WEBVTT 00:00.390 --> 00:03.060 Hola y bienvenidos al curso de aprendizaje profundo. 00:03.120 --> 00:06.010 Así que hemos aprendido bastante en esta sección del curso. 00:06.030 --> 00:08.390 Vamos a resumir de lo que hemos hablado. 00:08.580 --> 00:09.920 Muy bien, así que aquí vamos. 00:10.110 --> 00:16.230 Comenzamos con una imagen de entrada a la que aplicamos múltiples detectores de funciones diferentes o también 00:16.230 --> 00:19.100 llamados filtros para crear estos mapas de características. 00:19.140 --> 00:21.530 Y esto comprende nuestra guarida convolucional. 00:21.630 --> 00:28.910 unidad linear de rectuación o rectificación para eliminar cualquier claridad o aumentar la no linealidad en nuestras imágenes. 00:28.980 --> 00:32.050 Luego, además de ese crucial Lehre, aplicamos la 00:32.060 --> 00:36.970 Luego aplicamos una guarida de puesta en común a nuestra guarida convolucional. 00:36.990 --> 00:44.910 Entonces, desde cada mapa de características, creamos un mapa de funciones extraído y, básicamente, la extracción de Lehre tiene 00:44.910 --> 00:45.840 muchas ventajas. 00:45.840 --> 00:54.150 El objetivo principal de tirar Lair es asegurarse de que tenemos invariantes espaciales especiales en nuestras 00:54.330 --> 00:54.690 imágenes. 00:54.690 --> 01:01.890 Así que, básicamente, si algo se inclina o gira o es un poco diferente al escenario ideal, entonces aún 01:01.890 --> 01:07.210 podemos retomar esa característica, además de tirar reduce significativamente el tamaño de nuestras imágenes. 01:07.260 --> 01:15.360 También la agrupación ayuda a evitar cualquier tipo de sobreajuste de nuestros datos o el modelo general de los datos, ya que 01:15.360 --> 01:18.220 simplemente elimina una gran cantidad de esos datos. 01:18.450 --> 01:24.300 Pero al mismo tiempo, la agrupación conserva las principales características que buscamos solo porque la forma en que se usaron las instrucciones 01:24.330 --> 01:26.720 y la puesta en común fue la agrupación máxima. 01:26.970 --> 01:35.760 Luego aplanamos todas las imágenes agrupadas en un vector largo o columna de todos estos valores y lo pusimos en 01:35.760 --> 01:40.140 una red neuronal artificial y eso fue un aplanamiento gradual. 01:40.140 --> 01:46.770 tenemos esta última capa final completamente conectada de Lehre que realiza la votación hacia las clases que estamos buscando 01:46.920 --> 01:53.700 y luego todo esto está entrenado a través de un proceso de propagación hacia adelante y de propagación hacia atrás. 01:53.910 --> 02:00.630 Y el Paso 4 es una red neuronal artificial totalmente conectada donde todas estas características se procesan a través 02:00.720 --> 02:02.550 de una red y luego 02:02.580 --> 02:09.730 Muchas porciones de iteraciones y en parques, y al final tenemos una red neuronal muy bien definida. 02:09.920 --> 02:10.470 Y. 02:10.730 --> 02:14.850 Otra cosa importante es que no solo se entrenan los pesos en la parte de trabajo 02:15.180 --> 02:22.590 de las neuronas artificiales, sino que también los detectores de funciones se entrenan y se ajustan en ese mismo proceso decente de ingredientes y eso nos permite obtener 02:22.590 --> 02:23.930 los mejores mapas de características. 02:23.940 --> 02:31.110 al final obtenemos una red neuronal convolucional completamente entrenada que puede reconocer imágenes y clasificarlas. 02:31.110 --> 02:31.700 Y 02:31.770 --> 02:32.360 Entonces ahí vamos 02:32.370 --> 02:35.480 Así es como funcionan las redes neuronales convolucionales. 02:35.730 --> 02:42.220 Y ahora debe sentirse totalmente cómodo con este concepto y listo para continuar con las aplicaciones prácticas. 02:42.330 --> 02:51.370 Si desea leer un poco más, hay un excelente blog de L. RE. para disolver a partir de 2016. 02:51.450 --> 02:53.400 Puedes ver el enlace arriba en la parte inferior. 02:53.400 --> 02:58.360 Así que el blog se llama Los Nueve documentos de aprendizaje profundo que necesita saber sobre la comprensión de la tercera 02:58.440 --> 02:59.180 parte de CNN. 02:59.310 --> 03:04.860 Y este blog en realidad le da una breve descripción de nueve CNN diferentes que han 03:04.860 --> 03:10.590 sido creadas por personas como usted y Licken y otros que luego puede continuar y estudiar más. 03:10.590 --> 03:18.000 Así que habrá muchas cosas nuevas que serán totalmente nuevas para ti y que tendrás que entender, pero solo ten en 03:18.000 --> 03:23.880 cuenta este blog, estos nueve documentos en mente e incluso si no estás listo para revisar en 03:23.880 --> 03:29.220 este momento, tal vez después de los tutoriales prácticos, después de hacer un poco de 03:29.490 --> 03:36.180 capacitación adicional en el aprendizaje profundo, puede hacer referencia a estos trabajos y, a ser posible, creo que obtendrá 03:36.180 --> 03:41.360 mucho valor al observar las redes neuronales de otras personas y cómo estructuran . 03:41.550 --> 03:46.620 redes neuronales porque las redes neuronales y las redes neuronales convolucionales no son la excepción. 03:46.620 --> 03:51.870 Puede haber redes ilusorias que te ayuden a comprender cuáles son las mejores prácticas y 03:51.870 --> 03:57.900 por qué las personas hicieron ciertas cosas de cierta manera y eso te ayudará con tu arquitectura de 03:58.020 --> 04:05.670 Son como un desafío de arquitectura, tienes que idear una idea y luego estructurarla y luego ajustarla y 04:05.670 --> 04:11.780 modificarla para obtener el mejor diseño posible y el mejor rendimiento posible y óptimo. 04:11.790 --> 04:12.490 Entonces ahí vamos 04:12.510 --> 04:13.430 Ésos somos nosotros por hoy. 04:13.420 --> 04:17.720 Espero que hayan disfrutado el tutorial de hoy y toda esta sección y espero verlos la próxima vez. 04:17.730 --> 04:19.440 Hasta entonces disfruta del aprendizaje profundo.