WEBVTT 00:00.540 --> 00:04.740 Hallo en welkom terug bij de cursus over Deep Learning vandaag, we hebben het over 00:04.740 --> 00:10.670 Max pooling en er komen een aantal zeer opwindende dia's aan en zelfs een speciale verrassing helemaal aan het einde van de tutorial. 00:10.890 --> 00:12.030 Dus laten we beginnen. 00:12.360 --> 00:15.660 De eerste vraag is: wat is pooling en waarom hebben we het nodig? 00:15.960 --> 00:19.580 Om die vraag te beantwoorden, laten we eens kijken naar deze afbeeldingen op deze drie afbeeldingen. 00:19.590 --> 00:20.660 We hebben een jachtluipaard. 00:20.670 --> 00:23.580 In feite is het exact dezelfde cheeta op de eerste afbeelding. 00:23.580 --> 00:29.520 De afbeelding is goed gepositioneerd en de cheeta kijkt je recht aan op de tweede afbeelding. 00:29.520 --> 00:32.310 Het is een beetje gedraaid en de derde afbeelding is een beetje platgedrukt. 00:32.640 --> 00:39.960 Het punt hier is dat we willen dat het neurale netwerk de cheeta in elk van deze afbeeldingen 00:39.960 --> 00:41.030 kan herkennen. 00:41.310 --> 00:43.170 In feite is dit slechts één cheeta. 00:43.170 --> 00:45.030 Wat als we veel verschillende cheeta's hebben? 00:45.030 --> 00:45.840 Hier is een jachtluipaard. 00:46.110 --> 00:47.070 Hier is een jachtluipaard. 00:47.280 --> 00:51.300 Hier is nog een jachtluipaard, zijn ashira, zijn jachtluipaard, en hier is een jachtluipaard. 00:51.510 --> 00:55.680 En we willen dat het neurale netwerk al die jaren als scheerders herkent. 00:56.130 --> 01:01.710 En hoe kan het dat doen als ze allemaal in verschillende richtingen kijken? 01:01.710 --> 01:04.050 Ze bevinden zich allemaal in verschillende delen van de afbeelding. 01:04.050 --> 01:06.990 Het is alsof hun gezichten zich in verschillende delen van de afbeelding bevinden. 01:06.990 --> 01:11.250 Iemand aan de rechterkant, iemand in de linkerhoek, iemand in het midden, ze zijn allemaal 01:11.250 --> 01:12.180 een beetje anders. 01:12.540 --> 01:14.210 De textuur is een beetje anders. 01:14.220 --> 01:16.140 De verlichting is wat anders. 01:16.140 --> 01:17.370 Er zijn veel kleine verschillen. 01:17.370 --> 01:23.130 En als het neurale netwerk bijvoorbeeld naar precies een bepaald kenmerk zoekt, is een onderscheidend kenmerk 01:23.130 --> 01:31.380 van de cheeta de tranen die op zijn gezicht uit de ogen of de sjiieten komen, de schaduwen die op tranen lijken, de 01:31.380 --> 01:35.910 textuur van het patroon dat gaat van zijn ogen naar beneden. 01:36.150 --> 01:37.760 Het zit aan de zijkanten van zijn neus. 01:37.770 --> 01:38.460 Het lijken tranen. 01:38.460 --> 01:40.590 Dat is een onderscheidend kenmerk van de cheeta. 01:40.800 --> 01:48.600 Maar als het op zoek is naar dat kenmerk, dat het leert van bepaalde cheeta's op een exacte locatie of een exacte 01:48.600 --> 01:53.040 vorm of vorm of textuur, zal het deze andere cheeta's nooit vinden. 01:53.370 --> 02:01.830 We moeten er dus voor zorgen dat ons neurale netwerk een zogenaamde ruimtelijke invariantie heeft, wat betekent 02:01.830 --> 02:06.360 dat het niet uitmaakt waar de kenmerken zich bevinden. 02:06.690 --> 02:13.110 Niet zozeer in welk deel van de afbeelding, want daar hebben we een beetje rekening mee gehouden met 02:13.110 --> 02:16.410 onze kaart, met onze armen, met onze convolutionele daar. 02:16.710 --> 02:23.340 Maar het maakt niet uit of de features een beetje gekanteld zijn, als de features een beetje anders 02:23.340 --> 02:30.150 van structuur zijn, als de features wat dichterbij zijn, features wat verder uit elkaar staan ten opzichte van elkaar. 02:30.160 --> 02:37.140 Dus als de functie zelf een beetje vervormd is, moet ons neurale netwerk een zekere mate van flexibiliteit hebben om die 02:37.290 --> 02:39.660 functie nog steeds te kunnen vinden. 02:39.900 --> 02:41.940 En dat is waar poolen om draait. 02:42.600 --> 02:44.670 Laten we dus eens kijken hoe pooling werkt. 02:45.060 --> 02:46.080 Hier is onze functiekaart. 02:46.080 --> 02:52.410 Dus we hebben onze convolutie al gedaan en we hebben dat deel voltooid en nu werken we met de convolutie daar. 02:52.560 --> 02:53.820 Nu gaan we pooling toepassen. 02:53.820 --> 02:54.630 Dus hoe werkt het? 02:54.630 --> 02:56.100 We gaan max pooling toepassen. 02:56.640 --> 03:00.750 Er zijn verschillende soorten politieke spelers, gemiddelde pooling, maximale pooling, wat pooling. 03:00.900 --> 03:03.300 En die zullen we tegen het einde van de citral becommentariëren. 03:03.450 --> 03:05.010 Maar voor nu passen we alleen max pooling toe. 03:05.010 --> 03:09.630 Dus we nemen zo'n doos van twee bij twee pixels. 03:09.960 --> 03:12.270 En nogmaals, het hoeft niet twee aan twee te zijn. 03:12.270 --> 03:13.470 U kunt elk formaat doos kiezen. 03:13.470 --> 03:18.810 En nogmaals, we zullen daar commentaar op geven in de richting van een redactioneel commentaar en je plaatst het in de 03:19.140 --> 03:21.870 linkerbovenhoek en je vindt de maximale waarde in dat vak. 03:21.870 --> 03:26.010 En dan noteer je alleen die waarde en negeer je de andere drie. 03:26.190 --> 03:27.840 Dus in je box heb je vier waarden. 03:27.840 --> 03:31.350 Je negeert er drie, je houdt er maar één van het maximum, dat is in dit geval één. 03:31.680 --> 03:34.590 Dan verplaats je je box een stap naar rechts. 03:34.590 --> 03:35.910 Je selecteert de pas nogmaals. 03:36.090 --> 03:41.010 Dus hier selecteren we een straight van twee en dat is wat je normaal gesproken selecteert. 03:41.010 --> 03:42.750 U kunt een rechte kiezen, u kunt selecteren. 03:42.870 --> 03:44.340 Er zijn dus overlappende dozen. 03:44.340 --> 03:47.910 Je kunt elke soort zwerver selecteren die je leuk vindt, zelfs drie als je wilt. 03:48.690 --> 03:52.200 Maar we selecteren hier Australië van twee en dat is wat vaak wordt gebruikt. 03:52.320 --> 03:53.880 En dan herhaal je het proces herhalen. 03:53.880 --> 03:55.770 Je hebt hier het maximum genoteerd. 03:55.770 --> 03:59.790 Als je oversteekt en het maakt niet uit, ga je gewoon door met waar je mee bezig bent. 03:59.970 --> 04:02.760 Hier noteer je dus nog steeds het maximum. 04:02.850 --> 04:04.500 Nul hier. 04:04.500 --> 04:05.850 Het maximum was hier vier. 04:05.850 --> 04:07.230 Het maximum was tot hier. 04:07.230 --> 04:10.590 Het maximum was één nul één nul twee en toen één. 04:11.310 --> 04:13.920 Dus zoals je kunt zien, zijn er een paar dingen gebeurd. 04:13.920 --> 04:18.100 Allereerst hebben we de kenmerken toch goed kunnen behouden. 04:18.110 --> 04:23.670 Tot de maximale aantallen die ze vertegenwoordigen omdat we weten hoe de convolutionele ER werkt. 04:23.670 --> 04:28.590 We weten dat de maximale of de grote getallen in uw functiekaart aangeven waar u 04:28.590 --> 04:31.260 de meeste overeenkomst met een functie hebt gevonden. 04:31.560 --> 04:38.190 Maar door deze functies vervolgens te bundelen, zijn we in de eerste plaats 75 procent van de informatie kwijt. 04:38.190 --> 04:46.020 Dat is niet de functie, en dat zijn niet de belangrijkste dingen waar we naar uitkijken, omdat we drie van 04:46.230 --> 04:48.990 de vier pixels buiten beschouwing laten. 04:49.650 --> 04:51.090 Dus we houden maar vijfentwintig procent. 04:51.360 --> 04:59.910 En dan ook nog omdat we het maximum nemen van de pixels die we of de waarden die we hebben. 05:00.640 --> 05:04.090 We houden dus rekening met eventuele verstoringen. 05:04.120 --> 05:12.640 Dus bijvoorbeeld twee afbeeldingen waarin bijvoorbeeld de tranen van de bedrieger op de ogen in één afbeelding staan, een beetje naar links of een beetje naar links gedraaid en nog een, 05:12.640 --> 05:17.050 ze zijn een beetje en er zijn hoe ze zouden moeten zijn of hoe we 05:17.260 --> 05:22.080 het leuk vinden als we de ene als basis nemen en dan de andere, ze zijn -- 05:22.120 --> 05:23.080 naar links draaien. 05:23.590 --> 05:26.490 De gepoolde functie zal precies hetzelfde zijn. 05:26.500 --> 05:32.440 Dus je kunt hier zien, als we het hebben over de tranen van de bedrieger, laten we zeggen dat dit de vier is en 05:32.560 --> 05:35.980 dit is waar het hier was, dan als het een beetje gedraaid was. 05:35.980 --> 05:37.890 Zo kwamen de vier bijvoorbeeld hier terecht. 05:38.260 --> 05:42.520 Als we de pooling doen, krijgen we nog steeds dezelfde pull-functiekaart. 05:43.000 --> 05:46.060 En dat is een beetje het principe erachter. 05:46.390 --> 05:48.760 Het is een heel grove uitleg. 05:48.760 --> 05:54.070 Nogmaals, intuïtieve verklaring, maar dat is het punt van trekken dat we nog steeds 05:54.070 --> 06:01.990 in staat zijn om de functies te behouden en bovendien rekening te houden met hun mogelijke ruimtelijke of textuur- of andere soorten vervormingen. 06:02.320 --> 06:05.730 En naast dat alles verkleinen we de omvang. 06:05.740 --> 06:07.300 Er is dus nog een voordeel. 06:07.310 --> 06:09.610 Dus we hebben de functies behouden. 06:09.850 --> 06:11.890 We introduceren ruimtelijke invariantie. 06:12.040 --> 06:18.730 We verkleinen de omvang met 75 procent, wat enorm is, wat ons echt gaat helpen op het gebied van 06:18.730 --> 06:19.300 verwerking. 06:19.660 --> 06:25.060 Een ander voordeel van pooling is dat we het aantal parameters verminderen. 06:25.060 --> 06:27.760 Dus we verminderen weer met 75 procent. 06:27.760 --> 06:32.170 We verminderen het aantal parameters dat naar onze laatste lagen van het neurale 06:32.500 --> 06:35.050 netwerk gaat en daarom voorkomen we overfitting. 06:35.200 --> 06:42.490 Het is een heel belangrijk voordeel van pooling dat we informatie verwijderen en dat is een goede zaak. 06:42.530 --> 06:50.620 Dat is maar goed ook, want op die manier kan ons model die informatie niet overfitten, vooral omdat die informatie 06:50.620 --> 06:52.300 dat niet is. 06:52.540 --> 06:57.070 En onthoud, zoals in het allereerste begin waar we het over hadden, zelfs voor mensen als mensen, 06:57.070 --> 07:02.170 is het belangrijk om precies de kenmerken te zien in plaats van al dat andere geluid dat in onze ogen komt. 07:02.680 --> 07:09.040 Hetzelfde geldt voor neurale netwerken door de onnodige, niet belangrijke informatie te negeren die we 07:09.040 --> 07:11.870 helpen bij het voorkomen van overfitting. 07:12.400 --> 07:13.000 Dus daar gaan we. 07:13.000 --> 07:14.530 Dat is waar pooling over gaat. 07:14.530 --> 07:19.630 En de vraag is natuurlijk waarom WiMAX-pooling? 07:19.630 --> 07:19.810 Rechts. 07:19.810 --> 07:21.580 Er zijn veel verschillende soorten poolen. 07:21.580 --> 07:23.620 En je weet waarom we door twee worden berecht. 07:23.620 --> 07:26.380 Waarom een grootte van twee bij twee pixels, veel van al deze dingen. 07:26.620 --> 07:33.910 En wat dat betreft wil ik u kennis laten maken met dit mooie onderzoeksartikel genaamd Evaluation of Pooling 07:33.910 --> 07:40.740 Operations in Convolutional Architectures for Object Recognition door Dominic Ashara van de Universiteit van Bonn. 07:41.050 --> 07:41.830 Daar is de link. 07:42.040 --> 07:47.490 En het mooie van dit papier is dat het heel, heel eenvoudig, heel duidelijk is. 07:47.500 --> 07:52.900 Dus als je nog nooit een onderzoekspaper hebt gelezen die je graag eens zou willen proberen, dan is dit een geweldige plek 07:52.900 --> 07:53.770 om te beginnen. 07:53.770 --> 07:54.370 Het is erg kort. 07:54.370 --> 07:56.560 Slechts 10 pagina's, zeer gemakkelijk te lezen. 07:56.920 --> 08:02.560 En plus, het extra voordeel is dat nu we convolutie en pooling hebben besproken, je helemaal op je gemak zult 08:02.560 --> 08:05.900 zijn met alles waar ze het over hebben in dit artikel. 08:05.900 --> 08:09.360 En jij, dit is een geweldige manier om je kennis daadwerkelijk te versterken. 08:09.370 --> 08:11.380 Dus ik raad je ten zeerste aan om dit papier te lezen. 08:11.780 --> 08:17.530 Ik neem 20 minuten om het te lezen en je kunt zelfs deel twee overslaan, dat gerelateerd werk wordt genoemd. 08:17.530 --> 08:22.840 Als het een beetje vergezocht of vervreemdend aanvoelt, lees dan niet dat deel rechtstreeks van Padawan naar deel 08:22.840 --> 08:23.440 drie gaat. 08:23.770 --> 08:29.500 En het enige dat u over dit artikel moet weten, is dat ze praten over een concept dat subsampling wordt genoemd. 08:30.460 --> 08:33.160 Will sub-sampling is in feite een gemiddelde pooling. 08:33.160 --> 08:37.330 Dus onthoud hoe we hier aan het praten waren, we namen het maximale. 08:37.340 --> 08:39.880 Dus in ons vierkant namen we de maximale waarde. 08:39.910 --> 08:44.680 Er is een concept dat gemiddelde pooling of wat pooling wordt genoemd, wat pooling omdat je slechts enkele van deze 08:44.680 --> 08:46.750 waarden de gemiddelde pooling of gemiddelde pooling verhoogt. 08:46.750 --> 08:53.350 Je haalt de gemiddelde waarde uit al deze en subsamples is een soort generalisatie van mean 08:53.350 --> 08:53.830 pooling. 08:53.830 --> 09:00.790 Het is een meer algemene benadering om het gemiddelde van deze waarden te nemen. 09:00.790 --> 09:05.260 En je kunt er wat meer over lezen in de krant, maar beschouw het anders maar als gemiddelde pooling als 09:05.260 --> 09:06.250 je die krant leest. 09:06.770 --> 09:09.580 En dus kunt u daar wat aanvullende informatie over dit onderwerp krijgen. 09:09.820 --> 09:12.280 En laten we nu een beetje samenvatten hoe we erin zijn beland. 09:12.280 --> 09:13.870 Dus daar is onze invoerafbeelding. 09:14.770 --> 09:18.910 Toen pasten we de convolutiebewerking toe en daar kregen we de convolutie. 09:18.940 --> 09:22.540 En nu naar elk van die functiekaarten die we krijgen. 09:22.540 --> 09:24.040 Daar hebben we de pooling toegepast. 09:24.160 --> 09:28.450 Dus we hebben deze twee stappen gedaan, convolutie en pooling. 09:28.720 --> 09:31.750 En nu gaan we iets heel leuks doen, iets spannends. 09:32.080 --> 09:34.390 We gaan hiermee experimenteren. 09:34.390 --> 09:44.590 Dit is dus een screenshot die ik heb gemaakt van een tool gemaakt door Adam Hartley van lang geleden toen hij aan de Ryerson University 09:44.590 --> 09:46.300 of Computer Science zat. 09:46.300 --> 09:50.920 En nu is hij bij Carnegie Mellon, denk ik, bezig met zijn Ph. D. en geweldig hulpmiddel. 09:50.920 --> 09:54.100 Dus laten we openen, laten we eens kijken, zodat je het kunt vinden. 09:54.100 --> 09:55.720 Je kunt het niet echt vinden via Google. 09:55.720 --> 09:57.430 Je moet de Yooralla kennen. 09:57.430 --> 09:59.440 Het is gewoon moeilijk te vinden. 09:59.440 --> 09:59.550 Zijn. 09:59.640 --> 10:00.840 Google, want hier is geen belasting. 10:01.180 --> 10:09.750 Kijk, we zijn gewoon de assistent Ryerson Dossie van dit jaar en dan dit spul daar en eigenlijk is dit precies 10:10.380 --> 10:11.940 wat we doen. 10:11.940 --> 10:12.630 Maar visualiseren. 10:12.650 --> 10:14.320 Dus hier moet je een nummer tekenen. 10:14.340 --> 10:21.290 Dus laten we zeggen dat ik nummer vier trek en deze tool zal het nummer vier hier plaatsen. 10:21.300 --> 10:24.080 Dat is uw afbeelding in onze eerste stap. 10:24.090 --> 10:26.100 Dan is dit de convolutiestap. 10:26.670 --> 10:27.020 Rechts. 10:27.030 --> 10:28.140 En dit is de stap van het poolen. 10:28.140 --> 10:30.310 En ook trekken wordt trouwens ook wel downsampling genoemd. 10:30.330 --> 10:36.300 Dus een downsampling van dezelfde dingen trekken, zodat je de toegepaste convolutie kunt zien, dan is het toegepaste pooling 10:36.300 --> 10:39.100 en kun je zien hoe het precies werkt. 10:39.100 --> 10:44.340 U kunt dus zien wat voor soort windingen het heeft toegepast of wat voor soort filters het heeft toegepast, hoe ze eruit 10:44.340 --> 10:44.820 zien. 10:44.820 --> 10:49.320 Je kunt zien naar welke functies op zoek is en dan is het van toepassing, pooling. 10:49.320 --> 10:50.580 Het wordt dus kleiner. 10:50.580 --> 10:53.160 En je kunt hier zien dat dit belangrijk is. 10:53.160 --> 10:53.310 Rechts? 10:53.320 --> 11:00.060 U kunt dus zien dat dit de betrokken afbeelding is en dat dit de gepoolde afbeelding is. 11:00.060 --> 11:01.730 En je kunt nog steeds dezelfde functies zien. 11:01.740 --> 11:04.020 Het is gewoon minder informatie, maar dezelfde functies. 11:04.020 --> 11:04.220 Rechts. 11:04.230 --> 11:05.760 De kenmerken blijven behouden. 11:05.790 --> 11:06.960 Dat is het belangrijkste. 11:08.190 --> 11:12.870 En bovendien, als, weet je, als ze alle vier een beetje naar de zijkant waren 11:13.140 --> 11:16.740 gedraaid, zou het nog steeds zeer vergelijkbare gepoolde lagen kunnen oppikken. 11:16.920 --> 11:18.500 En daarna heeft het meer lagen. 11:18.510 --> 11:19.730 Daar hebben we het nog niet over gehad. 11:19.740 --> 11:25.950 Dus dan heeft het hier nog een convolutionele, convolutionele laag, die we eigenlijk niet zullen hebben. 11:26.940 --> 11:30.420 En dan heeft het nog een poollaag, maar in feite herhaalt het gewoon hetzelfde proces. 11:30.820 --> 11:36.120 En daarna, dit is waar we het verderop in de cursus over zullen hebben: de volledig 11:36.120 --> 11:37.320 verbonden lagen enzovoort. 11:37.980 --> 11:39.810 Maar daar kun je zeker mee spelen. 11:39.820 --> 11:47.850 Dus als ik verwijder wat je leuk vindt als ik een zeven trek, zul je zien dat het je eigenlijk de gissingen vertelt. 11:47.850 --> 11:49.200 Het gokt dat dit een zeven is. 11:49.410 --> 11:52.520 En de tweede gok, de tweede kans is een drie. 11:52.950 --> 11:56.350 Dus je kunt een aantal uitdagende dingen tekenen en kijken of het ze kan oppakken. 11:56.370 --> 12:01.140 Dus laten we zeggen dat als ik iets teken dat op een nul lijkt, maar het is geen voltooide nul, het dan wordt 12:01.140 --> 12:01.420 opgepakt? 12:01.960 --> 12:03.650 Nee, deze keer niet opgepikt. 12:03.660 --> 12:06.080 Het lijkt op een negen, op de afbeelding. 12:06.090 --> 12:08.010 Wat als ik het leuk vind om zo te eindigen? 12:08.430 --> 12:11.130 Ze denkt nu dat het een nul of een negen is. 12:11.490 --> 12:14.420 En je kunt daar zien wat de nul of de negen oplicht. 12:14.430 --> 12:16.080 Maar we zullen het hebben over dat deel van de dart. 12:16.550 --> 12:19.770 Er is er nog één, laten we zeggen als acht. 12:19.790 --> 12:21.960 Ik denk dat het hier best moeilijk voor is. 12:22.440 --> 12:23.700 Geen acht gehaald. 12:23.700 --> 12:25.860 Dus je kunt zien dat dat in een acht gaat. 12:25.860 --> 12:31.020 En dan, zoals daarna, is het niet meer herkenbaar, het houdt op met logisch te zijn voor ons mensen. 12:31.440 --> 12:31.830 Rechts. 12:32.040 --> 12:34.140 Deze functies waarmee het werkt. 12:34.470 --> 12:38.370 Maar tegelijkertijd erkent het correct dat het een acht is. 12:38.820 --> 12:39.030 Ja. 12:39.060 --> 12:40.470 Speel daar dus zeker mee. 12:40.470 --> 12:43.230 Je kunt een smiley tekenen, kijken wat er dan gebeurt. 12:44.170 --> 12:50.000 Het lijkt op een drie voor deze tool, omdat de tool duidelijk alleen is getraind op cijfers 12:50.000 --> 12:53.120 van nul tot negen, dus het moet iets herkennen. 12:53.130 --> 12:59.870 Er zijn er van en het herkent dat een drie is zoals in het leven wanneer je iets ziet als 12:59.990 --> 13:05.660 een soort fruit dat je nog nooit eerder hebt gezien, zoals een custardappel of zoiets. 13:05.930 --> 13:12.260 En je denkt dat het is alsof het een peer is, omdat je er nog nooit eerder een hebt gezien. 13:12.270 --> 13:13.910 Je weet niet hoe je het moet classificeren. 13:13.920 --> 13:14.590 Hetzelfde hier. 13:14.600 --> 13:17.420 Dus het heeft niet echt getraind op de smileygezichten. 13:17.690 --> 13:20.030 En daarom stinkt het als een boom, als een drie. 13:20.390 --> 13:22.600 Dus ze denken dat het een zeer krachtig, krachtig hulpmiddel is. 13:22.610 --> 13:25.250 Het zal je helpen om ermee te spelen. 13:25.250 --> 13:33.590 Als je met je muis over een pixelpixel gaat, zie je waar de feature-detector was om die pixel op te pikken, 13:33.590 --> 13:37.400 zodat je kunt zien waar deze pixels vandaan komen. 13:37.400 --> 13:42.680 En ook zodat je kunt zien hoe het filter eruitzag alsof het door de afbeelding ging. 13:42.680 --> 13:44.420 Precies hoe we erover spraken, natuurlijk. 13:44.420 --> 13:47.300 En hier kun je zien dat je de pooling kunt zien. 13:47.300 --> 13:56.780 Je kunt zien dat het trekken gebeurt met het trekken met een kleine vierkante maat van twee bij twee. 13:57.020 --> 14:03.430 En je kunt zien dat het ook een rechttoe rechtaan is, net zoals we in de tutorial van vandaag hebben besproken. 14:03.860 --> 14:04.490 Daar ga je dan. 14:04.820 --> 14:05.930 Speel daar eens mee. 14:05.930 --> 14:09.120 En ik hoop dat je genoten hebt van de sessie van vandaag. 14:09.140 --> 14:10.440 Ik kijk ernaar uit om je de volgende keer te zien. 14:10.460 --> 14:12.440 En tot die tijd, geniet van deep learning.