WEBVTT 00:00.510 --> 00:02.850 Xin chào và chào mừng bạn trở lại khóa học về Học sâu. 00:02.850 --> 00:08.760 Hôm nay chúng ta đang nói về Revolut, là một đơn vị tuyến tính được chỉnh lưu và đây là một bước 00:08.760 --> 00:12.090 bổ sung ở trên cùng của bước tích chập của chúng ta. 00:12.090 --> 00:13.620 Vì vậy, nó không phải là một bước tiến lớn riêng biệt. 00:13.620 --> 00:14.490 Đó là một bước nhỏ. 00:14.490 --> 00:15.990 Về cơ bản đó là bước B. 00:15.990 --> 00:18.150 Và điều gì đang xảy ra ở đây? 00:18.150 --> 00:20.310 Chà, chúng tôi có hình ảnh đầu vào của chúng tôi. 00:20.310 --> 00:22.800 Chúng tôi có lớp tích chập của chúng tôi, mà chúng tôi đã thảo luận. 00:22.800 --> 00:30.930 Và trên hết, chúng tôi sẽ áp dụng chờ nó, chức năng Chỉnh lưu yêu thích của chúng tôi. 00:30.930 --> 00:37.680 Và bạn đã quen thuộc với chức năng Rectifier từ phần trước về mạng nơ-ron nhân 00:37.680 --> 00:38.490 tạo. 00:38.490 --> 00:48.690 Và trong SO của chúng tôi, đôi khi các tác giả hoặc người hướng dẫn tách tích chập và chỉnh lưu thành hai bước riêng biệt trong các ví dụ của 00:48.690 --> 00:55.950 chúng tôi, chúng tôi chỉ coi chúng là một bước tiến lớn duy nhất cho sự tiến hóa thứ hai so với 00:55.950 --> 00:56.970 Chỉnh lưu. 00:56.970 --> 01:03.720 Và lý do tại sao chúng tôi áp dụng Bộ chỉnh lưu là vì chúng tôi muốn tăng tính không tuyến tính trong hình ảnh của 01:03.720 --> 01:08.010 chúng tôi hoặc trong mạng của chúng tôi, trong mạng nơ-ron phức hợp của chúng tôi. 01:08.010 --> 01:15.660 Và Rectifier hoạt động như bộ lọc hoặc truy cập, chức năng đó phá vỡ tuyến tính. 01:15.660 --> 01:23.610 Và lý do tại sao chúng tôi muốn tăng tính phi tuyến tính trong mạng của mình là vì bản thân hình ảnh có tính phi tuyến tính 01:23.610 --> 01:29.970 cao, đặc biệt nếu bạn đang nhận ra các đối tượng khác nhau bên cạnh nhau hoặc chỉ trên nền và những 01:30.060 --> 01:31.230 thứ tương tự. 01:31.230 --> 01:36.300 Giống như hình ảnh sẽ có rất nhiều phần tử phi tuyến và sự chuyển đổi giữa các pixel, các pixel liền 01:36.300 --> 01:37.950 kề thường sẽ là phi tuyến. 01:37.950 --> 01:42.660 Đó là bởi vì có đường viền, có màu sắc khác nhau, nó khác nhau, có các yếu tố khác nhau trong hình 01:42.660 --> 01:43.500 ảnh của bạn. 01:43.500 --> 01:50.040 Và đồng thời, khi chúng tôi áp dụng một phép toán học như tích chập và chạy phát hiện đối tượng địa lý này 01:50.040 --> 01:57.360 để tạo bản đồ đối tượng địa lý của mình, chúng tôi có nguy cơ tạo ra một thứ gì đó tuyến tính và do đó chúng 01:57.360 --> 01:59.460 tôi cần phải chia nhỏ tuyến tính. 01:59.730 --> 02:01.710 Vì vậy, chúng ta hãy xem một ví dụ. 02:02.400 --> 02:05.700 Đây là một hình ảnh, một hình ảnh gốc. 02:05.730 --> 02:13.080 Bây giờ, khi chúng tôi áp dụng bộ phát hiện tính năng cho hình ảnh này, chúng tôi nhận được một cái gì đó như thế này. 02:13.080 --> 02:15.000 Vì vậy, bạn có thể thấy ở đây rằng màu đen là tiêu cực. 02:15.000 --> 02:15.930 Màu trắng là các giá trị tích cực. 02:15.930 --> 02:22.620 Chà, khi bạn áp dụng bộ phát hiện tính năng cho một hình ảnh giống như một hình ảnh thích hợp, không chỉ có số không và số một, mà có rất nhiều giá 02:22.620 --> 02:27.420 trị khác nhau và bạn áp dụng, như chúng ta đã thấy trước đây, nếu các bộ phát hiện trong tương lai có thể có 02:27.420 --> 02:33.180 các giá trị âm trong chính chúng, đôi khi bạn sẽ nhận được các giá trị âm và đây là các giá trị màu đen của chúng là âm, 02:33.180 --> 02:34.560 các giá trị trắng là dương. 02:34.560 --> 02:45.450 Và những gì một hàm đơn vị tuyến tính được điều chỉnh làm là nó loại bỏ tất cả những gì bên phải màu đen dưới 0, nó biến 02:45.450 --> 02:46.320 thành không. 02:46.320 --> 02:48.540 Và do đó, nó biến thành thế này. 02:48.540 --> 02:49.050 Đúng. 02:49.050 --> 02:57.810 Và vì vậy, thật khó để biết chính xác lợi ích là gì nếu xét về bốn lợi ích trong việc chia nhỏ 02:57.810 --> 02:58.590 tuyến tính. 02:59.250 --> 03:00.960 Tôi sẽ cố gắng giải thích. 03:00.990 --> 03:03.900 Tôi sẽ cố gắng đưa ra một ví dụ trên hình ảnh này. 03:04.560 --> 03:08.160 Nhưng vào cuối ngày, đây là một khái niệm rất toán học. 03:08.160 --> 03:12.390 Và chúng tôi sẽ phải đi vào rất nhiều phép toán để thực sự giải thích những gì đang xảy ra. 03:12.390 --> 03:13.740 Nhưng chúng ta hãy thử chúng ta hãy xem xét. 03:13.740 --> 03:17.850 Vì vậy, ví dụ, chúng ta hãy nhìn vào tòa nhà này ở đây, phải không? 03:17.850 --> 03:19.740 Vì vậy, đây là một tòa nhà của riêng mình. 03:20.590 --> 03:24.390 Sau đó, bạn có thể thấy cái bóng này, phần đen này, cái bóng này ở đây. 03:24.390 --> 03:30.390 Chà, bạn có thể thấy rằng nó có màu trắng, sự phản chiếu của ánh sáng, sau đó là màu 03:30.390 --> 03:32.850 xám, rồi tối dần rồi lại tối hơn. 03:32.850 --> 03:33.180 Đúng? 03:33.180 --> 03:35.790 Vì vậy, và khi chúng tôi lấy nó ra, chúng tôi sẽ loại bỏ phần màu đen đó. 03:35.790 --> 03:38.130 Vì vậy, hãy nghĩ về nó về độ tuyến tính, phải không? 03:38.130 --> 03:43.890 Vì vậy, có vẻ như khi bạn chuyển từ màu trắng sang màu xám, bước tiếp theo sẽ là màu đen, phải không? 03:43.890 --> 03:44.910 Bước tiếp theo sẽ là màu đen. 03:44.910 --> 03:49.410 Đó là một sự phát triển tuyến tính từ sáng đến tối. 03:49.410 --> 03:53.400 Và do đó, đây giống như một tình huống tuyến tính. 03:53.400 --> 03:55.710 Khi bạn lấy ra màu đen, bạn phá vỡ tuyến tính. 03:56.550 --> 03:57.630 Hãy thử một cái khác. 03:57.870 --> 03:59.010 Hãy xem ở đây. 03:59.010 --> 04:01.890 Và đồng thời, nó vẫn là tòa nhà đó, phải không? 04:01.890 --> 04:08.340 Nó không giống như bạn là bạn không giống như bạn đang trộn hai tòa nhà vào nhau. 04:08.340 --> 04:09.750 Nhưng đó là thứ yếu. 04:09.750 --> 04:11.580 Điểm chính là phá vỡ tuyến tính. 04:11.970 --> 04:13.050 Vì vậy, chúng ta hãy xem ở đây. 04:13.050 --> 04:13.500 Điều tương tự. 04:13.500 --> 04:19.350 Vì vậy, bạn thấy trắng, xám, đen, xám, trắng. 04:19.350 --> 04:22.430 Và khi bạn chia tay nó, bạn không còn như vậy nữa, phải không? 04:22.440 --> 04:30.300 Bạn không có sự tiến triển đó, sự tiến triển dần dần mà bạn có giống như một sự thay đổi đột ngột và điều đó giúp 04:30.300 --> 04:33.390 đưa sự không tuyến tính vào hình ảnh của bạn. 04:33.390 --> 04:41.490 Vì vậy, đó là một lời giải thích rất thô thiển, giống như cách giải thích trên ngón tay hơn là kỹ 04:41.850 --> 04:42.510 thuật. 04:42.510 --> 04:47.280 Nhưng hy vọng nó sẽ giúp bạn hiểu rõ hơn một chút về những gì chúng ta đang nói ở đây. 04:47.280 --> 04:50.430 Vì vậy, ở đây một lần nữa, bạn có thể thấy Xám trắng là một ví dụ tốt hơn. 04:50.430 --> 04:55.440 Ngay cả khi bạn nhìn thấy sáng, tối hơn, tối hơn, tối hơn, tối hơn, tối hơn, tối hơn. 04:55.440 --> 04:58.140 Vì vậy, phần này trông giống như nó tuyến tính. 04:58.140 --> 04:59.340 Sau đó bạn chia nhỏ nó ra như vậy. 04:59.610 --> 05:00.960 Ừm, một lần nữa. 05:00.960 --> 05:04.380 Vì vậy, đây là một lời giải thích rất thô. 05:04.380 --> 05:08.460 Nó không hoàn toàn hoàn hảo, nhưng ít nhất nó cũng cung cấp cho bạn một số ý tưởng về những gì đang xảy ra. 05:08.580 --> 05:12.840 Nhưng nếu bạn muốn tìm hiểu thêm, luôn có một tờ báo tốt. 05:12.840 --> 05:13.920 Luôn luôn có một tờ giấy. 05:13.950 --> 05:20.310 Công cụ này là của Keiko đến từ Đại học California, và nó được gọi là Hiểu mạng nơ-ron 05:20.310 --> 05:22.770 hợp hiến bằng mô hình toán học. 05:22.920 --> 05:28.740 Và về cơ bản, họ là người trả lời cho các câu hỏi và bạn chỉ cần xem câu hỏi đầu tiên. 05:28.740 --> 05:29.880 Và câu hỏi là tại sao không? 05:30.000 --> 05:35.430 Chức năng kích hoạt phi tuyến là cần thiết ở đầu ra bộ lọc của tất cả các lớp trung gian. 05:36.030 --> 05:43.080 Vì vậy, kiểu đó giải thích nó chi tiết hơn một chút, cả về trực giác và chủ yếu là về 05:43.080 --> 05:43.890 toán học. 05:44.070 --> 05:47.880 Vì vậy, đó là một bài báo thú vị, nơi bạn có thể có thêm một số thông tin bổ sung về chủ đề này. 05:47.880 --> 05:54.390 Và nếu bạn thực sự muốn tìm hiểu và khám phá một số nội dung thú vị ở đây, thì có một bài báo khác mà bạn 05:54.390 --> 05:55.590 có thể quan tâm. 05:55.590 --> 06:02.610 Nó được gọi là Delving Deep into Rectifier, vượt qua hiệu suất cấp 11 của con người về phân loại hình ảnh và mạng. 06:02.610 --> 06:13.680 Và ở đây, các tác giả tới đây và những người khác từ Microsoft Research, họ đề xuất một loại hàm 06:13.680 --> 06:17.460 đơn vị tuyến tính chỉnh lưu khác. 06:17.580 --> 06:22.680 Họ đề xuất hàm tuyến tính được điều chỉnh tham số, bạn thấy ở đây bên phải và họ lập 06:22.680 --> 06:26.520 luận rằng nó mang lại kết quả tốt hơn mà không làm giảm hiệu suất. 06:26.520 --> 06:31.830 Rất thú vị, hãy đọc nếu bạn muốn tìm hiểu sâu hơn về chủ đề này, và đó là tất cả cho ngày hôm nay. 06:31.830 --> 06:37.650 Layer mới thực sự khá đơn giản, khá đơn giản, chỉ cần áp dụng chức năng Rectifier. 06:37.650 --> 06:39.120 Và tôi mong được gặp bạn lần sau. 06:39.120 --> 06:40.890 Cho đến lúc đó, hãy tận hưởng việc học sâu.