WEBVTT 00:00.360 --> 00:06.480 Bună ziua și bun venit înapoi la cursul de învățare profundă este un tutorial suplimentar pentru a vorbi despre 00:06.480 --> 00:08.670 funcțiile de entropie moale și cruce. 00:08.670 --> 00:15.320 Nu este nevoie de 100% pentru ca voi să treceți prin toate părțile pe care le-am parcurs în partea 00:15.330 --> 00:21.510 principală a acestei secțiuni unde vorbim despre rețelele neuronale convoluționale, dar în același timp am crezut că va 00:21.510 --> 00:26.580 fi o bună adăugire la geanta ta de cunoștințe și set de competențe. 00:26.580 --> 00:30.840 Așa că hai să mergem mai departe și să ne grăbim în aceste funcții. 00:30.840 --> 00:37.530 Deci, pentru a începe cu ceea ce avem aici este concluzia unei rețele neuronale pe care am construit-o în 00:37.530 --> 00:44.210 partea principală a secțiunii și apoi la sfârșitul acesteia vom scoate la iveală probabilități pentru zero punct nouăsprezece 00:44.220 --> 00:48.000 cinci pentru un câine 0. 05 de cinci sau 5 la suta pentru o pisica. 00:48.060 --> 00:53.250 Având în vedere că fotografia din stânga ca intrare Aceasta este după trenul a fost efectuat acest lucru 00:53.260 --> 00:57.210 este de fapt se execută și este de clasificare o anumită imagine. 00:57.360 --> 01:00.850 Și astfel, întrebarea aici este cum aceste două valori ajung până la unul. 01:00.900 --> 01:06.750 Deoarece, din câte știm din tot ce am învățat despre rețelele neuronale artificiale, nu există 01:06.750 --> 01:11.600 nimic de spus că acești doi neuroni finali sunt conectați între ei. 01:11.730 --> 01:16.590 Deci, cum ar ști ei în ce valoare valoarea deținerii fiecare dintre ei știu ce este 01:16.590 --> 01:17.310 valoarea celuilalt. 01:17.400 --> 01:20.140 Și cum ar putea să știe să-și adauge valorile până la unul. 01:20.340 --> 01:22.060 Ei bine, răspunsul este că nu ar face-o. 01:22.260 --> 01:28.500 În versiunea clasică a rețelei noastre neuronale artificiale și singura modalitate de a face acest lucru este pentru că introducem 01:28.710 --> 01:33.960 o funcție specială numită funcția soft max, pentru a ne ajuta să ieșim din situație. 01:33.960 --> 01:40.890 Deci, în mod normal, ceea ce s-ar întâmpla este câinele și neuronii pisicii ar avea orice fel de valori reale, încât nu 01:41.490 --> 01:44.940 trebuie să fie ei nu trebuie să adauge la unul. 01:45.180 --> 01:51.900 Dar atunci am aplica funcția soft max care este scrisă acolo în partea de sus și care ar aduce 01:51.900 --> 01:58.430 aceste valori între 0 și 1 și le-ar face să adune până la 1 și 3 PPTA. 01:59.250 --> 02:04.320 Funcția soft max sau funcția exponențială normalizată este o generalizare a funcției logistice care citează 02:04.350 --> 02:11.640 unquote squash are un vector k dimensional de valori reale arbitrare la un vector k dimensional al valorilor reale în intervalul 02:11.640 --> 02:15.320 de la zero la unul care adună până la 1. 02:15.330 --> 02:17.620 Deci, practic, face exact ceea ce vrem. 02:17.670 --> 02:22.700 Aceasta aduce aceste valori între 0 și 1 și se asigură că acestea ajung până la 1. 02:22.960 --> 02:27.780 Iar modul în care funcționează este că modul în care este posibil acest lucru este faptul că pentru că în partea de 02:27.780 --> 02:29.970 jos suntem aici, puteți vedea că există o sumare. 02:29.970 --> 02:38.100 Deci este nevoie de exponent și îl pune în puterea lui Zed și îl adaugă astfel încât să fie doi în toate clasele 02:38.100 --> 02:38.830 tale. 02:38.850 --> 02:39.990 Toate aceste valori. 02:39.990 --> 02:44.400 Și așa că aici se întâmplă normalizarea ta. 02:44.400 --> 02:51.300 Deci, așa funcționează funcția Saucebox și este logic să introducem funcția următoare în rețelele neuronale 02:51.600 --> 02:59.490 convoluționale, deoarece cât de ciudat ar fi dacă ați avea o clasă posibilă de câine și o 02:59.490 --> 03:05.140 pisică și pentru clasa câinilor ați avut posibilitatea de 80% . 03:05.160 --> 03:08.660 Și pentru ghearele de pisică ai avut dreptate de 45%. 03:08.670 --> 03:14.430 Pur și simplu nu are sens așa și, prin urmare, este mult mai bine atunci când introduceți următoarea funcție moale 03:14.430 --> 03:19.760 și asta este ceea ce veți întâmpla de cele mai multe ori în rețele convoluționale și neuronale. 03:19.770 --> 03:26.010 Celălalt lucru este că funcția soft max vine în mână cu ceva numit funcția de entropie Cross 03:26.100 --> 03:29.040 și este un lucru foarte util pentru noi. 03:29.050 --> 03:30.610 Deci, să aruncăm o privire asupra formulării. 03:30.660 --> 03:33.090 Acesta este modul în care arată funcția de intrare încrucișată. 03:33.090 --> 03:38.910 De fapt, vom folosi un calcul diferit, care va fi folosirea acestei reprezentări a secolului, dar rezultatele 03:39.060 --> 03:40.670 sunt în esență aceleași. 03:40.670 --> 03:42.300 Acest lucru este mai ușor de calculat. 03:42.570 --> 03:49.220 Și ceea ce știu că s-ar părea că nu are nicio legătură cu nimic acum doar cu formulele de pe ecran, dar va 03:49.850 --> 03:54.300 fi o lectură suplimentară recomandată la sfârșitul acestei secțiuni, așa că nu vă faceți griji 03:54.600 --> 03:56.380 dacă nu luați pe matematică. 03:56.380 --> 03:58.350 Ca și în cazul în care nu am explicat matematica chiar acum. 03:58.350 --> 04:03.630 Dar punctul aici este că ceea ce este în întreaga entropie de-a lungul funcției de entropie. 04:03.630 --> 04:11.870 Amintiți-vă cum am avut anterior în rețelele neuronale artificiale am avut o funcție numită funcția medie de săgeată pătrată 04:11.880 --> 04:17.760 pe care am folosit-o ca funcție de cost pentru evaluarea performanței noastre naturale. 04:17.760 --> 04:23.750 Scopul nostru a fost acela de a minimiza MSE pentru a optimiza performanța rețelei noastre. 04:23.940 --> 04:31.830 Ei bine, aceasta a fost funcția noastră de cost atunci atunci și în rețelele neuronale convoluționale putem folosi în continuare MSE, dar 04:31.830 --> 04:38.070 o opțiune mai bună în rețelele neuronale convoluționale după ce aplicați funcția soft max se dovedește a fi 04:38.070 --> 04:39.840 funcția de entropie încrucișată. 04:39.840 --> 04:46.080 Și în rețelele neuronale convoluționale când aplicați funcțiile de intrare încrucișată, nu se mai numește costul numit funcția de 04:46.080 --> 04:49.450 cost este numit ultima funcție și ele sunt foarte asemănătoare. 04:49.470 --> 04:55.520 Sunt doar câteva diferențe terminologice și sunt puțin diferite și ceea ce înseamnă ele. 04:55.530 --> 04:58.430 Dar, pentru toate scopurile, este aproape același lucru. 04:58.450 --> 05:07.530 Și ceea ce se întâmplă este că ultima funcție este din nou ceva pe care vrem să minimalizăm pentru a 05:07.530 --> 05:09.670 maximiza performanța rețelei noastre. 05:09.690 --> 05:15.260 Așadar, permiteți să aruncați o privire la un exemplu rapid despre modul în care poate fi aplicată această funcție. 05:15.260 --> 05:19.260 Deci, permiteți să spunem că am pus o imagine a unui câine în rețeaua noastră. 05:19.650 --> 05:26.160 Valoarea estimată pentru câine este 0. 9 și asta face antrenamentul, așa că știm că știm eticheta care 05:26.160 --> 05:27.330 este un câine. 05:27.330 --> 05:34.140 Deci, valoarea predictivă 0. 9 valoarea pătată pentru pisică este 0. 1, aici avem eticheta, asa ca stim ca 05:34.140 --> 05:37.810 este un caine, deoarece aceasta este o antrenament 0 1 pentru caini sau pentru pisica. 05:37.980 --> 05:47.600 Și, în acest caz, trebuie să utilizați că trebuie să conectați aceste numere în formula dumneavoastră pentru entropia încrucișată. 05:47.810 --> 05:53.340 Deci, cum faceți acest lucru, valorile din stânga merg la cuvintele verbale. 05:53.420 --> 05:58.940 Cel care este sub logaritmul din partea dreaptă și valorile din dreapta vor merge în P și 05:58.940 --> 06:04.340 deci este important să vă amintiți care dintre ele merge acolo, deoarece dacă le greșiți nu doriți 06:04.340 --> 06:09.620 să luați un logaritm pentru totul de la zero la zero sau de la 1. 06:09.620 --> 06:11.660 Vrei să le conectați. 06:11.720 --> 06:14.520 Asigurați-vă că le conectați în locurile corecte. 06:14.840 --> 06:17.030 Și apoi adăugați asta în esență. 06:17.030 --> 06:22.370 Deci, așa funcționează intrarea în cruce și vom analiza un adevărat acum, vom examina un exemplu specific 06:22.370 --> 06:28.130 pas cu pas de aplicare a acestei funcții în viața reală și un fel de fel de a face 06:28.130 --> 06:32.360 mai mult sens ce este entropia Crucii și va fi mai puțin așa. 06:32.360 --> 06:39.290 Scopul meu în această muncă este de a te face mai confortabil de secol secol, deoarece poate suna 06:39.320 --> 06:43.840 foarte complicat și nici un joc de cuvinte nu se poate. 06:43.850 --> 06:50.870 Ca și rețelele neuronale convoluționale, acestea pot fi foarte complexe și înfricoșătoare, dar nu sunt. 06:50.870 --> 06:51.650 Acesta este scopul. 06:51.650 --> 06:54.090 Așa că hai să mergem înainte și să o aplicăm doar așa că știm că nu este înfricoșător. 06:54.080 --> 06:56.350 Deci, iată-ți toate astea. 06:56.360 --> 07:01.790 Și, de asemenea, acest lucru va explica de ce facem acest lucru de ce căutăm funcții de cauzalitate diferite. 07:01.790 --> 07:06.650 Deci, o rețea neurală o rețea neurală să spunem că avem două rețele neuronale și apoi 07:06.650 --> 07:11.960 vom trece o imagine a unui câine și știm că acesta este un câine și nu o pisică. 07:12.200 --> 07:18.620 Și apoi avem o altă imagine pisica noastră de data aceasta un animal și este o pisică nu un câine și aici avem un aventura ne 07:19.040 --> 07:22.490 uităm la o gaură care este, de fapt, un câine nu o pisică. 07:22.490 --> 07:24.280 Dacă te uiți foarte atent. 07:24.320 --> 07:28.440 Așadar, vrem să vedem ce vor fi prezența rețelelor noastre neuronale în primul caz. 07:28.460 --> 07:36.110 Rețea neuronală 1 90% câine 10% pisică corectă fără număr de rețea la 60% câine 40% pisică 07:36.110 --> 07:38.230 încă corectă mai rău. 07:38.270 --> 07:40.030 Dar corect. 07:40.280 --> 07:46.040 A doua opțiune prima rețea neurală 10 la sută pisică pisică 90 la sută pisică. 07:46.040 --> 07:47.300 Corect. 07:47.300 --> 07:53.560 Știți că numărul de pisică la 30 la sută este de 70 la suta pisică mai rău, dar încă corect. 07:53.570 --> 08:01.460 Și apoi, în cele din urmă, rețeaua neurală din rețeaua veche a imaginii a câștigat 40 la sută din câine, 60 la sută din numărul incorect 08:01.870 --> 08:08.270 al rețelei neuronale de pisică, la 10 la sută din câine și 90 la sută pisică incorectă și mai rău 08:08.270 --> 08:15.380 Deci, cheia aici este că, deși ambii oameni net la înșelat în ultima prin toate cele trei 08:15.620 --> 08:18.870 imagini, rețeaua neurală a depășit rețeaua neurală. 08:18.890 --> 08:27.010 Așadar, chiar în ultimul caz, a fost foarte mult că a dat câine ca o șansă de 40%, spre deosebire de rețeaua neurală, 08:27.030 --> 08:32.330 de a da câinelui o șansă de 10% sau rețeaua neurală, una depășește performanța în 08:33.200 --> 08:35.310 comparație cu rețeaua neuronală 2. 08:35.520 --> 08:41.780 Și acum ne vom uita la funcțiile pe care le pot măsura performanța pe care le-am vorbit 08:41.780 --> 08:42.800 despre rating. 08:43.040 --> 08:48.090 Deci, să le punem într-o masă, astfel încât să existe rețea neuronală 1, aveți un număr greșit. 08:48.350 --> 08:49.430 Deci asta e numărul imaginii. 08:49.550 --> 08:51.140 Și apoi pentru imaginea pe care o ai. 08:51.140 --> 08:54.010 Ce-a prezis cimpanzei de 90 la suta si pisica. 08:54.110 --> 09:00.550 Deci, există pălăria lui Marable și apoi aveți valoarea reală, astfel încât pisica corectă câine incorectă. 09:00.560 --> 09:07.720 Același lucru pentru imaginea numărul doi și același lucru pentru cel puțin trei și aceeași pentru rețeaua neuronală numărul doi. 09:07.750 --> 09:11.060 Astfel, 60% din câini au păstrat 40% în prima imagine. 09:11.060 --> 09:13.800 Așa a prezis că crotonii nu erau câini, ci pisici. 09:13.820 --> 09:14.820 Si asa mai departe. 09:15.200 --> 09:18.050 Și acum, să vedem ce erori putem obține. 09:18.050 --> 09:24.940 Deci, ce erori putem calcula pentru a estima performanța și pentru a monitoriza performanța rețelelor noastre. 09:24.950 --> 09:28.480 Deci, un tip de eroare este numit eroare de clasificare. 09:28.640 --> 09:33.990 Și asta este doar întrebarea că ai reușit sau nu. 09:34.010 --> 09:36.940 Indiferent de probabilitati este doar ca ati luat-o dreapta. 09:36.950 --> 09:37.970 Sau ai reușit. 09:37.970 --> 09:44.790 Deci, în ambele cazuri, pentru ambele rețele neuronale fiecare dintre ele au unul. 09:44.810 --> 09:46.330 Deci așa greșiți voi. 09:46.340 --> 09:48.460 Au luat unul din trei greșit. 09:48.470 --> 09:54.960 Astfel, rata de eroare de 33% pentru rețeaua dvs. 1 și 30% rata de eroare pentru rețeaua neurală. 09:55.100 --> 09:59.750 Ca punct de referință din acest punct de vedere, atât rețelele neuronale funcționează la același nivel, dar știm că nu 09:59.750 --> 10:00.250 este adevărat. 10:00.260 --> 10:04.400 Știm că rețeaua neurală Ikhwan depășește rețeaua neurală. 10:05.120 --> 10:10.850 Acesta este motivul pentru care o eroare de clasificare nu este o măsură bună, mai ales în scopul propagării spatelor 10:11.810 --> 10:17.960 eroare medie pătrată diferite și de modul în care am făcut aceste calcule în Excel Nu am vrut să te plictisesc cu ei, 10:17.960 --> 10:22.010 dar tu poți să stai jos și face-le pe o hârtie sau în Excel. 10:22.010 --> 10:28.760 Acestea sunt calcule foarte simple, pur și simplu luați suma de erori pătrat și apoi 10:28.760 --> 10:35.010 luați doar media pe observațiile dvs. și asta este destul de mult. 10:35.060 --> 10:43.320 Deci, pentru rețeaua neurală se obține 25% pentru rețeaua neurală 2, veți obține rate de eroare de 71%, astfel încât să puteți 10:43.330 --> 10:45.930 vedea că aceasta este mai exactă. 10:45.940 --> 10:50.380 Ne spune că aproape unul are o rată de eroare mult mai mică decât propria dvs. rețea. 10:51.150 --> 10:52.970 Și apoi traversați din nou entropia. 10:52.990 --> 10:57.250 Am văzut formula pe care o puteți calcula, de asemenea, acest lucru este de fapt chiar mai ușor de calculat 10:57.250 --> 11:05.350 decât eroarea medie pătrată. Zona încrucișată peste entropie vă oferă 38% pentru rețeaua neuronală 1 și 1. 0 6 pentru rețeaua neurală 2. 11:05.500 --> 11:08.180 Deci, puteți vedea rezultatele sunt puțin diferite. 11:08.350 --> 11:16.510 Când te uiți la ele așa, atunci când te uiți la tine știi zona miniskirt și entropie încrucișată și întrebarea de 11:16.510 --> 11:26.350 ce ați folosi entropie încrucișată peste greșelile înseamnă nu este doar despre felul ca numerele pe care le spun, dar toate acestea calculele au fost doar 11:26.350 --> 11:32.030 pentru a vă arăta că acest lucru este tot ce este posibil să puteți face 11:32.050 --> 11:34.680 doar pe o hârtie nu este. 11:34.780 --> 11:37.890 Nu este o matematică foarte intensă. 11:37.890 --> 11:41.130 Acestea sunt lucruri destul de simple simple. 11:41.200 --> 11:47.680 Dar întrebarea de ce ai folosi înseamnă că provoacă entropia înseamnă că există o întrebare foarte bună de 11:47.680 --> 11:48.250 întrebat. 11:48.250 --> 11:58.530 Mă bucur că ați cerut ca răspunsul la acest lucru să fie ca și când există mai multe avantaje ale entropiei încrucișate asupra erorii 11:58.540 --> 12:01.430 medii pătrată, care nu este evidentă. 12:01.450 --> 12:07.160 Și așa voi spune un cuplu, dar altul, atunci vă voi spune unde puteți afla mai multe. 12:07.160 --> 12:18.550 Deci, unul dintre ele este că, de exemplu, dacă, de la începutul propagării spatelui dvs., valoarea dvs. de ieșire este 12:18.550 --> 12:22.260 foarte foarte foarte mică, foarte mică. 12:22.360 --> 12:25.680 Este mult mai mică decât valoarea reală pe care o doriți. 12:25.750 --> 12:32.920 Apoi, la început, gradientul în lumea voastră mare și decentă va fi foarte scăzut și nu veți fi 12:32.920 --> 12:33.840 de ajuns. 12:33.850 --> 12:40.630 Este foarte greu ca rețeaua neurală să înceapă de fapt să facă ceva și să înceapă să se miște și să înceapă să 12:40.630 --> 12:45.010 ajusteze acele greutăți și să înceapă de fapt Movistar să meargă în direcția corectă. 12:45.130 --> 12:50.920 Dacă folosiți ceva de genul entropiei încrucișate deoarece are logaritmul în ea, ea ajută rețeaua 12:51.400 --> 12:57.310 să evalueze chiar și o mică zonă ca aceasta și să facă ceva în legătură cu aceasta. 12:57.310 --> 12:58.520 Iată cum să te gândești la asta. 12:58.520 --> 13:03.260 Deci, să spunem din nou că acest lucru este foarte în și în abordare foarte intuitivă. 13:03.410 --> 13:08.830 Va fi o legătură cu matematica și puteți obține aceste lucruri prin matematică în 13:08.830 --> 13:11.260 detaliu, dar o abordare foarte intuitivă. 13:11.260 --> 13:16.030 Să spunem că, așa cum doriți, vă doriți. 13:16.030 --> 13:22.810 Este unul și acum sunteți la o singură milionime de unu. 13:22.870 --> 13:23.140 Dreapta. 13:23.170 --> 13:30.790 $ 0 ° C. 00 sau este una și apoi vă îmbunătățiți data viitoare când veți îmbunătăți rezultatul dvs. 13:30.790 --> 13:32.680 de la un milion la un milion. 13:32.860 --> 13:39.330 Și în ceea ce privește dacă calculați eroarea pătrată, tocmai scăpați una de cealaltă. 13:39.610 --> 13:44.980 Sau, în esență, în fiecare caz, ești Kalka într-un pătrat și vei vedea că erorile pătrat când comparăm 13:44.980 --> 13:48.210 un caz cu altul nu s-au schimbat atât de mult. 13:48.220 --> 13:51.940 Nu ai îmbunătățit prea mult rețeaua ta atunci când te uiți la pătratul mediu acolo. 13:52.120 --> 13:58.750 Dar dacă vă uitați la entropia încrucișată pentru că luați un logaritm și apoi comparăți acest lucru 13:58.750 --> 14:01.090 cu împărțirea unul la celălalt. 14:01.390 --> 14:09.390 Veți vedea că ați îmbunătățit efectiv rețeaua în mod semnificativ, astfel încât saltul de la un milion la 1000 în termeni 14:09.460 --> 14:12.810 medii de eroare pătrate va fi foarte scăzut. 14:12.820 --> 14:15.710 Acesta va fi nesemnificativ și nu va. 14:15.790 --> 14:22.270 Nu vă va îndruma procesul de amplificare a gradientului sau propagarea spatelui în direcția corectă. 14:22.340 --> 14:28.180 Tot ce se va ghida în direcția corectă, dar va fi ca o îndrumare foarte 14:28.540 --> 14:34.960 lentă că nu va avea suficientă putere, în timp ce dacă faceți recrobia entropiei peste entropie 14:34.960 --> 14:42.220 veți înțelege că, deși acestea sunt ajustări foarte mici, o mică schimbare în termeni absoluți în termeni relativi este 14:42.220 --> 14:43.770 o îmbunătățire imensă. 14:43.870 --> 14:46.110 Și cu siguranță mergem în direcția cea bună. 14:46.110 --> 14:54.820 Să continuăm așa încât entropia încrucișată să vă ajute rețeaua neuronală ajunge la dreapta ajunge la starea optimă este 14:54.820 --> 15:01.090 o modalitate mai bună ca rețeaua neurală să ajungă la o stare optimă. 15:01.090 --> 15:08.260 Dar rețineți că acest lucru funcționează numai atunci când entropia este doar metoda preferată doar pentru clasificare. 15:08.260 --> 15:14.200 Deci, dacă vorbești despre lucruri precum regresia pe care am avut-o în rețelele neuronale artificiale, atunci ar fi mai degrabă 15:14.230 --> 15:20.770 să mergi cu mine și eroare de pătrat, în timp ce entropia încrucișată este mai bună pentru clasificare și din nou are legătură 15:20.770 --> 15:26.200 cu faptul că folosim soft funcția următoare, astfel că este un fel de explicație intuitivă a unui loc 15:26.200 --> 15:31.690 bun pentru a învăța un pic mai mult despre faptul că, dacă sunteți cu adevărat interesat de faptul că 15:31.690 --> 15:34.740 știți de ce folosim cruce versus eroare medie pătrată. 15:35.200 --> 15:43.160 Google un videoclip de Geoffrey Hinton a numit funcția de ieșire soft max și el o explică foarte bine 15:43.160 --> 15:48.760 și știi că e nașul învățăturii adânci care oricum poate explica mai bine. 15:48.890 --> 15:51.680 Și de modul în care orice film de Geoffrey Hinton este de aur. 15:51.680 --> 15:55.590 Are doar un talent imens pentru a explica lucrurile oricum. 15:55.610 --> 16:01.310 Deci, asta e frumosul frumos față de cruce și sper că ți-ar da o înțelegere intuitivă a ceea ce se 16:01.310 --> 16:02.110 întâmplă aici. 16:02.120 --> 16:08.030 Dar mai important este faptul că nu ești amânată de termenul entropie încrucișată, deoarece titlul îl va menționa în povestirile practice 16:08.030 --> 16:11.280 și am vrut să mă asigur că ești pregătit pentru asta. 16:11.280 --> 16:15.740 Și este doar un alt mod de a calcula ultima funcție. 16:15.740 --> 16:21.830 Și un alt mod de optimizare a rețelei dvs., care este special adaptat la problemele de 16:21.860 --> 16:28.180 clasificare și, prin urmare, rețelele neuronale convoluționale și vine în mână în mână cu funcția soft max. 16:28.280 --> 16:35.480 Deci, citirea suplimentară dacă doriți o introducere ușoară în entropia încrucișată dacă sunteți interesat de concentrare un 16:35.480 --> 16:37.170 pic mai desigur. 16:37.250 --> 16:43.370 Un articol bun pentru a verifica afară se numește o introducere prietenoasă pentru pierderea entropiei încrucișate de 16:44.180 --> 16:45.280 Rob DePietro 2016. 16:45.350 --> 16:46.860 Iată link-ul de mai jos. 16:47.150 --> 16:54.350 Foarte foarte frumos foarte moale și nimic nu matematica super-complex. 16:54.440 --> 16:59.660 Exemple bune de analogii bune folosind analogii de mașini și vă uitați la mașini și vorbiți despre informații și 16:59.660 --> 17:04.910 biți și restricții și știți cum ați decoda acest întreg Unico că este așa că este un articol bun 17:04.910 --> 17:10.730 de a arunca o privire și vă vom da o o privire de ansamblu asupra unei intrări încrucișate, ca de la un 17:10.820 --> 17:11.680 punct introductiv. 17:11.900 --> 17:18.590 Dacă doriți să sapa în matematica grele ca ceea ce vedeți aici, apoi a verifica un articol de către un blog 17:18.680 --> 17:25.180 sau un mod de a pune în aplicare o rețea neuronale Intermezzo prea așa în termeni de utilizare este ca 17:25.220 --> 17:27.410 un lucru intermediar, cum ar fi. 17:27.550 --> 17:28.910 Intermitența în. 17:28.990 --> 17:35.690 Știi că atunci când te duci la un teatru și ai o pauză între prima parte și cea de-a doua 17:35.690 --> 17:36.290 parte. 17:36.350 --> 17:40.820 Deoarece e ca și cum ai trece prin toți acești pași și apoi e ca și apoi spune că trebuie 17:40.820 --> 17:42.210 să explic asta mai întâi. 17:42.470 --> 17:44.080 Și da, de aceea se numește intermezzo. 17:44.090 --> 17:51.620 Nici un alt motiv în măsura în care înțeleg articolele de Peter Rolands 2016, de asemenea, ambele sunt destul 17:51.620 --> 17:52.470 de recente. 17:52.580 --> 18:00.150 Și știți că verificați dacă doriți să vă grăbiți matematica din spatele entropiei Kross din spatele soft Max și entropia 18:00.150 --> 18:02.600 încrucișată în acest articol de fapt. 18:02.930 --> 18:03.790 Așa că mergem. 18:03.860 --> 18:07.360 Asta e totul pentru cei doi. 18:07.370 --> 18:12.780 Sper că am reușit să adaug ceva claritate și noroc cu asta. 18:12.830 --> 18:16.970 Va fi distractiv și vă veți bucura de tutoriale practice. 18:16.970 --> 18:18.070 Ne vedem data viitoare. 18:18.080 --> 18:19.700 Până atunci, bucurați-vă de învățare.