WEBVTT 00:00.420 --> 00:06.440 Bonjour et bienvenue à la dernière étape de notre processus pour rendre le cerveau, nous avons une fonction à faire à gauche. 00:06.450 --> 00:12.180 Il s’agit de la fonction directe qui propagera les signaux dans toutes les couches du réseau neuronal, y 00:12.510 --> 00:16.180 compris les trois couches de convolution et la couche entièrement connectée. 00:16.380 --> 00:21.660 Et donc cette fonction est la fonction directe exactement comme pour la voiture autonome, sauf 00:21.780 --> 00:27.440 que cette fois nous devons propager les signaux dans les couches convolutives avant la couche entièrement connectée. 00:27.660 --> 00:32.610 Et la bonne nouvelle est que nous l’avions déjà fait à l’étape précédente avec la fonction de comptage Newnes. 00:32.640 --> 00:37.160 Nous avons donc déjà le code pour propager le signal dans le pays. 00:37.340 --> 00:38.940 Et donc ce sera très rapide. 00:38.950 --> 00:43.950 Nous allons simplement combiner ce que nous avons fait ici et ce que nous avons fait pour la voiture sous-marine et nous 00:43.950 --> 00:45.720 aurons notre fonction avancée pour notre cerveau. 00:45.780 --> 00:46.860 Alors faisons ceci. 00:46.860 --> 00:54.660 Nous introduisons ici une nouvelle fonction, la dernière pour le cerveau et cette fonction est la fonction avant 00:55.170 --> 00:56.940 qui prend un argument. 00:57.160 --> 01:05.400 Eh bien, exactement comme avant, faites référence aux objets et à X, qui seront d’abord les images d’entrée, puis vous saurez que X sera 01:05.400 --> 01:10.280 mis à jour à mesure que le signal se propage dans le nouveau réseau. 01:10.650 --> 01:11.460 D'accord. 01:11.460 --> 01:14.350 Alors Cullen et ensuite allons dans la fonction. 01:14.370 --> 01:20.500 Donc, comme je viens de le dire, nous avons déjà créé le code pour propager les signaux dans les trois couches de convolution. 01:20.580 --> 01:23.440 C'est exactement ces trois lignes de code. 01:23.640 --> 01:29.040 Je les copie donc et les colle ici et là. 01:29.040 --> 01:34.430 Nous avons déjà notre propagation du signal dans les trois couches de convolution. 01:34.520 --> 01:40.830 Et maintenant, nous devons juste propager le signal des couches convolutives vers la 01:40.830 --> 01:46.680 couche cachée, puis finalement vers la couche de sortie qui se trouve 01:46.680 --> 01:53.520 à la toute fin du réseau neuronal. obtenu ici, rappelez-vous que X est au début 01:53.520 --> 01:54.610 l'image d'entrée. 01:54.720 --> 02:00.780 Alors ici, X devient la première couche convolutive, alors X devient la deuxième convolutive. 02:00.930 --> 02:03.840 Et puis ici X devient la troisième convolution ici. 02:03.960 --> 02:07.730 Donc, à ce stade, X est la troisième couche convolutive. 02:07.860 --> 02:15.000 Et maintenant, pour prendre l’aplatissement, nous devons aplatir cette troisième couche convolutive X et, pour ce faire, nous allons faire quelque chose de très 02:15.070 --> 02:20.220 similaire à ce que nous avons fait ici, mais cette fois, nous n’avons pas besoin du nombre 02:20.220 --> 02:25.090 de neurones dont nous avons simplement besoin pour aplatir canaux dans la troisième convolution ici. 02:25.140 --> 02:28.130 Ce sera donc plus simple mais très similaire. 02:28.410 --> 02:35.570 Et pour bien le faire, nous allons reprendre X car X va devenir la couche d'aplatissement. 02:35.890 --> 02:43.990 Nous ne faisons que mettre à jour X pour que x soit égal, puis nous reprenons X mais ce X est l'ancien X qui est la troisième couche 02:43.990 --> 02:44.480 convolutive. 02:44.550 --> 02:51.510 Donc nous prenons la troisième convolution alors, mais ensuite nous prenons la fonction de vue à laquelle nous appliquons 02:51.510 --> 02:52.460 les arguments 02:52.530 --> 02:55.730 Le premier est X cette taille zéro. 02:56.100 --> 03:01.800 Alors encore une fois nous prenons la fonction de taille pour prendre tous les pixels de tous les canaux et de 03:01.800 --> 03:07.320 la troisième couche convolutive et nous les plaçons les uns après les autres dans cet énorme vecteur qui va devenir 03:07.320 --> 03:11.280 ce X ici et ce X deviendra alors l'entrée de le réseau entièrement connecté. 03:11.460 --> 03:12.860 Mais ce n'est pas tout ce dont nous avons besoin. 03:13.080 --> 03:14.530 Et voici venir. 03:14.650 --> 03:15.990 Et moins un. 03:16.200 --> 03:19.170 Donc, cette astuce que vous pouvez trouver dans les tutoriels montre de poche. 03:19.350 --> 03:25.130 C'est ainsi que vous pouvez aplatir une convolution, ils sont composés de plusieurs canaux en utilisant la fonction de taille. 03:25.200 --> 03:29.890 Et bien sûr, si vous voulez plus de détails sur la façon dont cela fonctionne, vous pouvez aller aux tutoriels sur les montres de poche. 03:30.030 --> 03:31.410 Je vais fournir le lien. 03:31.800 --> 03:38.250 Nous savons maintenant que cet aplatissement va devenir l’entrée d’un réseau classique 03:38.580 --> 03:43.800 entièrement connecté avec une simple transmission linéaire du signal. 03:43.830 --> 03:49.440 Et donc maintenant nous n'allons pas utiliser une fonction de convolution pour transmettre le signal, nous 03:49.440 --> 03:54.720 allons utiliser une transmission linéaire avec une classe linéaire, puis casser la linéarité car lorsque 03:54.780 --> 03:57.670 nous travaillons avec des images relations linéaires. 03:57.900 --> 04:03.360 Nous allons utiliser une fonction rectifiable pour apprendre ces relations non linéaires. 04:03.510 --> 04:04.560 Alors faisons ceci. 04:04.560 --> 04:06.160 C'est en fait la prochaine étape. 04:06.210 --> 04:09.320 Et maintenant, c'est exactement ce que nous avons fait pour la voiture autonome. 04:09.360 --> 04:15.030 Nous prenons X parce que nous voulons le mettre à jour à nouveau, nous voulons obtenir la couche cachée maintenant. 04:15.100 --> 04:20.970 Et donc tout d’abord, ce que nous faisons est que nous prenions notre connexion complète SE1 parce que la connexion complète. 04:20.970 --> 04:27.030 Le FC 1 est celui qui relie la couche d’aplatissement au caché là-bas et nous devons donc prendre 04:27.300 --> 04:32.850 SE1 et l’appliquer au X que nous avons en ce moment, qui est la crue. 04:33.000 --> 04:38.780 Et nous n'oublions pas le moi bien sûr car tout le monde est une variable de notre fonction init. 04:38.890 --> 04:45.510 Donc, autodidacte, SE1 X et qui transmet linéairement le signal du plus flatteur au caché. 04:45.690 --> 04:49.990 Mais maintenant, nous devons activer ces neurones tout en enfreignant la loi par erreur. 04:50.130 --> 04:53.480 Et c'est exactement ce que nous faisons avec la fonction d'activation du redresseur. 04:53.490 --> 05:00.990 Nous devons donc maintenant prendre notre module fonctionnel et, de ce module fonctionnel, nous prenons bien sûr une 05:01.140 --> 05:03.870 fonction rectifiable qui vous correspond réellement. 05:04.230 --> 05:08.130 Et nous avons mis SE1 autodidacte entre parenthèses. 05:08.220 --> 05:14.280 Très bien, dans cette ligne de code, nous transmettons d’abord les signaux de la couche d’aplatissement à 05:14.280 --> 05:17.210 la couche cachée du réseau entièrement connecté. 05:17.580 --> 05:23.970 Et puis nous activons les neurones de cette couche cachée en brisant l'air avec cette 05:23.970 --> 05:29.100 fonction d'activation du redresseur et nous y retrouvons notre tête parfaite. 05:29.130 --> 05:35.370 Et maintenant, nous avons une dernière étape à faire. Il est bien sûr de propager le signal de la couche 05:35.670 --> 05:39.680 cachée vers la couche de sortie avec les neurones de sortie finaux. 05:39.720 --> 05:41.160 Eh bien c'est très simple. 05:41.160 --> 05:43.680 C'est exactement ce que nous avons fait avec la voiture. 05:43.680 --> 05:51.720 Nous prenons notre deuxième collection complète de C2 et nous l'appliquons bien sûr aux neurones de la couche cachée 05:51.990 --> 05:53.700 qui est actuellement x. 05:53.740 --> 05:55.900 Voici donc les neurones ici et là. 05:56.040 --> 06:02.840 Tout cela x et x devient bien entendu les neurones de sortie de la couche de sortie contenant les valeurs de cube. 06:03.210 --> 06:10.070 Et finalement, nous renvoyons simplement les neurones de sortie qui sont x avec les valeurs de cube. 06:10.320 --> 06:11.240 Tellement parfait. 06:11.250 --> 06:16.950 Félicitations, nous venons de créer un cerveau Nous venons de fabriquer le cerveau de notre IA Les yeux et le reste 06:16.950 --> 06:17.740 des cellules. 06:17.790 --> 06:19.130 Alors félicitations. 06:19.140 --> 06:23.550 Il est maintenant temps de créer le corps qui définit comment nous allons jouer l'action. 06:23.550 --> 06:26.480 Après tous les signaux sont traités dans le cerveau. 06:26.690 --> 06:28.370 C'est donc notre deuxième grand pas. 06:28.380 --> 06:30.280 Faisons-le dans les prochains tutoriels. 06:30.300 --> 06:31.780 Et jusque-là AI.