WEBVTT 00:00.390 --> 00:03.060 Bună ziua și bun venit înapoi la cursul de învățare profundă. 00:03.120 --> 00:06.010 Deci am învățat destul de mult în această secțiune a cursului. 00:06.030 --> 00:08.390 Să rezumăm despre ce am vorbit. 00:08.580 --> 00:09.920 Bine, deci mergem aici. 00:10.110 --> 00:16.230 Am început cu o imagine de intrare la care am aplicat mai mulți detectoare de caracteristici diferite sau, de asemenea, 00:16.230 --> 00:19.100 numite filtre pentru a crea aceste hărți de caracteristici. 00:19.140 --> 00:21.530 Și asta cuprinde șmecheria noastră convoluționară. 00:21.630 --> 00:28.910 Apoi, în partea de sus a acelui Lehre crucial, am aplicat unitatea liniară reglue sau rectificată pentru a elimina orice claritate 00:28.980 --> 00:32.050 sau pentru a crește nelinearitatea în imaginile noastre. 00:32.060 --> 00:36.970 Apoi am aplicat o pârâu de piscină în bârlogul nostru convoluțional. 00:36.990 --> 00:44.910 Deci, de la fiecare hartă a caracteristicilor am creat o hartă a caracteristicilor și, în principiu, Lehre-ul de tragere are 00:44.910 --> 00:45.840 multe avantaje. 00:45.840 --> 00:54.690 Scopul principal al lui Lair este să ne asigurăm că avem imagini invariabile speciale. 00:54.690 --> 01:01.890 Deci, practic, dacă ceva se înclină sau se răsucește sau este puțin diferit față de scenariul ideal, atunci putem 01:01.890 --> 01:07.210 să luăm încă acea caracteristică, plus trăgând în mod semnificativ dimensiunea imaginilor noastre. 01:07.260 --> 01:15.360 De asemenea, punerea în comun contribuie la evitarea oricărui tip de suprapunere a datelor noastre sau a modelului general la date, deoarece pur 01:15.360 --> 01:18.220 și simplu scapă de o mulțime de date. 01:18.450 --> 01:24.300 În același timp, punerea în comun păstrează principalele caracteristici pe care le urmărim doar pentru că modul de instruire și de punere în 01:24.330 --> 01:26.720 comun au fost utilizate a fost gruparea maximă. 01:26.970 --> 01:35.760 Apoi am aplatizat toate imaginile combinate într-un vector lung sau într-o coloană lungă a tuturor acestor valori și l-am pus într-o rețea 01:35.760 --> 01:40.140 neurală artificială și asta a fost o aplatizare în trepte. 01:40.140 --> 01:46.770 Și pasul patru este o rețea neurală artificială pe deplin conectată, în care toate aceste 01:46.920 --> 01:53.700 caracteristici sunt procesate printr-o rețea și apoi avem acest ultim strat finală Lehre complet conectat care efectuează 01:53.910 --> 02:00.630 votul spre clasele pe care le urmăm și apoi toate acestea sunt instruiți printr-un proces de 02:00.720 --> 02:02.550 propagare și propagare înapoi. 02:02.580 --> 02:09.730 O mulțime de iterații și în parcuri și în cele din urmă avem o rețea neuronală foarte bine definită. 02:09.920 --> 02:10.470 Și. 02:10.730 --> 02:14.850 Un alt lucru important nu este doar greutățile sunt antrenate în partea neuronilor 02:15.180 --> 02:22.590 artificiali, ci și detectoarele de trăsături sunt instruite și ajustate în același proces de ingredient decent și care ne permit să găsim cele mai 02:22.590 --> 02:23.930 bune hărți ale caracteristicilor. 02:23.940 --> 02:31.110 Și, în final, avem o rețea neuronală convoluționară complet instruită, care poate recunoaște imaginile și le 02:31.110 --> 02:31.700 clasifică. 02:31.770 --> 02:32.360 Așa că mergem. 02:32.370 --> 02:35.480 Așa funcționează rețelele neuronale convoluționale. 02:35.730 --> 02:42.220 Și acum ar trebui să vă simțiți în totalitate confortabil cu acest concept și gata să continuați cu aplicațiile practice. 02:42.330 --> 02:51.370 Dacă doriți să faceți o lectură suplimentară, atunci există un blog extraordinar de L. D. să se desființeze din 2016. 02:51.450 --> 02:53.400 Puteți vedea legătura de acolo în partea de jos. 02:53.400 --> 02:58.360 Deci, blogul este numit "Cele nouă lucrări profunde de învățare de care trebuie să știți despre înțelegerea părții a treia 02:58.440 --> 02:59.180 a CNN. 02:59.310 --> 03:04.860 Și acest blog vă oferă o scurtă privire de ansamblu asupra a nouă CNN-uri diferite care au fost create de 03:04.860 --> 03:10.590 oameni ca tine, de lick și de alții, pe care apoi puteți merge mai departe și de a studia mai departe. 03:10.590 --> 03:18.000 Deci, vor exista o mulțime de lucruri noi care vor fi complet noi pentru tine și că va trebui să vă capul în jurul valorii 03:18.000 --> 03:23.880 de, dar doar păstra acest blog în minte sunt aceste nouă documente în minte și chiar dacă nu sunteți gata 03:23.880 --> 03:29.220 să treacă prin chiar acum, după tutorialele practice, poate după ce faceți o antrenament suplimentar în spațiul de 03:29.490 --> 03:36.180 învățare profundă, puteți să vă referiți apoi la aceste lucrări și, în mod ideal, cred că veți obține o mulțime de valoare prin 03:36.180 --> 03:41.360 căutarea prin rețelele neuronale ale altor persoane și prin modul în care acestea sunt structurate . 03:41.550 --> 03:46.620 Pot exista plase iluzorii care vă vor ajuta să înțelegeți care sunt cele mai 03:46.620 --> 03:51.870 bune practici și de ce oamenii au făcut anumite lucruri într-un anumit mod și care 03:51.870 --> 03:57.900 vă vor ajuta cu arhitectura rețelelor neuronale, deoarece rețelele neuronale și rețelele neuronale convoluționale nu sunt o excepție. 03:58.020 --> 04:05.670 Ele sunt ca o provocare de arhitectură pe care trebuie să vină cu o idee și apoi să o structurăm, apoi să o ajustăm și 04:05.670 --> 04:11.780 să o optimizăm pentru a obține cel mai bun design posibil și cea mai bună performanță posibilă și optimă. 04:11.790 --> 04:12.490 Așa că mergem. 04:12.510 --> 04:13.430 Asta e pentru noi astăzi. 04:13.420 --> 04:17.720 Sper că v-ați bucurat de tutorialul de astăzi și de întreaga secțiune și aștept cu nerăbdare să vă văd data viitoare. 04:17.730 --> 04:19.440 Până atunci se bucură de învățare profundă.