WEBVTT 00:00.390 --> 00:03.060 Ciao e bentornati al corso di deep learning. 00:03.120 --> 00:06.010 Quindi abbiamo imparato molto in questa sezione del corso. 00:06.030 --> 00:08.390 Riassumiamo ciò di cui abbiamo parlato. 00:08.580 --> 00:09.920 Va bene, eccoci qui. 00:10.110 --> 00:16.230 Abbiamo iniziato con un'immagine di input a cui abbiamo applicato più rivelatori di caratteristiche diverse o chiamati 00:16.230 --> 00:19.100 anche filtri per creare queste mappe di funzioni. 00:19.140 --> 00:21.530 E questo comprende la nostra tana convoluzionale. 00:21.630 --> 00:28.910 applicato il reglue o l'unità lineare rettificata per rimuovere ogni chiarezza o aumentare la non-linearità nelle nostre immagini. 00:28.980 --> 00:32.050 Quindi, sopra a quella cruciale Lehre, abbiamo 00:32.060 --> 00:36.970 Quindi abbiamo applicato una tana di raggruppamento alla nostra tana convoluzionale. 00:36.990 --> 00:44.910 Quindi, da ogni singola mappa delle caratteristiche, abbiamo creato una mappa delle funzionalità e in pratica il tiro Lehre ha 00:44.910 --> 00:45.840 molti vantaggi. 00:45.840 --> 00:54.150 Lo scopo principale del Lair di tiro è assicurarsi di avere uno speciale invariante spaziale nelle nostre 00:54.330 --> 00:54.690 immagini. 00:54.690 --> 01:01.890 Quindi, in pratica, se qualcosa si inclina o si attorciglia o è un po 'diverso dallo scenario ideale, allora possiamo 01:01.890 --> 01:07.210 ancora cogliere quella caratteristica e tirare in modo significativo riduce la dimensione delle nostre immagini. 01:07.260 --> 01:15.360 Inoltre, il pooling aiuta ad evitare qualsiasi tipo di sovradattamento dei nostri dati o del modello generale ai dati perché semplicemente 01:15.360 --> 01:18.220 si libera di molti di quei dati. 01:18.450 --> 01:24.300 Ma allo stesso tempo, il pooling conserva le funzionalità principali che stiamo cercando solo perché il modo in cui sono state utilizzate le 01:24.330 --> 01:26.720 istruzioni e il pool è stato il pooling massimo. 01:26.970 --> 01:35.760 Quindi abbiamo appiattito tutte le immagini raggruppate in un lungo vettore o colonna di tutti questi valori e l'abbiamo inserita in 01:35.760 --> 01:40.140 una rete neurale artificiale e questo è stato un appiattimento graduale. 01:40.140 --> 01:46.770 quindi abbiamo questo ultimo livello completamente connesso Lehre finale che esegue il voto verso le classi che 01:46.920 --> 01:53.700 seguiamo e poi tutto questo è addestrato attraverso una propagazione in avanti e un processo di propagazione posteriore. 01:53.910 --> 02:00.630 E la Fase 4 è una rete neurale artificiale completamente connessa in cui tutte queste caratteristiche sono 02:00.720 --> 02:02.550 elaborate attraverso una rete e 02:02.580 --> 02:09.730 Molte iterazioni e ai parchi e alla fine abbiamo una rete neurale ben definita. 02:09.920 --> 02:10.470 E. 02:10.730 --> 02:14.850 Un'altra cosa importante è che non solo i pesi sono addestrati nella parte del 02:15.180 --> 02:22.590 lavoro dei neuroni artificiali, ma anche i rilevatori di caratteristiche sono addestrati e regolati nello stesso processo decente degli ingredienti e che ci permettono di elaborare 02:22.590 --> 02:23.930 le migliori mappe di caratteristiche. 02:23.940 --> 02:31.110 alla fine otteniamo una rete neurale convoluzionale completamente addestrata in grado di riconoscere le immagini e classificarle. 02:31.110 --> 02:31.700 E 02:31.770 --> 02:32.360 Quindi eccoci. 02:32.370 --> 02:35.480 È così che funzionano le reti neuronali convoluzionali. 02:35.730 --> 02:42.220 E ora dovresti essere totalmente a tuo agio con questo concetto e pronto a passare alle applicazioni pratiche. 02:42.330 --> 02:51.370 Se desideri fare qualche lettura aggiuntiva, c'è un grande blog di L. D. per sciogliere dal 2016. 02:51.450 --> 02:53.400 Puoi vedere il link lassù in fondo. 02:53.400 --> 02:58.360 Quindi il blog si chiama The Nine deep learning papers che devi sapere sulla comprensione della terza 02:58.440 --> 02:59.180 parte della CNN. 02:59.310 --> 03:04.860 E questo blog ti offre in effetti una breve panoramica di nove diverse CNN 03:04.860 --> 03:10.590 create da persone come te, licken e altri che puoi quindi proseguire e studiare ulteriormente. 03:10.590 --> 03:18.000 Quindi ci saranno un sacco di novità che saranno totalmente nuove per te e che dovrai capire, ma tieni a mente 03:18.000 --> 03:23.880 questo blog sono questi nove documenti in mente e anche se non sei pronto per passare 03:23.880 --> 03:29.220 adesso forse dopo i tutorial pratici forse dopo aver fatto un po 'di formazione aggiuntiva 03:29.490 --> 03:36.180 nello spazio dell'apprendimento profondo, puoi quindi fare riferimento a questi lavori e idealmente penso che otterrai molto valore attraverso 03:36.180 --> 03:41.360 la ricerca attraverso le reti neurali di altre persone e come hanno strutturato . 03:41.550 --> 03:46.620 architettura delle reti neurali perché le reti neurali e le reti neurali convoluzionali non fanno eccezione. 03:46.620 --> 03:51.870 Possono esserci reti illusorie e questo ti aiuterà a capire quali sono le migliori pratiche e 03:51.870 --> 03:57.900 perché le persone hanno fatto certe cose in un certo modo e questo ti aiuterà con la tua 03:58.020 --> 04:05.670 Sono come una sfida di architettura, devi escogitare un'idea e poi strutturarla, quindi modificarla e modificarla 04:05.670 --> 04:11.780 per ottenere il miglior design possibile e le migliori prestazioni possibili e ottimali. 04:11.790 --> 04:12.490 Quindi eccoci. 04:12.510 --> 04:13.430 Siamo noi per oggi. 04:13.420 --> 04:17.720 Spero vi sia piaciuto il tutorial di oggi e tutta questa sezione e non vedo l'ora di vederti la prossima volta. 04:17.730 --> 04:19.440 Fino ad allora godere di un apprendimento profondo.