WEBVTT 00:00.390 --> 00:03.060 Olá e bem-vindo de volta ao curso sobre aprendizagem profunda. 00:03.120 --> 00:06.010 Então aprendemos bastante nesta seção do curso. 00:06.030 --> 00:08.390 Vamos resumir sobre o que falamos. 00:08.580 --> 00:09.920 Tudo bem, então vamos lá. 00:10.110 --> 00:16.230 Começamos com uma imagem de entrada à qual aplicamos vários detectores de recursos diferentes ou também 00:16.230 --> 00:19.100 chamamos filtros para criar esses mapas de recursos. 00:19.140 --> 00:21.530 E isso inclui nosso covil convolucional. 00:21.630 --> 00:28.910 a unidade linear ajustada ou rectificada para remover qualquer clareza ou aumentar a não linearidade em nossas imagens. 00:28.980 --> 00:32.050 Em seguida, em cima desse Lehre crucial, aplicamos 00:32.060 --> 00:36.970 Então, aplicamos uma cova de agrupamento para nosso covil convolucional. 00:36.990 --> 00:44.910 Então, a partir de cada mapa de recursos, criamos um mapa de recursos criados e, basicamente, a atração do Lehre tem 00:44.910 --> 00:45.840 muitas vantagens. 00:45.840 --> 00:54.150 O objetivo principal do Lair de puxar é garantir que possamos ter invariantes espaciais especiais em nossas 00:54.330 --> 00:54.690 imagens. 00:54.690 --> 01:01.890 Então, basicamente, se algo inclinar ou torcer ou é um pouco diferente do cenário ideal, então ainda podemos 01:01.890 --> 01:07.210 pegar esse recurso, além de puxar, reduz significativamente o tamanho de nossas imagens. 01:07.260 --> 01:15.360 Além disso, o pooling ajuda a evitar qualquer tipo de superposição de nossos dados ou modelo geral aos dados porque simplesmente 01:15.360 --> 01:18.220 simplesmente se livra de muitos desses dados. 01:18.450 --> 01:24.300 Mas, ao mesmo tempo, o pooling preserva as principais características que estamos a seguir apenas porque o modo como as instruções e 01:24.330 --> 01:26.720 o pool foram utilizados foi o máximo de pool. 01:26.970 --> 01:35.760 Então, aplainamos todas as imagens agrupadas em um longo vetor ou coluna de todos esses valores e colocamos isso em 01:35.760 --> 01:40.140 uma rede neural artificial e isso foi um achatamento gradual. 01:40.140 --> 01:46.770 temos esta última camada final completamente aberta do Lehre, que executa a votação para as aulas que estamos 01:46.920 --> 01:53.700 por trás e então tudo isso é treinado através de um processo de propagação direta e de propagação posterior. 01:53.910 --> 02:00.630 E o Passo quatro é uma rede neural artificial totalmente conectada, onde todos esses recursos são processados ​​através de 02:00.720 --> 02:02.550 uma rede e, em seguida, 02:02.580 --> 02:09.730 Muitas inúmeras iterações e em parques e, no final, temos uma rede neural muito bem definida. 02:09.920 --> 02:10.470 E. 02:10.730 --> 02:14.850 Outra coisa importante é que não só os pesos são treinados na parte de 02:15.180 --> 02:22.590 trabalho dos neurônios artificiais, mas também os detectores de características são treinados e ajustados nesse mesmo processo decente ingênuo e isso nos permite apresentar os 02:22.590 --> 02:23.930 melhores mapas de recursos. 02:23.940 --> 02:31.110 no final, conseguimos uma rede neural convolutiva totalmente treinada que pode reconhecer imagens e classificá-las. 02:31.110 --> 02:31.700 E, 02:31.770 --> 02:32.360 Então vamos lá. 02:32.370 --> 02:35.480 É assim que funcionam as redes neurais convolutivas. 02:35.730 --> 02:42.220 E agora você deve estar totalmente confortável com este conceito e pronto para prosseguir com as aplicações práticas. 02:42.330 --> 02:51.370 Se você quiser fazer alguma leitura adicional, então, há um ótimo blog de L. D. para se dissolver a partir de 2016. 02:51.450 --> 02:53.400 Você pode ver o link lá em baixo na parte inferior. 02:53.400 --> 02:58.360 Então o blog se chama The Nine papers de aprendizado profundo que você precisa saber sobre a compreensão da terceira 02:58.440 --> 02:59.180 parte da CNN. 02:59.310 --> 03:04.860 E este blog realmente lhe oferece uma breve visão geral de nove diferentes CNN que foram criadas 03:04.860 --> 03:10.590 por pessoas como você e licken e outras que você pode seguir em frente e estudar ainda mais. 03:10.590 --> 03:18.000 Então, haverá um monte de coisas novas que serão totalmente novas para você e que você terá que dar uma volta à sua 03:18.000 --> 03:23.880 volta, mas apenas manter este blog em mente são esses nove artigos em mente e mesmo se você 03:23.880 --> 03:29.220 não está pronto para passar eles agora talvez depois dos tutoriais práticos, talvez depois de fazer algum 03:29.490 --> 03:36.180 treino adicional no espaço de aprendizado profundo lentamente, você pode então fazer referência a esses trabalhos e, idealmente, acho que você 03:36.180 --> 03:41.360 terá muito valor ao examinar as redes neurais de outras pessoas e como eles estruturaram . 03:41.550 --> 03:46.620 de redes neurais porque as redes neurais e as redes neurais convolutivas não são uma exceção. 03:46.620 --> 03:51.870 Pode haver redes ilusórias e isso irá ajudá-lo a entender quais são as melhores práticas e 03:51.870 --> 03:57.900 por que as pessoas fizeram certas coisas de uma certa maneira e isso irá ajudá-lo com sua arquitetura 03:58.020 --> 04:05.670 Eles são como um desafio de arquitetura, você tem que criar uma idéia e depois estruturar e depois ajustá-lo 04:05.670 --> 04:11.780 e ajustá-lo para obter o melhor design possível e o melhor desempenho possível e ótimo. 04:11.790 --> 04:12.490 Então vamos lá. 04:12.510 --> 04:13.430 Nós somos hoje. 04:13.420 --> 04:17.720 Espero que você tenha gostado do tutorial de hoje e de toda esta seção e espero ver você na próxima vez. 04:17.730 --> 04:19.440 Até então, aproveite a aprendizagem profunda.