WEBVTT 00:00.390 --> 00:03.060 Cześć i witamy z powrotem na kursie głębokiego uczenia się. 00:03.120 --> 00:06.010 W tej części kursu sporo się nauczyliśmy. 00:06.030 --> 00:08.390 Podsumujmy, o czym rozmawialiśmy. 00:08.580 --> 00:09.920 W porządku, więc zaczynamy. 00:10.110 --> 00:16.230 Zaczęliśmy od obrazu wejściowego, do którego zastosowaliśmy wiele różnych detektorów cech lub nazywanych 00:16.230 --> 00:19.100 filtrami, aby utworzyć te mapy funkcji. 00:19.140 --> 00:21.530 A to obejmuje naszą spowijaną kryjówkę. 00:21.630 --> 00:28.910 Następnie na szczycie tego kluczowego Lehre zastosowaliśmy reglue lub rektyfikowaną jednostkę liniową, aby usunąć jakąkolwiek klarowność 00:28.980 --> 00:32.050 lub zwiększyć nieliniowość w naszych obrazach. 00:32.060 --> 00:36.970 Następnie zastosowaliśmy legowisko do wspólnego spania. 00:36.990 --> 00:44.910 Z każdej mapy obiektów stworzyliśmy pulsacyjną mapę obiektów i zasadniczo ciągnięcie Lehre ma wiele 00:44.910 --> 00:45.840 zalet. 00:45.840 --> 00:54.690 Głównym celem ciągnięcia Lair jest upewnienie się, że w naszych obrazach mamy specjalne niezmienniki przestrzenne. 00:54.690 --> 01:01.890 Więc jeśli coś się przekręca lub zmienia, albo jest nieco inne od idealnego scenariusza, to 01:01.890 --> 01:07.210 nadal możemy go wykorzystać, a ciągnięcie znacząco zmniejsza rozmiar naszych obrazów. 01:07.260 --> 01:15.360 Również łączenie pomaga w uniknięciu wszelkiego rodzaju przeuczeń naszych danych lub ogólnego modelu danych, ponieważ po 01:15.360 --> 01:18.220 prostu pozbędzie się wielu danych. 01:18.450 --> 01:24.300 Ale w tym samym czasie tworzenie puli zachowuje główne cechy, o które nam chodzi, ponieważ sposób użycia instrukcji 01:24.330 --> 01:26.720 i pulowania został użyty przy maksymalnym łączeniu. 01:26.970 --> 01:35.760 Następnie spłaszczyliśmy wszystkie połączone obrazy do jednego długiego wektora lub kolumny wszystkich tych wartości i umieściliśmy to 01:35.760 --> 01:40.140 w sztucznej sieci neuronowej, która była krokiem spłaszczającym. 01:40.140 --> 01:46.770 A krok czwarty to w pełni połączona, sztuczna sieć neuronowa, w której wszystkie te cechy 01:46.920 --> 01:53.700 są przetwarzane przez sieć, a następnie mamy tę ostateczną, w pełni połączoną warstwę Lehre, która przeprowadza głosowanie 01:53.910 --> 02:00.630 w kierunku klas, do których dążymy, a potem wszystko to jest wyszkolone poprzez proces propagacji w 02:00.720 --> 02:02.550 przód i wstecznego propagacji. 02:02.580 --> 02:09.730 Mnóstwo iteracji i parków, a na koniec mamy bardzo dobrze zdefiniowaną sieć neuronową. 02:09.920 --> 02:10.470 I. 02:10.730 --> 02:14.850 Kolejną ważną rzeczą jest to, że nie tylko wagi są szkolone w 02:15.180 --> 02:22.590 części z neuronami sztucznymi, ale również detektory cech są wyszkolone i dostosowane w tym samym procesie przyzwoitym składnikiem, co pozwala nam wymyślić 02:22.590 --> 02:23.930 najlepsze mapy obiektów. 02:23.940 --> 02:31.110 I na koniec otrzymujemy w pełni wyszkoloną splotową sieć neuronową, która może rozpoznawać obrazy i klasyfikować 02:31.110 --> 02:31.700 je. 02:31.770 --> 02:32.360 Więc idziemy. 02:32.370 --> 02:35.480 W ten sposób działają splotowe sieci neuronowe. 02:35.730 --> 02:42.220 A teraz powinieneś całkowicie czuć się komfortowo z tą koncepcją i być gotowym do praktycznych zastosowań. 02:42.330 --> 02:51.370 Jeśli chcesz zrobić dodatkowe czytanie, to jest świetny blog autorstwa L. RE. do rozwiązania od 2016 roku. 02:51.450 --> 02:53.400 Możesz zobaczyć link tam na dole. 02:53.400 --> 02:58.360 Tak więc blog nazywa się "Dziewięć głębokich dokumentów edukacyjnych, które musisz wiedzieć o zrozumieniu trzeciej 02:58.440 --> 02:59.180 części CNN. 02:59.310 --> 03:04.860 Na tym blogu znajdziesz krótki przegląd dziewięciu różnych CNN, które zostały stworzone przez ludzi 03:04.860 --> 03:10.590 takich jak ty i licken, i innych, które możesz następnie kontynuować i uczyć się dalej. 03:10.590 --> 03:18.000 Będzie więc wiele nowych rzeczy, które będą dla ciebie zupełnie nowe i będziesz musiał się skupić, ale pamiętaj 03:18.000 --> 03:23.880 o tych dziewięciu artykułach, nawet jeśli nie jesteś gotowy, aby przejść może teraz po 03:23.880 --> 03:29.220 praktycznych tutorialach może po tym, jak zrobisz dodatkowe szkolenie w zakresie głębokiego 03:29.490 --> 03:36.180 uczenia się powoli, możesz wtedy odwołać się do tych prac, a najlepiej, myślę, że dostaniesz dużo 03:36.180 --> 03:41.360 wartości poprzez przeglądanie sieci neuronowych innych ludzi i ich strukturę . 03:41.550 --> 03:46.620 Mogą istnieć iluzoryczne sieci, które pomogą ci zrozumieć, jakie są najlepsze praktyki 03:46.620 --> 03:51.870 i dlaczego ludzie zrobili pewne rzeczy w określony sposób i które pomogą ci 03:51.870 --> 03:57.900 z twoją architekturą sieci neuronowych, ponieważ sieci neuronowe i splotowe sieci neuronowe nie są wyjątkiem. 03:58.020 --> 04:05.670 Są jak wyzwanie architektury, musisz wymyślić jakiś pomysł, a następnie zbudować, a następnie dostosować i dostosować 04:05.670 --> 04:11.780 go, aby uzyskać jak najlepszy projekt i najlepszą możliwą i optymalną wydajność. 04:11.790 --> 04:12.490 Więc idziemy. 04:12.510 --> 04:13.430 To my na dziś. 04:13.420 --> 04:17.720 Mam nadzieję, że podobał się wam dzisiejszy samouczek i cała sekcja i nie mogę się doczekać, aby zobaczyć was następnym razem. 04:17.730 --> 04:19.440 Do tego czasu ciesz się głęboką nauką.