[Musica]
il mio nome è Julia, in realtà sono quasi
tre anni e il mio argomento oggi è il CD
bruciando $ 40 volevo chiamarlo in profondità
correre per gli umani perché è davvero
bruciare per persone normali è davvero mio
punto oggi è quello di mostrarti che se
puoi leggere e scrivere 50 righe di
Python per venire a Giovanni va bene e io
voglio davvero mostrarti come è facile
in realtà è per capire le basi
i concetti di deep running e poi a
in realtà scrivere il codice minimo il minimo
processi che sono necessari per utilizzare in profondità
i tuoi occhi inizierò con un
questa è l’introduzione all’apprendimento profondo
giusto questo è un po ‘
teorico Cerco di rendere il più semplice come
possibile con il più possibile ma ok
Ti mostrerò che chiunque può farlo
così tutti abbiamo sentito parlare di normale
livelli okay e questa è la tecnologia
quel profondo perone si basa sulla macchina
l’apprendimento in generale si basa principalmente su
statistiche possiamo usare una combinazione di
apprendimento profondo che è un sottoinsieme di
i macchinari utilizzano solo reti neurali
così e quello che stiamo cercando di fare qui è
stiamo cercando di approssimare la biologia
del cervello va bene così se c’è
abbastanza immolato è il fuoco e se
non sono stimolati abbastanza da non farlo
fuoco puoi vedere che anche questi minatori
troppo rigido abbastanza per metterla sul fuoco, ma
comunque è quello che stiamo cercando di costruire
ecco perché un nuovo problema è davvero un
la raccolta di input va bene per segnalarlo
dovrebbe mettere è associato a peso e
la prima cosa che faremo è
Prendete sostanzialmente ogni input moltiplicato per
ogni peso e somma tutto ciò che chiamiamo
questa direzione x e quegli input in
quelle strade sono solo in virgola mobile
valori e sono solo informazioni
ci sono campioni che forniamo così è
il moltiplicarsi in esso e davvero
questo è l’apprendimento profondo
moltiplicando e aggiungendo roba così l’HTTP
il problema ovviamente è che questa funzione
ecco una funzione lineare pronta per
cambia gli input gli assi e il
risultato di carry
e non è quello che vogliamo perché
ricorda che abbiamo detto che il biologico
il neurone spara c’è un limite c’è a
soglia che dice che va bene al di sotto di questo
soglia non succede nulla dopo questo
soglia succede qualcosa che è un
solo così abbiamo bisogno di aggiungere una funzione extra
dopo che il moltiplicatore si è accumulato
attivazioni di operazione e il è a
buona memoria perché questo decide se
il nuovo si muoverà a spirale nel tempo
numero di funzioni utilizzate
popolare in questi giorni o davvero è possibile
vedere è una funzione molto semplice se loro
input se valuti bene se loro
l’input per la funzione di attivazione è
negativo potrebbe essere davvero
negativo quindi l’ output del
la funzione di attivazione è 0 quindi il neurone
non va bene se io do il
l’input per la funzione di attivazione è
positivo allora produciamo quel valore
di per sé va bene e potrebbe essere molto molto
la conoscenza va bene così questo è praticamente
il comportamento che vogliamo è giusto se il neurone
è stimolato abbastanza da ottenere un risultato
essere un output veramente grande se il
la stimolazione è molto molto lenta e se il
il nuovo non è abbastanza stupido
succede questo è il motivo per cui siamo noi
introdurre quel comportamento non lineare così a
il nucleo delle reti neurali è questo che cosa
sarà successo che lo prenda
x scoppi
a qualsiasi cosa e corri quel risultato
eiaculazione quindi una nuova esecuzione di Excel
non fa molto odore davvero interessante
dobbiamo metterli insieme per costruire
reti quindi questo è probabilmente il
rete povera più semplice nell’edificio così
abbiamo bisogno di prepararci dove spingeremo il nostro
campioni e ora a là dove vogliamo
leggi alcuni risultati e nel mezzo a
almeno uno strato che chiamiamo interno
strato e in questo caso lo chiamiamo a
completamente connesso lì come vedi ogni nuovo
uno è completamente connesso a tutti gli ingressi
completamente collegato alla nostra piscina e nel caso
ti chiedi perché queste cose sono così
la cosa è per l’apprendimento profondo è perché
stai bene in questo caso ne usiamo solo uno
strato nascosto così come funziona bene
me dice tutto bene e sì lo so
è una matrice, fai un respiro profondo
bene si sarà anche scrivere
questo quindi ho bisogno di dati per addestrare la mia rete
ok, quindi per il gusto di questa discussione
diciamo che stiamo cercando di classificare il
immagini ok, quindi abbiamo una collezione di
immagini e rendere le cose abbastanza semplici
stiamo andando ad appiattire tutte queste immagini
in diritto di vettori
e così ogni singolo valore di pixel è a
valore in questo vettore va bene così x1 è il mio
prima immagine giusta ognuna di queste
i valori dei singoli pixel X a destra x2 è
il secondo campione ecc ecc
va bene, tieni semplicemente tutto okay
prendere le immagini appiattirle in vettori
e utilizziamo i valori dei pixel come caratteristiche
okay e ovviamente sappiamo cosa sono quelli
vedi anche domani quindi diciamo e noi
devo dire categorie
forse i cani sono di categoria due forse
i gatti sono categoria 0 e gli elefanti sono
categoria 4 eccetera eccetera e così via
Certo , sappiamo quali sono quelle immagini ok
quindi possiamo costruire etichette in un vettore e
per ognuno dei campioni qui stiamo andando
per fornire la categoria corrispondente ok
quindi è la prima immagine supervisionata
imparando hai dati e sai cosa
quello ha fatto è che la classificazione è un
esempio di supervisore puoi anche fare
apprendimento senza supervisione e il raggruppamento
sarebbe un esempio di prendere milioni
campioni e prova a raggrupparli in 10
cacca senza sapere quali sono quei risultati
lascia che tu sia in grado di decidere ok
di nuovo clustering in modo da tornare a questo
in realtà questo non è davvero utile
giusto se sei un apprendimento automatico
già
sai che non ci piace categorico
valori e la prima cosa che facciamo è noi
utilizzare una codifica tecnica di una parte su
trasformare quei tempi categorici e
ancora una volta è una parola molto complicata
spiega qualcosa di molto semplice, facciamolo
dì ancora una volta avere 10 categorie ciascuno
di quei numeri di categoria diventa a
fattore di 10 bit e giriamo a 1 il
bit che corrisponde all’aeroporto
la categoria va bene questa è la categoria 2
quindi è 0 B 1 B 2 B 2 2 ok questa è Cathy
0:51 articolazione e questo è il modo in cui ti occupi
con variabili categoriali molti recentemente
ma vedrai questa tecnica finita e
oltre questo è in realtà molto di più
diritto espressivo perché potremmo guardare
a quei numeri come probabilità per
ognuna delle classi va bene così quando tu
guarda quest’anno diciamo che lo sappiamo
questo campione ha una probabilità del cento per cento
di essere categoria – ma guardiamo a questo
uno
sappiamo che non ha nessuna probabilità in percentuale di
nella categoria quattro e zero percento tutti di
noi quindi questo è più espressivo perché
quando guardo questo vedo il numero di
possibili lezioni e vedo il
probabilità per ciascuna delle classi e
ancora qui abbiamo zero e uno
perché sappiamo per certo cosa sono quelli
caratteristiche ma non lo avremmo fatto
prevediamo ovviamente che ci sia no
qualcosa come gli zeri e gli altri proprio noi
tutti i computer pensati erano circa 0 e
varianza è tutto onesto è tutto
abilità adatte ora gli zeri non sono di nessuno
solo quattro abilità in modo da prevedere
vedremo diverse probabilità
speriamo che uno di loro sarà davvero
davvero vicino a uno mostrando il giusto
classe ma così come facciamo veramente questo
quindi, se abbiamo una rete ferroviaria noi
potrebbe prendere il primo campione e questo è
i momenti salienti del mio discorso
prendiamo che qualcuno prenderà ciascuno
caratteristica lo ha inserito in un nuovo nome romano da
lì che ovviamente significa che nel
input lì ho bisogno di avere come te
sapere come ho caratteristiche
così infatti è un migliaio di pixel
qui sarò il migliaio qui
va bene e poi lo farò moltiplicare
accumula usando i rifiuti della rete
Farò funzionare le funzioni di attivazione ok
questo è chiamato propagazione in avanti e
A Dio piacendo, arriverò e scapperò in profondità
volendo otterrò degli zeri ovunque
fatta eccezione per la nuova corsa per il diritto
classe okay che richiede di nuovo che io
avere come forse come fare un Isacco
classi quindi se ho un ID di dieci classi anno
dieci ok così in un mondo perfetto questo è
come funzionano le cose, ma ce ne sono due
le risposte a me hanno davvero una risposta come
addestrate la rete come trovate
i pesi corretti e otterremo davvero
zeri quindi cosa concede permesso e cosa noi
attenzione è la precisione va bene si vede
il numero di previsioni corrette per
il set di dati diviso per il numero totale
di finiture è la sua massima precisione
dove abbiamo imparato con successo
stato previsto va bene così in poche parole
vediamo dove stanno cercando di fare
cercando di spingere ritratta in avanti
propagare i campioni e leggerne alcuni
Risultati sull’uscita lì e
speriamo che siano corretti ma, naturalmente
inizialmente non funzionerà come
perché di solito sono tutti quei modi
più o meno valori casuali va bene non lo è
Saranno tutti zeri in tutti i fatti casuali
ci sono molti modi per inizializzare quelli
pesi, ma ancora una volta, manteniamolo semplice
dite che sono casuali, quindi se prendo un
campione qui e due in avanti mi si propaga
otterrà qualcosa se vuoi l’altro
e non capisco nemmeno che non sia nemmeno
che non ho potuto ottenere un po ‘di tempo nel torto
posizione e zeri ma voglio solo
andare in giro per essa, ma credo di essere troppo
pigro per risolvere questa animazione come loro
progetto così inizialmente avremo pienamente
filmati casuali, quindi se vedi questo
rete come una cattiva funzione va bene così questo
è il e tutte le onde sono il
parametri, quindi calcoliamone il relativo
categoria quindi ho bisogno di misurare il
differenza tra il valore reale e
il valore previsto e non è nessuno
facile come sai sottraendone uno
l’altro perché ovviamente questi sono
i vettori giusto per cui si desidera misurare il
differenza tra due abilità di vettori
in modo da utilizzare le funzioni di perdita per fare questo
okay non devi preoccuparti troppo
a tale proposito perché sono implementati
sulla libreria va bene così l’ultima funzione
calcolerà l’ errore
quindi potremmo dire bene una volta che conosciamo il
errore ad esempio quindi in modo magico
potremmo andare a twittare le onde e provare
per ridurre l’errore che ne esegue un altro
prova e fallo di nuovo ancora così
il più delle volte quasi sempre
in realtà lavoriamo con lotti di campioni
non suoni individuali, quindi cosa siamo
lo farò, prenderemo un mucchio
di campioni
potrebbe essere 32 64 128 campioni
correremo ognuno di loro attraverso il
modello e stiamo andando a sommare tutto il
errori individuali
okay e questo mi dà un errore batch ora
con quell’errore di patch che posso fare
decisioni fino a un giorno per farlo
consente un allenamento più veloce e ha
sull’altro
esattamente andare mini-batch di formazione che è
il tempo esatto così fondamentalmente ora lo sappiamo
che lo scopo del processo di formazione
è quello di ridurre al minimo la perdita e minimizzare l’errore
ridurre gradualmente l’errore di tradizione
partita per partita regolando i pesi
va bene così per il lotto ma solo un modo
come e poi speriamo di aver fatto il giusto
decisione e poi a un altro lotto e io
solo di nuovo e se prendi la destra
le decisioni tutte le volte che il peso
aggiornamenti quindi abbiamo effettivamente ridotto il
errore graduale ok quindi questo è ciò che il
il processo di formazione sembra così
i dati separati set di dati di formazione noi
affettare in qualsiasi secondo lotto e di nuovo
di solito le biblioteche lo faranno per
noi quindi è il lavoro che propaghiamo ognuno
campione di quel lotto uno dopo l’altro
sommati tutti gli errori che incontriamo in un batch
sempre e poi arriva la magia
propagazione back dell’algoritmo che va
dal livello di output in avanti
strato e più tardi da lì si adatterà
i modi in cui ogni singolo modo nel
direzione che sappiamo riduce l’errore
ricorda pesi o flussi, quindi non lo faccio
voglio te, ma io sai che c’è davvero
due opzioni che sono a destra posso aumentare
e io posso diminuirlo così per ciascuno di
in quei modi l’ altra stessa area di cui ho bisogno
decidere se dovrei includere
o diminuirlo disponibile per ridurre il
altro in modo che la proposizione lo faccia per
questo strato e poi lo farà di nuovo
fino in fondo e poi lo facciamo
di nuovo con un altro lotto ancora e ancora
se prendi le giuste decisioni se tu
aggiornare i pesi correttamente che prendiamo
errore giù bene e se lo fai per
molti lotti destra passo-passo che si ottiene
a un eretico e alla fine ottieni
alla fine del tuo set di allenamento ora questo
si chiama 1 su e ci stiamo allenando
per molti una scatola è normale allenarsi
forse 100 100 200 300 dollari quindi è così
un sacco di elaborazione iterativa inviando un
la moltiplicazione del lotto si ripete nuovamente
e fino a quando non raggiungi la fine della data
impostare e quindi ricominciare da capo e
ancora e ancora e così gradualmente se tu
prendi le giuste decisioni a tuo modo
convergere per recuperare un insieme di pesi
giusto che ti danno un ottimo e se
hai molto poco errore hai molto
alti hacker dice ora la cosa magica
ovviamente è come potremmo saperlo
se in questo modo dovrebbe essere aumentato o
è diminuito di questo
questi oli hanno ragione di quella roba che è la
po ‘di magia va bene e sfortunatamente io
Devo riportarti al liceo per
un minuto
Ricordo i derivati dopo la pubertà I
dovrebbe essere andato a che l’ossessione morti
Lo faccio, sto dicendo cose così
i derivati ti danno la pendenza
okay e ovviamente quando conosci la pendenza
sai da che parte è e da che parte
è giusto immaginare una semplice parabola
funziona così e va bene
qualsiasi punto in là e prendi la tua pendenza
e ora immagina quello nella tua testa così tu
sapere se siete sul lato destro e sul lato del
l’asse giusto molti x positivi per x
troppo lento quindi probabilmente si è verificato in questo modo
è poco tempo come questo quindi se tu il
la pendenza è positiva, quindi se aumenti X
l’uscita il valore Y aumenta così bene
svegliarsi se si riduce il valore XY verso il basso
quindi di nuovo suppongo che la differenza qui
queste funzioni sono multiple
parametri destra in modo y uguale a X
power 2 è semplice qui in questo è
come in questo esempio qui in questo modo
l’ output qui dipende da tre
i parametri vanno bene così la funzione di errore
qui deve essere vero
okay, quindi devi calcolare parzialmente
i derivati vanno bene così è quello che torna
la propagazione sta per farlo sta andando a
calcolare la derivata parziale con
rispetto per ogni posto e sta andando a
decidere se un Brett a corto di
giorni in cui aumentiamo o diminuiamo quello
la proprietà è così che va bene niente di meno
niente e potrebbe sembrare strano o
complicato se si fa prendere un sacco di
calcolo ma quello è e ancora una volta il
il tea party che Larry sta facendo automaticamente
per te
Il 99% delle volte si vuole solo andare da
funziona così fortunatamente relativamente a loro
va bene, ecco cos’è la propagazione posteriore
lo farò e una volta che avrà lo sloveno
sa come aggiornare i pesi o
verso il basso per andare a un tempo il valore più basso in modo da
tre cose importanti anche tu –
sospiri – tè giusto
hai lotti molto piccoli addestrati
abbastanza lento, giusto, Jeff ti mette in serie
potrebbe leggere più velocemente ma non si ottiene così
molti colpi a backpropagation potrebbero non farlo
converti molto bene, scopriamo il
giusto il tasso di apprendimento influenzerà
la dimensione dei passaggi che prendi
giusta la dimensione degli aggiornamenti che tu
rendere a quei modi un apprendimento molto piccolo
vota aggiornamenti molto piccoli così potresti essere
andando nella giusta direzione ma molto
lentamente
abbiamo grandi tassi di apprendimento di te
fare aggiornamenti molto grandi ai modi e
potrebbero in realtà essere troppo grande
la densità e il numero di mele è
in realtà
questi sono chiamati parametri di Hydra e
ci sono in particolare risultati dei dati così
tramite l’ottimizzatore del motore il reale
album che aggiorna le vie di ritorno
la propagazione è l’ intero processo ora il
viene chiamata l’effettiva ondata di database
ottimizzazione e il nonno di
optimizer is sgv è stato inventato nel 1951
anche prima dell’ambiente macchina AI e
il modo in cui il modo di vederlo è immaginare
l’errore funziona come solo due
parametri a destra xey y z qui
va bene così se trama che lo trascuri
sembra così inizialmente xey
avere valori casuali corretti in modo da iniziare
ovunque e tu computi parziali
derivate di xey per ottenere la pendenza
rispetto a X la pendenza con rispetto
a Y per conoscermi letteralmente in che direzione
in basso forse fai una piccola strana a 2x e
un piccolo aggiornamento a Y in modo che tu vada giù con
e sai che sei nel giusto
direzione per scansionare la derivata raccontata
tu dove andare e lo fai di nuovo e
ancora e ancora
di nuovo, sto solo camminando giù per la montagna
passo dopo passo ne otterrai due molto bassi
forse non il più basso assoluto ma molto
basso valore e questo è ciò che è GD
ma vedi questo è iterativo sì?
Va bene così abbiamo bisogno di fare questo molte volte
perché tendiamo a fare piccoli passi in giù
la montagna quindi dobbiamo allenarci a lungo
abbastanza per ottenere effettivamente un carico e il
la dimensione del passo è davvero il tasso di apprendimento così
se hai una misura molto piccola di te
capire che ci vorrebbero sempre
ottieni qui un grande tasso di apprendimento che potresti
effettivamente rimbalzare a destra potrebbe prendere gigante
passi e non sei in grado di andare giù
quindi forse salti da qui a qui e
allora da qui a qui stai prendendo
molti che sono troppo grandi per davvero
arrivare a così SGD è solo un modo di fare
ci sono altri ottimizzatori da vedere
qui in particolare l’altra famiglia di
elevazioni adattative e come puoi vedere
qui questi hanno molte belle proprietà
evitano di rimanere bloccati su questo punto
qui c’è un singolo punto in realtà
sconfiggere sge perché ancora in questa direzione
si ok questo è un minimo ma in questo
direzione è un massimo
va bene così se ti ricordi dalla scuola superiore
la derivata sarà 0 per il minimo e
massimo quindi se tu se finisci esattamente
qui allora la derivata è zero in tutto
indicazioni e tu rimani roba così è
non va bene così comunque questo ottimizzatore può
rompi il più moderno possibile
uscendo da quelle tradizioni ma
ancora più importante possono effettivamente
rilevare la pendenza che possono capire no
solo dove è giù ma quanto è ripida
pendenza è e si può accelerare va bene così
in realtà diventi più veloce ma, naturalmente
la vita non è mai facile e cosa succede se l’altra
la funzione sembra proprio giusta
immagina che iniziamo qui sul rosso
montagna e scendiamo e viviamo
qui e dovunque guardiamo fa caldo
okay, quindi restiamo bloccati in quel locale
minimo con un valore di errore qui
molto più grande che consapevolmente sarebbe più
desiderabile per essere qui in questo modo c’è un
grande dibattito nell’apprendimento profondo
comunità su queste cose davvero
esiste e se lo fanno fanno male
il processo di formazione e come si rompe
fuori da quei punti ecc ecc tutto bene così
per fare una storia molto lunga molto breve se
sei curioso di questo mi riferirei
tu a questo
bravi compagni nella fila in alto sono
ricercatori e ha effettivamente capito
che sì , possiamo effettivamente vedere cose come
Questo
ha perso le funzioni per le reti neurali
ma a quanto pare siamo ordinati bene
il processo di allenamento li evita e e
non ci stiamo bloccando molto superficialmente
se non riesci a dormire, lo consiglio davvero
e poi allora si può andare e leggere tutto
gli articoli a cui si fa riferimento e
allora non dormirai mai più ed è così
affascinante quindi il processo di allenamento
dovrebbe funzionare bene e, naturalmente, abbiamo bisogno
per misurare quanto bene così manteniamo la parte
dei dati per avere la convalida e
alla fine di ogni rete stiamo andando
per predire quei campioni che il
rete non ha ancora visto bene e e
misureremo gli attori e questo
ci darebbe un senso di quanto bene
modello di allenamento tutto ciò che modella
la formazione dovrebbe dire generalizza a
campione che ha
questa è una cosa veramente importante
e poi, una volta finito l’ allenamento, lo saremo
andando ad usare un forno tranne che chiamato il
set di dati di prova e questo solo darà
noi alla fine della sperimentazione
una volta che lo avremo fatto, lo farà
darci una precisione di riferimento di riferimento
per questo la formazione si prepara ad allenarsi
convalide impostate per verificare la precisione dopo
ogni epoca e una volta completato il cane
modellando il modello che esegue il set di prova
insieme per ottenere un vegetale, quindi dovrei
trama tutto apprendista esterno il
dati di allenamento vedremo che ci andremo sopra
rapidamente poi sarà Plateau
e se tu lo sapessi abbastanza a lungo, lo riceverai
guardi la funzione di perdita no
sorpresa, è quasi arrivato
zero se si traccia l’accuratezza della validazione
è sguardo andando in questo modo ancora una volta è
andando a salire poco dopo Plateau
di nuovo se ti alleni abbastanza a lungo che cade
e mai davvero recuperare e per essere in grado
per essere veramente preciso al punto di urto qui
che il vero valore più alto che poteva
si, è già così molto male
e pieno di sovralimentazione che è un
grave problema
generale e over-fitting significa davvero
ti alleni così tanto sul set di allenamento
che non puoi prevedere altro
l’ unica cosa da imparare è prevedere
il tuo allenamento è il tuo modello
semplicemente troppo specializzato
non generalizza fare il campione e
ovviamente è perché quello che vuoi
fare è un modello che generalizza bene
a voi campioni per campioni che il vostro
gli utenti invieranno quindi è necessario addestrare per
abbastanza a lungo per arrivare a quella massima precisione
e questo è ovviamente l’unico F box tu
vogliono mantenere a posto, ma è difficile
cast che quindi quello che fai veramente sei tu
Allenati, va bene, tu salvi
montagna alla fine di ogni sviluppo
e poi tracciate tutte quelle attrici
che ti rendi conto che mi sono allenato per 200
F dollari ma in realtà quello superiore lungo
con la precisione della validazione non è mai
sapere in anticipo quindi se sommiamo le cose
l’apprendimento approfondito riguarda la ricerca di un locale
minimo un minimo non il minimo
perché non sarai mai sicuro di te
in realtà ha trovato il punto più basso in questo
funzione di errore è stato per imparare ad essere
np-hard è molto, molto difficile, è il
i problemi più difficili in informatica così è dentro
PR quindi non saprai mai se tu
in realtà ha trovato il globale
tutto quello che ti interessa è un minimo che sia
abbastanza buono per il tuo problema di lavoro
giusto se il tuo problema aziendale richiede
che dicono il 95% di precisione e ottieni
a 95 101 bene bene perché vuoi spendere
le settimane e i mesi che cercano di arrivare a 97
se non ci sono valori di business quindi basta
bisogno di arrivare a qualche valore netto minimo
Siamo fottuti
e, naturalmente, se puoi, trovalo
veloce va bene perché puoi allenarti
più veloce risparmi e se non riesci a trovare
è ancora e ancora ecco perché – perché
ti allenererai molte volte di cui avrai bisogno
per trovare tutto bene abbiamo finito con
teoria quindi diamo un’occhiata a un esempio ora
quindi proveremo davvero qualcosa
lavoreremo con un semplice set di dati
ma in realtà hai sentito almeno ascoltato
almeno è un set di dati di
centinaia di cifre
sei stato stasera e tu l’hai fatto
70.000 di quei 60k per l’allenamento di 10 K
per la convalida e ci proveremo
e impara quelle immagini così andiamo
prova a fare esattamente quello che ho descritto
prima, quindi prendiamo le immagini che appiattiamo
li in vettori e ne usiamo completamente
rete connessa per prevederli ok
Lo farò per la Jeep che corre
libreria chiamata Apache la prossima volta quindi io
è necessario scaricare il set di dati su ciascuno
altro prima che ho bisogno di importarli
aspetto che io abbia 2450 dollari in una scatola che ho
iteratore per tagliare mi dispiace
il data center si adatta bene quindi non mi serve
preoccuparsi di affettare e tagliare a dadini
ma non è per me e lo farò
costruire una semplice rete completamente connessa
quindi questo è il mio livello di input che chiamo dati
e MX net la ridimensionerà automaticamente
invita guardando le dimensioni di questi
campioni sto appiattendo i dati come me
ha detto bene, quindi sono le immagini 2D che
sono 28 per 28 pixel diventano un vettore
di 784 byte e quindi sono un primo completo
studente connesso con 1024 neuroni
attivato da pallone quindi sono un
fattore secondario del mondo atteso
valore e poi ho l’altro
con dieci tamburi perché ne ho dieci
categorie perché giusto è come io
definire il mio modello ok ora ho bisogno di
decidere dove allenarsi così sul treno di
GPU perché sto andando a trovare il modello
che ho definito i set di dati che io
caricato nell’iteratore
e poi sceglierò l’ottimizzatore
la formazione va bene e quindi ciò che vediamo
ecco le batterie che vanno e che vanno
la scatola che passa
va bene ed è abbastanza veloce perché è un
GPU ed è un set di dati molto piccolo
okay, arriveremo alla fine del
cinquanta una scatola che ho fatto prima
interesse del tempo non ci vuole molto
e poi posso dire che modello mi arriva
novantotto punti quattordici attrici
che faccio le feste di guardia e posso salvare
tutti si astengono da tutti i pesi
ho studiato
l’attore Sega e ovviamente ora potrei
Provalo
quindi, quanto è buono, 98.30 ?
è davvero buono quindi quello che ho fatto è io
ho scritto che ho scritto sono cresciuto ho fatto crescere alcune cifre
con il pennello ok, ci siamo registrati fino a 28
28 ora provero ‘a inserirli e
guarda come lo facciamo qui, quindi cosa devo fare
è quello di caricare il modello che ho appena addestrato
che dura circa 4 e poi posso
inoltrare quelle immagini nel si ok così
puoi vedere i miei insegnanti qui e te
può vedere le uscite ok così io per ciascuna
digitate le dieci province ricordate
questo è ciò che incontriamo sull’altro che abbiamo
dieci errori anche e leggiamo il
probabilità per ciascuno dei dieci
classi quindi il primo valore qui è circa
è per la classe zero, quindi questo è molto alto
quale che è grande e ho 99
cento cinquanta sei percento Oh classe zero
va bene, il mio è classificato
abbastanza bene per i due è molto bello così
non lasciarti ingannare non ci sarà mai
essere zero non è una volta, perché io sono
fermandosi a quattro decimali e viene da
va bene così questo dice davvero che è a
meno punti in diciannove
quindi funziona bene due tre quattro cinque sei
sette e poi nessun sentimento semplicemente
sbagliato come al solito si zero uno due tre
quattro vanno bene così le loro più alte probabilità
quattro più quattro, quindi mia mamma è qui
calcolato da questo brutto nove e prende
quindi eccoti
poi ogni punto qualcosa di precisione e
allora provi dieci e uno di loro se tu
voglio così la morale qui non è mai veramente
la convalida della fiducia fa affidamento sulla tua fiducia
proprio suono assicurati di usare altro
esempi quindi cosa abbiamo sbagliato?
abbiamo fatto a quelle immagini ricordate sì
li abbiamo appiattiti non è una buona idea
giusto probabilmente non perché tu lo conosca
diciamo che sai guardiamo questo
otto che incrociano qui, se puoi
imparare a riconoscere forme geometriche noi
vorrei riconoscere questa croce in
al centro dell’AIDS e vorremmo saperlo
di sicuro
non ci sono altre risorse digitali così quando
noi appiattiamo noi perdiamo questo spazio
relazione tra risorsa così
probabilmente così è per questo che è il motivo
quando lavoriamo con le immagini tendiamo a lavorare
con un nuovo tipo di rete chiamato
convoluzione dei livelli e
le reti neurali di convoluzione sono abbastanza
diverso perché lavorano su 2g
o dati di dimensioni 3D o multiple
non appiattiscono le cose e le basi
l’idea qui è quella in una convoluzione
rete avrete più fasi ok
quindi ecco uno qui è due e questi
le fasi sono solitamente la convoluzione
operazione seguita da un raggruppamento o
operazione di sottocampionamento in modo tale da spiegare
convoluzione davvero libertà se giochi
con un’app di modifica delle immagini che hai fatto
queste persone hanno la convoluzione giusta
prendendo una piccola matrice come questa o una
filtro o kernel ok e ha bisogno di
avere i giusti valori e basta
e ricomincia dall’angolo in alto a sinistra
e tu lo fai scorrere sull’immagine
destra da sinistra a destra e si esegue il
operazione di convoluzione che è giusta
prendendo il pixel dell’immagine il pixel
nel filtro moltiplicandoli e poi
facendo questo per i nove pixel e
aggiungendo tutti e nove in una nuova immagine così
questo è ciò che sta facendo scivolare la convoluzione
filtrare e moltiplicare il sottostante
pixel dallo spirito dei pixel e
aggiungendo tutto e se scrivi te
scrivi i valori che ottieni in qualcosa di simile
questo va bene così si potrebbe chiamare questo su
il rilevatore di bordi ha il vantaggio
di quel pezzo quindi se questo fosse un cane o un
gatto o un elefante avremmo abbastanza
informazioni lasciate qui per sapere che è ancora
ancora abbiamo buttato via molte informazioni
tutti i pezzi neri della terra no
avere informazioni su e questo è
quale convoluzione fa i suoi filtri
estrae funzionalità così qui le funzionalità
sono il bordo che dipende anche dai valori
molte cose diverse vanno bene così
cosa fa la convoluzione e in realtà tu
impara a usare più filtri e
questo è ciò che il processo di formazione apprende
inizi con filtri casuali e usando
propagazione posteriore e lo stesso identico
cosa ho spiegato prima che tu impari
i valori del filtro che ti permettono di estrarre
le caratteristiche okay probabilmente hai sentito
quell’apprendimento più profondo estrae le caratteristiche
automaticamente a destra capisce
automaticamente ciò che è importante in
foto e cosa non lo è
è così che va bene impara
quale valore dovrebbe essere in quei filtri per
effettivamente estratto utile
il funzionamento e poi così si esegue questa operazione possiamo
essere 20 o 30 o 50 filtri perché tu
vuoi imparare ad estrarre le tue caratteristiche
non è possibile estrarre i bordi che puoi
impara ad estrarre il contrasto per spiegare
linee verticali e oh e poi corri
la messa in comune va bene che sto mettendo è molto più economico
mettere è solo ridurre il
immagine perché come puoi vedere qui noi
buttato via molte informazioni che noi
potrebbe buttare via molti di quelli neri
anche pezzi così tirando e diciamo
facciamo due a due in pool è abbastanza
semplice prendere blocchi di 2 per 2 pixel
e tu tieni solo quello più alto ok
il pixel più alto perché il
la razionalità è il pixel più alto è il
pixel più luminosi
okay, davvero quello che vuoi fare è
mantieni i pixel più luminosi se rimani
qui giusto se guardi per gettare via
alcune cose che vuoi mantenere e questo è
come funziona il completamento così da estrarre
le funzionalità riducono l’immagine estratta
le funzionalità riducono di nuovo l’immagine sul
immagini e poi finisci con un mucchio
di immagini minuscole che non somigliano
l’ immagine originale ma loro hanno
le giuste informazioni in loro e poi
puoi appiattirli e usarne uno completamente
rete connessa che è il mio meglio
versione di tre minuti di
sì, c’è molto altro da dire
ma questa è l’intuizione di cui hai bisogno
costruire intuizioni è molto molto
è molto diverso perché la matematica
e la teoria diventa pazza e questo è un
modello molto semplice lo stato dell’arte
quelli che hanno centinaia di strati ma
hai bisogno di capire cos’è la convoluzione
sai se hai imparato i filtri
aiuta ad estrarre funzionalità e una volta che hai
le funzioni estratte utilizzano pixel neri e
è così che riduci le immagini molto grandi
a quelli molto piccoli mentre mantiene il
informazioni giuste in modo da dare loro tutti
tipi di cose pazze con questo voglio
sottolinea che questo nero è open source
iniziando uno nuovo è in realtà un API
in cima ad un eccellente è bianco tu
non vedrà enorme è la visione del computer e
la cosa bella di questo è che ha
una raccolta di tre modelli di allenamento
okay, questi sono abbastanza avanzati
neurale convoluzionale molto avanzato
reti che possono fare classificazione
segmentazione di rilevamento e potrebbe essere a
sacco di lavoro per formare quelli soli
giusto e non ne hai bisogno
le persone che ho fatto per te vanno e basta
dai un’occhiata al blu, ne vedrai alcuni
alcuni esempi ed è cinque righe di
codice per insegnare agli altri a destra caricare il
il modello prevede di stampare i risultati e tu
può avere modelli all’avanguardia da fare
cose pazze come questa e ovviamente te
potrebbe addestrarli di nuovo sui propri dati
potresti iniziare dalla formazione gratuita
modellarli e perfezionarli
sul tuo governo per avere il
il meglio di entrambi i mondi e questo è ciò che è
sbaglio okay facciamo un rapido test
quindi proveremo di nuovo quella lista okay
ma questa volta proveremo a
semplice CNN ed è praticamente l’unica
hai visto su quel vetrino che si chiama
fascino netto perché è stato inventato da un
ricercatore o ragazzo ricco di account yahoo
parla al ricercatore di IA che lavora per il fisico
quindi questo è praticamente ciò che la rete
sembrerebbe di nuovo con loro
costosi includono i dati un primo
strato di convoluzione ingannare dopo un secondo
convoluzione lì un altro strato di rivestimento
e poi appiattire e quindi utilizzare a
strato connettivo per classificare bene voi
potrebbe letteralmente leggere il documento di ricerca
e lo codifichi perché lavori e basta
al loro livello ci alleneremo su GPU
di nuovo ho intenzione di usarne un altro
ottimizzatore nell’interesse del tempo I
già addestrato ne prende un paio
minuti senza motivo per perdere tempo e noi
arrivare a novantanove punto quindici okay
che è un po ‘più alto di un completamente
collegato uno a destra ma ora siamo
scrittori attenti , siamo rimasti delusi
prima di allora come ancora circa proviamo
quindi sono carico solo andando che si modella
che ho appena allenato bene e ho intenzione
per prevedere di nuovo le mie cifre okay, quindi zero
e quelli che per funzionare capisci
estremo
se mai sono più alti di prima
e nove ok ancora non perfetto ma questo
è la massima precisione questo è il
la più alta probabilità per le dieci classi
quindi questo risentimento va bene a zero uno due tre
va bene sembra un tre quattro
cinque sei
sembra essere un sette ma va bene se
Devo fare una chiamata che dirò stasera
in modo da vedere si può ancora non si sa
può ancora aggiornare il modello e provare a
in realtà riesco a classificare quella notte di più
con precisione ma generalmente questo è il motivo per cui noi
lavorare con la CNN perché la CNN apprenderà
le caratteristiche ed è abbastanza possibile
che c’è una caratteristica in là che noi
impara a scoprire quell’idiota idiota
è molto probabile che sia in lì ho
dovrebbe controllare e questo è reale distinto
funzionalità per la CN8 v8 appena elaborata
quindi ci sono molti modi in cui puoi provare
aumentare si potrebbe avere più strati di te
avere livelli più profondi hai più filtri
sai che è un nido di qualcuno dentro
più profondo è lì che smette di essere
scientifico e diventa cucina
ricette in modo da poterlo fare, ma penso
quello che sarebbe davvero interessante è
ispezionare i filtri piuttosto e
in particolare per un for
campioni a basso rendimento come questo tu
sapere prevederli e ispezionare due strati
e vedere quali filtri sono reagendo
quello che si poteva vedere il motivo per cui lo fa per
albero ha quella speranza che forma il cerchio
quello potrebbe essere un 3d giusto e poi di
Naturalmente il percorso inferiore non sembra
Java per essere interessante osservare la
i filtri guardano i livelli e capiscono perché
cosa viene attivato da questo a cosa è stato fatto
e forse ho solo bisogno di più nove campioni
e forse ho solo tre campioni per aiutare
il negativo è molto diverso
ma sì, non ci sono molti modi per farlo
ma sarebbe guardato in dettaglio
il campione è il
quindi la domanda è quali sono questi i miei
le foto sul colore, quindi se ne hai
le immagini colorate fondamentalmente il
la differenza è che mi lascia andare alla mia diapositiva
è che qui vediamo la convoluzione in piano
le cose vanno bene, ma puoi farlo
convoluzione multidimensionale quindi se
hai un’immagine a colori che avresti
tre canali rosso verde e blu ok
quindi ogni immagine sarebbe effettivamente potrebbe
in realtà sono tre ok e tu corri
non un filtro convoluzione schiaffeggiato ma tu
preferirei cubettare la tua convoluzione
l’immagine non sarebbe appiattita per battere
tu e tu lo avresti eseguito sui tre
canali stessi ID che faresti scorrere
quel cubo dentro quella forma 3d oh sì
ci vorrà più tempo sì, ci vorrà
più tempo e convoluzione è il motivo per cui tu
bisogno di usare perché non sono pesanti
operazioni e se si esegue lo stesso
esempio di convoluzione CPU ed è facile
per parallelizzare il contributo così noi
assolutamente giusto se si utilizza se non lo fai
Devo lavorare con le immagini a colori proprio se
puoi vivere con per ottenere un buon risultato
con bianco e nero o in scala di grigi secondo
domanda si prega di utilizzare rosso skelton volontà
risparmiare più tempo okay okay solo cinque
minuti quindi meno di quello che voglio
menzione è che è un nuovo esame ancora un altro
rivelatore e questi sono entrambi LST M così così
questo è completamente collegato alla CN n
e questi non hanno memoria per niente
potresti fare 100 foto per prevederle
in qualsiasi ordine e ottieni sempre lo stesso
i risultati sono davvero apolidi
nessun ricordo e questo non funziona davvero
quando hai bisogno di prevedere le sequenze così
per esempio se vuoi prevedere il tempo
serie se vuoi pronosticare se tu
voglio fare la traduzione automatica quando noi
traduci noi non traduciamo il lavoro o
lavoro ovviamente guardiamo la parola o
cambiarlo per la traduzione ma noi
guarda anche le prime parole così è
perché questa evanora LST è stata inventata in
in poche parole lo mantiene ha una memoria che
ricorda le ultime previsioni e
quindi fa davvero un buon lavoro al testo
traduzione della macchina di elaborazione esattamente
spiegare questo di nuovo gratuitamente
immergersi non è poi così male come un esempio
un progetto che utilizza questo è che il WS
progetto è un progetto open source per
Stuntman che usa un LS TM
architettura per costruire macchina
modelli di traduzione in modo da poter goccia che
progetto treno con l’ olandese per l’inglese
set di dati e solo poche barre costruiscono un
piuttosto bene è sempre
e l’ architettura va bene e potresti perdere
Voglio mostrarti le cose pazze e
questi sono chiamati Gans che significa
generative reti avversarie e bene
sai chi sono queste persone e lui
fan del cinema fan della TV e tu sei serio
le persone che non guardi la TV, nessuno sì
sono i vostri sospetti, ma hai ragione a
sii diffidente perché queste persone non lo fanno
esistono okay queste facce sono state
generato da ancora bene a guardare
il set di dati era la celebrità del modello
impara come costruire volti simili e
non è taglia e incolla, sai che non lo è
le orecchie di un ragazzo nel naso di
un altro ragazzo è davvero gente che guarda
come quelli alla base va bene questo è
il progetto tensorflow e su questo
ti ricordi quando avevi cinque anni
ti sono uniti a cose come questa e mamma
e papà era così colpito e se tu
hai dei figli che probabilmente hai questo sul tuo
il frigorifero come me va bene si chiama semantico
abbinarsi bene così diversi colori per
cose diverse e ricercatori che usano a
mappa semantica e set di dati, ovviamente
può generare immagini così da dare il
mappa semantica e il modello automaticamente
genera un’immagine realistica basata su
che questo è un progetto folle è così
stato un titolo e nessuno ti ha guardato
può ingrandire su quelle immagini e
c’è molto quindi se un utente può essere davvero
interessante anche più di tutto giusto
trenta secondi è appena uscito
ne senti parlare delle piante di tè che puoi
ordinalo da è disponibile sei giugno
Quattordicesimo ed è la macchina da presa in profondità che
è abbastanza potente da eseguire modelli di immagine
nel campus in modo da poter formare un modello
il cloud che la tua macchina non ha importanza
e quindi è possibile distribuirlo sulla fotocamera
e puoi eseguirlo localmente sulla videocamera
ed è molto divertente se fai qualcosa
così giusto è una foto della mia TV
e questo non è un modello strutturato okay così
è come se fosse un video live ma di
Ovviamente ho appena fatto una foto qui e come
puoi vedere la sedia è correttamente
rilevato e il divano è correttamente
detective il portatile va bene anche mio figlio
e io stesso le persone migliori a cui è destinato
certo ed è tutto in diretta live
cam con un modello che si distribuisce essa
lì e un pezzo di codice o lambda
funzione che è stata distribuita a
account e in esecuzione, quindi è completamente
autonomo fatto con il cloud solo
lavori
– piani molto divertenti ne troverai tantissimi
risorse quindi se vuoi immergerti
un po ‘più profondo questi sono gli otto
URL ovvi per l’apprendimento automatico e
il blog le pagine delle reti MX a destra
ricerche vogliamo lasciare anche se tu
bisogno di formare insieme che non ho
parlarne oggi
vita ma potresti essere interessato a
un produttore di palcoscenico utilizzabile che ti alleni
modelli molto grandi di gestione 2d
l’infrastruttura mi fa domande se
ti piace e, naturalmente, più di
felice se hai dato un’occhiata al mio blog
medio dove inserisco molte macchine
roba di apprendimento e debug
Farò un sacco di video su YouTube
anche da conferenze e vertici AWS
quindi potresti scoprire cose interessanti
lì e non so chi sia il
i nodi utilizzati oggi sono
per il trattamento di tuo fratello come pure tutto bene
Ho finito, grazie mille
Mi terrò in giro per domande e
grazie ancora
tu
il mio nome è Julia, in realtà sono quasi
tre anni e il mio argomento oggi è il CD
bruciando $ 40 volevo chiamarlo in profondità
correre per gli umani perché è davvero
bruciare per persone normali è davvero mio
punto oggi è quello di mostrarti che se
puoi leggere e scrivere 50 righe di
Python per venire a Giovanni va bene e io
voglio davvero mostrarti come è facile
in realtà è per capire le basi
i concetti di deep running e poi a
in realtà scrivere il codice minimo il minimo
processi che sono necessari per utilizzare in profondità
i tuoi occhi inizierò con un
questa è l’introduzione all’apprendimento profondo
giusto questo è un po ‘
teorico Cerco di rendere il più semplice come
possibile con il più possibile ma ok
Ti mostrerò che chiunque può farlo
così tutti abbiamo sentito parlare di normale
livelli okay e questa è la tecnologia
quel profondo perone si basa sulla macchina
l’apprendimento in generale si basa principalmente su
statistiche possiamo usare una combinazione di
apprendimento profondo che è un sottoinsieme di
i macchinari utilizzano solo reti neurali
così e quello che stiamo cercando di fare qui è
stiamo cercando di approssimare la biologia
del cervello va bene così se c’è
abbastanza immolato è il fuoco e se
non sono stimolati abbastanza da non farlo
fuoco puoi vedere che anche questi minatori
troppo rigido abbastanza per metterla sul fuoco, ma
comunque è quello che stiamo cercando di costruire
ecco perché un nuovo problema è davvero un
la raccolta di input va bene per segnalarlo
dovrebbe mettere è associato a peso e
la prima cosa che faremo è
Prendete sostanzialmente ogni input moltiplicato per
ogni peso e somma tutto ciò che chiamiamo
questa direzione x e quegli input in
quelle strade sono solo in virgola mobile
valori e sono solo informazioni
ci sono campioni che forniamo così è
il moltiplicarsi in esso e davvero
questo è l’apprendimento profondo
moltiplicando e aggiungendo roba così l’HTTP
il problema ovviamente è che questa funzione
ecco una funzione lineare pronta per
cambia gli input gli assi e il
risultato di carry
e non è quello che vogliamo perché
ricorda che abbiamo detto che il biologico
il neurone spara c’è un limite c’è a
soglia che dice che va bene al di sotto di questo
soglia non succede nulla dopo questo
soglia succede qualcosa che è un
solo così abbiamo bisogno di aggiungere una funzione extra
dopo che il moltiplicatore si è accumulato
attivazioni di operazione e il è a
buona memoria perché questo decide se
il nuovo si muoverà a spirale nel tempo
numero di funzioni utilizzate
popolare in questi giorni o davvero è possibile
vedere è una funzione molto semplice se loro
input se valuti bene se loro
l’input per la funzione di attivazione è
negativo potrebbe essere davvero
negativo quindi l’ output del
la funzione di attivazione è 0 quindi il neurone
non va bene se io do il
l’input per la funzione di attivazione è
positivo allora produciamo quel valore
di per sé va bene e potrebbe essere molto molto
la conoscenza va bene così questo è praticamente
il comportamento che vogliamo è giusto se il neurone
è stimolato abbastanza da ottenere un risultato
essere un output veramente grande se il
la stimolazione è molto molto lenta e se il
il nuovo non è abbastanza stupido
succede questo è il motivo per cui siamo noi
introdurre quel comportamento non lineare così a
il nucleo delle reti neurali è questo che cosa
sarà successo che lo prenda
x scoppi
a qualsiasi cosa e corri quel risultato
eiaculazione quindi una nuova esecuzione di Excel
non fa molto odore davvero interessante
dobbiamo metterli insieme per costruire
reti quindi questo è probabilmente il
rete povera più semplice nell’edificio così
abbiamo bisogno di prepararci dove spingeremo il nostro
campioni e ora a là dove vogliamo
leggi alcuni risultati e nel mezzo a
almeno uno strato che chiamiamo interno
strato e in questo caso lo chiamiamo a
completamente connesso lì come vedi ogni nuovo
uno è completamente connesso a tutti gli ingressi
completamente collegato alla nostra piscina e nel caso
ti chiedi perché queste cose sono così
la cosa è per l’apprendimento profondo è perché
stai bene in questo caso ne usiamo solo uno
strato nascosto così come funziona bene
me dice tutto bene e sì lo so
è una matrice, fai un respiro profondo
bene si sarà anche scrivere
questo quindi ho bisogno di dati per addestrare la mia rete
ok, quindi per il gusto di questa discussione
diciamo che stiamo cercando di classificare il
immagini ok, quindi abbiamo una collezione di
immagini e rendere le cose abbastanza semplici
stiamo andando ad appiattire tutte queste immagini
in diritto di vettori
e così ogni singolo valore di pixel è a
valore in questo vettore va bene così x1 è il mio
prima immagine giusta ognuna di queste
i valori dei singoli pixel X a destra x2 è
il secondo campione ecc ecc
va bene, tieni semplicemente tutto okay
prendere le immagini appiattirle in vettori
e utilizziamo i valori dei pixel come caratteristiche
okay e ovviamente sappiamo cosa sono quelli
vedi anche domani quindi diciamo e noi
devo dire categorie
forse i cani sono di categoria due forse
i gatti sono categoria 0 e gli elefanti sono
categoria 4 eccetera eccetera e così via
Certo , sappiamo quali sono quelle immagini ok
quindi possiamo costruire etichette in un vettore e
per ognuno dei campioni qui stiamo andando
per fornire la categoria corrispondente ok
quindi è la prima immagine supervisionata
imparando hai dati e sai cosa
quello ha fatto è che la classificazione è un
esempio di supervisore puoi anche fare
apprendimento senza supervisione e il raggruppamento
sarebbe un esempio di prendere milioni
campioni e prova a raggrupparli in 10
cacca senza sapere quali sono quei risultati
lascia che tu sia in grado di decidere ok
di nuovo clustering in modo da tornare a questo
in realtà questo non è davvero utile
giusto se sei un apprendimento automatico
già
sai che non ci piace categorico
valori e la prima cosa che facciamo è noi
utilizzare una codifica tecnica di una parte su
trasformare quei tempi categorici e
ancora una volta è una parola molto complicata
spiega qualcosa di molto semplice, facciamolo
dì ancora una volta avere 10 categorie ciascuno
di quei numeri di categoria diventa a
fattore di 10 bit e giriamo a 1 il
bit che corrisponde all’aeroporto
la categoria va bene questa è la categoria 2
quindi è 0 B 1 B 2 B 2 2 ok questa è Cathy
0:51 articolazione e questo è il modo in cui ti occupi
con variabili categoriali molti recentemente
ma vedrai questa tecnica finita e
oltre questo è in realtà molto di più
diritto espressivo perché potremmo guardare
a quei numeri come probabilità per
ognuna delle classi va bene così quando tu
guarda quest’anno diciamo che lo sappiamo
questo campione ha una probabilità del cento per cento
di essere categoria – ma guardiamo a questo
uno
sappiamo che non ha nessuna probabilità in percentuale di
nella categoria quattro e zero percento tutti di
noi quindi questo è più espressivo perché
quando guardo questo vedo il numero di
possibili lezioni e vedo il
probabilità per ciascuna delle classi e
ancora qui abbiamo zero e uno
perché sappiamo per certo cosa sono quelli
caratteristiche ma non lo avremmo fatto
prevediamo ovviamente che ci sia no
qualcosa come gli zeri e gli altri proprio noi
tutti i computer pensati erano circa 0 e
varianza è tutto onesto è tutto
abilità adatte ora gli zeri non sono di nessuno
solo quattro abilità in modo da prevedere
vedremo diverse probabilità
speriamo che uno di loro sarà davvero
davvero vicino a uno mostrando il giusto
classe ma così come facciamo veramente questo
quindi, se abbiamo una rete ferroviaria noi
potrebbe prendere il primo campione e questo è
i momenti salienti del mio discorso
prendiamo che qualcuno prenderà ciascuno
caratteristica lo ha inserito in un nuovo nome romano da
lì che ovviamente significa che nel
input lì ho bisogno di avere come te
sapere come ho caratteristiche
così infatti è un migliaio di pixel
qui sarò il migliaio qui
va bene e poi lo farò moltiplicare
accumula usando i rifiuti della rete
Farò funzionare le funzioni di attivazione ok
questo è chiamato propagazione in avanti e
A Dio piacendo, arriverò e scapperò in profondità
volendo otterrò degli zeri ovunque
fatta eccezione per la nuova corsa per il diritto
classe okay che richiede di nuovo che io
avere come forse come fare un Isacco
classi quindi se ho un ID di dieci classi anno
dieci ok così in un mondo perfetto questo è
come funzionano le cose, ma ce ne sono due
le risposte a me hanno davvero una risposta come
addestrate la rete come trovate
i pesi corretti e otterremo davvero
zeri quindi cosa concede permesso e cosa noi
attenzione è la precisione va bene si vede
il numero di previsioni corrette per
il set di dati diviso per il numero totale
di finiture è la sua massima precisione
dove abbiamo imparato con successo
stato previsto va bene così in poche parole
vediamo dove stanno cercando di fare
cercando di spingere ritratta in avanti
propagare i campioni e leggerne alcuni
Risultati sull’uscita lì e
speriamo che siano corretti ma, naturalmente
inizialmente non funzionerà come
perché di solito sono tutti quei modi
più o meno valori casuali va bene non lo è
Saranno tutti zeri in tutti i fatti casuali
ci sono molti modi per inizializzare quelli
pesi, ma ancora una volta, manteniamolo semplice
dite che sono casuali, quindi se prendo un
campione qui e due in avanti mi si propaga
otterrà qualcosa se vuoi l’altro
e non capisco nemmeno che non sia nemmeno
che non ho potuto ottenere un po ‘di tempo nel torto
posizione e zeri ma voglio solo
andare in giro per essa, ma credo di essere troppo
pigro per risolvere questa animazione come loro
progetto così inizialmente avremo pienamente
filmati casuali, quindi se vedi questo
rete come una cattiva funzione va bene così questo
è il e tutte le onde sono il
parametri, quindi calcoliamone il relativo
categoria quindi ho bisogno di misurare il
differenza tra il valore reale e
il valore previsto e non è nessuno
facile come sai sottraendone uno
l’altro perché ovviamente questi sono
i vettori giusto per cui si desidera misurare il
differenza tra due abilità di vettori
in modo da utilizzare le funzioni di perdita per fare questo
okay non devi preoccuparti troppo
a tale proposito perché sono implementati
sulla libreria va bene così l’ultima funzione
calcolerà l’ errore
quindi potremmo dire bene una volta che conosciamo il
errore ad esempio quindi in modo magico
potremmo andare a twittare le onde e provare
per ridurre l’errore che ne esegue un altro
prova e fallo di nuovo ancora così
il più delle volte quasi sempre
in realtà lavoriamo con lotti di campioni
non suoni individuali, quindi cosa siamo
lo farò, prenderemo un mucchio
di campioni
potrebbe essere 32 64 128 campioni
correremo ognuno di loro attraverso il
modello e stiamo andando a sommare tutto il
errori individuali
okay e questo mi dà un errore batch ora
con quell’errore di patch che posso fare
decisioni fino a un giorno per farlo
consente un allenamento più veloce e ha
sull’altro
esattamente andare mini-batch di formazione che è
il tempo esatto così fondamentalmente ora lo sappiamo
che lo scopo del processo di formazione
è quello di ridurre al minimo la perdita e minimizzare l’errore
ridurre gradualmente l’errore di tradizione
partita per partita regolando i pesi
va bene così per il lotto ma solo un modo
come e poi speriamo di aver fatto il giusto
decisione e poi a un altro lotto e io
solo di nuovo e se prendi la destra
le decisioni tutte le volte che il peso
aggiornamenti quindi abbiamo effettivamente ridotto il
errore graduale ok quindi questo è ciò che il
il processo di formazione sembra così
i dati separati set di dati di formazione noi
affettare in qualsiasi secondo lotto e di nuovo
di solito le biblioteche lo faranno per
noi quindi è il lavoro che propaghiamo ognuno
campione di quel lotto uno dopo l’altro
sommati tutti gli errori che incontriamo in un batch
sempre e poi arriva la magia
propagazione back dell’algoritmo che va
dal livello di output in avanti
strato e più tardi da lì si adatterà
i modi in cui ogni singolo modo nel
direzione che sappiamo riduce l’errore
ricorda pesi o flussi, quindi non lo faccio
voglio te, ma io sai che c’è davvero
due opzioni che sono a destra posso aumentare
e io posso diminuirlo così per ciascuno di
in quei modi l’ altra stessa area di cui ho bisogno
decidere se dovrei includere
o diminuirlo disponibile per ridurre il
altro in modo che la proposizione lo faccia per
questo strato e poi lo farà di nuovo
fino in fondo e poi lo facciamo
di nuovo con un altro lotto ancora e ancora
se prendi le giuste decisioni se tu
aggiornare i pesi correttamente che prendiamo
errore giù bene e se lo fai per
molti lotti destra passo-passo che si ottiene
a un eretico e alla fine ottieni
alla fine del tuo set di allenamento ora questo
si chiama 1 su e ci stiamo allenando
per molti una scatola è normale allenarsi
forse 100 100 200 300 dollari quindi è così
un sacco di elaborazione iterativa inviando un
la moltiplicazione del lotto si ripete nuovamente
e fino a quando non raggiungi la fine della data
impostare e quindi ricominciare da capo e
ancora e ancora e così gradualmente se tu
prendi le giuste decisioni a tuo modo
convergere per recuperare un insieme di pesi
giusto che ti danno un ottimo e se
hai molto poco errore hai molto
alti hacker dice ora la cosa magica
ovviamente è come potremmo saperlo
se in questo modo dovrebbe essere aumentato o
è diminuito di questo
questi oli hanno ragione di quella roba che è la
po ‘di magia va bene e sfortunatamente io
Devo riportarti al liceo per
un minuto
Ricordo i derivati dopo la pubertà I
dovrebbe essere andato a che l’ossessione morti
Lo faccio, sto dicendo cose così
i derivati ti danno la pendenza
okay e ovviamente quando conosci la pendenza
sai da che parte è e da che parte
è giusto immaginare una semplice parabola
funziona così e va bene
qualsiasi punto in là e prendi la tua pendenza
e ora immagina quello nella tua testa così tu
sapere se siete sul lato destro e sul lato del
l’asse giusto molti x positivi per x
troppo lento quindi probabilmente si è verificato in questo modo
è poco tempo come questo quindi se tu il
la pendenza è positiva, quindi se aumenti X
l’uscita il valore Y aumenta così bene
svegliarsi se si riduce il valore XY verso il basso
quindi di nuovo suppongo che la differenza qui
queste funzioni sono multiple
parametri destra in modo y uguale a X
power 2 è semplice qui in questo è
come in questo esempio qui in questo modo
l’ output qui dipende da tre
i parametri vanno bene così la funzione di errore
qui deve essere vero
okay, quindi devi calcolare parzialmente
i derivati vanno bene così è quello che torna
la propagazione sta per farlo sta andando a
calcolare la derivata parziale con
rispetto per ogni posto e sta andando a
decidere se un Brett a corto di
giorni in cui aumentiamo o diminuiamo quello
la proprietà è così che va bene niente di meno
niente e potrebbe sembrare strano o
complicato se si fa prendere un sacco di
calcolo ma quello è e ancora una volta il
il tea party che Larry sta facendo automaticamente
per te
Il 99% delle volte si vuole solo andare da
funziona così fortunatamente relativamente a loro
va bene, ecco cos’è la propagazione posteriore
lo farò e una volta che avrà lo sloveno
sa come aggiornare i pesi o
verso il basso per andare a un tempo il valore più basso in modo da
tre cose importanti anche tu –
sospiri – tè giusto
hai lotti molto piccoli addestrati
abbastanza lento, giusto, Jeff ti mette in serie
potrebbe leggere più velocemente ma non si ottiene così
molti colpi a backpropagation potrebbero non farlo
converti molto bene, scopriamo il
giusto il tasso di apprendimento influenzerà
la dimensione dei passaggi che prendi
giusta la dimensione degli aggiornamenti che tu
rendere a quei modi un apprendimento molto piccolo
vota aggiornamenti molto piccoli così potresti essere
andando nella giusta direzione ma molto
lentamente
abbiamo grandi tassi di apprendimento di te
fare aggiornamenti molto grandi ai modi e
potrebbero in realtà essere troppo grande
la densità e il numero di mele è
in realtà
questi sono chiamati parametri di Hydra e
ci sono in particolare risultati dei dati così
tramite l’ottimizzatore del motore il reale
album che aggiorna le vie di ritorno
la propagazione è l’ intero processo ora il
viene chiamata l’effettiva ondata di database
ottimizzazione e il nonno di
optimizer is sgv è stato inventato nel 1951
anche prima dell’ambiente macchina AI e
il modo in cui il modo di vederlo è immaginare
l’errore funziona come solo due
parametri a destra xey y z qui
va bene così se trama che lo trascuri
sembra così inizialmente xey
avere valori casuali corretti in modo da iniziare
ovunque e tu computi parziali
derivate di xey per ottenere la pendenza
rispetto a X la pendenza con rispetto
a Y per conoscermi letteralmente in che direzione
in basso forse fai una piccola strana a 2x e
un piccolo aggiornamento a Y in modo che tu vada giù con
e sai che sei nel giusto
direzione per scansionare la derivata raccontata
tu dove andare e lo fai di nuovo e
ancora e ancora
di nuovo, sto solo camminando giù per la montagna
passo dopo passo ne otterrai due molto bassi
forse non il più basso assoluto ma molto
basso valore e questo è ciò che è GD
ma vedi questo è iterativo sì?
Va bene così abbiamo bisogno di fare questo molte volte
perché tendiamo a fare piccoli passi in giù
la montagna quindi dobbiamo allenarci a lungo
abbastanza per ottenere effettivamente un carico e il
la dimensione del passo è davvero il tasso di apprendimento così
se hai una misura molto piccola di te
capire che ci vorrebbero sempre
ottieni qui un grande tasso di apprendimento che potresti
effettivamente rimbalzare a destra potrebbe prendere gigante
passi e non sei in grado di andare giù
quindi forse salti da qui a qui e
allora da qui a qui stai prendendo
molti che sono troppo grandi per davvero
arrivare a così SGD è solo un modo di fare
ci sono altri ottimizzatori da vedere
qui in particolare l’altra famiglia di
elevazioni adattative e come puoi vedere
qui questi hanno molte belle proprietà
evitano di rimanere bloccati su questo punto
qui c’è un singolo punto in realtà
sconfiggere sge perché ancora in questa direzione
si ok questo è un minimo ma in questo
direzione è un massimo
va bene così se ti ricordi dalla scuola superiore
la derivata sarà 0 per il minimo e
massimo quindi se tu se finisci esattamente
qui allora la derivata è zero in tutto
indicazioni e tu rimani roba così è
non va bene così comunque questo ottimizzatore può
rompi il più moderno possibile
uscendo da quelle tradizioni ma
ancora più importante possono effettivamente
rilevare la pendenza che possono capire no
solo dove è giù ma quanto è ripida
pendenza è e si può accelerare va bene così
in realtà diventi più veloce ma, naturalmente
la vita non è mai facile e cosa succede se l’altra
la funzione sembra proprio giusta
immagina che iniziamo qui sul rosso
montagna e scendiamo e viviamo
qui e dovunque guardiamo fa caldo
okay, quindi restiamo bloccati in quel locale
minimo con un valore di errore qui
molto più grande che consapevolmente sarebbe più
desiderabile per essere qui in questo modo c’è un
grande dibattito nell’apprendimento profondo
comunità su queste cose davvero
esiste e se lo fanno fanno male
il processo di formazione e come si rompe
fuori da quei punti ecc ecc tutto bene così
per fare una storia molto lunga molto breve se
sei curioso di questo mi riferirei
tu a questo
bravi compagni nella fila in alto sono
ricercatori e ha effettivamente capito
che sì , possiamo effettivamente vedere cose come
Questo
ha perso le funzioni per le reti neurali
ma a quanto pare siamo ordinati bene
il processo di allenamento li evita e e
non ci stiamo bloccando molto superficialmente
se non riesci a dormire, lo consiglio davvero
e poi allora si può andare e leggere tutto
gli articoli a cui si fa riferimento e
allora non dormirai mai più ed è così
affascinante quindi il processo di allenamento
dovrebbe funzionare bene e, naturalmente, abbiamo bisogno
per misurare quanto bene così manteniamo la parte
dei dati per avere la convalida e
alla fine di ogni rete stiamo andando
per predire quei campioni che il
rete non ha ancora visto bene e e
misureremo gli attori e questo
ci darebbe un senso di quanto bene
modello di allenamento tutto ciò che modella
la formazione dovrebbe dire generalizza a
campione che ha
questa è una cosa veramente importante
e poi, una volta finito l’ allenamento, lo saremo
andando ad usare un forno tranne che chiamato il
set di dati di prova e questo solo darà
noi alla fine della sperimentazione
una volta che lo avremo fatto, lo farà
darci una precisione di riferimento di riferimento
per questo la formazione si prepara ad allenarsi
convalide impostate per verificare la precisione dopo
ogni epoca e una volta completato il cane
modellando il modello che esegue il set di prova
insieme per ottenere un vegetale, quindi dovrei
trama tutto apprendista esterno il
dati di allenamento vedremo che ci andremo sopra
rapidamente poi sarà Plateau
e se tu lo sapessi abbastanza a lungo, lo riceverai
guardi la funzione di perdita no
sorpresa, è quasi arrivato
zero se si traccia l’accuratezza della validazione
è sguardo andando in questo modo ancora una volta è
andando a salire poco dopo Plateau
di nuovo se ti alleni abbastanza a lungo che cade
e mai davvero recuperare e per essere in grado
per essere veramente preciso al punto di urto qui
che il vero valore più alto che poteva
si, è già così molto male
e pieno di sovralimentazione che è un
grave problema
generale e over-fitting significa davvero
ti alleni così tanto sul set di allenamento
che non puoi prevedere altro
l’ unica cosa da imparare è prevedere
il tuo allenamento è il tuo modello
semplicemente troppo specializzato
non generalizza fare il campione e
ovviamente è perché quello che vuoi
fare è un modello che generalizza bene
a voi campioni per campioni che il vostro
gli utenti invieranno quindi è necessario addestrare per
abbastanza a lungo per arrivare a quella massima precisione
e questo è ovviamente l’unico F box tu
vogliono mantenere a posto, ma è difficile
cast che quindi quello che fai veramente sei tu
Allenati, va bene, tu salvi
montagna alla fine di ogni sviluppo
e poi tracciate tutte quelle attrici
che ti rendi conto che mi sono allenato per 200
F dollari ma in realtà quello superiore lungo
con la precisione della validazione non è mai
sapere in anticipo quindi se sommiamo le cose
l’apprendimento approfondito riguarda la ricerca di un locale
minimo un minimo non il minimo
perché non sarai mai sicuro di te
in realtà ha trovato il punto più basso in questo
funzione di errore è stato per imparare ad essere
np-hard è molto, molto difficile, è il
i problemi più difficili in informatica così è dentro
PR quindi non saprai mai se tu
in realtà ha trovato il globale
tutto quello che ti interessa è un minimo che sia
abbastanza buono per il tuo problema di lavoro
giusto se il tuo problema aziendale richiede
che dicono il 95% di precisione e ottieni
a 95 101 bene bene perché vuoi spendere
le settimane e i mesi che cercano di arrivare a 97
se non ci sono valori di business quindi basta
bisogno di arrivare a qualche valore netto minimo
Siamo fottuti
e, naturalmente, se puoi, trovalo
veloce va bene perché puoi allenarti
più veloce risparmi e se non riesci a trovare
è ancora e ancora ecco perché – perché
ti allenererai molte volte di cui avrai bisogno
per trovare tutto bene abbiamo finito con
teoria quindi diamo un’occhiata a un esempio ora
quindi proveremo davvero qualcosa
lavoreremo con un semplice set di dati
ma in realtà hai sentito almeno ascoltato
almeno è un set di dati di
centinaia di cifre
sei stato stasera e tu l’hai fatto
70.000 di quei 60k per l’allenamento di 10 K
per la convalida e ci proveremo
e impara quelle immagini così andiamo
prova a fare esattamente quello che ho descritto
prima, quindi prendiamo le immagini che appiattiamo
li in vettori e ne usiamo completamente
rete connessa per prevederli ok
Lo farò per la Jeep che corre
libreria chiamata Apache la prossima volta quindi io
è necessario scaricare il set di dati su ciascuno
altro prima che ho bisogno di importarli
aspetto che io abbia 2450 dollari in una scatola che ho
iteratore per tagliare mi dispiace
il data center si adatta bene quindi non mi serve
preoccuparsi di affettare e tagliare a dadini
ma non è per me e lo farò
costruire una semplice rete completamente connessa
quindi questo è il mio livello di input che chiamo dati
e MX net la ridimensionerà automaticamente
invita guardando le dimensioni di questi
campioni sto appiattendo i dati come me
ha detto bene, quindi sono le immagini 2D che
sono 28 per 28 pixel diventano un vettore
di 784 byte e quindi sono un primo completo
studente connesso con 1024 neuroni
attivato da pallone quindi sono un
fattore secondario del mondo atteso
valore e poi ho l’altro
con dieci tamburi perché ne ho dieci
categorie perché giusto è come io
definire il mio modello ok ora ho bisogno di
decidere dove allenarsi così sul treno di
GPU perché sto andando a trovare il modello
che ho definito i set di dati che io
caricato nell’iteratore
e poi sceglierò l’ottimizzatore
la formazione va bene e quindi ciò che vediamo
ecco le batterie che vanno e che vanno
la scatola che passa
va bene ed è abbastanza veloce perché è un
GPU ed è un set di dati molto piccolo
okay, arriveremo alla fine del
cinquanta una scatola che ho fatto prima
interesse del tempo non ci vuole molto
e poi posso dire che modello mi arriva
novantotto punti quattordici attrici
che faccio le feste di guardia e posso salvare
tutti si astengono da tutti i pesi
ho studiato
l’attore Sega e ovviamente ora potrei
Provalo
quindi, quanto è buono, 98.30 ?
è davvero buono quindi quello che ho fatto è io
ho scritto che ho scritto sono cresciuto ho fatto crescere alcune cifre
con il pennello ok, ci siamo registrati fino a 28
28 ora provero ‘a inserirli e
guarda come lo facciamo qui, quindi cosa devo fare
è quello di caricare il modello che ho appena addestrato
che dura circa 4 e poi posso
inoltrare quelle immagini nel si ok così
puoi vedere i miei insegnanti qui e te
può vedere le uscite ok così io per ciascuna
digitate le dieci province ricordate
questo è ciò che incontriamo sull’altro che abbiamo
dieci errori anche e leggiamo il
probabilità per ciascuno dei dieci
classi quindi il primo valore qui è circa
è per la classe zero, quindi questo è molto alto
quale che è grande e ho 99
cento cinquanta sei percento Oh classe zero
va bene, il mio è classificato
abbastanza bene per i due è molto bello così
non lasciarti ingannare non ci sarà mai
essere zero non è una volta, perché io sono
fermandosi a quattro decimali e viene da
va bene così questo dice davvero che è a
meno punti in diciannove
quindi funziona bene due tre quattro cinque sei
sette e poi nessun sentimento semplicemente
sbagliato come al solito si zero uno due tre
quattro vanno bene così le loro più alte probabilità
quattro più quattro, quindi mia mamma è qui
calcolato da questo brutto nove e prende
quindi eccoti
poi ogni punto qualcosa di precisione e
allora provi dieci e uno di loro se tu
voglio così la morale qui non è mai veramente
la convalida della fiducia fa affidamento sulla tua fiducia
proprio suono assicurati di usare altro
esempi quindi cosa abbiamo sbagliato?
abbiamo fatto a quelle immagini ricordate sì
li abbiamo appiattiti non è una buona idea
giusto probabilmente non perché tu lo conosca
diciamo che sai guardiamo questo
otto che incrociano qui, se puoi
imparare a riconoscere forme geometriche noi
vorrei riconoscere questa croce in
al centro dell’AIDS e vorremmo saperlo
di sicuro
non ci sono altre risorse digitali così quando
noi appiattiamo noi perdiamo questo spazio
relazione tra risorsa così
probabilmente così è per questo che è il motivo
quando lavoriamo con le immagini tendiamo a lavorare
con un nuovo tipo di rete chiamato
convoluzione dei livelli e
le reti neurali di convoluzione sono abbastanza
diverso perché lavorano su 2g
o dati di dimensioni 3D o multiple
non appiattiscono le cose e le basi
l’idea qui è quella in una convoluzione
rete avrete più fasi ok
quindi ecco uno qui è due e questi
le fasi sono solitamente la convoluzione
operazione seguita da un raggruppamento o
operazione di sottocampionamento in modo tale da spiegare
convoluzione davvero libertà se giochi
con un’app di modifica delle immagini che hai fatto
queste persone hanno la convoluzione giusta
prendendo una piccola matrice come questa o una
filtro o kernel ok e ha bisogno di
avere i giusti valori e basta
e ricomincia dall’angolo in alto a sinistra
e tu lo fai scorrere sull’immagine
destra da sinistra a destra e si esegue il
operazione di convoluzione che è giusta
prendendo il pixel dell’immagine il pixel
nel filtro moltiplicandoli e poi
facendo questo per i nove pixel e
aggiungendo tutti e nove in una nuova immagine così
questo è ciò che sta facendo scivolare la convoluzione
filtrare e moltiplicare il sottostante
pixel dallo spirito dei pixel e
aggiungendo tutto e se scrivi te
scrivi i valori che ottieni in qualcosa di simile
questo va bene così si potrebbe chiamare questo su
il rilevatore di bordi ha il vantaggio
di quel pezzo quindi se questo fosse un cane o un
gatto o un elefante avremmo abbastanza
informazioni lasciate qui per sapere che è ancora
ancora abbiamo buttato via molte informazioni
tutti i pezzi neri della terra no
avere informazioni su e questo è
quale convoluzione fa i suoi filtri
estrae funzionalità così qui le funzionalità
sono il bordo che dipende anche dai valori
molte cose diverse vanno bene così
cosa fa la convoluzione e in realtà tu
impara a usare più filtri e
questo è ciò che il processo di formazione apprende
inizi con filtri casuali e usando
propagazione posteriore e lo stesso identico
cosa ho spiegato prima che tu impari
i valori del filtro che ti permettono di estrarre
le caratteristiche okay probabilmente hai sentito
quell’apprendimento più profondo estrae le caratteristiche
automaticamente a destra capisce
automaticamente ciò che è importante in
foto e cosa non lo è
è così che va bene impara
quale valore dovrebbe essere in quei filtri per
effettivamente estratto utile
il funzionamento e poi così si esegue questa operazione possiamo
essere 20 o 30 o 50 filtri perché tu
vuoi imparare ad estrarre le tue caratteristiche
non è possibile estrarre i bordi che puoi
impara ad estrarre il contrasto per spiegare
linee verticali e oh e poi corri
la messa in comune va bene che sto mettendo è molto più economico
mettere è solo ridurre il
immagine perché come puoi vedere qui noi
buttato via molte informazioni che noi
potrebbe buttare via molti di quelli neri
anche pezzi così tirando e diciamo
facciamo due a due in pool è abbastanza
semplice prendere blocchi di 2 per 2 pixel
e tu tieni solo quello più alto ok
il pixel più alto perché il
la razionalità è il pixel più alto è il
pixel più luminosi
okay, davvero quello che vuoi fare è
mantieni i pixel più luminosi se rimani
qui giusto se guardi per gettare via
alcune cose che vuoi mantenere e questo è
come funziona il completamento così da estrarre
le funzionalità riducono l’immagine estratta
le funzionalità riducono di nuovo l’immagine sul
immagini e poi finisci con un mucchio
di immagini minuscole che non somigliano
l’ immagine originale ma loro hanno
le giuste informazioni in loro e poi
puoi appiattirli e usarne uno completamente
rete connessa che è il mio meglio
versione di tre minuti di
sì, c’è molto altro da dire
ma questa è l’intuizione di cui hai bisogno
costruire intuizioni è molto molto
è molto diverso perché la matematica
e la teoria diventa pazza e questo è un
modello molto semplice lo stato dell’arte
quelli che hanno centinaia di strati ma
hai bisogno di capire cos’è la convoluzione
sai se hai imparato i filtri
aiuta ad estrarre funzionalità e una volta che hai
le funzioni estratte utilizzano pixel neri e
è così che riduci le immagini molto grandi
a quelli molto piccoli mentre mantiene il
informazioni giuste in modo da dare loro tutti
tipi di cose pazze con questo voglio
sottolinea che questo nero è open source
iniziando uno nuovo è in realtà un API
in cima ad un eccellente è bianco tu
non vedrà enorme è la visione del computer e
la cosa bella di questo è che ha
una raccolta di tre modelli di allenamento
okay, questi sono abbastanza avanzati
neurale convoluzionale molto avanzato
reti che possono fare classificazione
segmentazione di rilevamento e potrebbe essere a
sacco di lavoro per formare quelli soli
giusto e non ne hai bisogno
le persone che ho fatto per te vanno e basta
dai un’occhiata al blu, ne vedrai alcuni
alcuni esempi ed è cinque righe di
codice per insegnare agli altri a destra caricare il
il modello prevede di stampare i risultati e tu
può avere modelli all’avanguardia da fare
cose pazze come questa e ovviamente te
potrebbe addestrarli di nuovo sui propri dati
potresti iniziare dalla formazione gratuita
modellarli e perfezionarli
sul tuo governo per avere il
il meglio di entrambi i mondi e questo è ciò che è
sbaglio okay facciamo un rapido test
quindi proveremo di nuovo quella lista okay
ma questa volta proveremo a
semplice CNN ed è praticamente l’unica
hai visto su quel vetrino che si chiama
fascino netto perché è stato inventato da un
ricercatore o ragazzo ricco di account yahoo
parla al ricercatore di IA che lavora per il fisico
quindi questo è praticamente ciò che la rete
sembrerebbe di nuovo con loro
costosi includono i dati un primo
strato di convoluzione ingannare dopo un secondo
convoluzione lì un altro strato di rivestimento
e poi appiattire e quindi utilizzare a
strato connettivo per classificare bene voi
potrebbe letteralmente leggere il documento di ricerca
e lo codifichi perché lavori e basta
al loro livello ci alleneremo su GPU
di nuovo ho intenzione di usarne un altro
ottimizzatore nell’interesse del tempo I
già addestrato ne prende un paio
minuti senza motivo per perdere tempo e noi
arrivare a novantanove punto quindici okay
che è un po ‘più alto di un completamente
collegato uno a destra ma ora siamo
scrittori attenti , siamo rimasti delusi
prima di allora come ancora circa proviamo
quindi sono carico solo andando che si modella
che ho appena allenato bene e ho intenzione
per prevedere di nuovo le mie cifre okay, quindi zero
e quelli che per funzionare capisci
estremo
se mai sono più alti di prima
e nove ok ancora non perfetto ma questo
è la massima precisione questo è il
la più alta probabilità per le dieci classi
quindi questo risentimento va bene a zero uno due tre
va bene sembra un tre quattro
cinque sei
sembra essere un sette ma va bene se
Devo fare una chiamata che dirò stasera
in modo da vedere si può ancora non si sa
può ancora aggiornare il modello e provare a
in realtà riesco a classificare quella notte di più
con precisione ma generalmente questo è il motivo per cui noi
lavorare con la CNN perché la CNN apprenderà
le caratteristiche ed è abbastanza possibile
che c’è una caratteristica in là che noi
impara a scoprire quell’idiota idiota
è molto probabile che sia in lì ho
dovrebbe controllare e questo è reale distinto
funzionalità per la CN8 v8 appena elaborata
quindi ci sono molti modi in cui puoi provare
aumentare si potrebbe avere più strati di te
avere livelli più profondi hai più filtri
sai che è un nido di qualcuno dentro
più profondo è lì che smette di essere
scientifico e diventa cucina
ricette in modo da poterlo fare, ma penso
quello che sarebbe davvero interessante è
ispezionare i filtri piuttosto e
in particolare per un for
campioni a basso rendimento come questo tu
sapere prevederli e ispezionare due strati
e vedere quali filtri sono reagendo
quello che si poteva vedere il motivo per cui lo fa per
albero ha quella speranza che forma il cerchio
quello potrebbe essere un 3d giusto e poi di
Naturalmente il percorso inferiore non sembra
Java per essere interessante osservare la
i filtri guardano i livelli e capiscono perché
cosa viene attivato da questo a cosa è stato fatto
e forse ho solo bisogno di più nove campioni
e forse ho solo tre campioni per aiutare
il negativo è molto diverso
ma sì, non ci sono molti modi per farlo
ma sarebbe guardato in dettaglio
il campione è il
quindi la domanda è quali sono questi i miei
le foto sul colore, quindi se ne hai
le immagini colorate fondamentalmente il
la differenza è che mi lascia andare alla mia diapositiva
è che qui vediamo la convoluzione in piano
le cose vanno bene, ma puoi farlo
convoluzione multidimensionale quindi se
hai un’immagine a colori che avresti
tre canali rosso verde e blu ok
quindi ogni immagine sarebbe effettivamente potrebbe
in realtà sono tre ok e tu corri
non un filtro convoluzione schiaffeggiato ma tu
preferirei cubettare la tua convoluzione
l’immagine non sarebbe appiattita per battere
tu e tu lo avresti eseguito sui tre
canali stessi ID che faresti scorrere
quel cubo dentro quella forma 3d oh sì
ci vorrà più tempo sì, ci vorrà
più tempo e convoluzione è il motivo per cui tu
bisogno di usare perché non sono pesanti
operazioni e se si esegue lo stesso
esempio di convoluzione CPU ed è facile
per parallelizzare il contributo così noi
assolutamente giusto se si utilizza se non lo fai
Devo lavorare con le immagini a colori proprio se
puoi vivere con per ottenere un buon risultato
con bianco e nero o in scala di grigi secondo
domanda si prega di utilizzare rosso skelton volontà
risparmiare più tempo okay okay solo cinque
minuti quindi meno di quello che voglio
menzione è che è un nuovo esame ancora un altro
rivelatore e questi sono entrambi LST M così così
questo è completamente collegato alla CN n
e questi non hanno memoria per niente
potresti fare 100 foto per prevederle
in qualsiasi ordine e ottieni sempre lo stesso
i risultati sono davvero apolidi
nessun ricordo e questo non funziona davvero
quando hai bisogno di prevedere le sequenze così
per esempio se vuoi prevedere il tempo
serie se vuoi pronosticare se tu
voglio fare la traduzione automatica quando noi
traduci noi non traduciamo il lavoro o
lavoro ovviamente guardiamo la parola o
cambiarlo per la traduzione ma noi
guarda anche le prime parole così è
perché questa evanora LST è stata inventata in
in poche parole lo mantiene ha una memoria che
ricorda le ultime previsioni e
quindi fa davvero un buon lavoro al testo
traduzione della macchina di elaborazione esattamente
spiegare questo di nuovo gratuitamente
immergersi non è poi così male come un esempio
un progetto che utilizza questo è che il WS
progetto è un progetto open source per
Stuntman che usa un LS TM
architettura per costruire macchina
modelli di traduzione in modo da poter goccia che
progetto treno con l’ olandese per l’inglese
set di dati e solo poche barre costruiscono un
piuttosto bene è sempre
e l’ architettura va bene e potresti perdere
Voglio mostrarti le cose pazze e
questi sono chiamati Gans che significa
generative reti avversarie e bene
sai chi sono queste persone e lui
fan del cinema fan della TV e tu sei serio
le persone che non guardi la TV, nessuno sì
sono i vostri sospetti, ma hai ragione a
sii diffidente perché queste persone non lo fanno
esistono okay queste facce sono state
generato da ancora bene a guardare
il set di dati era la celebrità del modello
impara come costruire volti simili e
non è taglia e incolla, sai che non lo è
le orecchie di un ragazzo nel naso di
un altro ragazzo è davvero gente che guarda
come quelli alla base va bene questo è
il progetto tensorflow e su questo
ti ricordi quando avevi cinque anni
ti sono uniti a cose come questa e mamma
e papà era così colpito e se tu
hai dei figli che probabilmente hai questo sul tuo
il frigorifero come me va bene si chiama semantico
abbinarsi bene così diversi colori per
cose diverse e ricercatori che usano a
mappa semantica e set di dati, ovviamente
può generare immagini così da dare il
mappa semantica e il modello automaticamente
genera un’immagine realistica basata su
che questo è un progetto folle è così
stato un titolo e nessuno ti ha guardato
può ingrandire su quelle immagini e
c’è molto quindi se un utente può essere davvero
interessante anche più di tutto giusto
trenta secondi è appena uscito
ne senti parlare delle piante di tè che puoi
ordinalo da è disponibile sei giugno
Quattordicesimo ed è la macchina da presa in profondità che
è abbastanza potente da eseguire modelli di immagine
nel campus in modo da poter formare un modello
il cloud che la tua macchina non ha importanza
e quindi è possibile distribuirlo sulla fotocamera
e puoi eseguirlo localmente sulla videocamera
ed è molto divertente se fai qualcosa
così giusto è una foto della mia TV
e questo non è un modello strutturato okay così
è come se fosse un video live ma di
Ovviamente ho appena fatto una foto qui e come
puoi vedere la sedia è correttamente
rilevato e il divano è correttamente
detective il portatile va bene anche mio figlio
e io stesso le persone migliori a cui è destinato
certo ed è tutto in diretta live
cam con un modello che si distribuisce essa
lì e un pezzo di codice o lambda
funzione che è stata distribuita a
account e in esecuzione, quindi è completamente
autonomo fatto con il cloud solo
lavori
– piani molto divertenti ne troverai tantissimi
risorse quindi se vuoi immergerti
un po ‘più profondo questi sono gli otto
URL ovvi per l’apprendimento automatico e
il blog le pagine delle reti MX a destra
ricerche vogliamo lasciare anche se tu
bisogno di formare insieme che non ho
parlarne oggi
vita ma potresti essere interessato a
un produttore di palcoscenico utilizzabile che ti alleni
modelli molto grandi di gestione 2d
l’infrastruttura mi fa domande se
ti piace e, naturalmente, più di
felice se hai dato un’occhiata al mio blog
medio dove inserisco molte macchine
roba di apprendimento e debug
Farò un sacco di video su YouTube
anche da conferenze e vertici AWS
quindi potresti scoprire cose interessanti
lì e non so chi sia il
i nodi utilizzati oggi sono
per il trattamento di tuo fratello come pure tutto bene
Ho finito, grazie mille
Mi terrò in giro per domande e
grazie ancora
tu
Please follow and like us: