WEBVTT

00:00.520 --> 00:02.800
สวัสดีและยินดีต้อนรับกลับสู่หลักสูตรและการเรียนรู้อย่างลึกซึ้ง

00:02.800 --> 00:06.140
วันนี้เราอยู่ที่ STEPNELL ก่อนการเชื่อมต่อเต็มรูปแบบ

00:06.310 --> 00:08.210
ดังนั้นขั้นตอนนี้เป็นอย่างไรเกี่ยวกับ

00:08.440 --> 00:22.450
ในขั้นตอนนี้เรากำลังเพิ่มโครงข่ายประสาทเทียมทั้งหมดลงในเครือข่ายประสาทเทียมของเราเพื่อทุกสิ่งที่เราทำมาจนถึงตอนนี้ซึ่งเป็นการรวมกลุ่มกันและการทำให้แบนราบ

00:22.510 --> 00:24.910
ตอนนี้เรากำลังเพิ่มสิ่งใหม่ทั้งหมด

00:24.930 --> 00:28.990
และที่ด้านหลังของความรุนแรงนั้น

00:28.990 --> 00:32.350
นั่นเป็นเพียงสิ่งที่เป็นสิ่งที่แน่นอน

00:32.590 --> 00:36.730
และที่นี่เรามีเลเยอร์อินพุทที่เรามีแผนเชื่อมต่ออย่างสมบูรณ์

00:36.740 --> 00:47.650
ฉันจะใส่ที่นั่นและโดยวิธี Lehre เชื่อมต่ออย่างเต็มที่ในเครือข่ายประสาทเทียมที่เราเคยเรียกพวกเขาเลเยอร์ที่ซ่อนอยู่และที่นี่เราเรียกพวกเขาเชื่อมต่ออย่างเต็มที่เพราะพวกเขาเป็นคู่ซ่อน

00:47.650 --> 00:57.510
ประเภทของซอที่มีการเชื่อมต่ออย่างสมบูรณ์ในเครือข่ายประสาทเทียมตัวอักษรที่ซ่อนอยู่ไม่จำเป็นต้องเชื่อมต่ออย่างสมบูรณ์

00:57.520 --> 01:02.230
ในขณะที่เครือข่ายประสาทเทียมเราจะใช้ตัวอักษรที่เชื่อมต่ออย่างเต็มที่และนั่นคือสาเหตุที่พวกเขามักเรียกว่า Lares

01:02.230 --> 01:05.640
ที่เชื่อมต่ออย่างสมบูรณ์

01:05.770 --> 01:18.160
และโดยทั่วไปแล้วคอลัมน์หรือเวกเตอร์ทั้งหมดของเอาท์พุทที่เรามีหลังจากการแบนเรากำลังส่งเข้าไปในอินพุตที่เรียนรู้ที่นี่

01:18.160 --> 01:28.960
และจุดประสงค์หลักของเครือข่ายประสาทเทียมคือการรวมคุณสมบัติของเราเข้ากับคุณลักษณะอื่น ๆ ที่คาดการณ์ได้ดีกว่าของ Klaas

01:28.960 --> 01:37.660
ดังนั้นเราอยู่ในเวกเตอร์ของผลลัพธ์ใน Flaten ของผลลัพธ์ที่แบนจากสิ่งที่เราทำจริง

01:37.660 --> 01:43.750
ๆ

01:43.750 --> 01:53.840
เรามีคุณสมบัติบางอย่างที่เข้ารหัสในตัวเลขในเวกเตอร์นั้นและพวกเขาสามารถทำได้ดีมาก กำลังดูว่ามันเป็นสุนัขหรือแมวหรือไม่ว่าจะเป็นเนื้องอกหรือไม่เป็นเนื้องอกและอื่น ๆ

01:53.890 --> 02:07.810
แต่ในขณะเดียวกันเราก็รู้ว่าเรามีโครงสร้างนี้เรียกว่าโครงข่ายใยประสาทเทียมซึ่งออกแบบมาซึ่งมีจุดประสงค์ในการจัดการกับคุณลักษณะและออกมาหรือจัดการกับคุณสมบัติและสร้างคุณสมบัติใหม่และรวมคุณสมบัติเข้าด้วยกันเพื่อทำนายสิ่งต่าง ๆ ได้ดียิ่งขึ้น

02:07.810 --> 02:20.360
ที่เราพยายามคาดการณ์และเรารู้ว่าจากส่วนก่อนหน้านี้ดังนั้นทำไมไม่ใช้ประโยชน์จากสิ่งนั้น

02:20.440 --> 02:22.750
และนั่นคือสิ่งที่แผนของที่นี่คือ

02:22.750 --> 02:30.350
ดังนั้นวิธีที่เราส่งค่าเหล่านั้นไปยังเครือข่ายประสาทเทียมและปล่อยให้มันเพิ่มประสิทธิภาพทุกอย่างที่เราทำ

02:30.640 --> 02:31.900
และนั่นคือสิ่งที่เรากำลังจะทำ

02:31.900 --> 02:36.390
แต่ลองดูตัวอย่างที่เหมือนจริงมากขึ้นเพราะอันนี้ค่อนข้างง่ายเกินไป

02:36.610 --> 02:55.510
ดังนั้นที่นี่เรามีโครงข่ายประสาทเทียมที่ดูดีกว่าที่เรามีคุณสมบัติห้าประการเกี่ยวกับอินพุตที่เรามีในครั้งแรกยกเว้นว่าเรามีเซลล์ประสาทหกเซลล์ในสองหรือในเครือข่ายที่เชื่อมต่ออย่างสมบูรณ์ที่สอง หนึ่งสำหรับสุนัขและหนึ่งสำหรับแมว

02:55.630 --> 03:02.240
และสิ่งสำคัญที่จะพูดถึงให้เราพูดถึงที่นี่คือทำไมเราถึงมีสองสิ่ง

03:02.240 --> 03:15.480
เราเคยชินกับการมีเอาต์พุตเพียงหนึ่งตัวในเครือข่ายประสาทเทียมของเราเอาท์พุทเดียวสำหรับคุณเมื่อคุณคาดการณ์ค่าตัวเลขเมื่อคุณพิมพ์เมื่อคุณกำลังพิมพ์ปัญหาการถดถอย

03:15.760 --> 03:22.840
แต่เมื่อคุณจัดหมวดหมู่คุณต้องเอาท์พุท Proclus ยกเว้นข้อยกเว้นคือเมื่อคุณมีเพียงสองกลุ่มเช่นเรามีสองคลาสที่นี่

03:22.840 --> 03:27.940
dog

03:27.970 --> 03:33.790
และ cat

03:33.790 --> 03:39.250
และเราสามารถทำได้เพียงหนึ่งเอาต์พุตและทำให้มันเป็นเอาต์พุตไบนารีและกล่าวว่า สุนัขและเลขศูนย์แมวและนั่นจะทำงานได้ดีโดยสิ้นเชิงและที่จริงแล้วคุณจะเห็นว่ามีอาหารกลางวันทำในแบบฝึกหัดที่ใช้งานได้จริงและนั่นคือวิธีที่พวกเขาจะได้รับการจัดโครงสร้าง

03:39.250 --> 03:58.320
แต่ในเวลาเดียวกันถ้าคุณมีมากกว่าสองหมวดหมู่เช่นสุนัขแมวและนกคุณจะต้องมีเซลล์ประสาทต่อทุกหมวดหมู่และนั่นคือสาเหตุที่เราจะฝึกสองหมวดในตัวอย่างนี้เพื่อให้เรารู้ว่าจะคาดหวังอะไร ถ้าเรามีมากกว่าสองประเภท

03:58.550 --> 04:00.010
แล้วจะเกิดอะไรขึ้นที่นี่

04:00.010 --> 04:05.260
ดังนั้นเราจึงได้ทำการวางรากฐานทั้งหมดที่เราได้ทำไปแล้วและเราได้ทำการรวบรวมและแบนและตอนนี้ข้อมูลกำลังจะผ่านโครงข่ายประสาทเทียมดังนั้นเรามาดูกันว่าสิ่งอื่น

04:05.620 --> 04:12.300
ๆ เกิดขึ้นได้อย่างไร

04:12.340 --> 04:18.460
มีข้อมูลที่ผ่านมาตั้งแต่เริ่มต้นจากช่วงเวลาที่ภาพถูกประมวลผลและชนิดที่ซับซ้อน convoluted

04:18.610 --> 04:23.920
แล้ว

04:23.920 --> 04:30.720
puled แบนแล้วผ่านเครือข่ายประสาทเทียมทั้งสี่ขั้นตอนและจากนั้นจะมีการทำนายและเราจะเห็นว่าสิ่งนี้เกิดขึ้น ช่วงเวลาที่น่าสนใจมาก

04:30.730 --> 04:32.920
แต่สำหรับตอนนี้สมมติว่ามีการคาดการณ์

04:32.920 --> 04:36.070
และเช่น 80 เปอร์เซ็นต์ที่เป็นสุนัข

04:36.070 --> 04:40.610
แต่มันกลับกลายเป็นแมวแล้วก็คำนวณหาข้อผิดพลาด

04:40.610 --> 04:40.990
A.

04:41.200 --> 04:47.720
สิ่งที่เราใช้เรียกค่าใช้จ่ายของ accosts

04:47.740 --> 04:51.460
ในเครือข่ายประสาทเทียมและเราใช้ค่าเฉลี่ยความคลาดเคลื่อนกำลังสองตรงนั้น

04:51.460 --> 04:57.630
มันเรียกว่าฟังก์ชั่นการสูญเสียและเราใช้ฟังก์ชั่นการข้ามเอนโทรปี

04:57.640 --> 04:59.870
และเราจะพูดถึงการข้ามเอนโทรปีและค่าคลาดเคลื่อนกำลังสอง

05:00.130 --> 05:02.820
ในบทช่วยสอนแยกต่างหากและสิ่งที่เกิดขึ้น

05:02.820 --> 05:13.560
แต่สำหรับความรู้ที่คุณบอกว่าเรามีฟังก์ชั่นที่หายไปซึ่งบอกเราว่าเครือข่ายของเราทำงานได้ดีเพียงใดและเราพยายามเพิ่มประสิทธิภาพให้เหมาะสมหรือลดฟังก์ชั่นนั้นเพื่อเพิ่มประสิทธิภาพเครือข่ายของเรา

05:13.750 --> 05:26.700
ดังนั้นข้อผิดพลาดจะถูกคำนวณและจากนั้นมันจะแพร่กระจายกลับผ่านเครือข่ายเช่นเดียวกับที่เรามีในเครือข่ายประสาทเทียมกลับแพร่กระจายและบางสิ่งถูกปรับในเครือข่ายเพื่อช่วยเพิ่มประสิทธิภาพการทำงานและสิ่งต่าง ๆ เครือข่ายประสาทเทียมเป็นส่วนหนึ่งของเส้นสีน้ำเงินที่คุณเห็นที่นี่

05:27.000 --> 05:34.910
Cynapsus

05:35.340 --> 05:46.140
จากนั้นอีกสิ่งหนึ่งที่ปรับเปลี่ยนได้คือตัวตรวจจับคุณสมบัติเพื่อให้เรารู้ว่าเรากำลังมองหาคุณสมบัติ แต่ถ้าเรากำลังมองหาคุณสมบัติที่ไม่ถูกต้อง

05:46.140 --> 05:53.860
จะเกิดอะไรขึ้นถ้าสิ่งนี้ไม่ได้ผลเพราะคุณสมบัติไม่ถูกต้องและเครื่องตรวจจับคุณสมบัติเหล่านั้นจะจำเมทริกซ์เล็ก ๆ ที่เรามี

05:54.250 --> 05:57.270
นั่นคือเมทริกซ์สามคูณสาม

05:57.270 --> 06:03.240
พวกเขาได้รับการปรับเพื่อที่ว่าในครั้งต่อไปมันจะดีขึ้นและเรามาดูกันว่าเกิดอะไรขึ้น

06:03.360 --> 06:03.860
ประเภทของสิ่งของ

06:03.870 --> 06:14.580
และแน่นอนว่ามันทำทั้งหมดด้วยวิทยาศาสตร์จำนวนมากในพื้นหลังของคณิตศาสตร์จำนวนมากและทั้งหมดนี้ทำผ่านการไล่ระดับสีไล่ระดับของการขยายพันธุ์ด้านหลัง

06:14.580 --> 06:20.880
ดังนั้นมันคือทั้งหมดที่มันไม่ได้เป็นเพียงแค่การก่อกวนแบบสุ่มซึ่งเป็นความคิดที่แท้จริงผ่านการทำ

06:21.210 --> 06:30.710
แต่อย่างไรก็ตามเครื่องตรวจจับคุณสมบัติได้รับการปรับน้ำหนักจะถูกปรับและกระบวนการทั้งหมดนี้จะเกิดขึ้นอีกครั้งและจากนั้นก็เกิดข้อผิดพลาดขึ้นอีกครั้ง

06:30.720 --> 06:32.610
และสิ่งนี้ยังคงดำเนินต่อไปเรื่อย ๆ

06:32.760 --> 06:37.950
และนั่นคือวิธีที่เครือข่ายของเราได้รับการปรับปรุงให้ดีที่สุดนั่นคือวิธีที่เครือข่ายของเราทำการฝึกอบรมกับข้อมูล

06:37.950 --> 06:44.410
สิ่งสำคัญที่นี่คือข้อมูลผ่านพื้นที่ทั้งหมดตั้งแต่เริ่มต้นจนสุด

06:44.430 --> 06:49.950
จากนั้นข้อผิดพลาดจะถูกเปรียบเทียบเพื่อให้ข้อผิดพลาดถูกคำนวณแล้วจึงแพร่กระจายกลับ

06:49.950 --> 06:58.320
เรื่องเดียวกันกับเครือข่ายประสาทเทียมเพียงเล็กน้อยอีกต่อไปเพราะทั้งหมดในสามขั้นตอนแรกที่เรามีอยู่แล้ว

06:59.040 --> 07:11.840
และตอนนี้เรามาดูส่วนที่น่าสนใจส่วนที่น่าสนใจจริงๆว่าสองคลาสเหล่านี้ทำงานอย่างไรหรือเซลล์ประสาทเอาท์พุททั้งสองทำงานอย่างไรเพราะก่อนที่เราจะมีเซลล์ประสาทขาออกหนึ่งอันเกิดขึ้นเมื่อเรามีสองเซลล์เสมอ

07:11.840 --> 07:17.490
สถานการณ์การจัดหมวดหมู่หรือภาพเป็นอย่างไร

07:17.670 --> 07:21.610
เรามาเริ่มด้วยเซลล์ประสาทอันดับต้นก่อนเริ่มต้นด้วยสุนัข

07:22.080 --> 07:38.910
เรามีจุดประสงค์หลักอย่างไรสิ่งที่เราต้องทำอันดับแรกคือเราต้องเข้าใจว่าน้ำหนักใดที่จะมอบให้กับทุกพยางค์ที่เชื่อมต่อกับสุนัขเพื่อที่เราจะได้รู้ว่าเซลล์ประสาทก่อนหน้านี้มีความสำคัญต่อสุนัขอย่างไร ที่ทำ

07:38.910 --> 07:46.460
สมมุติว่าเรามีตัวเลขเหล่านี้ในเลเยอร์ก่อนหน้าของเราที่เชื่อมต่อกันอย่างสมบูรณ์

07:46.500 --> 07:47.980
ในชั้นสุดท้ายเชื่อมต่ออย่างเต็มที่

07:48.120 --> 07:51.010
และอีกครั้งตัวเลขเหล่านี้สามารถเป็นอะไรก็ได้อย่างแน่นอน

07:51.030 --> 07:56.490
พวกเขาไม่จำเป็นต้องเป็นตัวเลขใด ๆ แต่เพื่อเหตุผลในการโต้แย้งเราจะเห็นด้วยว่าเรากำลังดูตัวเลขโดยเฉพาะระหว่าง 0

07:56.490 --> 08:01.890
ถึง 1

08:02.280 --> 08:25.470
ดังนั้นจึงง่ายสำหรับเราที่จะโต้แย้งสิ่งเหล่านี้และเข้าใจและหนึ่งในนั้นหมายความว่าเซลล์ประสาทมีความมั่นใจมากที่พบว่าคุณสมบัตินี้และศูนย์กำลังจะหมายความว่าเซลล์ประสาทไม่พบคุณสมบัติที่กำลังมองหาเพราะท้ายที่สุด วันที่เซลล์ประสาทเหล่านี้ชอบอะไรอย่างอื่นจากทางด้านซ้ายนี้ก็แค่มองดูที่ภาพ

08:25.470 --> 08:27.490
นี่เป็นกระบวนการที่ดีมากอยู่แล้ว

08:27.510 --> 08:34.590
แต่ก็ยังตรวจจับคุณสมบัติบางอย่างหรือการรวมกันของคุณสมบัติในภาพก่อนที่เราจะสามารถพัฒนาขั้นตอน

08:34.590 --> 08:40.850
เรามีคุณสมบัติที่เป็นที่รู้จักในกลุ่มสระว่ายน้ำพวกมันเป็นที่รู้จักน้อยกว่าเมื่อเทียบกับภาพที่แบนราบ

08:40.850 --> 08:42.550
จากนั้นพวกเขาก็จะรวมกันและอื่น ๆ

08:42.570 --> 08:48.720
แต่ถึงกระนั้นเรากำลังพูดถึงที่นี่คุณสมบัติบางอย่างที่เป็นภาพปัจจุบันหรือการรวมกันของพวกเขา

08:48.720 --> 08:57.020
ดังนั้นสิ่งหนึ่งที่ผ่านไปแล้วและนี่เป็นสิ่งสำคัญที่ถูกส่งผ่านไปยังสุนัขและแมวในเวลาเดียวกันกับทั้งเซลล์ประสาทขาออก

08:57.150 --> 09:15.170
ดังนั้นหนึ่งหมายความว่าสำหรับเราสำหรับการโต้แย้งของเรามันหมายความว่าเซลล์ประสาทนี้มีการยิงมันมันตรวจจับได้อย่างรวดเร็วว่าคุณลักษณะที่คุณรู้ว่าอาจเป็นคิ้วมันอาจจะตรวจจับคิ้วนี้อีกครั้งเพื่อความง่ายในการตรวจสอบคิ้วนี้

09:15.270 --> 09:20.310
และสื่อสารกับสุนัขว่าวิ่งไปที่เซลล์ประสาทแมวบอกว่าฉันเห็นคิ้วของฉันฉันเห็นคิ้วของฉัน

09:20.310 --> 09:25.240
และจากนั้นก็ขึ้นอยู่กับสุนัขและเซลล์ประสาทของแมวที่จะเข้าใจสิ่งที่มีความหมายสำหรับพวกเขา

09:25.290 --> 09:25.860
ขวา.

09:25.890 --> 09:36.120
ดังนั้นในกรณีนี้ซึ่งเซลล์ประสาทกำลังยิงเซลล์ประสาททั้งสามนี้ขึ้นคิ้วและบอกว่าจมูกกำลังพูดว่าฉันเห็นได้ฉันเห็นจมูกใหญ่และเห็นหูฟลอปปี้

09:36.270 --> 09:40.540
ดังนั้นมันและมันก็บอกว่าเพื่อสุนัขและแมวแล้วสิ่งที่สุนัข

09:40.560 --> 09:43.390
แล้วสิ่งที่เกิดขึ้นคือเรารู้ว่านี่คือสุนัข

09:43.440 --> 09:49.920
ดังนั้นเซลล์ประสาทของสุนัขจึงรู้ว่าคำตอบคือจริง ๆ

09:49.920 --> 09:53.640
แล้วมันเป็นสุนัขเพราะในตอนท้ายเราเปรียบเทียบกับรูปภาพหรือฉลากบนรูปภาพและเมื่อสุนัขตัวอื่น

09:53.640 --> 09:56.310
ดังนั้นเซลล์ประสาทของสุนัขจึงพูดว่า Aha

09:56.310 --> 09:58.820
ดังนั้นฉันควรจะถูกเรียกในกรณีนี้

09:58.830 --> 10:09.000
ดังนั้นนี่คือเซลล์ประสาทที่พวกเขากำลังบอกสัญญาณนี้ว่าพวกเขากำลังส่งให้ฉันกับสุนัขและแมวก็เป็นตัวบ่งชี้สำหรับฉันว่ามันคือสุนัข

10:09.020 --> 10:19.580
และในการทำสิ่งนี้เกิดขึ้นหลายครั้งหลายครั้งหลายครั้งที่สุนัขจะได้เรียนรู้ว่าเซลล์ประสาทเหล่านี้เกิดการลุกไหม้เมื่อคุณสมบัติของสุนัข

10:19.670 --> 10:28.210
ในทางกลับกันเซลล์ประสาทของแมวจะรู้ว่าไม่ใช่แมวและจะรู้ว่าคุณลักษณะนี้เริ่มต้นขึ้นและเซลล์ประสาทนี้กำลังบอกฉันว่าจะเห็นหูฟลอปปี้

10:28.370 --> 10:31.040
แต่ในเวลาเดียวกันมันไม่ใช่แมว

10:31.040 --> 10:41.960
โดยพื้นฐานแล้วสำหรับฉันนั่นเป็นสัญญาณที่ฉันควรละเว้นเซลล์ประสาทนี้และยิ่งเกิดขึ้นยิ่งเซลล์ประสาทแมวมากขึ้นจะละเว้นเซลล์ประสาทนี้เกี่ยวกับหูฟลอปปี้

10:42.440 --> 10:49.100
และโดยทั่วไปนั่นคือวิธีการทำซ้ำหลาย ๆ ครั้งหากสิ่งนี้เกิดขึ้นบ่อยครั้ง

10:49.100 --> 10:54.170
นี่เป็นเพียงตัวอย่างเดียว แต่ถ้าสิ่งนี้เกิดขึ้นบ่อยครั้งอาจเป็น 0 8 0

10:54.170 --> 11:02.090
9 บางครั้งมันอาจจะไม่ยิง

11:02.090 --> 11:05.920
แต่โดยรวมแล้วเซลล์ประสาทนี้ส่องสว่างบ่อยครั้งเมื่อเป็นสุนัขเซลล์ประสาทของสุนัขจะเริ่มมีความสำคัญมากขึ้นกับเซลล์ประสาทนี้

11:05.930 --> 11:06.590
เราไปกันที่นั่น

11:06.590 --> 11:08.430
นั่นคือวิธีที่เราจะสื่อถึงมัน

11:08.450 --> 11:14.570
เราจะบอกว่าเซลล์ประสาททั้งสามนี้ผ่านกระบวนการวนซ้ำกับฉันกับตัวอย่างจำนวนมากมากมายและจำได้มากมายดังนั้นตัวอย่างคือแถวในชุดข้อมูลของคุณและ

11:14.570 --> 11:25.150
Apoc คือเมื่อคุณผ่านชุดข้อมูลทั้งหมดซ้ำแล้วซ้ำอีก และอีกครั้งมีการทำซ้ำจำนวนมาก

11:25.220 --> 11:44.350
เซลล์ประสาทสุนัขตัวนี้ได้เรียนรู้ว่าเซลล์ประสาทคิ้วนี้และเซลล์ประสาทจมูกใหญ่และเซลล์ประสาทหูฟลอปปี้นี้พวกเขาดูเหมือนจะมีส่วนช่วยในการจำแนกสิ่งที่มันกำลังมองหาและเป็นสุนัขอย่างแท้จริง

11:44.480 --> 11:45.730
นั่นคือวิธีการทำงาน

11:45.740 --> 12:09.020
และอีกครั้งที่หูและจมูกและคิ้วเหล่านี้มีความใกล้เคียงหรือเป็นตัวอย่างที่ดึงมาได้ไกลมากเพราะจากขั้นตอนนี้ในโครงข่ายประสาทเทียมแบบดั้งเดิมทั้งหมดนี้มันไม่สามารถจดจำสิ่งที่พวกเขามองหา คุณสมบัติของสุนัขหรือแมวหรืออะไรก็ตามที่คุณจำแนกมัน

12:09.410 --> 12:11.130
ถ้าอย่างนั้นเรามาดูต่อไป

12:11.150 --> 12:17.900
ตอนนี้เรากำลังจะดูเซลล์ประสาทแมว แต่สิ่งเหล่านี้เราจะจำไว้ว่าน้ำหนักเหล่านี้คุณรู้หรือไม่ว่าเราแยกแยะสุนัขได้อย่างไร

12:17.900 --> 12:22.970
ดังนั้นสุนัขจึงค่อนข้างจะเพิกเฉยต่อเซลล์ประสาทอื่น ๆ เหล่านี้ทั้งหมดหนึ่งสองสามสี่หรือห้า

12:22.970 --> 12:26.510
แต่จริงๆแล้วมันให้ความสนใจกับสิ่งที่เซลล์ประสาททั้งสามพูด

12:26.570 --> 12:28.330
ตอนนี้แมวกำลังฟังอะไรอยู่

12:28.490 --> 12:30.830
เมื่อไรก็ตามที่มันเป็นแมว

12:30.970 --> 12:32.530
ขวา.

12:32.710 --> 12:35.600
นี่คือตัวอย่างของสถานการณ์เมื่อเป็นจริงแมว

12:35.600 --> 12:44.590
คุณจะเห็นว่านี่เป็นเซลล์ประสาทสามตัว 0 9 0 9 และคนที่พวกเขากำลังพูดบางสิ่งบางอย่างพวกเขากำลังพูดอะไรบางอย่างกับทั้งสุนัขและแมว

12:44.600 --> 12:49.510
และนี่คือสิ่งสำคัญที่ต้องจำไว้อีกครั้งเพื่อให้สัญญาณเอาต์พุตนี้เป็นไปในแบบเดียวกัน

12:49.520 --> 13:00.220
มันกำลังพูดถึงสุนัขตัวหนึ่งพูดกับแมว แต่ก็ขึ้นอยู่กับสุนัขกับแมวที่จะตัดสินใจว่าจะคำนึงถึงสัญญาณนั้นและเรียนรู้จากมันหรือไม่

13:00.500 --> 13:10.030
และทั้งสุนัขและแมวก็สามารถเห็นได้ว่านี่คือรูปที่ฉันควรใส่รูปแมวที่นี่ แต่โดยทั่วไปแล้วจินตนาการถึงรูปถ่ายของแมวทั้งสุนัขและแมวสามารถเห็นได้ว่านี่เป็นแมวจริงๆ

13:10.190 --> 13:20.150
ดังนั้นโดยทั่วไปแล้วสุนัขก็เป็นเหมือนตกลงดังนั้นหนวดเหล่านี้และหูสามเหลี่ยมแหลมเหล่านี้และขนาดเล็กนี้ใช่หรือหรือบางทีคุณอาจรู้ว่าแมวมีสิ่งเหล่านี้ในสายตาของพวกเขาดวงตาของพวกเขาเหมือนเล็ก ๆ น้อย

13:20.420 --> 13:28.250
ๆ พวกเขาไม่ใช่วงกลม

13:28.310 --> 13:33.350
ดวงตาของแมว

13:33.350 --> 13:37.460
โดยพื้นฐานแล้วดวงตาแมวเหล่านี้พวกเขาไม่ได้ทำงานให้ฉันอย่างแน่นอน

13:37.460 --> 13:44.240
พวกเขาไม่ได้ช่วยฉันฉันจะทำนายเพราะทุกครั้งที่เซลล์ประสาทเหล่านี้ส่องสว่างคำทำนายไม่ใช่สิ่งที่ฉันกำลังมองหา

13:44.240 --> 13:46.910
ในทางกลับกันแมวก็เหมือนอืมมันน่าสนใจ

13:46.910 --> 13:51.620
ทุกครั้งที่สิ่งเหล่านี้สว่างขึ้นมันก็จะใช้เวลาส่วนใหญ่มากขึ้น

13:51.620 --> 13:55.310
มันตรงกับความคาดหวังของฉันมันตรงกับสิ่งที่ฉันกำลังมองหา

13:55.310 --> 13:55.630
ตกลง.

13:55.640 --> 13:58.050
ฉันจะฟังผู้ชายคนนี้มากกว่าคนนี้

13:58.160 --> 14:02.710
สิ่งนี้สิ่งเดียวกันทุกครั้งที่มันสว่างขึ้นหรือเกือบทุกครั้งที่มันสว่างขึ้น

14:02.810 --> 14:09.100
ฉันบังเอิญได้รับสิ่งดีๆฉันได้รับรางวัลจากการทำนายเพราะฉันทำให้ถูกต้อง

14:09.110 --> 14:09.760
มันเป็นแมว

14:09.770 --> 14:10.080
ตกลง.

14:10.130 --> 14:11.440
ฉันจะฟังเขามากกว่านี้

14:11.450 --> 14:21.040
คุณรู้ว่าสิ่งนี้ไร้ประโยชน์กับฉันเพราะเขาไม่ใช่คนจริงคุณรู้ว่าเขาไม่ได้ส่องแสงมันเป็นแมว แต่เขาก็ไม่สว่างขึ้นดังนั้นสิ่งที่ตรงกันข้ามจะเกิดขึ้น

14:21.050 --> 14:24.410
และอันนี้มันเป็น cad แต่เขาไม่ยอมแพ้ดังนั้นฉันจะไม่ฟังเขา

14:24.410 --> 14:31.850
แต่อันนี้เมื่อเขาไปสิ่งนี้คือสิ่งที่ดวงตาดวงตาของแมวสว่างขึ้นเราสามารถเห็นฉันสามารถเห็นได้ว่ามันเป็นแมว

14:31.850 --> 14:38.750
มันตรงกับเวลาส่วนใหญ่ดังนั้นฉันจะได้เรียนรู้จากสิ่งนั้นและฉันจะฟังคนสามคนนี้บ่อยกว่าไม่

14:38.750 --> 14:58.460
โดยทั่วไปแล้วแมวกำลังฟังสามตัวนี้และไม่สนใจอีกห้าและนั่นคือวิธีที่เซลล์ประสาทสุดท้ายเหล่านี้เรียนรู้ว่าเซลล์ใดในเซลล์สุดท้ายที่เชื่อมต่ออย่างสมบูรณ์ Lehre เพื่อฟังเซลล์ประสาทเอาท์พุท

14:58.670 --> 15:00.030
มีเซลล์ประสาทที่จะรับฟัง

15:00.180 --> 15:02.530
และนั่นคือวิธีที่พวกเขาเข้าใจ

15:02.790 --> 15:08.930
โดยทั่วไปนั่นคือวิธีการเผยแพร่คุณสมบัติผ่านเครือข่ายและถ่ายทอดไปยังเอาท์พุท

15:08.970 --> 15:14.900
และถึงแม้ว่าคุณสมบัติเหล่านี้ของหลักสูตรจะไม่มีความหมายมากนักเช่นฟลอปปี้หูหรือเครา

15:15.210 --> 15:41.000
ในขณะเดียวกันพวกเขาก็มีความโดดเด่นพวกมันเป็นคุณสมบัติที่โดดเด่นของคลาสที่เฉพาะเจาะจงและนั่นคือวิธีที่เครือข่ายได้รับการฝึกฝนเพราะเรายังจำได้ในระหว่างกระบวนการแพร่กระจายด้านหลังเรายังปรับตัวตรวจจับคุณลักษณะ มันกำลังจะถูกเพิกเฉยเพราะมันไม่ได้เกิดขึ้นกับเรื่องราวหนึ่งหรือสองเรื่องที่เกิดขึ้นผ่านการวนซ้ำนับพัน

15:41.040 --> 16:01.320
ดังนั้นเมื่อเวลาผ่านไปคุณลักษณะที่ไร้ประโยชน์ต่อเครือข่ายจะถูกเพิกเฉยและแทนที่ด้วยคุณสมบัติจะมีประโยชน์ดังนั้นเมื่อสิ้นวันในชั้นสุดท้ายของเซลล์ประสาทคุณมีแนวโน้มที่จะมีคุณสมบัติหรือชุดของคุณลักษณะจาก รูปภาพที่เป็นตัวแทนหรือสื่อความหมายของสุนัขและแมว

16:01.710 --> 16:06.660
ดังนั้นเมื่อเครือข่ายของคุณได้รับการฝึกอบรมแล้วเราจึงนำวิธีการนี้ไปใช้

16:06.660 --> 16:09.340
ดังนั้นนี่คือขั้นตอนต่อไปเหมือนกับที่เราได้ฝึกอบรมเครือข่ายของเราสิ่งนี้จะเกิดขึ้น

16:09.350 --> 16:13.020
มาดูกันว่าจะเกิดอะไรขึ้นเมื่อมีการใช้เครือข่ายนี้

16:13.020 --> 16:15.660
สมมุติว่าเราส่งต่อภาพสุนัข

16:16.410 --> 16:20.340
ค่าถูกเผยแพร่ผ่านเครือข่ายที่เราได้รับค่าบางอย่าง

16:20.610 --> 16:28.470
ดังนั้นเวลานี้สุนัขและแมวก็ไม่รู้ว่าพวกมันไม่มีภาพของสุนัขที่นี่พวกเขาไม่รู้ว่ามันเป็นสุนัขหรือแมว

16:28.470 --> 16:35.380
พวกเขาไม่รู้ว่ามันคืออะไร แต่พวกเขาได้เรียนรู้ที่จะฟังสิ่งที่แสดงอยู่ที่นี่

16:35.380 --> 16:35.660
ขวา.

16:35.670 --> 16:40.910
พวกเขาเรียนรู้ที่จะฟังสุนัขและฟังเซลล์ประสาททั้งสามนี้เซลล์ประสาทแมวจะรับฟังทั้งสามเซลล์

16:40.950 --> 16:44.850
ดังนั้นเซลล์ประสาทของสุนัขจึงมองดูหนึ่งสองสามและบอกว่า aha เหล่านี้ค่อนข้างสูง

16:44.940 --> 16:53.670
ความน่าจะเป็นของฉันจะสูงมากนั่นคือสุนัขเซลล์ประสาทของแมวจะมองไปที่สามตัวนี้และบอกว่าตกลงนี่อันนี้ค่อนข้างสูง แต่มันค่อนข้างต่ำ

16:53.670 --> 16:54.320
น่าสนใจ

16:54.320 --> 16:56.990
ความน่าจะเป็นของฉันจะเท่ากับ 0 05

16:57.130 --> 16:58.950
และจากนั้นและนั่นคือ

16:58.980 --> 17:00.110
และนั่นคือสิ่งที่คุณได้รับการทำนายของคุณ

17:00.120 --> 17:04.490
ดังนั้นตัวเลือกแรกของคุณสำหรับเครือข่ายประสาทเทียมนี้คือสุนัข

17:04.500 --> 17:06.900
ตัวเลือกที่สองคือแมวและนั่นก็สวยมาก

17:06.900 --> 17:11.690
ดังนั้นคำตอบคือสุนัขและสิ่งเดียวกันจะเกิดขึ้นเมื่อคุณส่งภาพแมว

17:11.910 --> 17:16.580
คุณจะได้รับค่าใหม่และคุณจะเห็นว่าแม้ว่าค่านี้จะสูงก็ตาม

17:16.770 --> 17:20.560
และสำหรับแมวนี่สูงแล้วสูงและต่ำหน่อย

17:20.670 --> 17:26.810
ดังนั้นความน่าจะเป็นที่นี่อาจจะไม่มากเท่าก่อนหน้านี้ แต่คุณยังคงเห็นได้ว่ามันเป็นแมว 79 เปอร์เซ็นต์

17:26.940 --> 17:30.230
ดังนั้นเครือข่ายประสาทจะลงคะแนนว่าเป็นแมว

17:30.270 --> 17:33.240
ดังนั้นโดยพื้นฐานแล้วโครงข่ายประสาททั้งหมดจะสรุปว่าเป็นแมว

17:33.330 --> 17:41.510
การลงคะแนนเป็นคำที่ใช้สำหรับคนเหล่านี้ดังนั้นเซลล์ประสาทเหล่านี้ใน Lehre ที่เชื่อมต่อเต็มที่สุดท้ายพวกเขาได้รับการโหวต

17:41.520 --> 17:42.810
และนี่คือคะแนนเสียงของพวกเขา

17:42.870 --> 17:47.160
และอีกครั้งเราเป็นเพียงแค่การหาค่าของการโต้แย้งระหว่าง 0 ถึง 1 ที่นี่

17:47.160 --> 17:54.480
สิ่งเหล่านี้อาจมีค่าใด ๆ แต่พวกเขาได้รับการโหวตแล้วน้ำหนักเหล่านี้คือความสำคัญของการลงคะแนนของพวกเขา

17:54.480 --> 18:00.540
นี่คือน้ำหนักสีม่วงเหล่านี้คือวิธีที่เซลล์ประสาทสุนัขมองคะแนนเสียงของพวกเขา

18:00.540 --> 18:04.820
มันมีความสำคัญมากแค่ไหนที่กำหนดให้เซลล์ประสาทเหล่านี้และคะแนนเหล่านั้น

18:04.830 --> 18:18.840
และนี่คือความสำคัญของเซลล์ประสาทของแมวที่มีขนาดใหญ่กว่าสำหรับการโหวตเหล่านี้คะแนนของเซลล์ประสาทเหล่านี้และดังนั้นเซลล์ประสาทเหล่านี้จึงโหวตสุนัขและแมวจากการเรียนรู้น้ำหนักที่พวกเขาตัดสินใจว่าจะฟังใครจากนั้นก็ทำการคาดคะเน

18:18.840 --> 18:40.080
เครือข่ายนิวรัลสรุปว่านี่คือกรณีนี้แมวแล้วนั่นคือจากนั้นก็คือข้อสรุปของคุณและนั่นคือวิธีที่คุณได้ภาพเช่นนี้ที่คุณมีเสือชีตาห์แล้วคุณมีกรงเล็บเสือชีตาห์ที่คุณรู้ว่ามีโอกาสสูงมาก คุณรู้ว่าความน่าจะเป็นที่เครือข่ายคาดการณ์ไว้

18:40.080 --> 18:44.430
และสิ่งเหล่านี้เป็นกฎหมาย

18:44.430 --> 18:50.580
แต่สิ่งเหล่านี้ยังคงมีอยู่เพราะพวกเขายังคงมีโอกาสเล็กน้อยที่เซลล์ประสาทอื่น ๆ ก็กำลังฟังผู้ออกเสียงลงคะแนนของพวกเขาและพวกเขากำลังพูดว่าโอ้บางทีมันอาจจะเป็นเสือดาวและรถไฟหัวกระสุน

18:50.580 --> 18:51.400
น่าจะเป็นไปได้มาก

18:51.400 --> 18:52.470
ฉันได้ยินเสียงกรรไกร

18:52.470 --> 19:07.070
คุณรู้ว่าอันนี้ แต่มือแก้วเป็นวินาทีที่ใกล้มากและในหูฟังห้าเพนซ์เพราะคุณอาจเห็นว่าเจ้านี่นี่เป็นเซลล์ประสาทที่ใช้กรรไกรตัดเซลล์ประสาทเซลล์ซีรีย์เอาท์พุทได้รับการโหวตจากผู้มีอำนาจเหนือกว่า

19:07.080 --> 19:10.190
แต่มือแก้วก็ให้ผลลัพธ์ที่ดีเช่นกัน

19:10.200 --> 19:16.450
ดังนั้นเราไปที่นั่นเป็นวิธีการเชื่อมต่อแบบเต็มทำงานและนี่คือทั้งหมดนี้เล่นด้วยกัน

19:16.680 --> 19:18.810
ฉันหวังว่าคุณจะสนุกกับการกวดวิชาในวันนี้

19:18.810 --> 19:21.320
เราจะสรุปทั้งหมดนี้ในการสรุปเช่นกัน

19:21.420 --> 19:22.860
และฉันจะพบคุณในครั้งต่อไป

19:22.860 --> 19:24.720
จนกว่าจะสนุกกับการเรียนรู้ลึก