WEBVTT 00:00.360 --> 00:06.480 Halo dan selamat datang kembali ke kursus pembelajaran mendalam, ini adalah tutorial tambahan untuk berbicara tentang 00:06.480 --> 00:08.670 fungsi entropi lunak dan lintas. 00:08.670 --> 00:15.320 Tidak perlu 100 persen bagi Anda untuk melalui semua bagian yang telah kami lalui di bagian utama dari 00:15.330 --> 00:21.510 bagian ini di mana kita berbicara tentang jaringan saraf convolutional tetapi pada saat yang sama saya 00:21.510 --> 00:26.580 pikir itu akan menjadi tambahan yang bagus untuk tas pengetahuan dan keahlian Anda. 00:26.580 --> 00:30.840 Jadi mari kita lanjutkan dan menggali fungsi-fungsi ini. 00:30.840 --> 00:37.530 Jadi untuk memulai dengan apa yang kita miliki di sini adalah kesimpulan dari jaringan saraf yang kita bangun 00:37.530 --> 00:44.210 di bagian utama dari bagian dan kemudian pada akhirnya muncul beberapa probabilitas untuk nol koma sembilan puluh 00:44.220 --> 00:48.000 lima untuk anjing 0. 05 lima atau 5 persen untuk kucing. 00:48.060 --> 00:53.250 Mengingat foto di sebelah kiri sebagai input Ini setelah kereta telah dilakukan 00:53.260 --> 00:57.210 ini sebenarnya sedang berjalan dan itu mengklasifikasikan gambar tertentu. 00:57.360 --> 01:00.850 Jadi pertanyaannya di sini adalah bagaimana dua nilai ini bisa bertambah menjadi satu. 01:00.900 --> 01:06.750 Karena sejauh yang kami tahu dari semua yang saya pelajari tentang jaringan saraf tiruan tidak ada 01:06.750 --> 01:11.600 yang mengatakan bahwa kedua neuron terakhir ini saling terhubung satu sama lain. 01:11.730 --> 01:16.590 Jadi bagaimana mereka tahu apa nilai dari pegangan masing-masing dari mereka tahu apa nilai 01:16.590 --> 01:17.310 yang lain. 01:17.400 --> 01:20.140 Dan bagaimana mereka tahu menambahkan nilai mereka hingga satu. 01:20.340 --> 01:22.060 Yah jawabannya adalah mereka tidak mau. 01:22.260 --> 01:28.500 Dalam versi klasik jaringan saraf tiruan kami dan satu-satunya cara yang mereka lakukan adalah karena kami memperkenalkan 01:28.710 --> 01:33.960 fungsi khusus yang disebut fungsi soft max untuk membantu kami keluar dari situasi tersebut. 01:33.960 --> 01:40.890 Jadi biasanya yang akan terjadi adalah anjing dan neuron kucing memiliki nilai nyata apa pun sehingga tidak harus 01:41.490 --> 01:44.940 seperti itu, mereka tidak harus menambahkan satu pun. 01:45.180 --> 01:51.900 Tapi kemudian kita akan menerapkan fungsi soft max yang ditulis di sana di bagian atas dan yang akan membawa 01:51.900 --> 01:58.430 nilai-nilai ini antara 0 dan 1 dan itu akan membuat mereka menambahkan hingga 1 dan 3 PPTA. 01:59.250 --> 02:04.320 Fungsi soft max atau fungsi eksponensial yang dinormalisasi adalah generalisasi dari fungsi logistik 02:04.350 --> 02:11.640 yang mengutip squash tanda kutip memiliki vektor dimensi k dari nilai riil arbitrer ke vektor k dimensi dari nilai nyata 02:11.640 --> 02:15.320 dalam kisaran nol hingga satu yang menambahkan hingga 1. 02:15.330 --> 02:17.620 Jadi pada dasarnya itu tepat seperti yang kita inginkan. 02:17.670 --> 02:22.700 Ini membawa nilai-nilai ini menjadi antara 0 dan 1 dan memastikan bahwa mereka menambahkan hingga 1. 02:22.960 --> 02:27.780 Dan cara kerjanya adalah bahwa cara ini dimungkinkan adalah karena di bagian bawah kami di sini 02:27.780 --> 02:29.970 Anda dapat melihat bahwa ada penjumlahan. 02:29.970 --> 02:38.100 Jadi itu mengambil eksponen dan menempatkannya dalam kekuatan Zed dan menambahkannya sehingga ada dua di semua kelas 02:38.100 --> 02:38.830 Anda. 02:38.850 --> 02:39.990 Semua nilai ini. 02:39.990 --> 02:44.400 Dan di situlah normalisasi Anda terjadi di sana. 02:44.400 --> 02:51.300 Jadi begitulah fungsi Saucebox bekerja dan masuk akal untuk memperkenalkan fungsi soft berikutnya ke 02:51.600 --> 02:59.490 dalam jaringan saraf convolutional karena betapa anehnya jika Anda memiliki kelas yang memungkinkan untuk anjing dan 02:59.490 --> 03:05.140 kucing dan untuk kelas anjing Anda memiliki kemungkinan 80 persen . 03:05.160 --> 03:08.660 Dan untuk cakar kucing Anda memiliki hak 45 persen bagus. 03:08.670 --> 03:14.430 Itu tidak masuk akal seperti itu dan oleh karena itu jauh lebih baik ketika Anda memperkenalkan fungsi lembut 03:14.430 --> 03:19.760 berikutnya dan itulah yang Anda akan temukan terjadi sebagian besar waktu dalam jaringan convolutional dan neural. 03:19.770 --> 03:26.010 Sekarang hal lain adalah bahwa fungsi soft max datang bergandengan tangan dengan sesuatu yang disebut fungsi entropi Cross dan 03:26.100 --> 03:29.040 itu adalah hal yang sangat berguna bagi kita. 03:29.050 --> 03:30.610 Jadi mari kita lihat rumusnya. 03:30.660 --> 03:33.090 Seperti inilah fungsi lintas entri. 03:33.090 --> 03:38.910 Kita sebenarnya akan menggunakan perhitungan yang berbeda akan menggunakan representasi abad ini tetapi hasilnya 03:39.060 --> 03:40.670 pada dasarnya sama. 03:40.670 --> 03:42.300 Ini hanya lebih mudah untuk dihitung. 03:42.570 --> 03:49.220 Dan yang saya tahu ini mungkin terdengar sangat tidak berhubungan dengan apa pun sekarang hanya dengan rumus di layar Anda tetapi 03:49.850 --> 03:54.300 akan ada beberapa bacaan tambahan yang direkomendasikan pada akhir bagian ini jadi jangan khawatir 03:54.600 --> 03:56.380 jika Anda tidak mengambil matematika 03:56.380 --> 03:58.350 Seperti bahkan jika kita belum menjelaskan matematika saat ini. 03:58.350 --> 04:03.630 Tetapi intinya di sini adalah bahwa apa yang melintasi entropi jauh melintasi fungsi entropi. 04:03.630 --> 04:11.870 Ingat bagaimana kita sebelumnya dalam jaringan saraf tiruan kita memiliki fungsi yang disebut fungsi rata-rata panah kuadrat 04:11.880 --> 04:17.760 yang kita gunakan sebagai fungsi biaya untuk menilai kinerja alami kita. 04:17.760 --> 04:23.750 Dan tujuan kami adalah meminimalkan MSE untuk mengoptimalkan kinerja jaringan kami. 04:23.940 --> 04:31.830 Nah itu tadi fungsi biaya kami di sana dan di jaringan saraf convolutional kita masih bisa menggunakan MSE tetapi 04:31.830 --> 04:38.070 pilihan yang lebih baik di jaringan saraf convolutional setelah Anda menerapkan fungsi soft max ternyata 04:38.070 --> 04:39.840 menjadi fungsi lintas entropi. 04:39.840 --> 04:46.080 Dan dalam jaringan saraf convolutional ketika Anda menerapkan fungsi lintas entri bukan biaya disebut fungsi biaya 04:46.080 --> 04:49.450 lagi disebut fungsi terakhir dan mereka sangat mirip. 04:49.470 --> 04:55.520 Mereka hanya sedikit perbedaan terminologis dan suka sedikit berbeda dan tentang apa yang mereka maksudkan. 04:55.530 --> 04:58.430 Tetapi untuk semua tujuan itu hal yang hampir sama. 04:58.450 --> 05:07.530 Dan yang terjadi adalah fungsi terakhir adalah lagi sesuatu yang ingin kita perkecil untuk memaksimalkan 05:07.530 --> 05:09.670 kinerja jaringan kita. 05:09.690 --> 05:15.260 Jadi mari kita lihat contoh cepat tentang bagaimana cara fungsi ini dapat diterapkan. 05:15.260 --> 05:19.260 Jadi katakanlah kita memasukkan gambar seekor anjing ke dalam jaringan kita. 05:19.650 --> 05:26.160 Nilai prediksi untuk anjing adalah 0. 9 dan ini sedang melakukan pelatihan sehingga kita tahu bahwa kita tahu label 05:26.160 --> 05:27.330 itu adalah seekor anjing. 05:27.330 --> 05:34.140 Jadi nilai prediksi 0. 9 nilai harga untuk kucing adalah 0. 1 maka di sini kita memiliki label sehingga 05:34.140 --> 05:37.810 kita tahu itu anjing karena ini melatih 0 1 untuk anjing atau kucing. 05:37.980 --> 05:47.600 Jadi dalam hal ini Anda harus menggunakan Anda harus memasukkan angka-angka ini ke dalam rumus Anda untuk cross entropy. 05:47.810 --> 05:53.340 Jadi bagaimana Anda melakukannya adalah nilai-nilai di sebelah kiri pergi ke isyarat verbal. 05:53.420 --> 05:58.940 Yang ada di bawah logaritma di sebelah kanan dan nilai-nilai dari kanan akan masuk ke 05:58.940 --> 06:04.340 P dan jadi penting untuk mengingat mana yang masuk karena jika Anda salah, Anda tidak 06:04.340 --> 06:09.620 ingin mengambil logaritma semua saya dari nilai nol dan atau pergi dari 1. 06:09.620 --> 06:11.660 Jadi, Anda hanya ingin mencolokkannya. 06:11.720 --> 06:14.520 Pastikan Anda menancapkannya ke tempat yang benar. 06:14.840 --> 06:17.030 Dan pada dasarnya Anda menambahkannya. 06:17.030 --> 06:22.370 Jadi begitulah cara entri silang bekerja dan kita akan melihat sebenarnya sekarang kita akan melihat contoh 06:22.370 --> 06:28.130 langkah demi langkah spesifik untuk menerapkan fungsi ini dalam kehidupan nyata dan jenis penyakit akan membuat lebih 06:28.130 --> 06:32.360 masuk akal apa itu entropi Cross dan akan kurang seperti itu. 06:32.360 --> 06:39.290 Tujuan saya dalam kerja keras ini adalah untuk membuat Anda lebih nyaman dari abad lintas karena itu bisa 06:39.320 --> 06:43.840 terdengar sangat berbelit-belit dan tidak ada kata pun yang dimaksudkan bisa. 06:43.850 --> 06:50.870 Seperti jaringan saraf convolutional, ini bisa terdengar sangat rumit dan menakutkan tetapi sebenarnya tidak. 06:50.870 --> 06:51.650 Itulah intinya. 06:51.650 --> 06:54.090 Jadi mari kita lanjutkan dan menerapkannya supaya kita tahu bahwa itu tidak menakutkan. 06:54.080 --> 06:56.350 Jadi, inilah semuanya. 06:56.360 --> 07:01.790 Dan ini juga akan menjelaskan mengapa kita melakukan ini mengapa kita mencari fungsi penyebab yang berbeda. 07:01.790 --> 07:06.650 Jadi jaringan saraf satu jaringan saraf katakanlah kita memiliki dua jaringan saraf dan 07:06.650 --> 07:11.960 kemudian kita melewati gambar seekor anjing dan kita tahu bahwa ini adalah anjing dan bukan kucing. 07:12.200 --> 07:18.620 Dan kemudian kita memiliki gambar lain kucing kita kali ini binatang dan itu kucing bukan anjing dan di sini kita 07:19.040 --> 07:22.490 punya kita melihat lubang yang sebenarnya adalah anjing bukan kucing. 07:22.490 --> 07:24.280 Jika Anda melihat dari dekat. 07:24.320 --> 07:28.440 Jadi kami ingin melihat apa yang akan diprediksi oleh jaringan saraf kami dalam kasus pertama. 07:28.460 --> 07:36.110 Jaringan saraf 1 anjing 90 persen 10 persen kucing benar tidak ada nomor jaringan sampai 60 persen anjing 40 07:36.110 --> 07:38.230 persen kucing masih benar buruk. 07:38.270 --> 07:40.030 Tapi benar. 07:40.280 --> 07:46.040 Pilihan kedua jaringan syaraf pertama 10 persen kucing anjing 90 persen kucing. 07:46.040 --> 07:47.300 Benar. 07:47.300 --> 07:53.560 Anda tahu jumlah itu menjadi 30 persen anjing, 70 persen kucing lebih buruk tetapi masih benar. 07:53.570 --> 08:01.460 Dan akhirnya jaringan saraf di dalam gambar jaringan lama tahun memenangkan 40 persen anjing 60 persen kucing nomor 08:01.870 --> 08:08.270 jaringan saraf salah untuk 10 persen anjing dan 90 persen kucing salah dan buruk. 08:08.270 --> 08:15.380 Jadi kuncinya di sini adalah bahwa meskipun kedua orang bersih salah dalam yang terakhir melalui ketiga 08:15.620 --> 08:18.870 gambar jaringan saraf satu mengungguli jaringan saraf. 08:18.890 --> 08:27.010 Jadi, bahkan dalam kasus terakhir itu sangat ia memberi anjing seperti peluang 40 persen sebagai lawan dari jaringan saraf untuk hanya memberi 08:27.030 --> 08:32.330 anjing peluang 10 persen atau jaringan saraf yang lebih baik daripada papan neural bila 08:33.200 --> 08:35.310 dibandingkan dengan jaringan saraf 2. 08:35.520 --> 08:41.780 Dan sekarang kita akan melihat fungsi yang dapat mengukur kinerja yang telah kita bicarakan 08:41.780 --> 08:42.800 tentang peringkat. 08:43.040 --> 08:48.090 Jadi mari kita letakkan ini di tabel sehingga ada jaringan saraf 1 Anda memiliki nomor yang salah. 08:48.350 --> 08:49.430 Jadi itulah nomor gambarnya. 08:49.550 --> 08:51.140 Dan kemudian untuk gambar yang Anda miliki. 08:51.140 --> 08:54.010 Apa yang diprediksi 90 persen simpanse dan kucing anjing. 08:54.110 --> 09:00.550 Jadi ada topi Marable's dan kemudian Anda memiliki nilai sebenarnya sehingga kucing yang benar salah. 09:00.560 --> 09:07.720 Hal yang sama untuk gambar nomor dua dan hal yang sama untuk minimal tiga dan sama untuk nomor jaringan saraf dua. 09:07.750 --> 09:11.060 Jadi Dog 60 persen tetap 40 persen di gambar pertama. 09:11.060 --> 09:13.800 Itu yang diprediksi croton adalah anjing, bukan kucing. 09:13.820 --> 09:14.820 Dan seterusnya. 09:15.200 --> 09:18.050 Dan sekarang mari kita lihat kesalahan apa yang sebenarnya bisa kita dapatkan. 09:18.050 --> 09:24.940 Jadi kesalahan apa yang bisa kita hitung untuk memperkirakan kinerja dan memantau kinerja jaringan kita. 09:24.950 --> 09:28.480 Jadi satu jenis kesalahan disebut kesalahan klasifikasi. 09:28.640 --> 09:33.990 Dan itu pada dasarnya hanya menanyakan apakah Anda melakukannya dengan benar atau tidak. 09:34.010 --> 09:36.940 Terlepas dari probabilitasnya, APAKAH KAMU MENDAPATKANNYA KANAN. 09:36.950 --> 09:37.970 Atau apakah Anda melakukannya dengan benar. 09:37.970 --> 09:44.790 Jadi dalam kedua kasus untuk kedua jaringan saraf masing-masing mereka mendapat satu. 09:44.810 --> 09:46.330 Jadi ini salah Anda. 09:46.340 --> 09:48.460 Jadi mereka salah satu dari tiga kesalahan. 09:48.470 --> 09:54.960 Jadi 33 persen tingkat kesalahan untuk jaringan Anda 1 dan 30 persen tingkat kesalahan untuk jaringan saraf. 09:55.100 --> 09:59.750 Sebagai dasar dari sudut pandang ini, kedua jaringan saraf bekerja pada tingkat yang sama tetapi kita tahu itu tidak 09:59.750 --> 10:00.250 benar. 10:00.260 --> 10:04.400 Kita tahu bahwa jaringan saraf Ikhwan mengungguli jaringan saraf. 10:05.120 --> 10:10.850 Itu sebabnya kesalahan klasifikasi bukan ukuran yang baik terutama untuk keperluan propagasi balik berarti kuadrat kesalahan yang berbeda 10:11.810 --> 10:17.960 dan dengan cara saya melakukan perhitungan ini di Excel saya hanya tidak ingin membuat Anda bosan dengan mereka tetapi 10:17.960 --> 10:22.010 Anda dapat Tony hanya duduk lakukan di atas kertas atau di Excel. 10:22.010 --> 10:28.760 Ini adalah perhitungan yang sangat mudah pada dasarnya hanya mengambil jumlah kesalahan 10:28.760 --> 10:35.010 kuadrat dan kemudian hanya mengambil rata-rata pengamatan Anda dan itu saja. 10:35.060 --> 10:43.320 Jadi untuk jaringan saraf satu mendapatkan 25 persen untuk jaringan saraf 2 Anda mendapatkan tingkat kesalahan 71 persen sehingga Anda 10:43.330 --> 10:45.930 dapat melihat ini lebih akurat. 10:45.940 --> 10:50.380 Ia memberi tahu kami bahwa hampir satu memiliki tingkat kesalahan yang jauh lebih rendah daripada jaringan Anda sendiri. 10:51.150 --> 10:52.970 Dan kemudian lintas entropi lagi. 10:52.990 --> 10:57.250 Kami telah melihat rumus yang Anda juga dapat hitung ini sebenarnya lebih mudah untuk dihitung daripada rata-rata daerah 10:57.250 --> 11:05.350 kuadrat Cross di seluruh entropi memberi Anda 38 persen untuk jaringan saraf 1 dan 1. 0 6 untuk jaringan saraf 2. 11:05.500 --> 11:08.180 Jadi Anda bisa lihat hasilnya agak berbeda. 11:08.350 --> 11:16.510 Ketika Anda melihat mereka seperti itu ketika Anda melihat Anda tahu area rok mini dan cross entropy dan 11:16.510 --> 11:26.350 pertanyaan mengapa Anda menggunakan cross entropy over berarti kesalahan kuadrat bukan hanya tentang jenis seperti angka yang mereka katakan tetapi semua perhitungan 11:26.350 --> 11:32.030 hanya untuk menunjukkan kepada Anda bahwa ini semua bisa dilakukan, Anda hanya 11:32.050 --> 11:34.680 dapat melakukannya di atas kertas. 11:34.780 --> 11:37.890 Ini bukan matematika yang sangat intens. 11:37.890 --> 11:41.130 Ini adalah hal-hal sederhana yang cukup sederhana. 11:41.200 --> 11:47.680 Tetapi pertanyaan mengapa Anda menggunakan sarana menyebabkan entropi berarti ada pertanyaan yang sangat bagus untuk 11:47.680 --> 11:48.250 ditanyakan. 11:48.250 --> 11:58.530 Saya senang Anda bertanya bahwa jawabannya adalah seperti ada beberapa keuntungan dari cross entropy daripada mean squared 11:58.540 --> 12:01.430 error yang tidak jelas. 12:01.450 --> 12:07.160 Jadi saya akan menyebutkan beberapa tetapi selain itu saya akan memberi tahu Anda di mana Anda bisa tahu lebih banyak. 12:07.160 --> 12:18.550 Jadi salah satunya adalah bahwa jika Anda misalnya Anda pada awal propagasi belakang Anda nilai output Anda sangat sangat 12:18.550 --> 12:22.260 sangat sangat kecil sangat kecil. 12:22.360 --> 12:25.680 Jadi itu jauh lebih kecil dari nilai aktual yang Anda inginkan. 12:25.750 --> 12:32.920 Kemudian di awal, gradien di dunia Anda yang hebat dan layak akan sangat sangat rendah dan Anda tidak 12:32.920 --> 12:33.840 akan cukup. 12:33.850 --> 12:40.630 Sangat sulit bagi jaringan saraf untuk benar-benar mulai melakukan sesuatu dan mulai bergerak di sekitar dan mulai menyesuaikan bobot-bobot 12:40.630 --> 12:45.010 itu dan mulai Movistar yang sebenarnya bergerak ke arah yang benar. 12:45.130 --> 12:50.920 Sedangkan ketika Anda menggunakan sesuatu seperti entropi silang karena punya logaritma di dalamnya 12:51.400 --> 12:57.310 itu sebenarnya membantu jaringan menilai bahkan area kecil seperti itu dan melakukan sesuatu tentangnya. 12:57.310 --> 12:58.520 Begini cara berpikirnya. 12:58.520 --> 13:03.260 Jadi katakanlah sekali lagi ini sangat dalam dan dalam pendekatan yang sangat intuitif. 13:03.410 --> 13:08.830 Akan ada tautan ke matematika dan Anda dapat menurunkan hal-hal ini melalui matematika secara lebih terperinci 13:08.830 --> 13:11.260 tetapi dengan pendekatan yang sangat intuitif. 13:11.260 --> 13:16.030 Katakanlah Anda menyukai hasil yang Anda inginkan. 13:16.030 --> 13:22.810 Is adalah satu dan saat ini Anda berada pada sepersejuta dari satu. 13:22.870 --> 13:23.140 Kanan. 13:23.170 --> 13:30.790 $ 0. 00 atau adakah satu dan kemudian Anda meningkatkan waktu berikutnya Anda meningkatkan hasil 13:30.790 --> 13:32.680 Anda dari satu juta ke seperseribu. 13:32.860 --> 13:39.330 Dan dalam hal jika Anda menghitung kesalahan kuadrat Anda hanya mengurangi satu dari yang lain. 13:39.610 --> 13:44.980 Atau pada dasarnya dalam setiap kasus Anda Kalka di kotak dan Anda akan melihat bahwa kesalahan kuadrat ketika Anda 13:44.980 --> 13:48.210 membandingkan satu kasus dengan yang lain itu tidak banyak berubah. 13:48.220 --> 13:51.940 Anda tidak meningkatkan jaringan sebanyak itu ketika Anda melihat rata-rata di sana. 13:52.120 --> 13:58.750 Tetapi jika Anda melihat entropi silang karena Anda mengambil logaritma dan kemudian Anda membandingkannya dengan 13:58.750 --> 14:01.090 membagi satu ke yang lain. 14:01.390 --> 14:09.390 Anda akan melihat bahwa Anda telah benar-benar meningkatkan jaringan Anda secara signifikan sehingga melonjak dari satu juta menjadi 1000 dalam 14:09.460 --> 14:12.810 istilah kesalahan kuadrat berarti akan sangat rendah. 14:12.820 --> 14:15.710 Itu tidak penting dan tidak. 14:15.790 --> 14:22.270 Ini tidak akan memandu proses peningkatan gradien Anda atau propagasi punggung Anda ke arah yang benar. 14:22.340 --> 14:28.180 Semua itu akan dipandu ke arah yang benar tetapi itu akan menjadi seperti panduan yang sangat 14:28.540 --> 14:34.960 lambat itu tidak akan memiliki kekuatan yang cukup sedangkan jika Anda melakukan recross entropy lintas entropi akan mengerti 14:34.960 --> 14:42.220 bahwa meskipun ini adalah penyesuaian yang sangat kecil yang hanya Anda ketahui membuat perubahan kecil dalam hal absolut dalam hal relatif 14:42.220 --> 14:43.770 itu adalah peningkatan besar. 14:43.870 --> 14:46.110 Dan kita pasti menuju ke arah yang benar. 14:46.110 --> 14:54.820 Mari kita teruskan cara itu sehingga entropi silang akan membantu jaringan saraf Anda sampai ke keadaan optimal ke cara optimal 14:54.820 --> 15:01.090 adalah cara yang lebih baik bagi jaringan saraf untuk mendapatkannya ke keadaan optimal. 15:01.090 --> 15:08.260 Tetapi perlu diingat bahwa ini hanya berfungsi ketika melintasi entropi hanya metode yang disukai hanya untuk klasifikasi. 15:08.260 --> 15:14.200 Jadi jika Anda berbicara tentang hal-hal seperti regresi seperti yang kami miliki di jaringan saraf tiruan maka Anda 15:14.230 --> 15:20.770 lebih suka pergi dengan saya dan kesalahan kuadrat sedangkan cross entropy lebih baik untuk klasifikasi dan sekali lagi itu 15:20.770 --> 15:26.200 berkaitan dengan fakta bahwa kami menggunakan soft fungsi selanjutnya jadi itu semacam penjelasan intuitif tentang 15:26.200 --> 15:31.690 tempat yang bagus untuk belajar lebih banyak tentang itu jika Anda benar-benar tertarik pada Anda tahu 15:31.690 --> 15:34.740 mengapa kita menggunakan cross versus mean square error. 15:35.200 --> 15:43.160 Google video oleh Geoffrey Hinton disebut fungsi soft max output dan dia menjelaskannya dengan sangat baik dan Anda 15:43.160 --> 15:48.760 tahu menjadi bapak baptis yang dalam yang bisa menjelaskannya dengan lebih baik. 15:48.890 --> 15:51.680 Ngomong-ngomong, video apa pun oleh Geoffrey Hinton berwarna emas. 15:51.680 --> 15:55.590 Dia hanya punya bakat besar untuk menjelaskan banyak hal. 15:55.610 --> 16:01.310 Jadi itu bagus, bagus versus salib dan saya harap itu memberi Anda semacam pemahaman intuitif tentang apa yang terjadi 16:01.310 --> 16:02.110 di sini. 16:02.120 --> 16:08.030 Tetapi yang lebih penting bahwa Anda tidak menunda dengan istilah entropi silang karena judul akan menyebutkannya dalam cerita praktis 16:08.030 --> 16:11.280 dan saya ingin memastikan bahwa Anda siap untuk itu. 16:11.280 --> 16:15.740 Dan itu hanyalah cara lain untuk menghitung fungsi terakhir Anda. 16:15.740 --> 16:21.830 Dan cara lain untuk mengoptimalkan jaringan Anda yang secara khusus dirancang untuk masalah 16:21.860 --> 16:28.180 klasifikasi dan karenanya jaringan saraf convolutional dan datang bergandengan tangan dengan fungsi max lembut. 16:28.280 --> 16:35.480 Jadi bacaan tambahan jika Anda ingin pengenalan ringan ke lintas entropi jika Anda tertarik pada konsentrasi sedikit 16:35.480 --> 16:37.170 lebih tentu saja. 16:37.250 --> 16:43.370 Artikel yang bagus untuk dibaca disebut sebagai pengantar yang ramah untuk kehilangan lintas entropi oleh Rob 16:44.180 --> 16:45.280 DePietro 2016. 16:45.350 --> 16:46.860 Inilah tautan di bawah ini. 16:47.150 --> 16:54.350 Sangat sangat bagus, sangat lembut dan tidak ada matematika super rumit. 16:54.440 --> 16:59.660 Analogi yang baik Contoh yang baik menggunakan analogi mobil dan Anda melihat mobil dan berbicara 16:59.660 --> 17:04.910 tentang informasi dan bit dan pembatasan dan Anda tahu bagaimana Anda memecahkan kode Unico ini sehingga 17:04.910 --> 17:10.730 artikel bagus untuk dilihat dan kami akan memberi Anda ikhtisar yang baik dari entri silang seperti dari sudut 17:10.820 --> 17:11.680 pandang pengantar. 17:11.900 --> 17:18.590 Jika Anda ingin menggali ke dalam matematika berat seperti apa yang Anda lihat di sini maka periksa 17:18.680 --> 17:25.180 artikel oleh atau blog dengan cara menerapkan jaringan saraf Intermezzo juga sehingga dalam hal penggunaan 17:25.220 --> 17:27.410 seperti hal perantara seperti a. 17:27.550 --> 17:28.910 Intermittency dalam. 17:28.990 --> 17:35.690 Anda tahu seperti ketika Anda pergi ke teater dan Anda memiliki seperti jeda antara bagian pertama dan bagian 17:35.690 --> 17:36.290 kedua. 17:36.350 --> 17:40.820 Jadi karena dia seperti melalui semua langkah ini dan kemudian dia suka dan kemudian dia bilang aku 17:40.820 --> 17:42.210 harus menjelaskan ini dulu. 17:42.470 --> 17:44.080 Dan ya jadi itu sebabnya ini disebut intermezzo. 17:44.090 --> 17:51.620 Tidak ada alasan lain sejauh saya memahami artikel oleh Peter Rolands 2016 juga jadi keduanya cukup 17:51.620 --> 17:52.470 baru. 17:52.580 --> 18:00.150 Dan Anda tahu, periksa ini jika Anda ingin menggali matematika di balik entropi Kross di balik soft Max dan 18:00.150 --> 18:02.600 cross entropy dalam artikel ini sebenarnya. 18:02.930 --> 18:03.790 Jadi begitulah. 18:03.860 --> 18:07.360 Hanya itu yang ada pada keduanya. 18:07.370 --> 18:12.780 Semoga saya bisa menambahkan beberapa kejelasan tambahan dan semoga sukses dengan itu. 18:12.830 --> 18:16.970 Ini akan menyenangkan dan menikmati tutorial praktis. 18:16.970 --> 18:18.070 Sampai ketemu lain kali. 18:18.080 --> 18:19.700 Sampai kemudian menikmati belajar.