WEBVTT 00:00.480 --> 00:03.150 Xin chào và chào mừng bạn trở lại với khóa học về Học sâu ngày hôm nay. 00:03.150 --> 00:08.730 Chúng tôi đang nói về Max pooling và chúng tôi có một số trang trình bày rất thú vị sắp ra mắt và thậm chí là 00:08.730 --> 00:10.800 một bất ngờ đặc biệt ở cuối hướng dẫn. 00:10.800 --> 00:12.260 Vậy hãy bắt đầu. 00:12.270 --> 00:15.780 Câu hỏi đầu tiên là gộp là gì và tại sao chúng ta cần nó? 00:15.810 --> 00:18.540 Vâng, để trả lời câu hỏi đó, chúng ta hãy xem những hình ảnh này. 00:18.540 --> 00:20.640 Trên ba hình ảnh này, chúng ta có một con báo gêpa. 00:20.640 --> 00:23.580 Trên thực tế, nó giống hệt báo gêpa trên hình ảnh đầu tiên. 00:23.580 --> 00:26.130 Hình ảnh được đặt đúng vị trí. 00:26.220 --> 00:27.900 Con báo đang nhìn thẳng vào bạn. 00:27.900 --> 00:32.490 Trên hình ảnh thứ hai, nó bị xoay một chút và hình ảnh thứ ba bị bóp méo một chút. 00:32.490 --> 00:39.960 Và vấn đề ở đây là chúng tôi muốn mạng lưới thần kinh có thể nhận ra báo gêpa trong mọi 00:39.960 --> 00:41.190 hình ảnh này. 00:41.190 --> 00:43.170 Trên thực tế, đây chỉ là một con báo gêpa. 00:43.170 --> 00:45.030 Điều gì sẽ xảy ra nếu chúng ta có nhiều loài báo gêpa khác nhau? 00:45.030 --> 00:45.960 Đây là một con báo gêpa. 00:45.960 --> 00:47.160 Đây là một con báo. 00:47.160 --> 00:48.480 Đây là một con báo khác. 00:48.510 --> 00:51.420 Đây là một con báo gêpa, đây là một con báo gêpa và đây là một con báo gêpa. 00:51.420 --> 00:55.860 Và chúng tôi muốn mạng lưới thần kinh nhận ra tất cả những con báo đốm này là báo gêpa. 00:55.980 --> 01:01.710 Và làm thế nào nó có thể làm được điều đó nếu tất cả họ đều đang nhìn về các hướng khác nhau? 01:01.710 --> 01:04.050 Tất cả chúng đều nằm trong các phần khác nhau của hình ảnh. 01:04.050 --> 01:06.990 Họ giống như khuôn mặt của họ được định vị ở các phần khác nhau của hình ảnh. 01:06.990 --> 01:10.560 Ai đó ở bên tay phải, ai đó ở góc trái, ai đó ở giữa. 01:10.860 --> 01:12.390 Tất cả chúng đều khác nhau một chút. 01:12.480 --> 01:16.110 Kết cấu là một chút khác nhau, ánh sáng là một chút khác nhau. 01:16.110 --> 01:17.340 Có rất nhiều khác biệt nhỏ. 01:17.340 --> 01:23.130 Và vì vậy, nếu mạng lưới thần kinh tìm kiếm chính xác một đặc điểm nào đó, chẳng hạn, 01:23.130 --> 01:31.740 một đặc điểm nổi bật của loài báo gêpa là những giọt nước mắt trên mặt nó chảy ra từ mắt hoặc những bóng tối trông giống như nước 01:31.740 --> 01:36.090 mắt, kết cấu, mô hình đó là đi từ mắt của nó xuống. 01:36.090 --> 01:37.740 Nó có kích thước bằng cái mũi của nó. 01:37.740 --> 01:38.430 Nó trông giống như những giọt nước mắt. 01:38.430 --> 01:40.680 Đó là một đặc điểm khác biệt của báo gêpa. 01:40.680 --> 01:48.600 Nhưng nếu nó đang tìm kiếm đặc điểm mà nó đã học được từ một số loài báo ở một vị trí chính xác hoặc ở hình dạng hoặc hình thức 01:48.600 --> 01:53.190 hoặc kết cấu chính xác, nó sẽ không bao giờ tìm thấy những con báo gêpa khác. 01:53.190 --> 02:01.380 Vì vậy, chúng ta phải đảm bảo rằng mạng nơ-ron của chúng ta có một thuộc tính gọi là Spatial Invariance, nghĩa là nó không quan 02:01.380 --> 02:10.320 tâm đến vị trí của các đối tượng địa lý, không quan tâm đến phần nào của hình ảnh, bởi vì chúng ta đã chụp điều đó được xem 02:10.320 --> 02:16.560 xét với bản đồ của chúng tôi, với po của chúng tôi, với lớp phức hợp của chúng tôi. 02:16.560 --> 02:23.340 Nhưng không cần quan tâm nếu các đối tượng địa lý có hơi nghiêng một chút, nếu các đối tượng địa lý có kết cấu hơi khác một 02:23.340 --> 02:29.790 chút, nếu các đối tượng địa lý gần hơn một chút hoặc nếu các đối tượng địa lý xa hơn một chút so với tương đối với 02:29.790 --> 02:30.150 nhau. 02:30.150 --> 02:37.200 Vì vậy, nếu bản thân đối tượng có một chút méo mó, mạng nơ-ron của chúng ta phải có một số mức độ linh hoạt để 02:37.200 --> 02:42.120 có thể vẫn tìm thấy đối tượng đó và đó là tất cả những gì về tổng thể. 02:42.510 --> 02:44.880 Vì vậy, chúng ta hãy xem xét cách hoạt động của gộp. 02:44.880 --> 02:46.080 Đây là bản đồ tính năng của chúng tôi. 02:46.080 --> 02:52.110 Vì vậy, chúng tôi đã thực hiện tích chập của mình và chúng tôi đã hoàn thành phần đó và bây giờ chúng tôi đang làm việc với lớp tích 02:52.110 --> 02:52.470 chập. 02:52.500 --> 02:53.820 Bây giờ chúng ta sẽ áp dụng gộp. 02:53.820 --> 02:54.600 Vì vậy, làm thế nào nó hoạt động? 02:54.600 --> 02:56.280 Chúng tôi sẽ áp dụng tổng hợp tối đa. 02:56.550 --> 03:01.140 Có một số kiểu gộp khác nhau có thể áp dụng là gộp chung, gộp tối đa, một số gộp và chúng tôi sẽ 03:01.140 --> 03:03.360 bình luận về những kiểu đó ở cuối hướng dẫn này. 03:03.360 --> 03:05.010 Nhưng hiện tại chúng tôi chỉ đang áp dụng tổng hợp tối đa. 03:05.010 --> 03:12.240 Vì vậy, chúng tôi lấy một hộp có hai x hai pixel như vậy và lặp lại, nó không nhất thiết phải là hai x hai. 03:12.270 --> 03:13.470 Bạn có thể chọn bất kỳ kích thước của hộp. 03:13.470 --> 03:18.360 Và một lần nữa, chúng tôi sẽ nhận xét về điều đó vào cuối thời gian dùng thử và bạn đặt nó ở 03:18.360 --> 03:21.840 góc trên cùng bên trái và bạn tìm thấy giá trị lớn nhất trong ô đó. 03:21.840 --> 03:26.100 Và sau đó bạn chỉ ghi lại giá trị đó và bạn bỏ qua ba giá trị còn lại. 03:26.100 --> 03:30.420 Vì vậy, trong hộp của bạn, bạn có bốn giá trị, bạn chỉ bỏ qua ba giá trị, bạn chỉ giữ một giá trị tối đa, trong trường 03:30.420 --> 03:31.530 hợp này là một giá trị. 03:31.530 --> 03:36.000 Sau đó, bạn di chuyển ô của mình sang bên phải một bước, bạn chọn lại bước một lần nữa. 03:36.000 --> 03:41.010 Vì vậy, ở đây chúng tôi chọn một trong hai bước và đó là những gì bạn thường chọn. 03:41.010 --> 03:42.780 Bạn có thể chọn một sải chân, bạn có thể chọn. 03:42.780 --> 03:44.310 Vì vậy, có các hộp chồng lên nhau. 03:44.310 --> 03:48.090 Bạn có thể chọn bất kỳ kiểu sải chân nào mà bạn thích, thậm chí là ba sải chân nếu bạn muốn. 03:48.600 --> 03:52.290 Nhưng chúng tôi đang chọn một trong hai bước ở đây, và đó là những gì thường được sử dụng. 03:52.290 --> 03:53.850 Và sau đó bạn lặp lại, lặp lại quá trình. 03:53.850 --> 03:55.770 Bạn ghi mức tối đa ở đây. 03:55.770 --> 03:59.880 Nếu bạn vượt qua và không thành vấn đề, bạn cứ tiếp tục làm những gì bạn đang làm. 03:59.880 --> 04:07.230 Vì vậy, bạn vẫn ghi giá trị lớn nhất ở đây, không ở đây, tối đa là bốn ở đây tối đa là hai 04:07.230 --> 04:10.740 ở đây tối đa là 10102 và sau đó là một. 04:11.190 --> 04:13.920 Vì vậy, như bạn có thể thấy, một vài điều đã xảy ra. 04:13.920 --> 04:18.360 Trước hết, chúng ta vẫn có thể bảo toàn các tính năng, phải không? 04:18.930 --> 04:23.670 Các số tối đa mà chúng đại diện bởi vì chúng ta biết cách hoạt động của lớp tích chập. 04:23.670 --> 04:28.590 Chúng tôi biết rằng các số lớn nhất hoặc bit lớn trong bản đồ đối tượng địa lý của bạn mà chúng đại diện cho nơi bạn 04:28.590 --> 04:31.410 thực sự tìm thấy điểm tương đồng gần nhất với đối tượng địa lý. 04:31.410 --> 04:38.190 Nhưng bằng cách gộp các tính năng này lại, trước hết, chúng tôi loại bỏ 75% thông tin. 04:38.190 --> 04:46.170 Đó không phải là tính năng cũng không phải là những thứ quan trọng mà chúng tôi đang tìm kiếm vì chúng tôi đang bỏ 04:46.170 --> 04:51.240 qua ba pixel trong số bốn pixel, vì vậy chúng tôi chỉ giữ lại 25%. 04:51.240 --> 04:59.880 Và sau đó cũng bởi vì chúng tôi đang sử dụng tối đa các pixel hoặc các giá trị mà chúng tôi. 05:00.480 --> 05:04.080 Do đó, chúng tôi sẽ tính đến bất kỳ sự biến dạng nào. 05:04.080 --> 05:11.880 Vì vậy, ví dụ, hai hình ảnh, ví dụ, những giọt nước mắt của con báo gêpa. 05:12.060 --> 05:15.480 Trong một hình ảnh có một chút ở bên trái hoặc một chút được xoay sang bên trái. 05:15.480 --> 05:16.080 Và một cái khác. 05:16.080 --> 05:21.330 Có một chút và có cách chúng được cho là như thế nào hoặc chúng ta thích như thế nào nếu chúng ta 05:21.330 --> 05:26.130 lấy một cái làm cơ sở và sau đó cái kia xoay sang trái, tính năng gộp chung sẽ giống hệt 05:26.130 --> 05:26.490 nhau. 05:26.490 --> 05:30.360 Vì vậy, bạn có thể thấy ở đây nếu chúng ta đang nói về những kẻ gian lận, cổ vũ. 05:30.360 --> 05:34.110 Sau đó, hãy nói rằng đây là bốn và đây là nơi nó đã ở đây. 05:34.110 --> 05:35.970 Sau đó, nếu nó được xoay một chút. 05:35.970 --> 05:41.010 Vì vậy, ví dụ, bốn kết thúc ở đây, sau đó khi chúng tôi thực hiện gộp chúng tôi vẫn sẽ nhận được cùng một bản 05:41.010 --> 05:42.690 đồ đối tượng địa lý được gộp chung. 05:42.960 --> 05:46.140 Và đó là nguyên tắc đằng sau nó. 05:46.410 --> 05:51.930 Đó là một lời giải thích rất thô, một lần nữa, giải thích trực quan, nhưng đó là điểm chung của 05:51.930 --> 06:00.210 việc chúng tôi vẫn có thể bảo toàn các tính năng và hơn thế nữa là giải thích cho các biến dạng có thể có của chúng về không gian hoặc kết 06:00.210 --> 06:02.130 cấu hoặc các loại biến dạng khác. 06:02.130 --> 06:05.730 Và ngoài tất cả những điều đó, chúng tôi đang giảm kích thước. 06:05.730 --> 06:07.290 Vì vậy, có một lợi ích khác. 06:07.290 --> 06:12.900 Vì vậy, chúng tôi đã bảo tồn các tính năng, chúng tôi đang giới thiệu các tính năng bất biến 06:12.900 --> 06:19.470 trong không gian, chúng tôi đang giảm kích thước xuống 75%, rất lớn, điều này thực sự sẽ giúp chúng tôi về mặt xử lý. 06:19.470 --> 06:25.050 Và hơn nữa, một lợi ích khác của việc gộp chung là chúng ta đang giảm số lượng tham số. 06:25.050 --> 06:27.750 Vì vậy, chúng tôi giảm 75% một lần nữa. 06:27.750 --> 06:32.370 Chúng tôi đang giảm số lượng các tham số sẽ đi vào các lớp cuối cùng của mạng nơ-ron và 06:32.370 --> 06:35.160 do đó chúng tôi đang ngăn chặn việc trang bị quá mức. 06:35.160 --> 06:41.100 Đó là một lợi ích rất quan trọng của việc tổng hợp mà chúng tôi đang xóa thông tin. 06:41.100 --> 06:42.510 Và đó là một điều tốt. 06:42.510 --> 06:50.610 Đó là một điều tốt vì theo cách đó, mô hình của chúng tôi sẽ không thể phù hợp với thông tin đó bởi vì đặc biệt là vì 06:50.610 --> 06:52.620 thông tin đó không liên quan. 06:52.620 --> 06:57.060 Hãy nhớ rằng, giống như ngay từ đầu chúng ta đã nói đến ngay cả đối với con người chúng ta là con 06:57.060 --> 07:02.370 người, điều quan trọng là phải nhìn thấy chính xác các tính năng hơn là tất cả những tiếng ồn khác đang phát ra trong mắt chúng ta. 07:02.550 --> 07:04.440 Điều tương tự đối với mạng nơ-ron. 07:04.440 --> 07:12.090 Họ bỏ qua thông tin không quan trọng không cần thiết, chúng tôi đang giúp ngăn chặn việc trang bị quá mức. 07:12.240 --> 07:12.990 Vì vậy, họ sẽ đi. 07:12.990 --> 07:14.520 Đó là những gì tổng hợp là về. 07:14.520 --> 07:18.720 Và câu hỏi ở đây là tất nhiên, tại sao? 07:18.720 --> 07:19.800 Tại sao Max Pooling, đúng. 07:19.800 --> 07:25.020 Có rất nhiều kiểu gộp khác nhau và tại sao astride lại cố gắng giải thích tại sao kích thước 2 x 2 pixel 07:25.020 --> 07:26.520 lại có nhiều thứ như vậy. 07:26.520 --> 07:33.900 Và trên lưu ý đó, tôi muốn giới thiệu với bạn bài báo nghiên cứu đáng yêu này có tên Đánh giá 07:33.900 --> 07:40.170 hoạt động gộp trong kiến trúc hợp hiến để nhận dạng đối tượng của Dominic Scherrer từ Đại 07:40.170 --> 07:40.890 học Bonn. 07:40.890 --> 07:47.460 Có một liên kết, và cái hay của bài báo này là nó rất, rất đơn giản, rất dễ hiểu. 07:47.460 --> 07:51.480 Vì vậy, nếu bạn chưa bao giờ đọc một bài báo nghiên cứu trước đây, bạn muốn thử xem nó như thế nào? 07:51.480 --> 07:53.760 Đây là một nơi tuyệt vời để bắt đầu. 07:53.760 --> 07:56.790 Nó rất ngắn, chỉ mười trang, rất dễ đọc. 07:56.790 --> 08:02.610 Và thêm vào đó, lợi ích bổ sung là bây giờ chúng ta đã thảo luận về tích chập và tổng hợp, bạn sẽ hoàn toàn 08:02.610 --> 08:05.880 thoải mái với mọi thứ mà họ đang nói đến trong bài báo này. 08:05.880 --> 08:09.360 Và bạn đây là một cách tuyệt vời để thực sự củng cố kiến thức của bạn. 08:09.360 --> 08:11.550 Vì vậy, tôi thực sự khuyên bạn nên kiểm tra tờ giấy này. 08:11.700 --> 08:17.520 Tôi sẽ dành 20 phút để đọc nó và bạn thậm chí có thể bỏ qua phần hai, được gọi là công việc liên quan. 08:17.520 --> 08:19.800 Nếu nó cảm thấy hơi xa vời hoặc xa lạ. 08:19.800 --> 08:20.970 Chỉ cần không đọc phần đó. 08:20.970 --> 08:23.610 Chỉ cần đi thẳng đến từ phần một đến phần ba. 08:23.610 --> 08:29.670 Và một điều mà bạn cần biết về bài báo này, họ nói về một khái niệm được gọi là lấy mẫu phụ trong đó 08:30.300 --> 08:33.150 lấy mẫu phụ về cơ bản là tổng hợp trung bình. 08:33.150 --> 08:37.320 Vì vậy, hãy nhớ cách chúng tôi đã ở đây, chúng tôi đã tận dụng tối đa. 08:37.320 --> 08:39.870 Vì vậy, trong ô vuông của chúng tôi, chúng tôi đã lấy giá trị lớn nhất. 08:39.870 --> 08:42.990 Có một khái niệm được gọi là gộp chung hoặc một số gộp. 08:42.990 --> 08:46.740 Một số tổng hợp bạn chỉ là một số trong những giá trị này lên tổng hợp trung bình hoặc tổng hợp có nghĩa là? 08:46.740 --> 08:53.070 Bạn lấy giá trị trung bình của tất cả những thứ này và lấy mẫu phụ giống như một cách tổng quát của tổng hợp 08:53.070 --> 08:53.850 trung bình. 08:53.850 --> 09:00.780 Đó là một kiểu tiếp cận tổng quát hơn để lấy giá trị trung bình của các giá trị này. 09:00.780 --> 09:05.250 Và bạn có thể đọc thêm một chút về nó trong bài báo, nhưng nếu không, hãy nghĩ nó là tổng số trung bình khi 09:05.250 --> 09:06.390 bạn đang đọc bài báo đó. 09:06.720 --> 09:09.690 Và đó là nơi bạn có thể nhận được một số thông tin bổ sung về chủ đề này. 09:09.690 --> 09:12.270 Và bây giờ chúng ta hãy tóm tắt lại chúng ta đã đi đến đâu? 09:12.270 --> 09:14.070 Vì vậy, có hình ảnh đầu vào của chúng tôi. 09:14.610 --> 09:18.870 Sau đó, chúng tôi áp dụng phép toán tích chập và chúng tôi nhận được lớp tích chập. 09:18.870 --> 09:24.090 Và bây giờ đối với mỗi bản đồ đối tượng mà chúng tôi nhận được, chúng tôi đã áp dụng lớp gộp. 09:24.090 --> 09:30.330 Vì vậy, chúng tôi đã có, chúng tôi đã thực hiện hai bước tích hợp và gộp lại, và bây giờ chúng tôi sẽ làm một điều gì đó rất thú 09:30.330 --> 09:31.920 vị, một điều gì đó thú vị. 09:31.920 --> 09:34.380 Chúng tôi sẽ thử nghiệm điều này. 09:34.380 --> 09:44.550 Vì vậy, đây là ảnh chụp màn hình tôi chụp từ một công cụ do Adam Harley tạo ra từ khi anh ấy còn học tại Đại học Khoa học Máy tính Ryerson và 09:44.550 --> 09:50.580 bây giờ anh ấy đang ở Carnegie Mellon, tôi nghĩ, đang làm tiến sĩ và một công cụ tuyệt 09:50.580 --> 09:50.910 vời. 09:50.910 --> 09:52.410 Vì vậy, chúng ta hãy mở ra. 09:52.410 --> 09:54.090 Hãy xem để bạn có thể tìm thấy nó. 09:54.090 --> 09:55.680 Bạn thực sự không thể tìm thấy nó thông qua Google. 09:55.680 --> 09:57.450 Bạn phải biết URL. 09:57.450 --> 09:59.370 Nó chỉ là khó tìm. 09:59.480 --> 10:01.010 Thông qua Google vì không có văn bản nào ở đây. 10:01.160 --> 10:03.950 SC Chà, chỉ URL này. 10:04.130 --> 10:08.270 CS Dot Ryerson Dossier và cuối cùng là nội dung này. 10:08.270 --> 10:11.930 Và về cơ bản đây chính xác là những gì chúng tôi đang làm. 10:11.930 --> 10:12.620 Nhưng hãy hình dung. 10:12.620 --> 10:14.330 Vì vậy, ở đây bạn cần phải vẽ một số. 10:14.330 --> 10:21.290 Vì vậy, giả sử tôi vẽ số bốn và công cụ này sẽ đặt số bốn ở đây. 10:21.290 --> 10:24.080 Đó là hình ảnh của bạn trong bước đầu tiên của chúng tôi. 10:24.080 --> 10:26.990 Sau đó, đây là bước tích chập, phải không? 10:26.990 --> 10:28.130 Và đây là bước gộp. 10:28.130 --> 10:30.320 Và nhân tiện, gộp chung còn được gọi là downampling. 10:30.320 --> 10:33.350 Vì vậy, gộp và lấy mẫu xuống là những thứ giống nhau. 10:33.860 --> 10:39.050 Vì vậy, bạn có thể thấy nó được áp dụng tích chập, sau đó nó được áp dụng gộp và bạn có thể thấy nó hoạt động chính xác như thế nào. 10:39.050 --> 10:44.330 Vì vậy, bạn có thể xem nó đã áp dụng loại chập nào hoặc loại bộ lọc nào nó áp dụng, chúng trông như 10:44.330 --> 10:44.780 thế nào. 10:44.780 --> 10:50.360 Bạn có thể thấy những tính năng mà nó đang tìm kiếm và sau đó nó được áp dụng, gộp lại, vì vậy nó sẽ giảm kích 10:50.360 --> 10:50.570 thước. 10:50.570 --> 10:53.300 Và bạn có thể thấy ở đây rằng điều này là quan trọng, phải không? 10:53.300 --> 11:01.010 Vì vậy, bạn có thể thấy rằng đây là hình ảnh liên quan và đây là hình ảnh gộp lại và bạn vẫn có thể thấy các tính năng 11:01.010 --> 11:01.700 tương tự. 11:01.700 --> 11:04.210 Nó chỉ là ít thông tin hơn, nhưng tính năng tương tự, phải không? 11:04.220 --> 11:05.750 Các tính năng được giữ nguyên. 11:05.750 --> 11:07.160 Đó là phần quan trọng. 11:08.150 --> 11:13.370 Và hơn nữa, nếu bạn biết, nếu bốn cái của chúng ta giống như xoay một chút sang một bên, 11:13.370 --> 11:16.790 nó vẫn có thể chọn các lớp gộp lại rất giống nhau. 11:16.790 --> 11:18.500 Và sau đó nó có nhiều lớp hơn. 11:18.500 --> 11:19.730 Chúng tôi vẫn chưa nói về điều đó. 11:19.730 --> 11:27.380 Vì vậy, sau đó nó có một lớp tích tụ phức tạp khác ở đây mà chúng ta thực sự sẽ không có, và sau đó nó có một lớp tổng hợp 11:27.380 --> 11:30.700 khác, nhưng về cơ bản nó chỉ lặp lại quá trình tương tự. 11:30.710 --> 11:36.110 Và sau đó, đây là những gì chúng ta sẽ nói sâu hơn trong khóa học là có các lớp được kết 11:36.110 --> 11:39.800 nối đầy đủ, v.v., nhưng bạn chắc chắn có thể chơi với điều đó. 11:39.800 --> 11:47.720 Vì vậy, nếu tôi xóa mà bạn thích, nếu tôi rút ra số bảy, bạn sẽ thấy rằng nó thực sự cho bạn biết dự đoán 11:47.720 --> 11:52.730 có phải đây là số bảy và đoán thứ hai, khả năng thứ hai là ba. 11:52.730 --> 11:56.360 Vì vậy, bạn có thể vẽ cho nó một số điều khó khăn và xem liệu nó có thể chọn được chúng hay không. 11:56.360 --> 12:01.100 Vì vậy, giả sử nếu tôi vẽ một cái gì đó trông giống như một số 0, nhưng nó không phải là một số 0 12:01.100 --> 12:03.620 hoàn thành, nó có nhặt nó lên bây giờ lần này không. 12:03.620 --> 12:06.080 Nó trông giống như một số chín đối với hình ảnh. 12:06.080 --> 12:08.270 Nếu tôi thích kết thúc như vậy thì sao? 12:08.270 --> 12:14.390 Vì vậy, bây giờ nó cho rằng đó là số 0 hoặc số chín và bạn có thể thấy ở đó điều gì đang thắp sáng số 0 hoặc số chín. 12:14.390 --> 12:16.220 Nhưng chúng ta sẽ nói về phần đó sâu hơn. 12:16.460 --> 12:17.270 Hãy làm một cái nữa. 12:17.300 --> 12:19.760 Hãy nói like like tám. 12:19.760 --> 12:25.820 Tôi nghĩ rằng số tám là khá khó khăn cho điều này bây giờ chọn một tám, vì vậy bạn có thể thấy rằng đó là tám. 12:25.820 --> 12:28.850 Và sau đó, nó không còn được nhận ra nữa. 12:28.850 --> 12:31.970 Các điểm dừng có ý nghĩa đối với con người chúng ta, phải không? 12:31.970 --> 12:38.000 Những tính năng này mà nó đang hoạt động, nhưng đồng thời nó cũng nhận ra một cách chính xác rằng đó là một 12:38.000 --> 12:38.540 số tám. 12:38.750 --> 12:40.460 Vâng, vì vậy chắc chắn chơi xung quanh đó. 12:40.460 --> 12:43.430 Bạn có thể vẽ một khuôn mặt cười, xem điều gì sẽ xảy ra sau đó. 12:43.940 --> 12:49.810 Nó trông giống như một số ba đối với công cụ này, bởi vì công cụ này rõ ràng chỉ được đào tạo trên các chữ số 12:49.810 --> 12:50.860 từ 0 đến 9. 12:50.860 --> 12:55.870 Vì vậy, nó phải nhận ra một cái gì đó trong số những cái đó và nó nhận ra ba. 12:56.830 --> 13:02.110 Nó giống như trong cuộc sống khi bạn nhìn thấy một thứ gì đó giống như một loại trái cây mà 13:02.140 --> 13:05.830 bạn chưa từng thấy trước đây, như mãng cầu hay một thứ gì đó. 13:05.830 --> 13:12.250 Và bạn nghĩ rằng nó giống như một quả lê bởi vì bạn chưa bao giờ thực sự nhìn thấy nó trước đây. 13:12.250 --> 13:13.930 Bạn không biết phải phân loại nó như thế nào. 13:13.930 --> 13:14.590 Điều tương tự ở đây. 13:14.590 --> 13:17.590 Vì vậy, nó không thực sự được đào tạo trên khuôn mặt cười. 13:17.590 --> 13:19.270 Và đó là lý do tại sao nó nghĩ đó là một cái cây. 13:19.450 --> 13:20.200 Đó là một ba. 13:20.200 --> 13:20.860 Vậy là xong. 13:20.860 --> 13:22.600 Đó là một công cụ rất mạnh mẽ, mạnh mẽ. 13:22.600 --> 13:25.190 Nó sẽ hữu ích cho bạn để chơi xung quanh nó. 13:25.190 --> 13:32.950 Và trên thực tế, khi bạn đưa chuột lên một pixel pixel, nó sẽ hiển thị cho bạn nơi phát hiện tính năng đã 13:32.950 --> 13:37.390 lấy pixel đó để bạn có thể biết pixel này đến từ đâu. 13:37.390 --> 13:43.810 Và cũng để bạn có thể thấy bộ lọc giống như đi qua hình ảnh như thế nào, chính xác là cách chúng ta đã nói trong 13:43.810 --> 13:44.410 khóa học. 13:44.410 --> 13:51.430 Và ở đây bạn có thể thấy bạn có thể thấy gộp, bạn có thể thấy rằng việc gộp được thực hiện 13:51.430 --> 13:56.950 với việc gộp được thực hiện với một kích thước hình vuông nhỏ là hai x hai. 13:56.950 --> 14:03.670 Và bạn có thể thấy rằng đó là một bước tiến của hai, giống như chúng ta đã thảo luận trong hướng dẫn ngày hôm nay. 14:03.670 --> 14:09.130 Vì vậy, chúng ta bắt đầu, chơi một vòng với điều đó và tôi hy vọng bạn thích phiên hôm nay. 14:09.130 --> 14:10.450 Tôi mong được gặp bạn lần sau. 14:10.450 --> 14:12.580 Và cho đến lúc đó, hãy tận hưởng việc học sâu.