WEBVTT 00:00.690 --> 00:05.730 Halo dan selamat datang kembali ke kursus tentang pembelajaran mendalam di pers Tauriel, kami menemukan apa 00:05.810 --> 00:07.290 itu jaringan saraf convolutional. 00:07.350 --> 00:11.050 Dan hari ini kita akan terjun ke lilitan Langkah 1. 00:11.100 --> 00:18.530 Jadi ini adalah fungsi konvolusi dan kami mencoba untuk menjauh dari matematika dan menjaga semuanya tetap intuitif. 00:18.540 --> 00:25.110 Tapi saya tidak bisa membantu tetapi membagikan formula ini untuk Anda karena sangat sederhana konvolusi pada dasarnya adalah 00:25.110 --> 00:31.380 integrasi gabungan dari dua fungsi dan ini menunjukkan kepada Anda bagaimana satu fungsi memodifikasi yang lain atau 00:31.470 --> 00:36.520 memodifikasi bentuk yang lain dan jika Anda sudah melakukan pemrosesan sinyal atau 00:36.520 --> 00:42.390 teknik listrik atau profesi di mana pemrosesan sinyal diperlukan, Anda pasti akan menemukan fungsi kesimpulan. 00:42.390 --> 00:44.090 Ini cukup populer sekarang. 00:44.100 --> 00:49.490 Sekali lagi kita akan membuat lampu matematika atau memisahkannya. 00:49.500 --> 00:56.190 Dan jika Anda ingin masuk ke matematika di balik jaringan saraf convolutional, bacaan tambahan 00:56.520 --> 01:05.010 yang bagus adalah Pengantar jaringan saraf convolutional oleh Jensine Wu yang merupakan profesor di Universitas Nanjing di 01:05.010 --> 01:05.820 Cina. 01:05.820 --> 01:12.780 Makalah ini diterbitkan secara harfiah beberapa hari yang lalu, seperti lima atau enam hari yang lalu, dan makalah ini 01:12.780 --> 01:17.690 secara khusus ditujukan pada orang-orang yang mulai dari pemula yang mulai mengenal 01:18.250 --> 01:23.700 jaringan saraf konvolusional sehingga matematika di sana harus dapat diakses melalui email Profesor Johnson. 01:23.730 --> 01:32.040 Dan ya dia mengatakan seluruh tujuannya adalah untuk membuat atau menghancurkan hal-hal kompleks sehingga orang-orang yang baru di bidang 01:32.040 --> 01:33.360 ini dapat memahami 01:33.360 --> 01:40.680 Dan dia juga menyebutkan bahwa dia memiliki beberapa bahan yang tersedia di halaman rumahnya jadi jika Anda sendiri jika Anda hanya menghapus dua bagian 01:40.680 --> 01:47.220 terakhir dan Anda hanya menyukai Slash W. J. X ke bagian itu adalah 01:47.220 --> 01:52.380 halaman rumahnya dan Anda akan dapat menemukan lebih banyak tutorial dan materi tambahan 01:52.380 --> 01:59.120 yang belum dipublikasikan sebagai makalah tetapi tetapi ia menggunakannya dalam tutorialnya sehingga Anda mungkin menemukan yang berguna jadi 01:59.130 --> 02:05.130 telusuri di sana jika Saya ingin mendapatkan pengantar matematika di balik jaringan saraf koalisi dan jenis 02:05.130 --> 02:08.470 membangun dasar yang kuat di sekitar daerah itu. 02:08.550 --> 02:12.570 Tetapi kita akan pindah dan kita akan berbicara tentang belitan. 02:12.570 --> 02:17.160 Jadi apa solusi yang baik dalam hal intuitif di sini di sebelah kiri. 02:17.160 --> 02:21.690 Kami memiliki input gambar ketika kami mendiskusikan bahwa kita akan melihat gambar hanya satu dan 02:21.690 --> 02:22.750 nol untuk mempermudah. 02:22.950 --> 02:25.050 Dan Anda bisa melihat wajah tersenyum di sana. 02:25.090 --> 02:28.660 Lalu kita punya fitur detektor sehingga fitur detektor Matriks tiga kali tiga. 02:28.740 --> 02:30.120 Apakah harus tiga kali tiga. 02:30.150 --> 02:31.920 Tidak, tidak. 02:31.920 --> 02:35.810 Alex net, saya pikir menggunakan tujuh oleh tujuh. 02:35.850 --> 02:41.640 Dan kemudian beberapa lainnya yang terkenal menggunakan seperti lima oleh lima fitur detektor. 02:41.640 --> 02:48.270 Mereka bisa berbeda tetapi biasanya Anda akan melihat bahwa mereka adalah tiga oleh tiga dan mereka Anda tahu alasan untuk membuat 02:48.270 --> 02:52.110 mereka tiga oleh tiga sehingga kita akan tetap berpegang pada cara konvensional. 02:52.170 --> 02:57.510 Memiliki detektor fitur tiga kali tiga juga fitur detektor yang disebut ini adalah istilah penting karena Anda 02:57.510 --> 02:58.710 mungkin menemukan mereka. 02:58.710 --> 03:04.080 Ada banyak istilah berbeda untuk pendeteksi fitur tetapi yang paling umum adalah 03:04.110 --> 03:09.540 pendeteksi fitur atau Eik mungkin mendengarnya disebut kernel atau Anda mungkin mendengarnya disebut Filter. 03:09.540 --> 03:14.760 Jadi dalam kursus ini kita akan menggunakan filter atau fitur detektor 03:14.760 --> 03:23.670 secara bergantian tetapi perlu diingat bahwa ia memiliki nama-nama tersebut dan operasi koalisi ditandai dengan tanda X dalam lingkaran. 03:23.670 --> 03:31.230 Seperti yang Anda lihat dalam rumus sebelum dan di sini, apa yang terjadi adalah pada tingkat intuitif atau hanya memikirkannya dalam 03:31.230 --> 03:34.980 hal apa yang sebenarnya terjadi di latar belakang daripada matematika. 03:35.010 --> 03:40.740 Baik Anda mengambil fitur detektor atau filter ini dan Anda meletakkannya di gambar Anda seperti yang Anda lihat di sebelah kiri. 03:40.740 --> 03:48.120 Jadi Anda menutupi misalnya dalam hal ini sudut kiri atas sembilan piksel di sudut kiri atas dan Anda 03:48.450 --> 03:58.760 pada dasarnya mengalikan masing-masing nilai yang berharga, maka hormatilah dengan nilai sehingga 0 atas dengan nilai kiri atas dengan nilai kiri atas maka pada dasarnya 03:58.780 --> 04:04.980 dalam posisi 1 satu dengan posisi sekitar 1 1 nomor posisi atau 0 1 0 04:05.090 --> 04:08.670 1 0 2 oleh 0 2 dan seterusnya. 04:08.670 --> 04:13.410 Jadi itu adalah penggandaan elemen yang bijaksana pada matriks ini. 04:13.410 --> 04:14.460 Dan kemudian Anda menjumlahkan hasilnya. 04:14.460 --> 04:20.010 Jadi dalam hal ini tidak ada yang cocok sehingga selalu 0 0 atau 0. 04:20.010 --> 04:21.280 Jadi hasilnya nol. 04:21.530 --> 04:26.610 Dan di sini Anda dapat melihat bahwa salah satu dari mereka cocok satu di sebelah kiri cocok. 04:26.610 --> 04:28.120 Dan karena itu kita punya 1 di sini. 04:28.120 --> 04:30.820 Tidak ada yang cocok tidak ada yang cocok tidak ada yang cocok. 04:30.890 --> 04:38.100 Kemudian kita beralih ke lemparan selanjutnya jadi dan langkah di mana kita memindahkan seluruh filter ini disebut 04:38.100 --> 04:38.610 langkahnya. 04:38.610 --> 04:40.570 Jadi di sini kita memiliki langkah satu piksel. 04:40.680 --> 04:45.820 Di sini Anda dapat melihat lagi sesuatu yang cocok di sudut kanan bawah cocok dengan langkah tetapi 04:46.110 --> 04:50.850 yang bawah di tengah cocok di sini tangan kanan atas cocok dengan ukuran apa pun. 04:50.970 --> 04:52.040 Langkahnya adalah satu. 04:52.170 --> 04:53.930 Anda dapat mengubah langkahnya. 04:54.330 --> 04:56.260 Anda bisa membuatnya menjadi dua. 04:56.340 --> 04:58.580 Anda akan mendapatkan tiga apa pun yang Anda suka. 04:58.830 --> 05:02.770 Akhirnya yang bekerja dengan baik biasanya satu atau dua. 05:02.800 --> 05:04.280 Jadi itulah yang orang pertahankan. 05:04.600 --> 05:09.480 Dan kita akan berbicara tentang apa langkahnya menjelang akhir tutorial ini. 05:09.520 --> 05:14.170 Jadi di sini kita punya sehingga kita benar-benar cocok ketika saya mendengar Anda dapat melihat 05:14.170 --> 05:17.270 kami punya dua karena keduanya cocok dan seterusnya dan seterusnya. 05:17.290 --> 05:24.830 Jadi di sana kita pergi ada satu lagi yang cocok di sana kita pergi dan kita selesai. 05:24.830 --> 05:27.770 Jadi apa yang telah kita buat. 05:27.800 --> 05:28.600 Kanan. 05:28.820 --> 05:31.860 Beberapa hal penting di sini. 05:31.970 --> 05:38.240 Gambar di sebelah kanan disebut fitur peta juga memiliki beberapa istilah itu juga bisa disebut 05:38.870 --> 05:40.530 kadang-kadang fitur Vold. 05:41.000 --> 05:46.280 Jadi di blog Anda dan operator operasi volume untuk sesuatu yang tidak menjadi 05:46.280 --> 05:53.680 berbelit-belit menjadi berbelit-belit dan kadang-kadang seperti saya berpikir sendiri dengan cara yang salah tetapi istilah yang benar terkonvolusi 05:53.700 --> 05:57.900 adalah semacam fitur lama atau juga disebut peta aktivasi. 05:58.040 --> 06:02.510 Tapi kita akan menyebutnya peta fitur dalam kursus ini sehingga dapat disebut salah satu dari hal-hal 06:03.500 --> 06:06.300 itu dan apa yang telah kita lakukan di sini. 06:06.320 --> 06:09.910 Seperti yang Anda lihat, kami telah mengurangi ukuran gambar. 06:09.920 --> 06:15.500 Itu nomor satu dan itu hal penting yang ingin saya sebutkan tentang gambar input Anda dan 06:15.500 --> 06:17.090 teks fitur dan langkahnya. 06:17.240 --> 06:21.690 Jika Anda memiliki langkah satu Anda dapat melihat gambar berkurang sedikit tetapi jika Anda memiliki hak 06:21.690 --> 06:25.410 untuk gambar akan menghasilkan lebih banyak sehingga fitur akan menjadi lebih kecil. 06:25.610 --> 06:33.950 Dan itu fungsi yang sangat penting dari pendeteksi fitur dari seluruh langkah konvolusi ini adalah untuk 06:33.950 --> 06:42.100 membuat gambar lebih kecil karena akan lebih mudah untuk memprosesnya dan akan lebih cepat. 06:42.110 --> 06:51.830 Ini akan dan Anda akan menjadi orang tua saja karena bayangkan seperti di sini kita memiliki gambar tujuh kali tujuh tetapi 06:51.860 --> 06:55.310 bayangkan jika Anda memiliki foto yang tepat. 06:55.700 --> 07:02.270 Atau jika Anda memiliki 256th pada 56 pixel gambar, itu adalah jumlah yang sangat besar I CHONE jika 07:02.900 --> 07:06.940 x kuadrat atau seperti katakanlah Anda memiliki 300 tetapi 300 piksel. 07:07.060 --> 07:13.400 Jadi kita tidak bingung dengan R. G. B 256 mengatakan seperti kita memiliki 300 oleh 300 gambar 07:13.400 --> 07:14.720 dalam hal ukuran dan piksel. 07:14.780 --> 07:22.640 Kemudian Anda memiliki 300 piksel kuadrat jumlah yang sangat besar dan karenanya fitur detektor akan mengurangi 07:23.360 --> 07:27.580 ukuran gambar dan karenanya langkah dua sebenarnya bermanfaat. 07:27.740 --> 07:29.970 Tetapi kemudian pertanyaannya adalah apakah kita kehilangan informasi. 07:29.990 --> 07:34.520 Apakah kita kehilangan informasi ketika kita menerapkan detektor fitur. 07:34.520 --> 07:40.580 Yah beberapa informasi yang hilang tentu saja karena kita memiliki nilai lebih sedikit dan matriks yang dihasilkan. 07:40.700 --> 07:45.950 Tetapi pada saat yang sama tujuan dari fitur detektor adalah untuk mendeteksi fitur-fitur tertentu bagian-bagian 07:45.950 --> 07:48.170 tertentu dari gambar yang tidak terpisahkan. 07:48.620 --> 07:53.150 Jadi misalnya jika Anda berpikir tentang hal ini seperti detektor fitur memiliki pola tertentu 07:53.150 --> 07:54.080 di atasnya. 07:54.080 --> 07:57.950 Angka tertinggi di peta fitur Anda adalah ketika pola itu cocok. 07:57.950 --> 08:04.820 Faktanya, angka tertinggi yang bisa Anda dapatkan adalah dalam contoh yang disederhanakan adalah ketika fitur tersebut cocok dengan tepat 08:04.820 --> 08:10.550 dan Anda dapat melihat bahwa angka empat yang kami miliki di peta fitur kami persis. 08:10.550 --> 08:16.910 Jadi jika Anda melihatnya di sini, di situlah detektor fitur ini karena hanya ada empat yang 08:16.910 --> 08:21.460 cocok dengan sempurna sehingga Anda dapat melihat bagian ini di sini. 08:21.470 --> 08:23.220 Jadi fitur itu terdeteksi di sini. 08:23.450 --> 08:32.340 Dan seperti yang kita diskusikan di awal bagian ini, fitur yang dimilikinya adalah bagaimana kita melihat sesuatu adalah bagaimana kita 08:32.430 --> 08:33.080 mengenalinya. 08:33.090 --> 08:40.410 Kami tidak melihat setiap piksel sehingga untuk berbicara dalam apa yang kita lihat pada gambar atau dalam kehidupan nyata. 08:40.410 --> 08:46.440 Kami tidak melihat setiap gambar yang kami lihat fitur yang kami lihat di 08:47.070 --> 08:55.110 hidung topi topi bulu di bawah tanda hitam kecil di bawah mata cheetah untuk membedakan antara cheetah dan 08:55.110 --> 08:57.470 macan tutul atau bentuk kereta. 08:57.480 --> 09:02.610 Kami tidak membedakan antara kereta peluru dan kereta biasa dan seterusnya sehingga kami tidak melihat 09:02.610 --> 09:08.110 semua fitur yang kami lihat dan itulah yang kami pertahankan dan itulah yang fitur peta membantu kami lestarikan. 09:08.110 --> 09:15.480 Sebenarnya itulah yang memungkinkan kami untuk mengedepankan dan menyingkirkan semua hal yang tidak perlu yang bahkan sebagai manusia 09:15.570 --> 09:22.740 kita tidak memproses begitu banyak informasi yang masuk ke mata Anda sehingga pada waktu tertentu seperti gigabyte 09:22.740 --> 09:28.680 informasi jika Anda melihat setiap titik tunggal jika tidak terabyte informasi masuk ke mata 09:28.680 --> 09:35.640 Anda per detik dan masih kami dapat melanjutkan karena kami menyingkirkan apa yang tidak perlu hanya 09:35.640 --> 09:41.510 fokus pada fitur fitur penting yang penting bagi kami dan itulah yang dilakukan 09:41.640 --> 09:42.270 fitur. 09:42.270 --> 09:51.030 Jadi sekarang pindah pada ini adalah gambar input kami dan Anda kami membuat peta fitur jadi yang depan katakanlah yang depan adalah yang baru saja 09:51.030 --> 09:54.300 kami buat tapi lalu kenapa ada banyak dari mereka. 09:54.300 --> 10:00.300 Tetapi kami membuat beberapa peta fitur karena kami menggunakan filter yang berbeda. 10:00.300 --> 10:00.590 Kanan. 10:00.630 --> 10:05.430 Dan itu adalah cara lain kami menyimpan banyak informasi sehingga kami tidak hanya memiliki 10:05.880 --> 10:12.600 satu peta fitur, kami mencari fitur-fitur tertentu dan kemudian atau pada dasarnya jaringan memutuskan melalui pelatihannya dan ini adalah sesuatu 10:12.600 --> 10:18.030 yang akan kami bahas di akhir bagian ini. melalui pelatihannya ia memutuskan fitur mana yang penting 10:18.120 --> 10:23.670 untuk tipe atau kategori tertentu dan mencari mereka dan oleh karena itu akan memiliki filter yang berbeda 10:23.670 --> 10:26.070 dan kita akan berbicara tentang filter sekarang. 10:26.160 --> 10:32.280 Tetapi pada dasarnya saya akan menerapkan filter ini sehingga untuk mendapatkan fitur peta ini menerapkan filter seperti yang kita lihat tetapi kemudian 10:32.280 --> 10:36.270 untuk mendapatkan fitur ini Mabbett menerapkan filter yang berbeda untuk mendapatkan fitur ini menerapkan 10:36.270 --> 10:38.080 filter yang berbeda dan seterusnya. 10:38.370 --> 10:43.430 Dan pada dasarnya itu hanya membuat peta fitur ini. 10:43.650 --> 10:49.700 Dan sebenarnya itu sebabnya saya pikir istilah feature detector lebih baik daripada filter. 10:49.710 --> 10:56.040 Ingat kita di sini kita memiliki filter ini yang kita juga dapat memanggil fitur detektor Yah 10:56.040 --> 10:59.440 sebenarnya kata fitur detektor saya pikir lebih cocok. 10:59.490 --> 11:03.390 Dan alasan untuk itu adalah tujuannya tepat. 11:03.390 --> 11:06.510 Kami tidak ingin hanya kami tidak ingin hanya menyaring gambar kami. 11:06.510 --> 11:10.220 Tetapi meskipun itu keseluruhan yang sama sama hanya soal terminologi. 11:10.230 --> 11:11.990 Tetapi pada dasarnya kami ingin mendeteksi fitur. 11:12.000 --> 11:12.270 Baiklah. 11:12.270 --> 11:19.680 Dalam hal ini di sarang ini kita akan memiliki peta fitur ini. Kami telah mendeteksi di mana fitur-fitur tertentu ada di dalam 11:19.800 --> 11:24.240 gambar dan peta fitur ini telah kami deteksi di mana fitur-fitur tertentu berada 11:24.240 --> 11:30.350 di mana fitur tertentu berada dan peta fitur ini akan terdeteksi di mana fitur tertentu lainnya terletak 11:30.350 --> 11:31.420 pada gambar. 11:31.440 --> 11:33.420 Jadi itulah yang kami lakukan. 11:33.420 --> 11:40.470 Dan dengarkan kami punya beberapa contoh. Jadi di sini kami menggunakan dan ini dari Gip dot org. 11:40.610 --> 11:48.690 Dokumentasinya adalah alat seperti cat gratis dan Anda dapat menggunakannya untuk menyesuaikan gambar Anda atau bekerja dengan gambar 11:48.690 --> 11:49.550 Anda. 11:49.560 --> 11:56.490 Tetapi pada dasarnya mereka memiliki beberapa contoh berharga dalam dokumentasi mereka dan di sini mereka memiliki gambar Taj Mahal 11:56.490 --> 11:59.790 dan Anda dapat memilih filter yang ingin Anda terapkan. 11:59.880 --> 12:06.150 Jadi jika Anda mengunduh program ini dan mengunggah foto ke dalamnya lalu Anda benar-benar dapat memulai matriks 12:06.150 --> 12:12.600 konversi dan menerapkan filter dan Anda akan melihat bahwa hal-hal ini matriks bahasa Inggris ini benar-benar diterapkan dalam 12:12.600 --> 12:15.240 pemrosesan gambar dan desain dan sebagainya. 12:15.240 --> 12:17.150 Jadi mari kita lihat apa yang kita dapatkan dari apa yang kita dapatkan. 12:17.240 --> 12:21.520 Jadi jika kita menerapkan filter ini lima di tengah minus satu satu adalah satu satu adalah satu dikurangi satu 12:21.690 --> 12:23.780 Anda dapat melihat bahwa itu mempertajam gambar. 12:23.890 --> 12:29.010 Jadi inilah intuisinya jika Anda memikirkannya. 12:29.010 --> 12:36.300 Jadi 5 adalah piksel dari piksel utama seperti di tengah-tengah filter atau fitur detektor dan kemudian 12:36.600 --> 12:43.410 minus satu minus satu satu saja jenis hanya mengurangi piksel di sekitar a dalam arti 12:44.430 --> 12:45.000 intuitif. 12:46.170 --> 12:47.020 Lalu kabur. 12:47.040 --> 12:54.150 Jadi pada dasarnya mengambil signifikansi sama memberikan signifikansi sama ke semua piksel semua adalah satu di tengah dan 12:54.150 --> 12:59.070 karena itu menggabungkan mereka bersama-sama dan Anda mendapatkan peningkatan tepi kabur. 12:59.070 --> 13:03.860 Jadi di sini Anda bisa melihat itu minus satu dan satu dan kemudian Anda mendapatkan nol dengan benar. 13:03.870 --> 13:11.100 Jadi Anda memang menghapus untuk menghapus piksel di sekitar yang utama di tengah dan Anda hanya menyimpan ini di satu minus 13:11.100 --> 13:15.610 dan itu memberi Anda keunggulan dan ini agak sulit untuk memahami cara kerjanya. 13:16.290 --> 13:20.700 Seperti mungkin lebih sulit hanya untuk memikirkannya deteksi tepi. 13:20.700 --> 13:23.340 Benar jadi yang ini mungkin lebih masuk akal. 13:23.340 --> 13:25.860 Benar Anda mengambil mereka yang di tengah. 13:25.850 --> 13:28.880 Anda mengurangi yang tengah. 13:29.050 --> 13:36.180 Yang mungkin seperti kekuatan piksel tengah dan kemudian Anda mencari yang Anda cari. 13:36.420 --> 13:41.980 Ini yang Anda lihat meningkatkan kekuatan orang-orang di sekitar mereka. 13:42.090 --> 13:43.910 Jadi ada yang di sana. 13:44.720 --> 13:45.610 Ya itu. 13:45.690 --> 13:50.700 Itu memberi Anda waktu yang dibutuhkan dan Anda dapat melihat mana yang Anda dapatkan di sana dan atur yang lain. 13:50.700 --> 13:58.130 Jadi kuncinya di sini adalah bahwa itu simetris dan Anda dapat melihat gambar menjadi asimetris 13:58.140 --> 14:03.580 juga sehingga Anda merasa seperti itu menonjol ke arah Anda. 14:03.840 --> 14:08.910 Dan itulah yang Anda dapatkan ketika Anda memiliki minus seperti di sini dan ditambah lagi di sini ini sangat 14:08.970 --> 14:13.860 ini menjadi sedikit teknis sekarang tapi setidaknya kita bisa mendapatkan semacam intuitif dan Lissa cepat melalui mereka 14:13.860 --> 14:14.160 lagi. 14:14.160 --> 14:21.480 Jadi ada pertajam ada blur ada tangan edgin ada tepi mendeteksi ada dan bos sehingga Anda dapat melihat 14:21.480 --> 14:27.350 ini adalah contoh yang bagus dari gambar yang sama tetapi kami mendapatkan peta fitur. 14:27.360 --> 14:32.430 Jadi kami menggunakan detektor fitur yang berbeda untuk mendapatkan peta fitur berbeda dari gambar 14:32.430 --> 14:40.380 yang sama dan oleh karena itu sekarang kami memiliki banyak versi terakhir dari gambar ini di mana di masing-masing kami mencoba 14:40.440 --> 14:44.920 mendeteksi hal-hal tertentu dalam istilah ini mereka tidak berlaku untuk kita. 14:44.940 --> 14:50.460 Bos kedua mereka mungkin tidak berlaku bagi kita dalam hal jaringan saraf convolutional tetapi usia mendeteksi 14:50.550 --> 14:51.630 itu penting. 14:51.630 --> 14:58.590 Kami ingin mendeteksi peningkatan tepi mungkin tidak mengaburkan sehingga hal-hal tertentu seperti teks edgy. 14:58.580 --> 15:02.450 Mungkin yang paling penting untuk jenis pekerjaan kita. 15:02.460 --> 15:07.560 Dan dalam hal memahami komputer, mereka akan memutuskan sendiri atau jaringan saraf akan 15:07.560 --> 15:12.900 memutuskan sendiri apa yang penting dan yang mungkin tidak akan dikenali oleh mata manusia. 15:12.900 --> 15:14.910 Anda tidak akan dapat memahami apa arti fitur-fitur itu. 15:14.910 --> 15:22.530 Tetapi komputer akan memutuskan dan itulah keindahan jaringan saraf sehingga mereka dapat memproses begitu banyak hal yang berbeda 15:22.530 --> 15:28.950 dan memahami tanpa memiliki intuisi itu atau tanpa penjelasan mengapa mereka akan memahami fitur mana 15:28.950 --> 15:34.380 yang penting bagi mereka apakah kita memiliki nama untuk mereka atau bukan itu 15:34.810 --> 15:39.830 keseluruhan yang merupakan pertanyaan yang tidak relevan untuk jaringan saraf tiruan. 15:39.990 --> 15:41.260 Dan yang favorit saya. 15:41.280 --> 15:50.940 Berikut gambar Geoffrey Hinton dari Geoffrey Hinton yang melewati salah satu filter ini. 15:50.940 --> 15:53.070 Baiklah, itu membawa kita ke akhir Teresa Tauriel. 15:53.070 --> 15:55.460 Saya harap Anda menikmati belajar tentang konvolusi. 15:55.470 --> 16:02.490 Kuncinya adalah bahwa konvolusi tujuan utama kita dapat berevolusi adalah untuk menemukan fitur dalam gambar Anda menggunakan 16:02.490 --> 16:08.280 detektor fitur dan memasukkannya ke dalam peta fitur dan dengan memilikinya di peta masa 16:08.340 --> 16:15.710 depan masih mempertahankan hubungan spasial antara piksel yang sangat penting. bagi kami untuk Anda tahu karena jika mereka 16:15.720 --> 16:19.280 benar-benar tercampur maka kita sudah kehilangan pola. 16:19.350 --> 16:25.110 Dan pada saat yang sama penting untuk memahami bahwa sebagian besar fitur yang akan dideteksi 16:25.110 --> 16:32.430 dan digunakan oleh jaringan saraf untuk mengenali gambar tertentu dan Klaas tidak akan berarti apa-apa bagi manusia, tetapi tetap 16:32.460 --> 16:33.120 berfungsi. 16:33.120 --> 16:34.420 Dan itulah konvolusi. 16:34.440 --> 16:36.280 Dan saya berharap dapat melihat Anda berikutnya Tauriel. 16:36.300 --> 16:37.980 Sampai kemudian menikmati belajar.