WEBVTT

00:00.530 --> 00:02.950
Merhaba ve bu Python öğreticisine hoş geldiniz.

00:02.990 --> 00:08.520
Şimdi bir sonraki adım, neyi istediğinizi bize vereceği nöronların işlevini yapmaktır.

00:08.540 --> 00:14.130
Kıvrımlar uygulandıktan sonra bu büyük vektörde bu sayıda nöron var.

00:14.300 --> 00:19.640
Şu anda ihtiyacımız olan tek eksik bilgi bu ve fonksiyonla birlikte alacağız.

00:19.700 --> 00:23.930
Bu işlevi saymak için yapacağımız işi yapalım.

00:24.280 --> 00:27.570
Ve bu çekirdek nöronları çok basit.

00:27.830 --> 00:32.220
Ve bu sayım nöronları işlevi argümanlar olarak alacak mı?

00:32.510 --> 00:39.450
alacak çünkü düzleştirici katmandaki bu sayıdaki çıktı nöronları aslında sadece bir şeye bağlı.

00:39.450 --> 00:44.540
Nesneyi kendi kendine alacak ama sonuçta başka bir şey

00:44.660 --> 00:50.840
Sinir ağının başlangıcındaki orijinal girdi imgesinin hakimiyetine

00:50.840 --> 00:51.930
bağlıdır.

00:52.160 --> 00:58.370
Ve şimdi ihtiyacımız olan tek argüman aslında zamanın girdi görüntülerinin zamanlamasından bahsettiği zamandır.

00:58.370 --> 01:03.410
Bu nedenle elmas ve giriş imgesini temsil eden bu argümana bir isim verelim.

01:03.520 --> 01:06.790
Ve bunu resim olarak adlandıracağız.

01:07.220 --> 01:07.690
Tamam.

01:07.850 --> 01:14.720
görüntülerinin gerçek boyutlarının 80 x 80 olarak geçeceğini hemen söyleyebilirim.

01:14.720 --> 01:16.850
Dume'dan gelen girdi

01:16.850 --> 01:23.330
Orijinal görüntülerin boyutunu 80'e 80 azaltacağız ve sinir ağına

01:23.390 --> 01:26.270
giren görüntülerin biçimi olacak.

01:26.270 --> 01:32.300
Öyleyse Görüntü onları aslında 80 80 olacak ve bir siyah ve beyaz resimlerle çalışıyoruz

01:32.300 --> 01:33.750
gerçeğine karşılık gelir.

01:33.830 --> 01:41.040
Bu sadece bir kanalla görüntüye göre, bu kanallar toplam sekiz seksen ve seksenli sekseniyle ilişkilendirilecek.

01:41.280 --> 01:41.560
Tamam.

01:41.560 --> 01:43.590
İhtiyacımız olan tek argüman bu.

01:43.660 --> 01:45.670
Ve şimdi nöronları taralım.

01:45.850 --> 01:47.280
Peki bunu nasıl yapacaksın.

01:47.500 --> 01:51.110
Her şeyden önce aslında şu anda herhangi bir giriş imajımız yok.

01:51.250 --> 01:54.070
İçe aktardığımız herhangi bir doom imajımız yok.

01:54.070 --> 01:55.330
Bunu daha sonra yapacağız.

01:55.540 --> 02:01.240
Yapmamız gereken ilk şey sahte bir görüntü oluşturmaktır, ancak 80'in üzerinde intronlar 80 yapmıştır.

02:01.240 --> 02:06.160
görüntüyü sahte piksellerle yaratacağız ve bu bize sonunda istediğiniz sayıyı

02:06.160 --> 02:12.280
verecektir, çünkü bu sayı sadece görüntülerin içindeki piksellerin değil boyutların boyutlarına bağlı.

02:12.280 --> 02:13.320
Bu sahte

02:13.330 --> 02:15.640
Dolayısıyla bu sadece başlamak için sahte bir görüntü oluşturuyor.

02:15.730 --> 02:18.520
Ve sonra istediğimiz nöron sayısını hesaplayacağız.

02:18.520 --> 02:23.860
Dolayısıyla sahte bir görüntü yaratmanın hilesi de x olarak adlandırılacaktır.

02:23.890 --> 02:30.700
Her şeyden önce Rand fenerini kullanacağız, çünkü rand işlevi olan torche'den

02:30.700 --> 02:37.200
bu rasgele işlevleri kullandığımız bu görüntülere rasgele pikseller koyacağımızı biliyorsun.

02:37.250 --> 02:42.740
Ardından içeride, imajların lanetlerini göreceksin.

02:42.850 --> 02:44.400
80 80'den biri.

02:44.560 --> 02:50.500
Fakat biz bu görüntüyü sinir ağına koyacağız ve sinir ağını hatırladığınız gibi,

02:50.500 --> 02:55.170
yalnızca girdi görüntüleri yığınları olan girdi devlet yığınlarını kabul edebiliyoruz.

02:55.370 --> 03:00.600
Doğrudan bu çalıştırma işlevi yapabildiğimiz sahte elmasları yaratacağız.

03:00.670 --> 03:05.720
Aslında yalnızca partiye karşılık gelecek olanla başlayalım ve sonra

03:05.730 --> 03:11.070
onu giriş imgesinin hakimiyetlerine tekabül eden tüm 188'e yerleştirebiliriz.

03:11.110 --> 03:16.980
Ve anladığınız gibi, bu atıflar bu resimde yer alıyor ve bu tablo bu tabloyu

03:16.980 --> 03:19.330
temsil ediyor. 1 80 80.

03:19.420 --> 03:23.290
Bu yüzden sadece resim eklemeliyiz.

03:23.620 --> 03:29.410
Ancak şu an bildiğiniz için tablonun ögelerini iletmek için Görüntü bunları, bir işlevin

03:29.410 --> 03:31.940
argümanlarının bir listesi olarak bir çift'tir.

03:32.020 --> 03:39.460
Buraya resim yüklemeden önce eklememiz gerekiyor; mağaza sakini Apple'ın mağaza elemanlarını Apple'ın

03:39.550 --> 03:44.100
işine yarayan argümanlar listesi olarak geçirebileceğini belirtti.

03:44.170 --> 03:49.600
Ve gördüğünüz gibi burada tam olarak mağazayla ve elmasla belirtilen şey bu.

03:49.930 --> 03:56.640
Tamam, böylece görüntülerle hiçbir ilgisi olmayan sahte piksel görüntüsü yaratılır.

03:56.800 --> 04:01.720
nihai nöron sayısını elde edebileceğiz ve hatırlamamız gereken

04:01.720 --> 04:11.080
en son şey, bu girdi vektörünü bir meşale değişkenine dönüştürmektir, çünkü bu, sinir ağına gidecektir.

04:11.380 --> 04:13.060
Ancak yine de

04:13.060 --> 04:13.380
Tamam.

04:13.390 --> 04:20.650
Dolayısıyla bu şimdi rastgele piksellerden oluşan, yalnızca uygulanabilir bir hale dönüştürülen ve şimdi sinir ağına giren bir

04:20.650 --> 04:22.440
girdi görüntüsünü temsil ediyor.

04:22.570 --> 04:28.330
Ve daha spesifik olarak, sinir ağının konvolüm katmanları, çünkü konvolüsyonlar

04:28.330 --> 04:34.100
uygulandıktan sonra sadece nöron sayısına ihtiyaç duyduğumuzdan sadece santimetre 3'e geçeceğiz.

04:34.210 --> 04:36.440
Yani hemen üçüncü konvolüsyon katmanına.

04:36.580 --> 04:39.630
Ve burada iki tam bağlantıya geçmeyeceğiz.

04:39.850 --> 04:45.490
Bunun sebebi, istediğimiz nöronların sayısı konvolüsyon 3 ile f arasındadır. c 1.

04:45.520 --> 04:52.120
Pekâlâ, doğru mektupları içeren bir giriş imkimize sahibiz Şimdi sıra düzleştirici katmana

04:52.180 --> 04:58.330
erişmek için bu görüntüyü sinir ağı içine yayma zamanı geldiğinde, düzleştirilmiş katmanda

04:58.330 --> 05:03.850
nöronları alacağız ve biz sadece İstediğimiz bilgi, bu düzleşme tabakasındaki

05:03.850 --> 05:04.750
nöronların sayısıdır.

05:04.990 --> 05:08.950
Dolayısıyla şimdi yapmamız gereken tam bir ileri fonksiyonda yaptığımız şey.

05:08.950 --> 05:14.560
Sinyalleri sinir ağına yaymamız gerekir, ancak sızıntı katına ulaşana kadar

05:14.560 --> 05:16.120
sadece konvolüsyonel katmanlarda.

05:16.330 --> 05:17.360
O halde bunu yapalım.

05:17.360 --> 05:25.660
X değerini güncelleyeceğiz. X, girdi görüntüsü ve ikinci X ile burada X ilk konvolüsyon katmanı

05:25.660 --> 05:27.050
haline gelecektir.

05:27.310 --> 05:32.930
Ve şimdi yapmamız gereken şey, üç adımlı süreç ilk adımı uygulayarak girdi görüntülerine

05:32.950 --> 05:33.790
dekonvolution uygulamaktır.

05:33.850 --> 05:40.960
Sonra ikinci adım, karmaşık görüntülere karışık budama uyguluyoruz ve nöronları bu çekilen kıvrık

05:40.960 --> 05:48.160
görüntülerde aktive ettiğimizi ekliyor ve x, tüm bu havuzlar körüklü Energis'ten oluşan bu

05:48.160 --> 05:50.590
ilk konvolüsyon haline gelecektir.

05:51.010 --> 05:56.840
Bu yüzden ilk adımın ilk konvolüsyon konvolüsyonunu girdi görüntülerine uygulayalım.

05:57.040 --> 06:07.540
Yaptığımız şey, konvolüsyonumuzu kendi kendimize yaparak Lucian'a ait olduğumuzu şimdiye kadar x ile temsil

06:07.550 --> 06:11.360
edilen girdi imgelerimize uyguladığımızı düşünmektir.

06:11.500 --> 06:14.290
Bu yüzden şimdi yapılan ilk şey budur.

06:14.320 --> 06:22.630
İkinci aşamada, konvolüsyonla döndürülen kıvrık görüntülerimize biriktirme işlemi uygulandıracağız. X ve iki doruk

06:22.640 --> 06:26.880
noktası çekildiğinde, fonksiyonel modülden bir işlev alacağız.

06:26.920 --> 06:34.610
Dolayısıyla kısa devreyi biz alıyoruz ve sonra Max havuz fonksiyonunu D'ye kullanacağız.

06:34.810 --> 06:42.340
parantez içine bir X koyduk, çünkü kıvrık görüntülere bir sonraki çekiş oynuyoruz.

06:42.360 --> 06:45.220
Kendiliğinden konvolüsyonu, maksimum çekmenin

06:45.750 --> 06:53.140
Fakat bu sonraki işlevi, öncelikle çekirdek boyutu olan ek argümanları alır.

06:53.190 --> 06:59.190
Bu yine görüntüleriniz arasında kayan pencerenin boyutu ve her slayttaki

06:59.190 --> 07:00.710
maksimum pikseli alacaktır.

07:00.830 --> 07:06.750
Bu özellikler özelliklerini algılayacaktır çünkü özellikler, dizilerdeki pikselin yüksek bir değeri

07:06.840 --> 07:07.750
ile ilişkilendirilmiştir.

07:07.890 --> 07:09.580
Sezgi dersleri gibi.

07:09.780 --> 07:14.020
Dolayısıyla insanın girmesi gereken ilk belgelenmiş bu çekirdek boyutu.

07:14.100 --> 07:15.560
Ve üç alacağız.

07:15.660 --> 07:17.650
Çekirdek boyutu için ortak bir tercih budur.

07:17.940 --> 07:25.200
Ardından, bildiğiniz adımları görüntülerde kaç piksele soktuğunuza göre ayarlamamız gerekir.

07:25.200 --> 07:27.560
Ve biz iki adım önde gidiyoruz.

07:27.610 --> 07:29.400
Yine bu ortak bir seçim.

07:29.820 --> 07:30.670
İşte gidiyoruz.

07:30.690 --> 07:32.530
Şimdi ikinci adım yapılır.

07:32.620 --> 07:38.910
şimdi, bu havuzdaki tüm nöronları ve kıvrık görüntüleri etkinleştirmek için üçüncü adıma geçelim.

07:38.910 --> 07:39.580
Ve

07:39.610 --> 07:46.090
Ve bu ilk konvolüsyon tabakası ve bunu tekrar yapmak için bütün bunlara bir işlev uygulayacağız.

07:46.170 --> 07:51.960
Ve burada ve tekrar alarak, çünkü tahmin ettiğiniz gibi başka bir işlev alacağız, bu

07:52.050 --> 07:55.170
da bir aktivasyon işlevi olacak ama hangisi olacak.

07:55.230 --> 08:01.410
Her zamanki gibi rektifiye aktivasyon fonksiyonu olacak ve belki bunun gerçekten adını

08:01.620 --> 08:02.330
hatırlıyorsunuz.

08:02.790 --> 08:03.410
Oraya gidiyoruz.

08:03.450 --> 08:04.290
Bu o.

08:04.290 --> 08:12.540
Ve bu yüzden, gerçekten hepsi bir araya toplanmış kıvrık görüntüler için geçerlidir.

08:12.540 --> 08:12.940
Tamam.

08:12.990 --> 08:14.270
Ve bu kadar.

08:14.370 --> 08:15.320
Üç adım atıldı.

08:15.330 --> 08:16.370
Bu çok hızlı oldu.

08:16.500 --> 08:23.460
Dolayısıyla, buna bakmamızın yolunu hatırlayın, önce konvoluyu giriş görüntülerimize uyguladıktan sonra,

08:23.460 --> 08:28.830
bir konvolüsyonla elde edilen kıvrık görüntülerimize Max çekerek uyguluyoruz.

08:28.950 --> 08:35.730
konvolasyon katmanımızı bir doruk noktası çekip nöronlar harekete geçirilmiş haliyle alırız.

08:35.730 --> 08:43.960
Ve sonra tüm bu havuz konvolüsyon katmanındaki nöronları doğrultucu aktivasyon işlevi ile

08:44.050 --> 08:46.200
etkinleştiririz, böylece, birinci

08:46.260 --> 08:51.640
Ve temel olarak bu, ilk konvolüyon katmanından diğerine geçerken

08:51.640 --> 08:52.500
sinyalleri yayar.

08:52.630 --> 08:56.580
Ve bir sonraki konuşurken, şu anda bununla ilgileneceğimiz tam da budur.

08:56.570 --> 09:01.660
İkinci kıvırcık katmanın nöronlarını aktive ederek sinir ağına sinyalleri

09:01.660 --> 09:08.170
daha da yaymak için orada ikinci kıvırcık katmanın ilk kıvrımında yaptığı gibi

09:08.170 --> 09:09.660
aynı şeyi yapacağız.

09:09.850 --> 09:12.910
Fakat bunu yapmadan önce bu konvolüsyon tabakasını almalıyız.

09:13.120 --> 09:18.330
Ve böylece, şimdi, ilk konvolüsyon tabakası olan X'e konvolüsyon uygulayacağız.

09:18.460 --> 09:24.070
İkinci kıvırcık tabaka elde etmek için konvolüsyonu 2 x'e uygulayacağız, sonra onu

09:24.070 --> 09:25.120
Max çekecektir.

09:25.240 --> 09:27.860
Sonunda Sirat'ı harekete geçirdi.

09:27.970 --> 09:29.070
O halde bunu yapalım.

09:29.170 --> 09:35.350
Aslında bunu kopyalayıp aşağıdaki alt yapıştırmamız çok kolay.

09:35.350 --> 09:39.240
Şüphesiz elbette konvolüyonu konvolüsyonla değiştirmeliyiz.

09:39.520 --> 09:40.460
Ve işte gidiyoruz.

09:40.480 --> 09:43.650
Aslında hazır görün çok kolay.

09:43.900 --> 09:50.200
Ve şimdi bu hat ile ikinci konvolusiyondan gelen sinyalleri, buradaki üçüncü

09:50.260 --> 09:52.580
konvolüyonel olacak olana çeviriyoruz.

09:52.720 --> 09:57.220
Ve bu üçüncü konvolüyonel iradeyi elde etmek için bunu tekrar uygulamak gerekecek.

09:57.220 --> 10:04.630
Bu yüzden aşağıdaki yapıştırmayı kopyalayıp konvolüsyonun konvolüsyon 3 ile değiştiriyorum ve yapılması çok

10:04.870 --> 10:06.340
pratik değil.

10:06.340 --> 10:11.490
Sinyalleri bir el fenerinde üç konvolüsyon harfle yayarız.

10:11.500 --> 10:13.100
Bu müthiş yapı sayesinde.

10:14.020 --> 10:15.340
Pekâlâ, bu kadar mükemmel.

10:15.340 --> 10:21.250
Şimdi sinyalleri üçüncü kıvrım tabakasına kadar yayılmış durumda.

10:21.360 --> 10:24.780
Ve bundan sonra konuşmak bizi aradıklarımıza götürür.

10:24.820 --> 10:28.510
Bununla ilgilendiğimiz şey orada yassılaştırmak.

10:28.510 --> 10:33.620
Pekâlâ, burada üçüncü kıvırcıklığımız var, bu da burada son X'tir.

10:33.790 --> 10:36.120
Düzleştirmemizin vakti geldi.

10:36.490 --> 10:37.990
Ve işte tam da bunu yapacağız.

10:37.990 --> 10:44.200
Şimdi üçüncü konvolusyon katmanının tüm kanallarını düzleştirip, üçüncü konvolüyonel

10:44.290 --> 10:48.430
katmanın tüm kanallarının tüm piksellerini alacağız.

10:48.640 --> 10:51.920
Onları birbiri ardına büyük bir vektörle koyacağız.

10:52.150 --> 10:56.920
Ve tabii ki bu kocaman vektör düzleştirici tabakadan başka bir şey olmayacak ve

10:56.920 --> 11:02.000
aynı zamanda orada bu düzleşmede nöron sayısını elde etmek için bir hüner kullanacağız.

11:02.070 --> 11:03.790
İşte biz de aradıklarımız.

11:03.790 --> 11:09.370
bu yüzden doğrudan istediğimiz şeyi geri alalım ve bu dönüşte üçüncü konvolusyon

11:09.370 --> 11:15.130
katmanını düzleştireceğiz ve bu katlanan katmandaki aynı sayıda ve nöron sayısına ulaşacağız.

11:15.130 --> 11:16.330
Kaybettiğimiz nöronların sayısı

11:16.630 --> 11:20.150
Böylece X'i alacağız. buradaki üçüncü konvolümanımız.

11:20.320 --> 11:25.150
Üçüncü konvolüsyonun tüm kanallarını alacağız ve tüm bu kanalların

11:25.150 --> 11:32.160
tüm piksellerini aynı büyük bir vektörde düzleştirmek için boyut fonksiyonu olan bir fonksiyonu kullanacağız.

11:32.230 --> 11:35.930
Ve bu yüzden pite bulabileceğiniz hile çok zorlanıyor.

11:36.130 --> 11:42.400
Ilk X'in verilerini alıyoruz, çünkü X bir meşale olduğunu bildiğiniz özel bir yapıdır Voivode Bu yüzden

11:42.400 --> 11:44.250
oldukça karmaşık bir yapıya sahip.

11:44.320 --> 11:51.920
Fakat öncelikle buradaki verilerle ona erişmemiz gerekiyor, içimizdeki şeyi görmek lazım.

11:52.090 --> 11:57.700
Bu yüzden bu görüntüleme işlevini kullanıyoruz ve şimdi aradıklarımıza erişmeliyiz ve

11:57.700 --> 12:01.980
bu da 1 ve eksi 1 argümanlarıyla bile.

12:02.230 --> 12:04.390
Yapının içinde olanı anlamalısınız.

12:04.510 --> 12:10.060
Ancak şunu anlıyorsunuz ki, bu sayıdaki nöronları nasıl elde edeceğiz ve daha

12:10.150 --> 12:15.560
sonra bitirmek için parantez içinde ve girdi girişlerinde 1 boyut eklememiz gerekiyor.

12:15.880 --> 12:21.610
Temelde burada yaptığımız, tüm kanalların tüm piksellerini almamız ve bunları, birbirine

12:21.610 --> 12:27.180
bağlı ağın girişi olacak olan bu büyük vektörde birbiri ardına koymak.

12:27.190 --> 12:29.250
Temel olarak boyutun yaptığı şey budur.

12:29.410 --> 12:34.060
Ve bununla, aradığımız yeni sayıları alabiliriz.

12:34.060 --> 12:36.460
Pekâlâ, şimdi istediğimizi alıyoruz.

12:36.490 --> 12:44.350
Ve nihayet burada görüntülerin formatına uygulandığında bu fonksiyon tarafından döndürülen

12:44.530 --> 12:47.400
nümerik nöronları değiştirebiliriz.

12:47.440 --> 12:50.140
80 x 80 e biri.

12:50.170 --> 13:00.040
Şimdi ne yapmak zorundayız sayı nöronlarının yerini alıyor, toplam sayı 80 ve

13:00.250 --> 13:09.040
80 olacak olan resimlerin formatına uyguladığımız sayım nöronları fonksiyonunu kullanıyoruz.

13:09.460 --> 13:10.400
Ve işte gidiyoruz.

13:10.510 --> 13:17.140
Ve tabii ki kendini de unutmamaktayız çünkü Sayım nöronu aslında CNN testinin bir metodudur.

13:17.170 --> 13:18.490
Bu yüzden eklememiz lazım.

13:18.700 --> 13:21.190
Ve şimdi uyarı kayboldu.

13:21.190 --> 13:22.540
Ve işte gidiyoruz.

13:22.540 --> 13:23.890
Şimdi her şey yolunda gidiyor.

13:23.980 --> 13:29.930
Sinir ağının mimarisini eksik bir şey olmadan edindik ve bazı diğer mimarileri denemek

13:30.140 --> 13:35.290
istediğinizi ve nöronların sayısını manuel olarak saymak istemediğinizde bu sayaç takımlarının

13:35.290 --> 13:36.210
işlevine sahibiz.

13:36.340 --> 13:39.940
Oynattığınız bu işlevi görüntülerinizin biçimine getirmeniz yeterlidir.

13:40.180 --> 13:42.130
Ve bu sizi doğrudan istediğinizi alacaktır.

13:42.130 --> 13:45.810
Bu bir şey yapmak zorunda kalmadan sel katmanındaki nöronların sayısıdır.

13:45.820 --> 13:49.450
Ve mimari bu kritik olan her yerde.

13:49.480 --> 13:57.040
Ve şimdi, bu beynin yapacağımız ilk büyük önemli adımımızı tamamladık ve son bir adımımız

13:57.040 --> 13:57.720
var.

13:57.790 --> 14:02.500
Bu, ana ilerleme işlevi olacak hale getirmek için son bir işlevdir.

14:02.590 --> 14:07.730
bağlantıdan sonraki çıktı katmanına sinyalleri yayacağız.

14:07.730 --> 14:12.160
Dolayısıyla beyindeki başın gözünün gözlerinden ikinci

14:12.460 --> 14:15.850
Bunu bir sonraki iki etapta ve o zamana kadar AI yapacağız.