WEBVTT 00:00.270 --> 00:02.970 こんにちは､ ディープラーニングの講座にようこそ｡ 00:02.970 --> 00:05.960 というわけで､ このコーナーではかなり多くのことを学びました｡ 00:05.970 --> 00:08.400 これまで話してきたことをまとめてみましょう｡ 00:08.400 --> 00:09.840 さて､ それではどうぞ｡ 00:09.840 --> 00:16.170 まず､ 入力画像に複数の異なる特徴検出器（フィルターとも呼ばれる）を適用して､ 00:16.170 --> 00:18.900 特徴マップを作成する｡ 00:18.900 --> 00:21.330 そして､ これが畳み込み層を構成しています｡ 00:21.330 --> 00:28.380 そして､ その畳み込み層の上に､ 青色または平行化した線形ユニットを適用して､ 画像の線形性を除去したり､ 00:28.380 --> 00:31.770 非線型性を増加させたりしています｡ 00:31.770 --> 00:36.900 そして､ 畳み込み層にプーリング層を適用しました｡ 00:36.900 --> 00:45.810 そのため､ すべてのフィーチャーマップからプールされたフィーチャーマップを作成し､ 基本的にプール層には多くの利点があります｡ 00:45.810 --> 00:54.630 プーリング層の主な目的は､ 画像に空間不変性があることを確認することです｡ 00:54.630 --> 01:02.850 ですから､ 基本的に何かが傾いたり､ ねじれたり､ 理想的なシナリオと少し違っていても､ その特徴を拾い上げることができるのです｡ 01:02.850 --> 01:11.280 さらに､ プーリングすることで､ 画像のサイズを大幅に削減できます｡ また､ プーリングすることで､ 01:11.280 --> 01:18.210 データやモデルのデータへのオーバーフィットを回避することができるのです｡ 01:18.210 --> 01:22.920 しかし同時に､ プーリングは私たちが求める主な機能を維持します｡ 01:22.920 --> 01:26.580 ただ､ その仕組みと､ 使ったプーリングが最大プーリングだったからです｡ 01:26.670 --> 01:38.070 そして､ プールされた画像をすべて1つの長いベクトル（列）に平らにして､ その値を人工ニューラルネットワークに入力しました｡ 01:38.070 --> 01:40.050 そして､ それがステップ3のフラット化でした｡ 01:40.050 --> 01:47.520 そして､ ステップ4が完全連結型人工ニューラルネットワークで､ これらの特徴をすべてネットワークで処理する｡ 01:47.520 --> 01:55.980 そして､ 最後の層､ 完全連結層があり､ 目的のクラスに対して投票を実行します｡ 01:55.980 --> 02:05.010 そして､ これらすべてを順伝播と逆伝播のプロセスで､ たくさんの反復とエポックを繰り返して学習させます｡ 02:05.010 --> 02:09.480 そして最終的には､ 非常によく定義されたニューラルネットワークができあがります｡ 02:09.480 --> 02:13.710 そして､ もう一つ重要なことは､ 人工ニューラルネットワークの部分で重みを学習するだけでなく､ 02:13.710 --> 02:21.720 特徴検出器も同じ勾配降下のプロセスで学習し､ 調整することです｡ 02:21.720 --> 02:23.850 そして､ それによって､ 最適なフィーチャーマップを考えることができるのです｡ 02:23.850 --> 02:31.470 そして最終的には､ 画像を認識し分類することができる､ 完全に訓練された畳み込みニューラルネットワークを得ることができます｡ 02:31.470 --> 02:32.310 そうそう､ そうなんです｡ 02:32.310 --> 02:35.370 それが畳み込みニューラルネットワークの仕組みです｡ 02:35.460 --> 02:42.120 そして､ このコンセプトにすっかり慣れて､ 実際の応用に進む準備が整ったはずです｡ 02:42.120 --> 02:50.700 もし､ 追加で読みたいのであれば､ 2016年のAditya Deshpandeによる素晴らしいブログがあります｡ 02:51.330 --> 02:53.190 あそこの下の方にリンクがあります｡ 02:53.190 --> 02:55.890 だから､ ブログの名前は「ディープラーニングの9つの論文」なんです｡ 02:55.890 --> 02:59.100 CNNを理解するために知っておくべきこと その3． 02:59.100 --> 03:04.800 そして､ このブログでは､ 実際にヤン・ルクンなどが作成した9種類のシーンを簡単に紹介し､ 03:04.800 --> 03:10.530 さらに勉強してもらうことができます｡ 03:10.530 --> 03:18.420 だから､ まったく初めてのことがたくさんあり､ 頭を悩ませることになるのでしょう｡ 03:18.420 --> 03:22.440 でも､ このブログのこと､ この9つの論文のことだけは､ 心に留めておいてください｡ 03:22.440 --> 03:27.240 今すぐは無理でも､ 実践的なチュートリアルの後､ あるいはディープラーニングの領域で追加のトレーニングをした後に､ 03:27.240 --> 03:43.140 ゆっくりとこれらの作品を参照することができますし､ 理想的には､ 他の人のニューラルネットワークや畳み込みネットの構成に目を通すことで多くの価値を得ることができると思います｡ 03:43.140 --> 03:48.210 そうすることで､ 何がベストプラクティスなのか､ なぜ人々がある方法で特定のことを行ったのかを理解することができるようになります｡ 03:48.210 --> 03:57.810 ニューラルネットワークや畳み込みニューラルネットワークも例外ではないので､ ニューラルネットワークのアーキテクチャの参考になります｡ 03:57.810 --> 04:01.560 建築への挑戦のようなものです｡ 04:01.560 --> 04:11.340 アイデアを出して､ それを構造化して､ 調整して､ 最高のデザイン､ 最高の性能､ 最適なパフォーマンスを得るために調整しなければなりません｡ 04:11.520 --> 04:12.420 そうそう､ そうなんです｡ 04:12.420 --> 04:13.320 今日の私たちです｡ 04:13.320 --> 04:17.580 今日のチュートリアルとこのセクション全体を楽しんでいただけたらと思います｡ 次回も楽しみにしています｡ 04:17.580 --> 04:19.530 それまでは､ ディープラーニングを楽しんでください｡