WEBVTT 00:00.690 --> 00:05.730 Cześć i witamy z powrotem na kursie głębokiego uczenia się w prasie Tauriel, dowiedzieliśmy się, na czym 00:05.810 --> 00:07.290 polegają splotowe sieci neuronowe. 00:07.350 --> 00:11.050 A dzisiaj zamierzamy zanurkować w splot 1 kroku. 00:11.100 --> 00:18.530 Jest to funkcja splotu i staramy się trzymać z daleka od matematyki i zachować rzeczy intuicyjne. 00:18.540 --> 00:25.110 Ale nie mogłem się powstrzymać od udostępnienia tej formuły, ponieważ jest ona tak prosta, że splot 00:25.110 --> 00:31.380 to zasadniczo połączenie dwóch funkcji i pokazuje, w jaki sposób jedna funkcja modyfikuje drugą lub 00:31.470 --> 00:36.520 modyfikuje kształt drugiej, a jeśli zrobione jakiekolwiek przetwarzanie sygnału lub elektrotechnika lub 00:36.520 --> 00:42.390 zawód, w którym wymagane jest przetwarzanie sygnału, musiałbyś nieuchronnie natknąć się na funkcję podsumowującą. 00:42.390 --> 00:44.090 Jest teraz dość popularny. 00:44.100 --> 00:49.490 Ponownie będziemy utrzymywać światła matematyczne lub utrzymywać je oddzielnie. 00:49.500 --> 00:56.190 A jeśli chcesz dostać się do matematyki za splotowymi sieciami neuronowymi, wielką dodatkową 00:56.520 --> 01:05.010 lekturą jest Wprowadzenie do splotowych sieci neuronowych przez Jensine Wu, która jest profesorem na Uniwersytecie Nanjing w 01:05.010 --> 01:05.820 Chinach. 01:05.820 --> 01:12.780 Ten artykuł został opublikowany dosłownie kilka dni temu, jak pięć czy sześć dni temu i jest 01:12.780 --> 01:17.690 ukierunkowany na ludzi, którzy zaczynają od początkujących, którzy poznają splotowe 01:18.250 --> 01:23.700 sieci neuronowe, więc matematyka powinna być dostępna w rzeczywistości e-mailem profesora Johnsona. 01:23.730 --> 01:32.040 I tak, powiedział, że jego celem jest złamanie skomplikowanych spraw tak, aby ludzie, którzy są nowi w tej dziedzinie, 01:32.040 --> 01:33.360 mogli to zrozumieć. 01:33.360 --> 01:40.680 Wspomniał też, że ma trochę materiałów dostępnych na swojej stronie głównej, więc jeśli sam usuniesz dwie ostatnie części i 01:40.680 --> 01:47.220 po prostu polubisz Slasha W. JOT. X do tej części, która 01:47.220 --> 01:52.380 jest jego stroną domową, a będziesz mógł znaleźć więcej dodatkowych samouczków i materiałów, 01:52.380 --> 01:59.120 które nie zostały opublikowane jako artykuły, ale używa ich w swoich samouczkach, więc możesz znaleźć te przydatne, 01:59.130 --> 02:05.130 więc przejdź się tam, jeśli " Chciałbym zapoznać się z matematyką stojącą za koalicyjnymi sieciami 02:05.130 --> 02:08.470 neuronowymi i zbudować solidną bazę wokół tego obszaru. 02:08.550 --> 02:12.570 Ale pójdziemy dalej i porozmawiamy o splotach. 02:12.570 --> 02:17.160 Jakie jest dobre rozwiązanie w intuicyjnych terminach po lewej stronie. 02:17.160 --> 02:21.690 Mamy obraz wejściowy, ponieważ omawialiśmy, w jaki sposób będziemy postrzegać obrazy jako jedyne i zerowe, 02:21.690 --> 02:22.750 aby uprościć rzeczy. 02:22.950 --> 02:25.050 I widać tam uśmiechniętą twarz. 02:25.090 --> 02:28.660 Mamy detektor cech, więc mamy detektory trzy na trzy Matrix. 02:28.740 --> 02:30.120 Czy musi to być trzy na trzy. 02:30.150 --> 02:31.920 Nie, nie. 02:31.920 --> 02:35.810 Alex net, myślę, że używa siedmiu na siedem. 02:35.850 --> 02:41.640 I jeszcze jeden z tych innych słynnych używa jak pięć na pięć detektorów cech. 02:41.640 --> 02:48.270 Mogą być różne, ale zazwyczaj widzisz, że są trzy na trzy i są to powody, dla których powinniśmy 02:48.270 --> 02:52.110 zrobić trzy na trzy, więc będziemy trzymać się konwencjonalnego sposobu. 02:52.170 --> 02:57.510 Posiadanie detektora trzech na trzy również detektorów cech to ważne terminy, ponieważ możesz natknąć 02:57.510 --> 02:58.710 się na nich. 02:58.710 --> 03:04.080 Istnieje wiele różnych terminów dla detektora cech, ale najczęściej są to detektory cech 03:04.110 --> 03:09.540 lub Eik może usłyszeć, że nazywa się jądro lub możesz usłyszeć, że nazywa się Filtr. 03:09.540 --> 03:14.760 Więc w tym kursie będziemy używać zamiennie filtra lub 03:14.760 --> 03:23.670 detektora funkcji, ale pamiętajmy, że ma on te nazwy, a operacja koalicji jest oznaczona przez X w kółku. 03:23.670 --> 03:31.230 Tak jak wcześniej widziałeś w formułach i tutaj, dzieje się to na poziomie intuicyjnym lub po prostu myśl o nim w kategoriach tego, 03:31.230 --> 03:34.980 co faktycznie dzieje się w tle, a nie w matematyce. 03:35.010 --> 03:40.740 Cóż, bierzesz ten detektor funkcji lub filtr i umieszczasz go na swoim obrazie, tak jak widzisz po lewej. 03:40.740 --> 03:48.120 Tak więc np. W tym przypadku w lewym górnym rogu znajduje się dziewięć pikseli w lewym górnym rogu i 03:48.450 --> 03:58.760 zasadniczo mnożymy każdą wartość wartościową, a więc szacunek do wartości, więc górna 0 w górnej lewej wartości przez górną lewą wartość, to w zasadzie jest w 03:58.780 --> 04:04.980 pozycji 1 za pomocą pozycji o 1 1 numer pozycji lub 0 1 0 1 04:05.090 --> 04:08.670 0 2 o 0 2 i tak dalej. 04:08.670 --> 04:13.410 Więc jest to mnożenie elementowe na tych macierzach. 04:13.410 --> 04:14.460 A potem dodajesz wynik. 04:14.460 --> 04:20.010 W tym przypadku nic się nie zgadza, więc zawsze wynosi 0 do 0 0 lub 1. 04:20.010 --> 04:21.280 Tak więc wynik wynosi zero. 04:21.530 --> 04:26.610 I tutaj widać, że jeden z nich pasuje do jednego po lewej stronie. 04:26.610 --> 04:28.120 I dlatego mamy tu 1. 04:28.120 --> 04:30.820 Nic nie pasowało do niczego, co pasowało do niczego, co się do siebie nie zgadzało. 04:30.890 --> 04:38.100 Następnie przechodzimy do kolejnego rzutu, więc i krok, przy którym się poruszamy, cały ten filtr nazywa się 04:38.100 --> 04:38.610 krokiem. 04:38.610 --> 04:40.570 Mamy tutaj krok jednego piksela. 04:40.680 --> 04:45.820 Tutaj znów możesz zobaczyć, że coś pasuje do prawego dolnego rogu, dopasowanego do kroku, ale 04:46.110 --> 04:50.850 dolny w środku dopasowany tutaj w prawym górnym rogu dopasowuje miarę nicości. 04:50.970 --> 04:52.040 Krok jest jeden. 04:52.170 --> 04:53.930 Możesz zmienić krok. 04:54.330 --> 04:56.260 Możesz zrobić to raz dwa. 04:56.340 --> 04:58.580 Dostaniesz trzy, co tylko chcesz. 04:58.830 --> 05:02.770 W końcu ten, który działa dobrze, jest zwykle lub dwa. 05:02.800 --> 05:04.280 Tak właśnie ludzie się trzymają. 05:04.600 --> 05:09.480 A my porozmawiamy o tym, co krok po zakończeniu tego samouczka. 05:09.520 --> 05:14.170 A więc mamy to, że dopasowujemy się absolutnie, kiedy słyszę, że widzisz, że mamy dwa, ponieważ dwa 05:14.170 --> 05:17.270 z nich są dopasowane i tak dalej i tak dalej. 05:17.290 --> 05:24.830 Więc idziemy tam, gdzie jest inny, który pasuje do tego, i my skończymy. 05:24.830 --> 05:27.770 Więc co stworzyliśmy. 05:27.800 --> 05:28.600 Dobrze. 05:28.820 --> 05:31.860 Kilka ważnych rzeczy tutaj. 05:31.970 --> 05:38.240 Obraz po prawej stronie nazywany jest mapą obiektów, ma również kilka terminów, które można również nazwać 05:38.870 --> 05:40.530 czasami funkcją Vold. 05:41.000 --> 05:46.280 Tak więc w twoim blogu i operatorze operacji volotion do czegoś, co nie staje się 05:46.280 --> 05:53.680 zawiłe, staje się splotem i czasami ma wrażenie, że myślę o sobie w niewłaściwy sposób, ale jest to poprawny termin jest zawarty 05:53.700 --> 05:57.900 jest rodzajem starej funkcji, lub może również nazywać się mapą aktywacji. 05:58.040 --> 06:02.510 Ale będziemy nazywać to mapą cech w tym kursie, więc można ją nazwać 06:03.500 --> 06:06.300 jedną z tych rzeczy i co tutaj zrobiliśmy. 06:06.320 --> 06:09.910 Jak widać zmniejszyliśmy rozmiar obrazu. 06:09.920 --> 06:15.500 To jest numer jeden i to jest ważna rzecz, o której chciałem wspomnieć o twoim obrazie wejściowym oraz 06:15.500 --> 06:17.090 tekście funkcji i kroku. 06:17.240 --> 06:21.690 Jeśli masz krok jednego, możesz zobaczyć obraz nieco zredukowany, ale jeśli masz prawo 06:21.690 --> 06:25.410 do obrazu, będzie produkować więcej, więc funkcja będzie jeszcze mniejsza. 06:25.610 --> 06:33.950 To bardzo ważna funkcja detektora cech tego całego procesu splotu, aby obraz 06:33.950 --> 06:42.100 był mniejszy, ponieważ będzie to łatwiejsze do przetworzenia i będzie szybszy. 06:42.110 --> 06:51.830 To się zmieni, a ty będziesz po prostu przybranym, ponieważ wyobraź sobie, że mamy tutaj obraz siedem na siedem, ale 06:51.860 --> 06:55.310 wyobraź sobie, że masz właściwe zdjęcie. 06:55.700 --> 07:02.270 Lub jeśli masz 256-ty na 56-pikselowym obrazie, to jest to ogromna liczba pikseli, które CHODZI, jeśli jest to 07:02.900 --> 07:06.940 x kwadrat lub, powiedzmy, że masz 300, ale 300 pikseli. 07:07.060 --> 07:13.400 Więc nie myli się z R. SOL. B 256 musi powiedzieć, że mamy obraz 300 na 300 07:13.400 --> 07:14.720 pod względem rozmiaru i pikseli. 07:14.780 --> 07:22.640 Następnie masz 300 kwadratową liczbę pikseli, która jest ogromna, dlatego detektory cechują się mniejszym rozmiarem 07:23.360 --> 07:27.580 obrazu, a zatem krok dwóch jest rzeczywiście korzystny. 07:27.740 --> 07:29.970 Ale wtedy chodzi o to, że tracimy informacje. 07:29.990 --> 07:34.520 Czy tracimy informacje, gdy stosujemy detektor cech. 07:34.520 --> 07:40.580 Cóż, niektóre informacje tracimy oczywiście dlatego, że mamy mniej wartości i wynikowej macierzy. 07:40.700 --> 07:45.950 Ale jednocześnie celem detektora cech jest wykrywanie pewnych cech pewnych części 07:45.950 --> 07:48.170 obrazu, które są integralne. 07:48.620 --> 07:53.150 I tak na przykład, jeśli myślisz o tym w ten sposób, jak detektor cech ma pewien 07:53.150 --> 07:54.080 wzór na nim. 07:54.080 --> 07:57.950 Najwyższa liczba na twojej mapie cech jest taka, kiedy ten wzór pasuje do siebie. 07:57.950 --> 08:04.820 W rzeczywistości najwyższą liczbą, jaką można uzyskać, jest uproszczony przykład, kiedy funkcja jest dokładnie taka 08:04.820 --> 08:10.550 sama, a widzimy, że numer cztery mamy dokładnie w naszej mapie funkcji. 08:10.550 --> 08:16.910 Jeśli więc spojrzeć na to tutaj, to właśnie tam znajduje się ten detektor cech, ponieważ są 08:16.910 --> 08:21.460 tylko cztery i idealnie pasują, więc możecie zobaczyć tę część tutaj. 08:21.470 --> 08:23.220 Tak więc wykryto tę funkcję. 08:23.450 --> 08:32.340 I jak omawialiśmy na samym początku tej sekcji, to jest to, jak widzimy, jak to 08:32.430 --> 08:33.080 rozpoznajemy. 08:33.090 --> 08:40.410 Nie patrzymy na każdy piksel, by tak rzec, w tym, co widzimy na obrazie lub w prawdziwym życiu. 08:40.410 --> 08:46.440 Nie patrzymy na każde zdjęcie, na które patrzymy, patrzymy na nos, 08:47.070 --> 08:55.110 kapelusze, z piór, oczy pod małymi czarnymi śladami pod oczyma geparda, aby odróżnić geparda od lamparta 08:55.110 --> 08:57.470 lub od kształtu pociągu. 08:57.480 --> 09:02.610 Nie rozróżniamy pociągów pociskowych od normalnych pociągów itd., Więc nie patrzymy na wszystko, 09:02.610 --> 09:08.110 co oglądamy, i to właśnie zachowujemy i to właśnie pomaga nam zachować mapa funkcji. 09:08.110 --> 09:15.480 W rzeczywistości to pozwala nam wysyłać i pozbywać się wszystkich niepotrzebnych rzeczy, które nawet jako ludzie 09:15.570 --> 09:22.740 nie przetwarzamy tak dużej ilości informacji, że w danym momencie, jak gigabajty informacji, jeśli spojrzysz na 09:22.740 --> 09:28.680 każdą kropkę jeśli nie terabajty informacji docierające do twoich oczu na sekundę 09:28.680 --> 09:35.640 i wciąż jesteśmy w stanie kontynuować, ponieważ pozbywamy się tego, co niepotrzebne, skupiamy się tylko 09:35.640 --> 09:41.510 na ważnych funkcjach, które są dla nas ważne i właśnie to robi 09:41.640 --> 09:42.270 funkcja. 09:42.270 --> 09:51.030 Teraz poruszanie się po tym jest naszym obrazem wejściowym, a my tworzymy mapę elementów, tak więc przednia, powiedzmy, przednia jest ta, którą właśnie stworzyliśmy, ale 09:51.030 --> 09:54.300 jak to się stało, że jest ich wiele. 09:54.300 --> 10:00.300 Ale tworzymy wiele map funkcji, ponieważ używamy różnych filtrów. 10:00.300 --> 10:00.590 Dobrze. 10:00.630 --> 10:05.430 Jest to kolejny sposób, w jaki przechowujemy wiele informacji, więc nie mamy 10:05.880 --> 10:12.600 tylko jednej mapy obiektów, której szukamy, a potem lub w zasadzie sieć decyduje o jej szkoleniu, o czym 10:12.600 --> 10:18.030 rozmawiamy pod koniec rozdziału. poprzez jego szkolenie decyduje, które funkcje są ważne dla pewnych 10:18.120 --> 10:23.670 typów lub niektórych kategorii i szuka ich, a zatem będą miały różne filtry, a 10:23.670 --> 10:26.070 my porozmawiamy teraz o filtrach. 10:26.160 --> 10:32.280 Ale w zasadzie Ill zastosuj te filtry, więc aby uzyskać tę mapę funkcji zastosował filtr podobny do tego, który zobaczyliśmy, ale 10:32.280 --> 10:36.270 wtedy, aby uzyskać tę funkcję, Mabbett stosuje inny filtr, aby ta funkcja zastosowała 10:36.270 --> 10:38.080 inny filtr i tak dalej. 10:38.370 --> 10:43.430 Zasadniczo po prostu tworzy te mapy funkcji. 10:43.650 --> 10:49.700 I właśnie dlatego osobiście uważam, że termin detektor cech jest lepszy niż filtry. 10:49.710 --> 10:56.040 Pamiętaj, że jesteśmy tutaj, mamy ten filtr, który możemy również nazwać wykrywaczem detali. No cóż, w rzeczywistości 10:56.040 --> 10:59.440 słowo "detektor obiektów" wydaje mi się bardziej odpowiednie. 10:59.490 --> 11:03.390 Powodem tego jest to, że cel jest właściwy. 11:03.390 --> 11:06.510 Nie chcemy po prostu nie chcieć odfiltrowywać naszego obrazu. 11:06.510 --> 11:10.220 Ale nawet jeśli to wszystko to samo, to tylko kwestia terminologii. 11:10.230 --> 11:11.990 Ale w zasadzie chcemy wykryć funkcje. 11:12.000 --> 11:12.270 W porządku. 11:12.270 --> 11:19.680 W tym w tej jaskini przejdziemy do naszej własnej mapy funkcji, którą wykryliśmy, gdzie znajdują się pewne funkcje na obrazie 11:19.800 --> 11:24.240 i tej wykrytej mapy funkcji, gdzie pewne inne funkcje znajdują się tam, 11:24.240 --> 11:30.350 gdzie znajduje się określona funkcja i ta mapa funkcji zostanie wykryty, gdy na obrazie znajduje się 11:30.350 --> 11:31.420 inna funkcja. 11:31.440 --> 11:33.420 Więc to właśnie robimy. 11:33.420 --> 11:40.470 Posłuchaj, mamy kilka przykładów. Tutaj używamy i to jest z Gip dot org. 11:40.610 --> 11:48.690 Ich dokumentacja jest darmowym rodzajem narzędzia, takiego jak farba, i można go użyć do dostosowania zdjęć lub pracy z 11:48.690 --> 11:49.550 obrazami. 11:49.560 --> 11:56.490 Ale w gruncie rzeczy mają cenne przykłady w ich dokumentacji i tutaj mają obraz Taj Mahal 11:56.490 --> 11:59.790 i możesz wybrać filtr, który chcesz zastosować. 11:59.880 --> 12:06.150 Więc jeśli pobrałeś ten program i wgrasz do niego zdjęcie, a potem możesz uruchomić matrycę 12:06.150 --> 12:12.600 konwersji i zastosować filtry, zobaczysz, że te rzeczy faktycznie zastosowały angielskie matryce do przetwarzania i 12:12.600 --> 12:15.240 projektowania obrazów i tak dalej. 12:15.240 --> 12:17.150 Spójrzmy więc na to, co otrzymujemy. 12:17.240 --> 12:21.520 Więc jeśli zastosujemy ten filtr pięć w środku minus jeden jeden to jeden minus jeden minus. 12:21.690 --> 12:23.780 Widać, że wyostrza obraz. 12:23.890 --> 12:29.010 I to jest całkiem intuicyjne, jeśli o tym myślisz. 12:29.010 --> 12:36.300 Tak więc 5 jest pikselem głównego piksela, jak w środku filtra lub detektorem funkcji, a następnie 12:36.600 --> 12:43.410 minus jeden minus jeden tylko jeden rodzaj podobnego redukuje piksele wokół a w intuicyjnym 12:44.430 --> 12:45.000 sensie. 12:46.170 --> 12:47.020 Następnie rozmycie. 12:47.040 --> 12:54.150 Zasadniczo ma to znaczenie równe, daje równe znaczenie wszystkim pikselom, wszystkie są w centrum i 12:54.150 --> 12:59.070 dlatego łączy je ze sobą i zwiększasz rozmycie krawędzi. 12:59.070 --> 13:03.860 Więc tutaj widzisz, że to minus jeden i jeden, a następnie dostajesz zery w prawo. 13:03.870 --> 13:11.100 Usunąłeś więc piksele wokół głównego w środku i zachowałeś je tylko na minusie, co daje ci przewagę 13:11.100 --> 13:15.610 i było ci trochę trudniej zrozumieć, jak to działa. 13:16.290 --> 13:20.700 Jak prawdopodobnie trudniej jest myśleć o tym intuicyjnie wykrywając krawędzie. 13:20.700 --> 13:23.340 Tak więc ten prawdopodobnie ma więcej sensu. 13:23.340 --> 13:25.860 Racja, bierzesz je środkowym. 13:25.850 --> 13:28.880 Redukujesz środkowy. 13:29.050 --> 13:36.180 Prawdopodobnie podoba mi się siła środkowego piksela, a następnie szukasz tych, których szukasz. 13:36.420 --> 13:41.980 Te, które widzisz, zwiększają siłę tych, którzy są wokół nich. 13:42.090 --> 13:43.910 Więc masz tam te. 13:44.720 --> 13:45.610 Tak to jest. 13:45.690 --> 13:50.700 To daje ci przewagę, a zobaczysz, co się tam dostanie, i szefa. 13:50.700 --> 13:58.130 Kluczem jest to, że jest symetryczny i widać, że obraz staje się również asymetryczny, więc masz 13:58.140 --> 14:03.580 takie uczucie, że wyróżnia się ono w stosunku do ciebie. 14:03.840 --> 14:08.910 I to jest to, co dostajesz, gdy masz tutaj jakieś minusy i tutaj znowu 14:08.970 --> 14:14.160 jest to bardzo techniczne, ale przynajmniej możemy uzyskać intuicyjną i Lissę szybko przejść przez nie ponownie. 14:14.160 --> 14:21.480 Pojawia się rozmycie, nie ma rozmycia, ale ręce Edgina mają wykrywanie krawędzi i szefa, więc możesz zobaczyć, 14:21.480 --> 14:27.350 że są to świetne przykłady tego samego obrazu, ale dostajemy mapy funkcji. 14:27.360 --> 14:32.430 Używamy różnych detektorów funkcji, aby uzyskać różne mapy funkcji tego samego obrazu, 14:32.430 --> 14:40.380 a więc mamy teraz wiele ostatnich wersji tego obrazu, w których w każdym z nich próbowaliśmy wykryć pewne rzeczy 14:40.440 --> 14:44.920 w tych kategoriach, które nie mają zastosowania do nas. 14:44.940 --> 14:50.460 Ich drugi szef prawdopodobnie nie ma zastosowania w odniesieniu do splotowych sieci neuronowych, ale ważne jest 14:50.550 --> 14:51.630 wykrywanie wieku. 14:51.630 --> 14:58.590 Chcemy wykryć krawędź wzmocnienia krawędzi, prawdopodobnie nie zacierać, więc pewne rzeczy, takie jak ostry tekst. 14:58.580 --> 15:02.450 Prawdopodobnie najważniejszy dla naszego rodzaju pracy. 15:02.460 --> 15:07.560 I jeśli chodzi o zrozumienie komputerów, to sami zdecydują, a sieci neuronowe same zdecydują, 15:07.560 --> 15:12.900 co jest ważne, a co nie, i prawdopodobnie nie będą nawet rozpoznawalne dla ludzkiego oka. 15:12.900 --> 15:14.910 Nie będziesz w stanie zrozumieć, co oznaczają te funkcje. 15:14.910 --> 15:22.530 Ale komputer zadecyduje i to jest piękno sieci neuronowych, które mogą przetwarzać tak wiele różnych rzeczy 15:22.530 --> 15:28.950 i zrozumieć bez nawet tej intuicji lub bez tych wyjaśnień, dlaczego zrozumieją, które funkcje 15:28.950 --> 15:34.380 są dla nich ważne, czy mamy dla nich nazwę lub nie 15:34.810 --> 15:39.830 to, że jest to kwestia nieistotna dla sztucznej sieci neuronowej. 15:39.990 --> 15:41.260 I mój ulubiony. 15:41.280 --> 15:50.940 Oto jeden z tych filtrów przedstawiający Geoffreya Hintona z Geoffrey Hinton. 15:50.940 --> 15:53.070 W porządku, więc doprowadza nas do końca Teresa Tauriel. 15:53.070 --> 15:55.460 Mam nadzieję, że lubisz uczyć się o splotach. 15:55.470 --> 16:02.490 Kluczowym wyjściem na zewnątrz jest splot, którego głównym celem jest to, że ewolucja polega na odnajdywaniu funkcji 16:02.490 --> 16:08.280 na obrazie za pomocą detektora obiektów umieszczającego je w mapie funkcji, a poprzez posiadanie 16:08.340 --> 16:15.710 ich w przyszłej mapie nadal zachowuje przestrzenne zależności między pikselami, co jest bardzo ważne dla nas, ponieważ wiesz, 16:15.720 --> 16:19.280 że jeśli są całkowicie pomieszani, straciliśmy wzór. 16:19.350 --> 16:25.110 Jednocześnie ważne jest, aby zrozumieć, że przez większość czasu funkcje sieci neuronowej będą 16:25.110 --> 16:32.430 wykrywać i wykorzystywać do rozpoznawania pewnych obrazów, a Klaas nic nie będzie znaczyło dla ludzi, ale mimo to 16:32.460 --> 16:33.120 działają. 16:33.120 --> 16:34.420 I właśnie to jest splot. 16:34.440 --> 16:36.280 I nie mogę się doczekać spotkania z Taurielem. 16:36.300 --> 16:37.980 Do tego czasu cieszcie się nauką.