WEBVTT

00:00.450 --> 00:02.820
大家好, 欢迎回到深度学习课程｡ 

00:02.820 --> 00:10.170
我希望你能很好地学习这些直觉教程, 并且有机会运用我们迄今为止学到的一切｡

00:10.380 --> 00:12.030
今天我们要讲的是扁平化｡ 

00:12.030 --> 00:18.150
好消息是, 这是一个非常简单的步骤, 这个教程也会非常快,

00:18.150 --> 00:21.420
然后我们就可以继续学习下一个有趣的东西了｡

00:21.750 --> 00:22.110
好吧, 我会的

00:22.110 --> 00:29.400
到目前为止, 我们已经得到了池化图层池化特征图, 这是在我们对图像应用卷积运算之后,

00:29.400 --> 00:34.890
然后我们对卷积结果或相关图像应用池化｡

00:34.890 --> 00:37.350
那么如果这个汇集的特征图呢？

00:37.350 --> 00:41.250
好吧, 我们要把它压扁成一根柱子｡ 

00:41.520 --> 00:46.320
所以基本上就是把数字一行一行地放进这一长列里｡ 

00:46.980 --> 00:54.840
原因是我们想稍后将其输入到人工神经网络中进行进一步处理｡

00:55.080 --> 01:04.140
这就是当您有许多池化图层或池化图层中有许多池化要素地图, 然后将其展平时的情况｡

01:04.140 --> 01:15.120
所以你把它们按顺序一个接一个地放到这一长列中, 你就得到了一个巨大的人工神经网络的输入向量｡

01:15.120 --> 01:21.630
总而言之,

01:21.630 --> 01:29.760
我们有一个输入图像, 我们应用了一个卷积层, 并且不要忘记在卷积层之后应用的值或校正的线性单位函数｡

01:29.760 --> 01:42.780
然后我们应用池化, 然后我们把所有的东西扁平化成一个长向量, 这将是我们人工神经网络的输入层｡

01:42.780 --> 01:46.950
我们将在下一个教程中了解它的工作原理｡ 

01:46.980 --> 01:49.890
希望您喜欢今天的课程, 并期待下次与您见面｡ 

01:49.890 --> 01:51.840
在此之前, 请尽情享受深度学习｡