WEBVTT 00:00.270 --> 00:02.970 Xin chào và chào mừng bạn trở lại khóa học về Học sâu. 00:02.970 --> 00:05.960 Vì vậy, chúng tôi đã học được khá nhiều điều trong phần này của khóa học. 00:05.970 --> 00:08.400 Hãy tóm tắt những gì chúng ta đã nói về. 00:08.400 --> 00:09.840 Được rồi, vậy chúng ta bắt đầu. 00:09.840 --> 00:16.170 Chúng tôi bắt đầu với một hình ảnh đầu vào mà chúng tôi đã áp dụng nhiều trình phát hiện đối tượng địa lý khác nhau hoặc còn được gọi là 00:16.170 --> 00:18.900 bộ lọc để tạo các bản đồ đối tượng địa lý này. 00:18.900 --> 00:21.330 Và điều này bao gồm lớp phức hợp của chúng ta. 00:21.330 --> 00:28.380 Sau đó, trên đầu lớp phức hợp đó, chúng tôi áp dụng đơn vị tuyến tính màu xanh lam hoặc chỉnh lưu để loại bỏ bất kỳ độ tuyến tính 00:28.380 --> 00:31.770 nào hoặc tăng độ không tuyến tính trong hình ảnh của chúng tôi. 00:31.770 --> 00:36.900 Sau đó, chúng tôi áp dụng một lớp tổng hợp cho lớp phức hợp của chúng tôi. 00:36.900 --> 00:44.880 Vì vậy, từ mỗi bản đồ đối tượng, chúng tôi đã tạo một bản đồ đối tượng tổng hợp và về cơ bản, lớp tổng hợp có rất 00:44.880 --> 00:45.810 nhiều lợi thế. 00:45.810 --> 00:54.630 Mục đích chính của lớp gộp là để đảm bảo rằng chúng ta có các bất biến không gian trong hình ảnh của mình. 00:54.630 --> 01:01.590 Vì vậy, về cơ bản nếu một cái gì đó nghiêng hoặc xoắn hoặc hơi khác so với kịch bản lý tưởng, thì chúng ta vẫn có thể 01:01.590 --> 01:02.850 chọn tính năng đó. 01:02.850 --> 01:11.280 Ngoài ra, việc gộp chung làm giảm đáng kể kích thước hình ảnh của chúng ta và việc gộp chung cũng giúp tránh bất kỳ loại trang bị quá nhiều dữ 01:11.280 --> 01:17.400 liệu hoặc mô hình của chúng ta vào dữ liệu, bởi vì nó chỉ đơn giản là loại bỏ rất nhiều dữ 01:17.400 --> 01:18.210 liệu đó. 01:18.210 --> 01:22.920 Nhưng đồng thời, việc gộp chung vẫn bảo toàn các tính năng chính mà chúng ta đang theo đuổi. 01:22.920 --> 01:26.580 Chỉ vì cách cấu trúc và cách tổng hợp chúng tôi sử dụng là tổng hợp tối đa. 01:26.670 --> 01:35.700 Sau đó, chúng tôi san phẳng tất cả các hình ảnh được gộp thành một vectơ hoặc cột dài của tất cả các giá trị này và chúng tôi nhập dữ 01:35.700 --> 01:38.070 liệu đó vào một mạng nơ-ron nhân tạo. 01:38.070 --> 01:40.050 Và đó là bước thứ ba làm phẳng. 01:40.050 --> 01:46.740 Và bước bốn là mạng nơ-ron nhân tạo được kết nối đầy đủ, nơi tất cả các tính năng này được xử lý thông 01:46.740 --> 01:47.520 qua mạng. 01:47.520 --> 01:54.510 Và sau đó chúng ta có lớp cuối cùng này, lớp được kết nối đầy đủ cuối cùng, thực hiện việc bỏ phiếu đối với các lớp mà 01:54.510 --> 01:55.980 chúng ta đang theo đuổi. 01:55.980 --> 02:02.820 Và sau đó tất cả những điều này được đào tạo thông qua quá trình lan truyền phía trước và quá trình truyền ngược và 02:02.820 --> 02:05.010 rất nhiều lần lặp lại và kỷ nguyên. 02:05.010 --> 02:09.480 Và cuối cùng, chúng ta có một mạng nơ-ron được xác định rất rõ ràng. 02:09.480 --> 02:13.710 Và một điều quan trọng khác là không chỉ các trọng số được huấn luyện 02:13.710 --> 02:21.090 trong phần mạng nơ-ron nhân tạo, mà cả các bộ phát hiện tính năng cũng được huấn luyện và điều chỉnh trong cùng một quá trình giảm độ 02:21.090 --> 02:21.720 dốc đó. 02:21.720 --> 02:23.850 Và điều đó cho phép chúng tôi đưa ra các bản đồ tính năng tốt nhất. 02:23.850 --> 02:31.020 Và cuối cùng, chúng tôi có được một mạng nơ-ron phức hợp được đào tạo đầy đủ có thể nhận dạng hình ảnh và phân loại 02:31.020 --> 02:31.470 chúng. 02:31.470 --> 02:32.310 Vậy là xong. 02:32.310 --> 02:35.370 Đó là cách hoạt động của mạng nơ-ron phức hợp. 02:35.460 --> 02:42.120 Và bây giờ bạn sẽ hoàn toàn thoải mái với khái niệm này và sẵn sàng để tiếp tục các ứng dụng thực tế. 02:42.120 --> 02:50.700 Nếu bạn muốn đọc thêm, thì có một blog tuyệt vời của Aditya Deshpande từ năm 2016. 02:51.330 --> 02:53.190 Bạn có thể xem liên kết ở đó ở phía dưới. 02:53.190 --> 02:55.890 Vì vậy, blog có tên là The Nine Deep Learning Papers. 02:55.890 --> 02:59.100 Bạn cần biết về việc hiểu Phần ba của CNN. 02:59.100 --> 03:04.800 Và blog này thực sự cung cấp cho bạn tổng quan ngắn về chín cảnh khác nhau đã được tạo 03:04.800 --> 03:10.530 ra bởi những người như Yann LeCun và những người khác, sau đó bạn có thể tiếp tục và nghiên cứu thêm. 03:10.530 --> 03:17.940 Vì vậy, sẽ có rất nhiều điều mới sẽ hoàn toàn mới đối với bạn và bạn sẽ phải xoay 03:17.940 --> 03:18.420 xở. 03:18.420 --> 03:22.440 Nhưng chỉ cần ghi nhớ blog này hoặc chín bài báo này trong tâm trí. 03:22.440 --> 03:27.240 Và ngay cả khi bạn chưa sẵn sàng để xem qua chúng ngay bây giờ, có thể sau các hướng 03:27.240 --> 03:33.210 dẫn thực hành, có thể sau khi bạn thực hiện một số đào tạo bổ sung trong không gian học sâu, từ từ sau đó bạn 03:33.210 --> 03:39.270 có thể tham khảo các tác phẩm này và lý tưởng nhất là tôi nghĩ bạn sẽ nhận được rất nhiều giá trị thông qua việc xem 03:39.270 --> 03:43.140 qua mạng nơ-ron của người khác và cách họ cấu trúc mạng phức hợp của mình. 03:43.140 --> 03:47.430 Và điều đó sẽ giúp bạn hiểu những phương pháp hay nhất là gì và tại sao mọi người lại làm những việc nhất định theo 03:47.430 --> 03:48.210 một cách nhất định. 03:48.210 --> 03:54.090 Và điều đó sẽ giúp bạn với kiến trúc của mạng nơ-ron, bởi vì mạng nơ-ron và mạng 03:54.090 --> 03:57.810 nơ-ron tích tụ trong không phải là một ngoại lệ. 03:57.810 --> 04:01.560 Chúng giống như một thách thức về kiến trúc. 04:01.560 --> 04:07.650 Bạn phải đưa ra ý tưởng và cấu trúc nó sau đó điều chỉnh và tinh chỉnh nó để có được thiết kế tốt 04:07.650 --> 04:11.340 nhất có thể và hiệu suất tốt nhất và tối ưu nhất có thể. 04:11.520 --> 04:12.420 Vậy là xong. 04:12.420 --> 04:13.320 Đó là chúng tôi của ngày hôm nay. 04:13.320 --> 04:17.580 Tôi hy vọng bạn thích hướng dẫn hôm nay và toàn bộ phần này và tôi mong được gặp bạn lần sau. 04:17.580 --> 04:19.530 Cho đến lúc đó, hãy tận hưởng việc học sâu.