WEBVTT 00:00.270 --> 00:06.230 Merhaba, bu boruya ve Torro'ya hoş geldiniz, şimdi bu fonksiyonun üç sarmal 00:06.240 --> 00:09.560 ve zamansal bağlantıları olan beş değişkenini tanımlamalıyız. 00:09.810 --> 00:11.100 Öyleyse ilki ile başlayalım. 00:11.250 --> 00:18.690 Kıvrımsal olan giriş görüntülerine konvolüsyon uygular, böylece orijinal görüntüler olur ve şimdi her şeyin bu kıvrımın 00:18.690 --> 00:22.710 yaratılması için nasıl bu kadar basit hale geleceğini göreceksiniz. 00:22.770 --> 00:29.070 Aslında yapmamız gereken aslında belirli bir sınıfa ait bir nesne 00:29.070 --> 00:38.800 oluşturmak ve bu sınıftan alınmak ve daha sonra da dersler için gelmek çünkü 2B resimlerle çalışıyoruz 00:38.800 --> 00:40.930 ve şimdi birkaç argümanlar. 00:40.930 --> 00:43.140 Birincisi kanallarda. 00:43.190 --> 00:45.910 Kanallara koyalım. 00:45.970 --> 00:49.210 İkincisi kanallardan. 00:49.330 --> 00:57.070 Üçüncüsü Kerno boyutu ve geri kalanı ise genişleme gruplarını ve önyargılarını dolduruyor. 00:57.130 --> 00:59.120 Ve bunların hepsinde farklı değerlerimiz var. 00:59.260 --> 01:02.290 Öyleyse biz gitmeyeceğiz, ancak varsayılan değerleri saklayacağız. 01:02.470 --> 01:08.500 Ancak önemli olan kanallardaki ve kanallardaki ve çekirdek boyutundaki bu üç argümandan ibarettir ve dolayısıyla neyin karşılık 01:08.500 --> 01:09.740 geldiğini tahmin ediyorum. 01:09.880 --> 01:15.730 Genel olarak çok basitçe konvolüsyonun girdisine karşılık gelir ve tüm kanallar 01:15.730 --> 01:17.900 sonucun çıktısına karşılık gelir. 01:17.920 --> 01:19.940 Öyleyse ne olacak. 01:20.110 --> 01:24.460 Çok basit bir şekilde bu bizim görüntülerimizdeki kanalların sayısı olacak. 01:24.610 --> 01:30.460 Ve aslında biz siyah beyaz görüntülerle çalışacağız çünkü temelde canavarları tanımak için 01:30.460 --> 01:31.360 renklerimiz yok. 01:31.450 --> 01:35.310 AI canavarları tamamen siyah beyaz olarak algılama yeteneğine sahiptir. 01:35.440 --> 01:39.200 Dolayısıyla renklerin yalnızca şekillerine göre olduğunu görmüyoruz. 01:39.250 --> 01:44.380 Dolayısıyla bir kanalı kullanacağız, böylece bir kanal siyah beyaz görüntüler yaşarken, 01:44.380 --> 01:46.820 üç kanal görüntü aramış oluyorsunuz. 01:46.930 --> 01:51.320 Ve bu nedenle, kanallardaki siyah beyaz görüntülerle 01:51.340 --> 01:59.730 çalıştıkğımızdan, kanallarımıza eşit olacak, böylece kanallarımız bu anayasanın çıktısı olan konvolümantasyonda sahip olmak 01:59.730 --> 02:02.970 istediğiniz görüntülerle eşit olacak. bir. 02:02.970 --> 02:08.820 Temelde bu, özgün resimlerinizdeki metne istediğiniz özellik sayısına eşittir, çünkü temelde işe 02:09.240 --> 02:15.040 yaradığını bildiğiniz için algılamak istediğiniz özellik başına kim bir resim oluşturur. 02:15.120 --> 02:21.390 detektörü uyguladık ve bu nedenle buradaki çıktı görüntülerinin sayısı tespit etmek istediğiniz özelliklerin sayısıdır. 02:21.390 --> 02:26.450 Giriş görüntüsünde belirli bir özelliği algılamak için giriş görüntüsüne bir özellik 02:26.460 --> 02:30.110 Şimdi ne kadar çok özellik tespit etmek istiyoruz sorusu. 02:30.240 --> 02:38.730 İyi bir ortak uygulama 32 öznitelik detektörüyle başlamaktır ve bu yüzden bu ilk konvolasyon katmanında% 02:38.820 --> 02:46.170 32 imaja neden olacağız, böylece giriş bir siyah beyaz resim gerçek bir görüntü 02:46.170 --> 02:53.010 ve ilk katlamalı çıktıda 32 işleme görüntü var ve elbette ki sonuç, 02:53.380 --> 02:59.750 tespit edilen özelliklere sahip 32 yeni görüntü elde etmek için giriş imgesine uygulanmıştır. 03:00.240 --> 03:06.990 Ve sonra, orijinal görüntüye gidecek karenin boyutlarından başka bir şey olmayan 03:07.080 --> 03:09.450 bir çekirdek boyutu belirtmeliyiz. 03:09.600 --> 03:15.350 Ve genel uygulamada iki ya da üç geniş üç ya da beş beş tane satın almak için kullanıyoruz. 03:15.660 --> 03:22.170 Ve birincisi beş beş tane 10 motora sahip bir özellik dedektörü olan 03:22.170 --> 03:24.580 beş beş özellik dedektörü kullanacağız. 03:24.810 --> 03:29.290 Ve sonra bu çekirdeğin boyutunu bir sonraki konvolüyonel katmanlar için azaltacağız. 03:29.340 --> 03:32.320 Ve şimdi bunu tam olarak ne yapacağımızı konuşuyoruz. 03:32.390 --> 03:40.860 Bunu ikinci konvolüsyonu tanımlamak için kopyalayacağız ve bundan dolayı burada kuruyorum ve şimdi çok komik ve 03:40.890 --> 03:43.370 çok kolay bir domino gibi. 03:43.500 --> 03:49.260 konvolusyon katmanının giriş kanalı, buradaki ilk konvolusyonun çıkış kanalıdır. 03:49.260 --> 03:49.810 İkinci 03:49.950 --> 03:55.300 Yani bu sayı çıktısı 32 Burada aynı girdi sayısı 32'dir. 03:55.420 --> 04:01.290 Bunun nedeni, ikinci konvolüsyonun giriş konvolusyon katmanında 32 görüntüümüz olmasıdır. 04:01.440 --> 04:09.830 Ve böylece ikinci bir konvolüsyon, bu ikinci konvolüasyon katmanına uygulanır ve üçüncü bir konvolüasyon katmanı 04:09.830 --> 04:10.340 döndürülür. 04:10.530 --> 04:13.280 Ve şimdi soru, kaç tane yeni resim istiyoruz. 04:13.410 --> 04:19.820 Aynı şey 32 yeni resim oluşturur 32 Birçoğunda 32 bulacağınız mimarilere bakarsanız, 32 04:19.830 --> 04:23.710 evrensel sinir ağlarında gerçekten çok yaygın bir sayıdır. 04:24.030 --> 04:29.910 Ve daha sonra çekirdek boyutu için Özellik dedektörümüzün boyutları olan çekirdek boyutunu azaltmamız 04:29.910 --> 04:30.610 gerekir. 04:30.780 --> 04:37.680 Ve şimdi beş ila dört ya da üçümüze gideceğiz ve sonra daha da küçülecek. 04:37.920 --> 04:40.790 Pekâlâ, ikinci konvolümüz hazır. 04:40.830 --> 04:43.830 Giriş olarak 32 işlem görüntüsü alır. 04:43.890 --> 04:51.130 Her biri orijinal giriş resminin ilk özelliğinde ve 32 yeni görüntü oluşturuyor. 04:51.270 --> 04:54.990 Özellik dedektörünün bu azaltılmış boyutları sayesinde. 04:55.120 --> 04:57.250 Şimdi bunu daha da ileri götürelim. 04:57.300 --> 05:05.450 Bu yüzden bunu kopyalayıp bazı özellikleri saptamak için üçüncü bir konvolüsyon oluşturmak için buraya yapıştırıyorum. 05:05.470 --> 05:08.010 Ve şimdi giriş kanalları aynı. 05:08.010 --> 05:13.800 Burada dekonvolüsyon bağlantısının solundaki girdi görüntülerinin sayısı ve önceki kıvrım 05:13.800 --> 05:17.740 bağlantılarının sağına çıkan ön görüntü görüntülerinin sayısıdır. 05:17.740 --> 05:18.710 32 yaşında. 05:18.750 --> 05:20.030 Bu nedenle duyduğumuz için özür dileriz. 05:20.030 --> 05:20.990 Bu mükemmel. 05:21.220 --> 05:25.220 Ve şimdi soru kaç yeni görüntü tespit etmek istiyor. 05:25.310 --> 05:31.130 Şimdi 64 ve dolayısıyla 64 çıkış öncel görüntüleri alacağız. 05:31.260 --> 05:36.800 Ve elbette şimdi daha küçük bir çekirdek boyutu alıyoruz ve iki tane alacağız. 05:36.800 --> 05:42.660 Ve böylece konvolüsyonun çok klasik bir mimarisi budur ve görüntülerin içinde yüksek 05:42.660 --> 05:45.840 düzeyde bir özellik algılaması çok etkilidir. 05:46.200 --> 05:53.010 Pekâlâ, burada üç kıvırcıklığımızı üç kıvrım bağlantımıza 05:53.010 --> 05:53.510 bağladık. 05:53.640 --> 05:59.970 kez tekrar 32 görüntü düzleştirdikten sonra elde ettiğimiz bu büyük vektörü alacağız, böylece bu 05:59.970 --> 06:07.710 görüntülerin tüm piksellerini düzleştirdik ve yeni bir tamamen bağlı sinir ağı girişi olacak bir büyük vektör olabilir. 06:08.160 --> 06:13.920 Şimdi, diş hekimliği bağlantılarımızı toplamanın tam zamanı geldiğini hatırlatmak gerekir ki, tüm bu 06:14.190 --> 06:16.590 kıvrımlardan aldığımız 64 kez 32 06:16.860 --> 06:22.230 Ve öyleyse, bu bağlantıları ilk önce bu büyük vektör ve gizli bir katman arasında, 06:22.470 --> 06:27.710 ardından da gizli katman ve çıkış nöronlarından oluşan çıktı arasındaki ikinci bir tam bağlantı 06:27.730 --> 06:28.270 oluşturmamız gerekir. 06:28.320 --> 06:31.940 Her biri olası eylemlerin küp değerine karşılık gelir. 06:31.980 --> 06:33.960 Bu iki bağlantıyı yapalım. 06:33.960 --> 06:35.220 Bunu nasıl yapacağını biliyorsun. 06:35.220 --> 06:37.550 Kendinden tahrikli araba için yaptığımız tam da buydu. 06:37.560 --> 06:38.800 O halde tekrar yapalım. 06:39.000 --> 06:46.890 İlk önce Maggio'yu alıyoruz, o zaman Lynnie'yi sınıfımıza götürüyoruz, çünkü yine bağlantı oluşturduğumuz 06:46.920 --> 06:49.060 egemen sınıfın bir nesnesidir. 06:49.260 --> 06:50.550 Ve sonra parantez içinde. 06:50.670 --> 06:58.620 Aynı şey, girdi özelliklerini, sonra çıktı özelliklerini sayısına koymak için de aynı şey. 06:58.850 --> 07:03.110 Ve giriş özellikleri ilk tam bağlantı için ne olacak. 07:03.340 --> 07:10.300 düzleştirdikten sonra bu büyük vektör değişikliğinde bulunan piksel sayısına eşit olacak. 07:10.480 --> 07:13.830 Üç kıvrımdan sonra tüm işlem görüntülerini 07:13.830 --> 07:15.110 Peki bu numara ne yapar. 07:15.220 --> 07:17.350 Aslında burada bir numara var. 07:17.380 --> 07:19.620 Bu sayı almak gerçekten zor. 07:19.660 --> 07:22.770 Aslında bu sayıyı hesaplamak için bir işlev yapmamız gerekiyor. 07:22.960 --> 07:25.570 Bize bu numarayı alacak bir değişkenimiz yok. 07:25.570 --> 07:29.040 Onu ve dolayısıyla şimdi ne yapacağımızı hesaplamalıyız. 07:29.150 --> 07:34.780 çünkü ilk kez söyleyeceğiniz şey, Bu sayıdaki nöronları Yassılaştır vektörüne sahip ol. 07:35.200 --> 07:40.930 Ve şimdi, olması gereken programlamanın zihniyetini anlamak ve bu engelin üstesinden gelmek 07:41.110 --> 07:45.690 için şu anda ne düşündüğünüz zihniyet getirmeye çalışmak çok önemlidir, 07:45.730 --> 07:46.650 Ne yapmalıyım. 07:46.660 --> 07:47.600 Burada sıkıştım. 07:47.800 --> 07:55.720 Aslında hayır, çünkü şimdi ne yapabildiğiniz, buradaki sayıları nöron sayısına göre nöronların sayısını temsil 07:55.720 --> 08:01.690 edecek herhangi bir adı girdikten sonra, basitçe geri dönecek ve bu 08:01.690 --> 08:05.130 sayıdaki nöron değişkenli bir işlev yapacağız. 08:05.180 --> 08:07.100 Aradığımız bu piksel sayısı. 08:07.330 --> 08:12.760 Bu yüzden, tamamen bunu yapabiliriz, çünkü bu çok vokal elbette ki bir uyarı 08:12.760 --> 08:17.090 alacak, ancak henüz mevcut değil, daha sonra bir fonksiyon ile yaratacağız. 08:17.350 --> 08:21.140 Ve daha sonra işlevi gelse bile buna izin verilir. 08:21.170 --> 08:25.970 Bu tür bir engeli bulduğunuzda sahip olmanız gereken tipik bir programlama düşüncesi budur. 08:26.020 --> 08:29.710 Eh, kaçırdığınız şeyi elde etmek için bir işleve sahip olabilirsiniz. 08:29.740 --> 08:32.640 Tamam, sonra özelliklerimiz ve geleceğimiz. 08:32.650 --> 08:37.830 Gizli katmandaki nöronların sayısı bu sefer size kalmış. 08:37.870 --> 08:41.230 Bu, oluşturmak istediğiniz yeni ağın mimarisine bağlıdır. 08:41.230 --> 08:44.230 Ve bu yüzden iyi bir sayı küçük sayı olmazdı. 08:44.230 --> 08:46.960 Örneğin 40 nöron iyi olabilir. 08:46.960 --> 08:48.660 Bunu arttırmaya çalışabiliriz. 08:48.790 --> 08:51.280 Eğitim çok yavaş değilse, bunu arttırmayı deneyebilirsiniz. 08:51.340 --> 08:56.750 Belki öngörüleri iyileştirecektir, ancak 40 ile başlayalım belki daha sonra bunu artıracağız. 08:57.130 --> 09:04.690 Tamamen ilk tam bağlantı için bu kadar sonra gizli katman ve çıktı katmanı arasındaki 09:04.710 --> 09:09.300 bağlantı olan ikinci tam bağlantı için buradaki yapıştırmayı kopyalayacağız. 09:09.370 --> 09:15.720 Ve böylece özellikler bir önceki katmanın özelliklerine dönüşür ve bu 40 olur. 09:15.790 --> 09:18.020 Yani burada 40'ım kaldırabiliriz. 09:18.190 --> 09:20.500 Tabii ki bir katmandaki nöronların sayısı. 09:20.860 --> 09:27.280 Ve geleceğimiz hiçbir sinir ağı olmaması gereken çıkış nöronlarının sayısına eşit olacak. 09:27.340 --> 09:33.360 Ve her çıktı nöronu, bir yeni değere ve bir Cuvee'ye tekabül ettiğinden ve 09:33.370 --> 09:38.440 bir çıktıya neuronların sayısı burada tabii ki eylem sayısına karşılık geldiğinden, 09:38.740 --> 09:47.320 bunun için bir sayı değişkeni var, bu sayı eylemleri ve bu nedenle sayı eylemleri ve Orada tebrikler. 09:47.390 --> 09:53.850 Sinir ağımızın mimarisini buldık, sinir ağımız üç konvolüyonel katman ve bir 09:53.850 --> 09:55.960 gizli katmandan oluşuyor. 09:56.130 --> 10:03.020 Tüm bunlar büyük bir CNN'de gerçekleşir ve bu CNN oyundaki özellikleri tespit eder, böylece AI nereye gitmek 10:03.020 --> 10:06.550 zorunda olduğunu ve nereye ateş etmesi gerektiğini bilir. 10:06.900 --> 10:08.240 Öyleyse bu adımı atalım. 10:08.340 --> 10:10.720 Yapılan ilk önemli adım bu. 10:10.720 --> 10:16.020 Şimdi, hala eksik olan bu sayıda nöronun elde edilmesi için bir sonraki 10:16.020 --> 10:17.010 adıma geçeceğiz. 10:17.010 --> 10:21.930 Aslında neden burada uyarı var ve telefon numarası nöronları ama endişelenmeyin. 10:21.960 --> 10:26.970 işlev yapacağız ve bu sayıyı bir dizi nöron çağrısı yapan bir değişkene koyacağız. 10:26.970 --> 10:30.210 Şimdi bu büyük vektörde nöron sayısını döndürecek bir 10:30.270 --> 10:32.070 Bu işi sonraki öğreticide yapalım. 10:32.070 --> 10:33.130 İşte sonraki adımımız. 10:33.180 --> 10:34.790 Ve o zamana kadar AI zevk.