap 03:23.880 --> 03:29.220 untuk melalui mereka sekarang mungkin setelah tutorial praktis mungkin setelah Anda melakukan beberapa pelatihan tambahan 03:29.490 --> 03:36.180 dalam ruang belajar mendalam secara perlahan Anda kemudian dapat referensi karya-karya ini dan idealnya saya pikir Anda akan mendapatkan 03:36.180 --> 03:41.360 banyak nilai melalui melihat melalui jaringan saraf orang lain dan bagaimana mereka terstruktur . 03:41.550 --> 03:46.620 Mungkin ada jaring ilusi dan itu akan membantu Anda memahami apa praktik 03:46.620 --> 03:51.870 terbaik dan mengapa orang melakukan hal-hal tertentu dengan cara tertentu dan itu akan 03:51.870 --> 03:57.900 membantu Anda dengan arsitektur jaringan saraf Anda karena jaringan saraf dan jaringan saraf convolutional bukan pengecualian. 03:58.020 --> 04:05.670 Mereka seperti tantangan arsitektur Anda harus datang dengan ide dan kemudian struktur dan kemudian menyesuaikannya 04:05.670 --> 04:11.780 dan men-tweak untuk mendapatkan desain terbaik dan kinerja terbaik dan optimal. 04:11.790 --> 04:12.490 Jadi begitulah. 04:12.510 --> 04:13.430 Itu untuk kita hari ini. 04:13.420 --> 04:17.720 Saya harap Anda menikmati tutorial hari ini dan seluruh bagian ini dan saya berharap dapat melihat Anda nanti. 04:17.730 --> 04:19.440 Sampai kemudian menikmati pembelajaran yang mendalam.