در این مطلب، ویدئو TensorFlow 2.0 Crash Course با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 2:13:16
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,399 –> 00:00:02,560
سلام بچه ها و به یک محصول جدید خوش آمدید
2
00:00:02,560 –> 00:00:05,359
مجموعه آموزش شبکه های عصبی با
3
00:00:05,359 –> 00:00:08,639
python و tensorflow 2.0 در حال حاضر tensorflow
4
00:00:08,639 –> 00:00:10,480
2.0 نسخه کاملاً جدید است
5
00:00:10,480 –> 00:00:12,719
تنسورفلو در واقع هنوز در آلفا است
6
00:00:12,719 –> 00:00:14,799
در حال حاضر مراحل انجام شده است، اما باید باشد
7
00:00:14,799 –> 00:00:17,039
ظرف چند هفته آینده منتشر شد اما
8
00:00:17,039 –> 00:00:18,800
زیرا یک آلفا tensorflow است
9
00:00:18,800 –> 00:00:20,240
به اندازه کافی مهربان بود که ما را آزاد کرد
10
00:00:20,240 –> 00:00:21,840
نسخه آلفا بنابراین این چیزی است که ما می خواهیم
11
00:00:21,840 –> 00:00:24,000
در این مجموعه آموزشی کار کنید
12
00:00:24,000 –> 00:00:26,560
و این برای همه آینده کار خواهد کرد
13
00:00:26,560 –> 00:00:29,279
نسخه های تنسورفلو 2.0 پس چنین نباشید
14
00:00:29,279 –> 00:00:31,519
قبل از اینکه من هم نگرانش شوم، اکنون نگران آن هستم
15
00:00:31,519 –> 00:00:33,120
من فقط می خواهم به این اولین ویدیو بپردازم
16
00:00:33,120 –> 00:00:34,800
به سرعت به شما یک نمای کلی از دقیق ارائه می دهد
17
00:00:34,800 –> 00:00:35,840
کاری که من قرار است در کل انجام دهم
18
00:00:35,840 –> 00:00:37,440
این سریال تا شما بچه ها ایده ای داشته باشید
19
00:00:37,440 –> 00:00:39,760
انتظار چه چیزی را داشته باشید و چه چیزی را می خواهید انجام دهید
20
00:00:39,760 –> 00:00:41,840
اکنون ویدیوهای ابتدایی و
21
00:00:41,840 –> 00:00:43,040
به خصوص این یکی قرار است باشد
22
00:00:43,040 –> 00:00:45,200
اختصاص داده شده به درک چگونگی یک عصبی
23
00:00:45,200 –> 00:00:47,200
شبکه کار می کند و من فکر می کنم این است
24
00:00:47,200 –> 00:00:49,280
کاملاً اساسی است و شما دارید
25
00:00:49,280 –> 00:00:51,600
داشتن نوعی مبنای ریاضی
26
00:00:51,600 –> 00:00:53,280
پشت یک شبکه عصبی قبل از اینکه شما باشید
27
00:00:53,280 –> 00:00:55,360
واقعا قادر به در واقع
28
00:00:55,360 –> 00:00:58,320
یک now tensorflow را به درستی پیاده سازی کنید
29
00:00:58,320 –> 00:00:59,920
واقعاً کار خوبی برای ساخت آن انجام می دهد
30
00:00:59,920 –> 00:01:01,840
پیاده سازی شبکه های عصبی بسیار آسان است
31
00:01:01,840 –> 00:01:03,920
و از آنها استفاده کنید اما در واقع یک
32
00:01:03,920 –> 00:01:05,840
شبکه عصبی موفق و پیچیده
33
00:01:05,840 –> 00:01:07,840
شما باید درک کنید که آنها چگونه کار می کنند
34
00:01:07,840 –> 00:01:09,200
سطح پایین تر، پس این چیزی است که ما هستیم
35
00:01:09,200 –> 00:01:10,400
قرار است برای چند نفر اول انجام شود
36
00:01:10,400 –> 00:01:12,560
ویدیوها پس از آن کاری که ما انجام خواهیم داد این است که خواهیم کرد
37
00:01:12,560 –> 00:01:14,640
شروع به طراحی شبکه های عصبی خودمان کنیم
38
00:01:14,640 –> 00:01:17,200
که می تواند مشکل بسیار اساسی را حل کند
39
00:01:17,200 –> 00:01:20,080
مجموعه داده هایی که tensorflow در اختیار ما قرار می دهد
40
00:01:20,080 –> 00:01:21,439
اکنون اینها کاملاً ساده هستند و
41
00:01:21,439 –> 00:01:22,960
بسیار ساده است اما آنها واقعاً به ما می دهند
42
00:01:22,960 –> 00:01:25,280
بلوک سازنده خوب در درک چگونگی
43
00:01:25,280 –> 00:01:26,720
معماری یک شبکه عصبی
44
00:01:26,720 –> 00:01:28,159
کار می کند که برخی از آنها متفاوت است
45
00:01:28,159 –> 00:01:30,400
توابع فعال سازی چگونه می توانید متصل شوید
46
00:01:30,400 –> 00:01:32,159
لایه ها و همه چیزهایی که خواهد شد
47
00:01:32,159 –> 00:01:34,000
ما را به خوبی در ایجاد خود انتقال دهید
48
00:01:34,000 –> 00:01:36,880
شبکه های عصبی خود را با استفاده از داده های خودمان
49
00:01:36,880 –> 00:01:38,960
برای چیزی مانند بازی در حال حاضر
50
00:01:38,960 –> 00:01:40,479
شخصاً من واقعاً به آن علاقه دارم
51
00:01:40,479 –> 00:01:42,399
شبکه های عصبی بازی می کنند و من هستم
52
00:01:42,399 –> 00:01:44,240
مطمئناً بسیاری از شما نیز همینطور هستند و این است
53
00:01:44,240 –> 00:01:45,439
چیزی که من قصد دارم در نزدیکی انجام دهم
54
00:01:45,439 –> 00:01:46,960
پایان این سری از نوع ما
55
00:01:46,960 –> 00:01:49,119
پروژه بزرگتری را طراحی خواهم کرد
56
00:01:49,119 –> 00:01:51,360
شبکه عصبی و تغییر دادن آن تا بتواند
57
00:01:51,360 –> 00:01:53,439
یک بازی بسیار ابتدایی که من دارم را انجام دهم
58
00:01:53,439 –> 00:01:55,600
طراحی شخصی در پایتون با
59
00:01:55,600 –> 00:01:56,799
pygame
60
00:01:56,799 –> 00:01:59,040
در حال حاضر با آن گفته می شود که نوعی است
61
00:01:59,040 –> 00:02:00,159
برای کاری که قرار است در آن انجام دهیم
62
00:02:00,159 –> 00:02:02,159
این سریال را می توانم ادامه دهم
63
00:02:02,159 –> 00:02:04,000
آینده در ویدیوهای بعدی و لایک کنید
64
00:02:04,000 –> 00:02:05,680
سری شبکه های عصبی بسیار خاص
65
00:02:05,680 –> 00:02:07,759
شاید یک ربات چت یا چیزی شبیه به آن
66
00:02:07,759 –> 00:02:09,520
اما من از شما بچه ها نیاز دارم که به من اطلاع دهید
67
00:02:09,520 –> 00:02:10,878
آنچه می خواهید در نظرات ببینید
68
00:02:10,878 –> 00:02:12,400
در زیر با این که اگر گفته می شود
69
00:02:12,400 –> 00:02:13,760
شما در مورد ساخت سریال هیجان زده هستید
70
00:02:13,760 –> 00:02:15,760
حتما این ویدیو را لایک می کنید و
71
00:02:15,760 –> 00:02:17,520
برای اطلاع در کانال عضو شوید
72
00:02:17,520 –> 00:02:19,440
وقتی ویدیوهای جدید را پست می کنم و با آن
73
00:02:19,440 –> 00:02:21,200
گفته می شود بیایید ابتدا وارد این موضوع شویم
74
00:02:21,200 –> 00:02:23,920
ویدئویی در مورد نحوه عملکرد یک شبکه عصبی و
75
00:02:23,920 –> 00:02:25,920
شبکه عصبی چیست پس بیایید شروع کنیم
76
00:02:25,920 –> 00:02:28,000
صحبت کردن در مورد چیستی شبکه عصبی
77
00:02:28,000 –> 00:02:30,239
و وقتی می شنوید چگونه کار می کنند
78
00:02:30,239 –> 00:02:32,319
شبکه عصبی که معمولاً به آن فکر می کنید
79
00:02:32,319 –> 00:02:34,879
نورونها اکنون نورونها هستند که ما را تشکیل میدهند
80
00:02:34,879 –> 00:02:36,879
مغز و من معتقدم از من نقل قول نکنید
81
00:02:36,879 –> 00:02:39,200
این ما میلیاردها نفر از آنها را در خود داریم
82
00:02:39,200 –> 00:02:41,280
بدن یا در مغز ما در حال حاضر راه که
83
00:02:41,280 –> 00:02:43,599
نورون ها بر روی بسیار ساده و بالا کار می کنند
84
00:02:43,599 –> 00:02:45,519
سطح این است که شما یک دسته از آنها را دارید
85
00:02:45,519 –> 00:02:47,599
به نوعی به هم متصل هستند
86
00:02:47,599 –> 00:02:49,920
فرض کنید اینها چهار نورون هستند و
87
00:02:49,920 –> 00:02:51,760
آنها به نوعی به هم متصل هستند
88
00:02:51,760 –> 00:02:54,080
الگو در حال حاضر در این مورد الگوی ما است
89
00:02:54,080 –> 00:02:56,000
ما کاملاً تصادفی هستیم
90
00:02:56,000 –> 00:02:57,599
فقط دلخواه ما فقط یک را انتخاب می کنیم
91
00:02:57,599 –> 00:02:59,200
اتصال اما این راه آن است
92
00:02:59,200 –> 00:03:00,879
آنها خوب متصل هستند
93
00:03:00,879 –> 00:03:04,159
حالا نورون ها می توانند شلیک کنند یا نه
94
00:03:04,159 –> 00:03:05,760
بنابراین شما باید درست مثل یک روشن یا خاموش باشید
95
00:03:05,760 –> 00:03:08,480
یک یا صفر بسیار خوب پس بیایید بگوییم که برای
96
00:03:08,480 –> 00:03:10,720
به دلایلی این نورون تصمیم به شلیک می گیرد
97
00:03:10,720 –> 00:03:13,760
شاید شما چیزی را لمس کنید شاید شما ام
98
00:03:13,760 –> 00:03:16,080
چیزی را بویید که چیزی در شما آتش می گیرد
99
00:03:16,080 –> 00:03:18,800
مغز و این نورون تصمیم به شلیک می گیرد
100
00:03:18,800 –> 00:03:20,720
در حال حاضر آن را به در این مورد همه متصل است
101
00:03:20,720 –> 00:03:22,800
از نورون های دیگر پس چه کاری انجام خواهد داد
102
00:03:22,800 –> 00:03:24,640
است که به نورون های دیگر خود نگاه خواهد کرد و
103
00:03:24,640 –> 00:03:26,879
اتصال و احتمالاً خواهد شد
104
00:03:26,879 –> 00:03:29,519
باعث شلیک نورون های متصل به آن شود یا
105
00:03:29,519 –> 00:03:31,680
برای شلیک نکردن بنابراین در این مورد بیایید بگوییم
106
00:03:31,680 –> 00:03:33,920
شاید این شلیک باعث این شود
107
00:03:33,920 –> 00:03:36,239
نورون متصل شده تا این یکی را به آن شلیک کند
108
00:03:36,239 –> 00:03:38,000
آتش و شاید این یکی قبلا بود
109
00:03:38,000 –> 00:03:40,400
شلیک کرد و حالا تصمیم گرفته شده که آن را برگرداند
110
00:03:40,400 –> 00:03:42,080
خاموش یا چیزی شبیه به آن خوب است
111
00:03:42,080 –> 00:03:44,400
پس این چیزی است که در حال حاضر زمانی که این اتفاق افتاد
112
00:03:44,400 –> 00:03:46,480
نورون به خوبی شلیک می کند و به این متصل است
113
00:03:46,480 –> 00:03:48,400
نورون و به این نورون متصل است
114
00:03:48,400 –> 00:03:49,680
خوب قبلاً این ارتباط را دارد
115
00:03:49,680 –> 00:03:51,519
اما بیایید بگوییم که شاید زمانی که این یکی
116
00:03:51,519 –> 00:03:54,159
آتش سوزی باعث خاموش شدن این یکی می شود
117
00:03:54,159 –> 00:03:55,920
چون فقط چیزی شبیه به آن شلیک شد
118
00:03:55,920 –> 00:03:57,439
درسته
119
00:03:57,439 –> 00:03:59,040
و سپس این یکی اکنون که آن را خاموش است
120
00:03:59,040 –> 00:04:00,879
باعث می شود که این یکی دوباره فعال شود و سپس
121
00:04:00,879 –> 00:04:02,879
می رود این فقط یک زنجیره شلیک است و
122
00:04:02,879 –> 00:04:04,400
شلیک کردن
123
00:04:04,400 –> 00:04:06,640
و این دقیقاً به نوعی کار می کند
124
00:04:06,640 –> 00:04:09,120
شلیک درست و شلیک نکردن
125
00:04:09,120 –> 00:04:10,159
حالا تا جایی که من می خواهم بروم
126
00:04:10,159 –> 00:04:11,840
به توضیح نورون ها اما این نوع
127
00:04:11,840 –> 00:04:13,599
کمی مبنایی برای الف به ما می دهد
128
00:04:13,599 –> 00:04:15,920
شبکه عصبی در حال حاضر یک شبکه عصبی است
129
00:04:15,920 –> 00:04:18,478
اساسا یک لایه متصل است
130
00:04:18,478 –> 00:04:21,600
نورون ها یا لایه های متصل بسیار متعدد
131
00:04:21,600 –> 00:04:24,000
از نورون ها بنابراین در این مورد بیایید بگوییم
132
00:04:24,000 –> 00:04:25,600
که ما یک لایه اول داریم که می رویم
133
00:04:25,600 –> 00:04:28,080
برای نامگذاری این لایه ورودی ما که دارد
134
00:04:28,080 –> 00:04:31,680
چهار نورون و یک لایه دیگر داریم
135
00:04:31,680 –> 00:04:34,320
که فقط شامل یک نورون است
136
00:04:34,320 –> 00:04:36,960
اکنون این نورون ها به هم متصل شده اند
137
00:04:36,960 –> 00:04:38,720
اکنون در شبکه عصبی خود می توانیم داشته باشیم
138
00:04:38,720 –> 00:04:40,320
ارتباطات ما در موارد مختلف اتفاق می افتد
139
00:04:40,320 –> 00:04:43,120
راه هایی که ما می توانیم هر کدام را داشته باشیم که او چه نامیده است
140
00:04:43,120 –> 00:04:45,759
نورون به نورون های دیگر متصل است
141
00:04:45,759 –> 00:04:47,919
از لایه ای به لایه دیگر یا می توانیم لایک داشته باشیم
142
00:04:47,919 –> 00:04:49,600
برخی به دیگران متصل هستند برخی نه
143
00:04:49,600 –> 00:04:51,919
چند بار متصل شد
144
00:04:51,919 –> 00:04:53,680
این واقعا به نوع آن بستگی دارد
145
00:04:53,680 –> 00:04:55,680
شبکه عصبی ما در حال حاضر در اکثر آنها انجام می دهیم
146
00:04:55,680 –> 00:04:57,280
موارد کاری که ما انجام می دهیم این است که چه چیزی را داریم
147
00:04:57,280 –> 00:04:59,759
شبکه عصبی کاملا متصل نامیده می شود
148
00:04:59,759 –> 00:05:01,840
به این معنی که هر کدام
149
00:05:01,840 –> 00:05:04,400
نورون در یک لایه به هر یک متصل است
150
00:05:04,400 –> 00:05:06,960
نورون در لایه بعدی دقیقا یک
151
00:05:06,960 –> 00:05:09,919
زمان، بنابراین اگر قرار بود نورون دیگری اضافه کنم
152
00:05:09,919 –> 00:05:10,880
اینجا
153
00:05:10,880 –> 00:05:13,120
آنگاه هر کدام از اینها چه اتفاقی می افتد
154
00:05:13,120 –> 00:05:15,360
نورون ها نیز به این وصل خواهند شد
155
00:05:15,360 –> 00:05:17,759
نورون یک بار، بنابراین ما یک کل داشته باشیم
156
00:05:17,759 –> 00:05:19,600
از هشت اتصال به دلیل چهار بار
157
00:05:19,600 –> 00:05:21,600
دو برابر هشت درست است و اینطور است
158
00:05:21,600 –> 00:05:23,680
اکنون برای سهام سادگی کار می کند
159
00:05:23,680 –> 00:05:26,720
ما فقط از um one neuron استفاده می کنیم
160
00:05:26,720 –> 00:05:28,240
لایه بعدی فقط برای اینکه چیزها a
161
00:05:28,240 –> 00:05:30,560
درک کمی ساده تر
162
00:05:30,560 –> 00:05:33,120
اکنون همه این ارتباطات چه چیزی را دارند
163
00:05:33,120 –> 00:05:35,759
به عنوان وزن شناخته شده است در حال حاضر این در یک است
164
00:05:35,759 –> 00:05:37,280
شبکه عصبی به طور خاص خوب است
165
00:05:37,280 –> 00:05:38,639
ما قصد داریم بگوییم این به عنوان شناخته شده است
166
00:05:38,639 –> 00:05:41,120
وزن یک که به وزن دو معروف است
167
00:05:41,120 –> 00:05:42,639
این وزن سه است
168
00:05:42,639 –> 00:05:44,720
و این وزن چهار است
169
00:05:44,720 –> 00:05:46,720
و دوباره فقط برای تاکید مجدد این است
170
00:05:46,720 –> 00:05:49,039
به عنوان لایه ورودی ما شناخته می شود زیرا اینطور است
171
00:05:49,039 –> 00:05:52,080
اولین لایه در لایه های متصل ما
172
00:05:52,080 –> 00:05:53,680
از نورون ها خوبه
173
00:05:53,680 –> 00:05:56,240
و با آن آخرین لایه وارد می شود
174
00:05:56,240 –> 00:05:58,560
لایه متصل نورون های ما
175
00:05:58,560 –> 00:06:00,960
به عنوان لایه خروجی ما شناخته می شود
176
00:06:00,960 –> 00:06:03,759
اکنون اینها تنها دو لایه هستند که
177
00:06:03,759 –> 00:06:06,880
ما واقعاً نگران زمانی هستیم که ما
178
00:06:06,880 –> 00:06:08,639
اکنون از یک شبکه عصبی استفاده کنید
179
00:06:08,639 –> 00:06:10,240
بدیهی است که وقتی آنها را ایجاد می کنیم مجبوریم
180
00:06:10,240 –> 00:06:11,840
تعیین کنید که به چه لایه هایی می رویم
181
00:06:11,840 –> 00:06:13,680
دارند و نوع اتصال اما وقتی
182
00:06:13,680 –> 00:06:15,360
ما در واقع از شبکه عصبی استفاده می کنیم
183
00:06:15,360 –> 00:06:18,000
برای پیش بینی یا آموزش آن هستیم
184
00:06:18,000 –> 00:06:19,600
فقط مربوط به خودمان با ورودی است
185
00:06:19,600 –> 00:06:21,759
لایه و لایه خروجی
186
00:06:21,759 –> 00:06:23,919
حالا این چه کاری انجام می دهد و چگونه اینها را انجام می دهد
187
00:06:23,919 –> 00:06:25,840
شبکه های عصبی اساساً خوب کار می کنند
188
00:06:25,840 –> 00:06:28,160
به نوعی ورودی داده شده است
189
00:06:28,160 –> 00:06:29,280
ما می خواهیم که
190
00:06:29,280 –> 00:06:30,960
یه کاری باهاش بکن و یه جوری بگیر
191
00:06:30,960 –> 00:06:33,199
خروجی درست در اکثر موارد اینطور است
192
00:06:33,199 –> 00:06:35,600
آنچه ورودی می خواهید به یک خروجی منجر می شود
193
00:06:35,600 –> 00:06:38,000
در این حالت ما چهار ورودی داریم و ما
194
00:06:38,000 –> 00:06:40,880
یک خروجی داشته باشیم اما می توانیم یک مورد داشته باشیم
195
00:06:40,880 –> 00:06:43,440
که در آن چهار ورودی و 25 ورودی داریم
196
00:06:43,440 –> 00:06:45,360
خروجی درست آن واقعا بستگی دارد
197
00:06:45,360 –> 00:06:47,680
نوعی مشکل که ما سعی در حل آن داریم
198
00:06:47,680 –> 00:06:49,440
بنابراین این یک مثال بسیار ساده است اما
199
00:06:49,440 –> 00:06:51,919
کاری که من میخواهم انجام دهم این است که به شما نشان دهم که ما چگونه هستیم
200
00:06:51,919 –> 00:06:54,319
یک شبکه عصبی چگونه کار می کند
201
00:06:54,319 –> 00:06:57,199
برای آموزش یک بازی بسیار ابتدایی مار
202
00:06:57,199 –> 00:06:58,639
پس بیایید
203
00:06:58,639 –> 00:07:00,479
به یک بازی بسیار ابتدایی مار نگاه کنید، پس بیایید
204
00:07:00,479 –> 00:07:03,919
بگو این مار ما است خوب است و این است
205
00:07:03,919 –> 00:07:06,240
سر او ام
206
00:07:06,240 –> 00:07:08,160
در واقع آره بیایید بگوییم این سر اوست
207
00:07:08,160 –> 00:07:09,599
اما مانند این چیزی است که موقعیت
208
00:07:09,599 –> 00:07:10,960
مار به نظر می رسد جایی که اینجاست
209
00:07:10,960 –> 00:07:13,599
دم باشه ما دایره دم می کنیم
210
00:07:13,599 –> 00:07:15,280
حالا کاری که می خواهم انجام دهم این است که می خواهم تمرین کنم
211
00:07:15,280 –> 00:07:17,520
یک شبکه عصبی که این امکان را می دهد
212
00:07:17,520 –> 00:07:20,080
مار برای زنده ماندن در اصل آن است
213
00:07:20,080 –> 00:07:22,479
خروجی این خواهد بود که در چه جهتی باید حرکت کرد
214
00:07:22,479 –> 00:07:24,800
یا دوست دارند جهت خاصی را دنبال کنند یا
215
00:07:24,800 –> 00:07:26,240
اشکالی ندارد در اصل فقط این را نگه دارید
216
00:07:26,240 –> 00:07:28,720
مار زنده این چیزی است که من می خواهم آن را انجام دهد
217
00:07:28,720 –> 00:07:30,240
حالا چگونه می خواهم این کار را به خوبی انجام دهم
218
00:07:30,240 –> 00:07:32,160
اولین قدم این است که تصمیم بگیریم ورودی ما چیست
219
00:07:32,160 –> 00:07:33,680
خواهد بود و سپس تصمیم می گیریم چه چیزی
220
00:07:33,680 –> 00:07:35,360
خروجی ما در این خواهد بود
221
00:07:35,360 –> 00:07:37,520
در مورد من فکر می کنم یک ورودی هوشمندانه می رود
222
00:07:37,520 –> 00:07:39,440
آیا ما چیزی در مقابل آن داریم
223
00:07:39,440 –> 00:07:41,440
مار آیا چیزی به سمت چپ داریم؟
224
00:07:41,440 –> 00:07:43,360
از مار و آیا ما چیزی به
225
00:07:43,360 –> 00:07:44,639
حق مار چون در این
226
00:07:44,639 –> 00:07:46,560
تنها چیزی که اینجا هست فقط مار است
227
00:07:46,560 –> 00:07:48,560
و او فقط باید بتواند زنده بماند
228
00:07:48,560 –> 00:07:49,440
بنابراین
229
00:07:49,440 –> 00:07:50,960
کاری که ما انجام خواهیم داد این است که بگوییم خوب است
230
00:07:50,960 –> 00:07:52,879
چیزی در سمت چپ بله نه چیزی
231
00:07:52,879 –> 00:07:54,879
در مقابل بله نه پس صفر یک چیزی به
232
00:07:54,879 –> 00:07:57,759
راست بله خیر و سپس آخرین ورودی ما
233
00:07:57,759 –> 00:07:59,919
یک جهت توصیه شده برای
234
00:07:59,919 –> 00:08:02,000
مار برای رفتن در بنابراین
235
00:08:02,000 –> 00:08:03,280
جهت توصیه شده می تواند باشد
236
00:08:03,280 –> 00:08:04,960
هر چیزی بنابراین در این مورد شاید ما بگوییم
237
00:08:04,960 –> 00:08:07,039
جهت توصیه شده سمت چپ است و
238
00:08:07,039 –> 00:08:08,720
آنچه خروجی ما خواهد بود این است که آیا یا
239
00:08:08,720 –> 00:08:11,199
از آن جهت توصیه شده پیروی نکنید
240
00:08:11,199 –> 00:08:14,240
یا نه یا اینکه سعی کنیم کار دیگری انجام دهیم
241
00:08:14,240 –> 00:08:15,840
توصیه اساسا یا رفتن به a
242
00:08:15,840 –> 00:08:17,120
جهت متفاوت
243
00:08:17,120 –> 00:08:20,160
بنابراین بیایید یک مورد در مورد چگونگی انجام آن انجام دهیم
244
00:08:20,160 –> 00:08:22,000
انتظار می رود این شبکه عصبی کار کند
245
00:08:22,000 –> 00:08:23,840
بدون قطار مثل زمانی که آموزش دیده است
246
00:08:23,840 –> 00:08:26,319
درست بر اساس برخی از ورودی داده شده، بنابراین اجازه دهید
247
00:08:26,319 –> 00:08:27,440
بگو وجود دارد
248
00:08:27,440 –> 00:08:28,639
چیزی به سمت چپ نیست پس ما می رویم
249
00:08:28,639 –> 00:08:30,240
برای قرار دادن 0 در اینجا زیرا این یکی خواهد شد
250
00:08:30,240 –> 00:08:31,520
اگر چیزی برای
251
00:08:31,520 –> 00:08:32,479
ترک کرد
252
00:08:32,479 –> 00:08:34,080
بعدی خواهد بود
253
00:08:34,080 –> 00:08:35,440
جلو
254
00:08:35,440 –> 00:08:36,640
بنابراین ما می گوییم خوب چیزی در آن وجود ندارد
255
00:08:36,640 –> 00:08:37,760
جلو
256
00:08:37,760 –> 00:08:39,120
بعدی در سمت راست خواهد بود بنابراین
257
00:08:39,120 –> 00:08:41,839
ما درست می گوییم و در آنجا می گوییم بله
258
00:08:41,839 –> 00:08:43,200
چیزی در سمت راست مار است
259
00:08:43,200 –> 00:08:45,279
و جهت پیشنهادی ما می تواند باشد
260
00:08:45,279 –> 00:08:47,040
هر چیزی که ما دوست داریم در این مورد ما
261
00:08:47,040 –> 00:08:48,959
می گویند جهت توصیه شده سمت چپ است
262
00:08:48,959 –> 00:08:50,480
و روشی که توصیه شده را انجام خواهیم داد
263
00:08:50,480 –> 00:08:52,240
جهت است
264
00:08:52,240 –> 00:08:56,160
منفی 1 0 1 که در آن منفی 1 باقی می ماند
265
00:08:56,160 –> 00:08:58,240
0 در جلو است
266
00:08:58,240 –> 00:09:01,600
و 1 به سمت راست خوب است
267
00:09:01,600 –> 00:09:02,640
بنابراین ما در این مورد ما می گوییم
268
00:09:02,640 –> 00:09:04,640
جهت توصیه شده منفی 1 است
269
00:09:04,640 –> 00:09:06,839
و ما فقط این را با علامت گذاری می کنیم
270
00:09:06,839 –> 00:09:09,360
جهت در حال حاضر خروجی ما
271
00:09:09,360 –> 00:09:12,240
در این مثال باید یا صفر باشد
272
00:09:12,240 –> 00:09:15,040
یا یکی از آنها را دنبال می کنیم
273
00:09:15,040 –> 00:09:17,680
جهت توصیه می شود یا نه
274
00:09:17,680 –> 00:09:19,920
پس بیایید در این مورد ببینیم
275
00:09:19,920 –> 00:09:21,360
پیروی از جهت توصیه شده ما
276
00:09:21,360 –> 00:09:23,760
مار ما را زنده نگه دار تا یکی را بگوییم
277
00:09:23,760 –> 00:09:25,120
بله ما توصیه شده را دنبال خواهیم کرد
278
00:09:25,120 –> 00:09:26,880
جهتی که قابل قبول است
279
00:09:26,880 –> 00:09:28,240
خوب ما وقتی زنده بمانیم
280
00:09:28,240 –> 00:09:29,440
انجام این کار
281
00:09:29,440 –> 00:09:31,120
حالا بیایید ببینیم وقتی ما چه اتفاقی می افتد
282
00:09:31,120 –> 00:09:33,519
جهت توصیه شده را تغییر دهید
283
00:09:33,519 –> 00:09:36,240
درست است پس بیایید بگوییم که یکی را به عنوان
284
00:09:36,240 –> 00:09:38,000
جهت پیشنهادی ما دوباره این است
285
00:09:38,000 –> 00:09:39,440
در اینجا
286
00:09:39,440 –> 00:09:41,440
پس خروجی ما باید خوب باشد اگر
287
00:09:41,440 –> 00:09:43,440
ما تصمیم می گیریم به سمت راست برویم، تصادف می کنیم
288
00:09:43,440 –> 00:09:46,240
به دم ما که به این معنی است که ما باید
289
00:09:46,240 –> 00:09:48,000
از آن جهت پیروی نکنید، بنابراین خروجی ما
290
00:09:48,000 –> 00:09:49,680
باید صفر باشه پس امیدوارم که باشی
291
00:09:49,680 –> 00:09:51,360
درک اینکه چگونه این انتظار را داریم
292
00:09:51,360 –> 00:09:54,240
شبکه عصبی برای انجام
293
00:09:54,240 –> 00:09:56,959
بسیار خوب، پس در حال حاضر چگونه ما در واقع
294
00:09:56,959 –> 00:09:58,560
طراحی این شبکه عصبی چگونه به دست می آوریم
295
00:09:58,560 –> 00:10:00,640
این کار چگونه این را درست تربیت کنیم
296
00:10:00,640 –> 00:10:02,160
خوب این سوال بسیار خوبی است و
297
00:10:02,160 –> 00:10:03,920
این چیزی است که من اکنون در مورد آن صحبت خواهم کرد
298
00:10:03,920 –> 00:10:05,680
بنابراین اجازه دهید در واقع برخی از آنها را پاک کنم
299
00:10:05,680 –> 00:10:06,800
این چیزها، بنابراین ما کمی بیشتر داریم
300
00:10:06,800 –> 00:10:09,200
اتاق برای کار با برخی از مسائل ریاضی درست است
301
00:10:09,200 –> 00:10:11,839
اینجا اما در حال حاضر چیزی که ما با آن شروع می کنیم
302
00:10:11,839 –> 00:10:13,440
انجام این کار این است که ما با طراحی آنچه که هست شروع کنیم
303
00:10:13,440 –> 00:10:14,959
به عنوان معماری عصبی ما شناخته می شود
304
00:10:14,959 –> 00:10:16,320
شبکه بنابراین ما قبلاً این کار را انجام داده ایم
305
00:10:16,320 –> 00:10:19,040
ورودی داشته باشیم و ما خروجی را داریم
306
00:10:19,040 –> 00:10:21,040
اکنون هر یک از ورودی های ما به آن متصل است
307
00:10:21,040 –> 00:10:22,560
خروجی های ما و هر یک از اینها
308
00:10:22,560 –> 00:10:25,120
اتصالات دارای چیزی است که به عنوان وزن شناخته می شود
309
00:10:25,120 –> 00:10:27,200
حالا چیز دیگری که ما داریم هر کدام است
310
00:10:27,200 –> 00:10:29,519
از نورون های ورودی ما یک مقدار درست است
311
00:10:29,519 –> 00:10:32,399
ما در این مورد داشتیم یا 0 داشتیم یا
312
00:10:32,399 –> 00:10:33,680
ما 1 داشتیم
313
00:10:33,680 –> 00:10:35,920
اکنون این مقادیر می توانند متفاوت باشند
314
00:10:35,920 –> 00:10:37,360
این مقادیر می توانند اعشاری باشند
315
00:10:37,360 –> 00:10:39,839
مقادیر یا می توانند مانند بین 0 و باشند
316
00:10:39,839 –> 00:10:41,440
100 لازم نیست فقط بین 0 باشند
317
00:10:41,440 –> 00:10:43,519
و 1 اما نکته این است که ما مقداری داریم
318
00:10:43,519 –> 00:10:45,600
یک نوع ارزش درست است، بنابراین ما داریم می رویم
319
00:10:45,600 –> 00:10:48,320
برای انجام در این لایه خروجی برای تعیین
320
00:10:48,320 –> 00:10:50,399
اینکه چه راهی را باید طی کنیم اساساً ما هستیم
321
00:10:50,399 –> 00:10:51,519
در حال رفتن به
322
00:10:51,519 –> 00:10:54,000
مجموع وزنی مقادیر را بگیرید
323
00:10:54,000 –> 00:10:55,680
ضرب در وزنه هایی که قراره برم
324
00:10:55,680 –> 00:10:56,959
در مورد اینکه چگونه این کار می کند عمیق تر صحبت کنید
325
00:10:56,959 –> 00:10:59,120
در یک ثانیه اما فقط همین الان مرا دنبال کنید
326
00:10:59,120 –> 00:11:00,959
بنابراین آنچه این نماد به معنای گرفتن است
327
00:11:00,959 –> 00:11:01,839
مجموع
328
00:11:01,839 –> 00:11:03,279
و کاری که ما انجام می دهیم این است که می خواهم بگویم
329
00:11:03,279 –> 00:11:05,360
این مورد من که قرار است ما باشد
330
00:11:05,360 –> 00:11:07,040
متغیر و من در مورد چگونگی این صحبت خواهم کرد
331
00:11:07,040 –> 00:11:08,240
چیزهایی که در یک ثانیه کار می کنند ما کار می کنیم
332
00:11:08,240 –> 00:11:10,560
بگو من برابر است با 1 و من می خواهم بگویم
333
00:11:10,560 –> 00:11:12,160
ما مجموع وزنی را در این می گیریم
334
00:11:12,160 –> 00:11:12,959
مورد
335
00:11:12,959 –> 00:11:14,640
ارزش i
336
00:11:14,640 –> 00:11:16,079
ضربدر
337
00:11:16,079 –> 00:11:17,680
وزن I
338
00:11:17,680 –> 00:11:19,120
بنابراین آنچه این به معنای اساسا این است که ما هستیم
339
00:11:19,120 –> 00:11:21,680
شروع کردن در i برابر است با 1 ما می رویم
340
00:11:21,680 –> 00:11:24,079
برای استفاده از i به عنوان متغیر ما برای حلقه کردن و
341
00:11:24,079 –> 00:11:25,440
ما می خواهیم بگوییم در این مورد ما هستیم
342
00:11:25,440 –> 00:11:29,120
قصد انجام v1 بار vi یا متاسفم vi
343
00:11:29,120 –> 00:11:31,200
بار wi و سپس همه را اضافه می کنیم
344
00:11:31,200 –> 00:11:33,040
آنها پس چه این به ما باز خواهد گشت
345
00:11:33,040 –> 00:11:34,560
در واقع خواهد بود
346
00:11:34,560 –> 00:11:35,839
v1
347
00:11:35,839 –> 00:11:38,480
w1 به علاوه v2
348
00:11:38,480 –> 00:11:45,760
w2 plus b3 w3 plus v4 w4
349
00:11:45,760 –> 00:11:47,440
و این خواهد بود
350
00:11:47,440 –> 00:11:49,920
اوه خروجی ما این همان چیزی است که ما داریم
351
00:11:49,920 –> 00:11:52,720
لایه خروجی به عنوان یک مقدار خواهد بود
352
00:11:52,720 –> 00:11:55,200
در حال حاضر این واقعا برای من زیاد نیست
353
00:11:55,200 –> 00:11:56,720
در حال حاضر احساس کنید چرا چرا هستند
354
00:11:56,720 –> 00:11:58,079
ما انجام این کار وزن این چیست
355
00:11:58,079 –> 00:12:00,079
ضرب خوب فقط با من همراه باشید
356
00:12:00,079 –> 00:12:01,600
برای یک ثانیه
357
00:12:01,600 –> 00:12:03,519
بنابراین این همان چیزی است که لایه خروجی ما است
358
00:12:03,519 –> 00:12:05,519
در حال حاضر یک چیز وجود دارد که
359
00:12:05,519 –> 00:12:08,160
باید به این و این هم اضافه کنیم
360
00:12:08,160 –> 00:12:11,600
چیزی است که به عنوان تعصبات ما شناخته می شود، خوب است
361
00:12:11,600 –> 00:12:12,880
کاری که ما می خواهیم انجام دهیم این است که انجام دهیم
362
00:12:12,880 –> 00:12:14,800
این مجموع وزنی را بگیرید اما ما هم هستیم
363
00:12:14,800 –> 00:12:17,360
در مورد هر کدام نوعی سوگیری وجود خواهد داشت
364
00:12:17,360 –> 00:12:19,839
از این وزن ها خوب است و این چه تعصب
365
00:12:19,839 –> 00:12:23,040
به طور معمول با c نشان داده می شود
366
00:12:23,040 –> 00:12:25,200
اما اساساً این ارزشی است که ما داریم
367
00:12:25,200 –> 00:12:27,120
فقط به طور خودکار آن را اضافه یا کم کنید
368
00:12:27,120 –> 00:12:29,120
یک مقدار ثابت برای هر یک از اینها
369
00:12:29,120 –> 00:12:30,399
وزن ها، بنابراین ما می خواهیم همه را بگوییم
370
00:12:30,399 –> 00:12:32,079
این اتصالات وزن دارند
371
00:12:32,079 –> 00:12:33,680
اما آنها نیز تعصب دارند، بنابراین ما می رویم
372
00:12:33,680 –> 00:12:35,040
b1 داشتن
373
00:12:35,040 –> 00:12:36,399
b2
374
00:12:36,399 –> 00:12:38,560
b3 و b4
375
00:12:38,560 –> 00:12:39,279
اوه
376
00:12:39,279 –> 00:12:41,360
خوب ما آن را به جای c بنابراین b می نامیم
377
00:12:41,360 –> 00:12:43,519
کاری که من اینجا انجام خواهم داد همان چیزی است که من نیز می روم
378
00:12:43,519 –> 00:12:44,800
انجام این کار این است که اینها را نیز اضافه کنم
379
00:12:44,800 –> 00:12:46,880
تعصب در زمانی که من این وزنه ها را انجام می دهم
380
00:12:46,880 –> 00:12:49,200
ما قصد داریم بگوییم بی نیز
381
00:12:49,200 –> 00:12:50,959
بنابراین اکنون آنچه خواهیم داشت این است که در آن خواهیم داشت
382
00:12:50,959 –> 00:12:52,560
پایان اینجا به علاوه
383
00:12:52,560 –> 00:12:54,880
bi یا به علاوه b1
384
00:12:54,880 –> 00:12:56,160
به علاوه b2
385
00:12:56,160 –> 00:12:57,600
به علاوه b3
386
00:12:57,600 –> 00:12:59,040
به علاوه b4
387
00:12:59,040 –> 00:13:00,320
حالا دوباره می دانم که شما بچه ها شبیه چه چیزی هستید
388
00:13:00,320 –> 00:13:02,240
هههههههههههههههههههههههههههههههههههههههههههههههههههههههههههههههههههههههههههههههههههههههههه
389
00:13:02,240 –> 00:13:04,560
در یک ثانیه معنی پیدا می کند
390
00:13:04,560 –> 00:13:07,279
بنابراین اکنون آنچه باید انجام دهیم این است که باید انجام دهیم
391
00:13:07,279 –> 00:13:08,880
شبکه را آموزش دهید تا ما متوجه شده باشیم
392
00:13:08,880 –> 00:13:10,320
اکنون این اساساً همان خروجی است
393
00:13:10,320 –> 00:13:12,800
لایه در حال انجام است ما همه اینها را می گیریم
394
00:13:12,800 –> 00:13:14,560
اوم وزن ها و این مقادیر ما هستیم
395
00:13:14,560 –> 00:13:15,839
آنها را در هم ضرب می کنیم و ما هستیم
396
00:13:15,839 –> 00:13:16,959
آنها را اضافه می کنیم و آنچه را که هست می گیریم
397
00:13:16,959 –> 00:13:19,360
شناخته شده به عنوان جمع وزنی خوب است
398
00:13:19,360 –> 00:13:21,360
اما چگونه دوست داریم این ارزش ها چیست؟
399
00:13:21,360 –> 00:13:22,720
چگونه این مقادیر را بدست آوریم و چگونه است
400
00:13:22,720 –> 00:13:24,959
این یک خروجی معتبر به ما می دهد
401
00:13:24,959 –> 00:13:26,399
خوب کاری که ما می خواهیم انجام دهیم این است که ما هستیم
402
00:13:26,399 –> 00:13:28,720
قصد داریم شبکه را در یک تن آموزش دهیم
403
00:13:28,720 –> 00:13:30,720
اطلاعات مختلف پس بیایید بگوییم ما
404
00:13:30,720 –> 00:13:34,560
1000 بازی مار انجام دهید و همه را بدست آوریم
405
00:13:34,560 –> 00:13:36,000
از ورودی های مختلف و همه
406
00:13:36,000 –> 00:13:37,760
خروجی های مختلف بنابراین کاری که ما انجام خواهیم داد این است
407
00:13:37,760 –> 00:13:39,600
ما به طور تصادفی مانند توصیه شده تصمیم خواهیم گرفت
408
00:13:39,600 –> 00:13:41,600
جهت و ما فقط ایالت را می گیریم
409
00:13:41,600 –> 00:13:43,360
از مار که خواهد بود یا هست
410
00:13:43,360 –> 00:13:45,120
چیزی به چپ به راست وجود دارد
411
00:13:45,120 –> 00:13:46,720
یا در مقابل آن و سپس ما را
412
00:13:46,720 –> 00:13:49,279
خروجی که um خواهد بود
413
00:13:49,279 –> 00:13:51,040
مار زنده ماند یا مار نشد
414
00:13:51,040 –> 00:13:52,000
زنده ماندن
415
00:13:52,000 –> 00:13:53,360
بنابراین
416
00:13:53,360 –> 00:13:54,959
اوه ما چه خواهیم کرد این است که تمرین خواهیم کرد
417
00:13:54,959 –> 00:13:57,360
شبکه با استفاده از این اطلاعات
418
00:13:57,360 –> 00:13:59,040
ما همه این متفاوت را تولید خواهیم کرد
419
00:13:59,040 –> 00:14:01,199
اطلاعات و سپس آموزش شبکه
420
00:14:01,199 –> 00:14:03,519
و کاری که شبکه انجام خواهد داد این خواهد بود
421
00:14:03,519 –> 00:14:05,360
به همه این اطلاعات و آن نگاه کنید
422
00:14:05,360 –> 00:14:07,760
شروع به تنظیم این سوگیری ها خواهد کرد و
423
00:14:07,760 –> 00:14:11,040
این وزنه ها را به درستی درست کنید
424
00:14:11,040 –> 00:14:12,480
خروجی زیرا کاری که ما انجام خواهیم داد این است که خواهیم کرد
425
00:14:12,480 –> 00:14:13,920
همه این ورودی را به درستی به آن بدهید، پس بیایید
426
00:14:13,920 –> 00:14:16,720
می گوییم دوباره ورودی صفر را به آن می دهیم
427
00:14:16,720 –> 00:14:18,880
یک صفر و شاید یک مانند این a است
428
00:14:18,880 –> 00:14:21,040
ورودی تصادفی و فرض کنید خروجی
429
00:14:21,040 –> 00:14:24,079
برای این مورد است ام
430
00:14:24,079 –> 00:14:25,360
شما آن را چه می نامید، بنابراین یکی رفتن به
431
00:14:25,360 –> 00:14:28,000
درست خروجی درست است
432
00:14:28,000 –> 00:14:29,360
خوب آنچه شبکه انجام خواهد داد این است که بگوید
433
00:14:29,360 –> 00:14:30,959
باشه درست فهمیدم پس من چی هستم
434
00:14:30,959 –> 00:14:32,240
قرار است انجام دهم این است که مزاحم نمی شوم
435
00:14:32,240 –> 00:14:34,560
تنظیم شبکه چون اوه این است
436
00:14:34,560 –> 00:14:35,920
خوبه پس مجبور نیستم هیچ کدوم رو عوض کنم
437
00:14:35,920 –> 00:14:37,680
من مجبور نیستم این تعصبات را تغییر دهم
438
00:14:37,680 –> 00:14:39,920
از این وزنه ها همه چیز کار می کند
439
00:14:39,920 –> 00:14:41,920
خوب است، اما بیایید بگوییم که ما آن را دریافت می کنیم
440
00:14:41,920 –> 00:14:43,440
پاسخ اشتباه است پس شاید خروجی بوده است
441
00:14:43,440 –> 00:14:45,600
صفر اما پاسخ باید یک می بود
442
00:14:45,600 –> 00:14:46,880
زیرا ما پاسخ را به وضوح می دانیم
443
00:14:46,880 –> 00:14:48,399
زیرا ما تمام ورودی ها را تولید کرده ایم
444
00:14:48,399 –> 00:14:50,320
و خروجی پس حالا چه شبکه
445
00:14:50,320 –> 00:14:52,480
انجام خواهد داد این است که شروع به تنظیم این است
446
00:14:52,480 –> 00:14:54,800
وزن و تنظیم این تعصبات آن را انجام خواهد داد
447
00:14:54,800 –> 00:14:57,600
بگو خوب پس این یکی را اشتباه متوجه شدم
448
00:14:57,600 –> 00:14:59,279
و من پنج یا شش اشتباه کردم
449
00:14:59,279 –> 00:15:01,519
قبل و این چیزی است که آشنا بود
450
00:15:01,519 –> 00:15:03,440
وقتی من چیزی اشتباه کردم، بیایید اضافه کنیم
451
00:15:03,440 –> 00:15:06,000
یکی به این تعصب یا بیایید این را ضرب کنیم
452
00:15:06,000 –> 00:15:07,760
وزن دو و چه خواهد کرد این است
453
00:15:07,760 –> 00:15:09,519
شروع به تنظیم این وزنه ها می کند
454
00:15:09,519 –> 00:15:12,639
این سوگیری ها به طوری که چیزهای بیشتری بدست می آورد
455
00:15:12,639 –> 00:15:14,959
واضح است که درست است به همین دلیل عصبی است
456
00:15:14,959 –> 00:15:17,040
شبکه ها معمولاً مقدار زیادی مصرف می کنند
457
00:15:17,040 –> 00:15:19,120
از اطلاعات برای آموزش به دلیل آنچه شما
458
00:15:19,120 –> 00:15:21,040
انجام دهید این است که همه اینها را پاس کنید
459
00:15:21,040 –> 00:15:23,120
اطلاعات و سپس ادامه می دهد
460
00:15:23,120 –> 00:15:24,560
از طریق شبکه و در ابتدا
461
00:15:24,560 –> 00:15:26,399
بد است زیرا دارد
462
00:15:26,399 –> 00:15:28,320
این شبکه فقط با تصادفی شروع می شود
463
00:15:28,320 –> 00:15:31,360
وزن ها و سوگیری های تصادفی اما همانطور که پیش می رود
464
00:15:31,360 –> 00:15:34,480
از طریق و یاد می گیرد که می گوید خوب است
465
00:15:34,480 –> 00:15:36,800
من این یکی را درست فهمیدم پس بیایید ترک کنیم
466
00:15:36,800 –> 00:15:38,240
وزن ها و سوگیری ها یکسان است اما
467
00:15:38,240 –> 00:15:39,759
بیایید به یاد داشته باشیم که راه همین است
468
00:15:39,759 –> 00:15:41,839
در تعصب بود که این درست بود
469
00:15:41,839 –> 00:15:43,440
و پس از آن شاید او چیزی اشتباه می کند
470
00:15:43,440 –> 00:15:45,279
و می گوید خوب است، پس بیایید تعصب را تنظیم کنیم
471
00:15:45,279 –> 00:15:47,920
یکی کمی بیایید وزن را تنظیم کنیم
472
00:15:47,920 –> 00:15:49,680
اوه بیایید با اینها قاطی کنیم و بعد بیایید
473
00:15:49,680 –> 00:15:51,199
یک مثال دیگر را امتحان کنید و سپس می گوید
474
00:15:51,199 –> 00:15:52,880
خوب من این مثال را درست متوجه شدم
475
00:15:52,880 –> 00:15:54,160
ما در مسیر درست حرکت می کنیم
476
00:15:54,160 –> 00:15:55,600
شاید وزن دیگری را تنظیم کنیم
477
00:15:55,600 –> 00:15:58,000
ما تعصب دیگری را تنظیم خواهیم کرد و در نهایت
478
00:15:58,000 –> 00:16:00,320
هدف شما این است که به یک نقطه برسید
479
00:16:00,320 –> 00:16:02,079
جایی که شبکه شما بسیار دقیق است
480
00:16:02,079 –> 00:16:03,759
زیرا شما داده های زیادی به آن داده اید
481
00:16:03,759 –> 00:16:05,120
و وزن ها و وزن ها را تنظیم می کند
482
00:16:05,120 –> 00:16:07,920
سوگیری درستی دارد به طوری که این نوع
483
00:16:07,920 –> 00:16:09,600
فرمول این میانگین وزنی در اینجا
484
00:16:09,600 –> 00:16:11,440
فقط همیشه درست را به شما می دهد
485
00:16:11,440 –> 00:16:14,079
پاسخ دهد یا دقت بسیار بالایی دارد یا
486
00:16:14,079 –> 00:16:15,680
شانس بالایی برای ارائه صحیح به شما
487
00:16:15,680 –> 00:16:17,040
پاسخ
488
00:16:17,040 –> 00:16:18,880
بنابراین امیدوارم که چنین چیزی منطقی باشد
489
00:16:18,880 –> 00:16:21,120
قطعا بیش از ساده کردن چیزها در
490
00:16:21,120 –> 00:16:22,959
نحوه تنظیم این وزن ها و
491
00:16:22,959 –> 00:16:25,040
این تعصبات کار می کنند اما دیوانه کننده نیست
492
00:16:25,040 –> 00:16:26,320
مهم است و ما نخواهیم بود
493
00:16:26,320 –> 00:16:28,399
هر یک از تنظیمات را خودمان انجام دهیم
494
00:16:28,399 –> 00:16:30,320
ما فقط قرار است یک نوع باشیم
495
00:16:30,320 –> 00:16:32,079
بهینه سازی چند چیز با شبکه
496
00:16:32,079 –> 00:16:33,759
پس تا زمانی که بفهمید که چه زمانی
497
00:16:33,759 –> 00:16:35,839
شما اطلاعات را تغذیه می کنید چه اتفاقی می افتد
498
00:16:35,839 –> 00:16:37,199
بررسی می کند که آیا شبکه آن را دریافت کرده است یا خیر
499
00:16:37,199 –> 00:16:39,600
تصحیح یا نادرست و سپس آن را
500
00:16:39,600 –> 00:16:41,519
شبکه را بر این اساس تنظیم می کند و آن
501
00:16:41,519 –> 00:16:43,519
این است که چگونه فرآیند یادگیری برای a
502
00:16:43,519 –> 00:16:45,440
شبکه عصبی همه چیز خوب است، بنابراین اکنون اینطور است
503
00:16:45,440 –> 00:16:47,680
وقت آن است که کمی در مورد آن بحث کنیم
504
00:16:47,680 –> 00:16:50,320
توابع فعال سازی پس در حال حاضر چه
505
00:16:50,320 –> 00:16:52,480
من در واقع فقط برای شما توضیح دادم یک است
506
00:16:52,480 –> 00:16:54,560
تکنیک بسیار پیشرفته خطی
507
00:16:54,560 –> 00:16:57,120
رگرسیون اساساً میگفتم
508
00:16:57,120 –> 00:16:58,639
ما در حال تنظیم وزن هستیم
509
00:16:58,639 –> 00:17:00,560
تعصبات و اساسا ما در حال ایجاد یک
510
00:17:00,560 –> 00:17:03,360
تابعی که با توجه به ورودی های مانند y
511
00:17:03,360 –> 00:17:06,000
z w یا مثل چپ جلو راست ما هستیم
512
00:17:06,000 –> 00:17:08,000
دادن نوعی خروجی اما تمام آنچه ما داریم
513
00:17:08,000 –> 00:17:09,919
انجام شده برای انجام این کار اساسا است
514
00:17:09,919 –> 00:17:13,280
فقط یک تابع خطی را تنظیم می کنیم زیرا
515
00:17:13,280 –> 00:17:15,359
مدرک ما تنها یک حق است که ما داریم
516
00:17:15,359 –> 00:17:17,439
ضرب در اوزان درجه یک
517
00:17:17,439 –> 00:17:19,520
مقادیر درجه 1 و ما مقداری را اضافه می کنیم
518
00:17:19,520 –> 00:17:21,359
نوعی تعصب و آن نوع یادآوری
519
00:17:21,359 –> 00:17:24,160
شما از فرم mx به علاوه b ما هستیم
520
00:17:24,160 –> 00:17:26,240
به معنای واقعی کلمه فقط یک دسته از mx plus را اضافه می کنیم
521
00:17:26,240 –> 00:17:27,679
b با هم هستند
522
00:17:27,679 –> 00:17:29,600
که به ما مانند یک نسبتا پیچیده می دهد
523
00:17:29,600 –> 00:17:31,039
تابع خطی
524
00:17:31,039 –> 00:17:35,200
اما این واقعاً یک راه عالی برای انجام نیست
525
00:17:35,200 –> 00:17:38,000
چیزهایی چون درجه را محدود می کند
526
00:17:38,000 –> 00:17:40,720
پیچیدگی که شبکه ما در واقع می تواند
527
00:17:40,720 –> 00:17:43,039
باید خطی باشد و این چیزی نیست که ما داریم
528
00:17:43,039 –> 00:17:45,200
می خواهم پس اکنون باید در مورد آن صحبت کنیم
529
00:17:45,200 –> 00:17:47,280
توابع فعال سازی بنابراین اگر شما
530
00:17:47,280 –> 00:17:48,559
همه چیزهایی که من صحبت کردم را درک کنید
531
00:17:48,559 –> 00:17:50,720
تا اینجا شما این کار را شگفت انگیز انجام می دهید
532
00:17:50,720 –> 00:17:52,559
عالی است که اساساً آن را درک می کنید
533
00:17:52,559 –> 00:17:53,919
روشی که شبکه کار می کند شما هستید
534
00:17:53,919 –> 00:17:56,160
اطلاعات را وارد می کند و اینها را تنظیم می کند
535
00:17:56,160 –> 00:17:58,080
وزن و تعصبات خاصی وجود دارد
536
00:17:58,080 –> 00:17:59,360
روشی که ما در مورد آن صحبت خواهیم کرد انجام می دهد
537
00:17:59,360 –> 00:18:01,679
بعداً و سپس نوعی از آن را دریافت می کنید
538
00:18:01,679 –> 00:18:02,640
خروجی
539
00:18:02,640 –> 00:18:04,400
و بر اساس آن خروجی که در حال تلاش هستید
540
00:18:04,400 –> 00:18:06,640
برای تنظیم وزن ها و سوگیری ها و و
541
00:18:06,640 –> 00:18:07,840
درست است
542
00:18:07,840 –> 00:18:09,200
بنابراین اکنون آنچه باید انجام دهیم این است که در مورد آن صحبت کنیم
543
00:18:09,200 –> 00:18:10,480
توابع فعال سازی و چه
544
00:18:10,480 –> 00:18:12,400
تابع فعال سازی این است
545
00:18:12,400 –> 00:18:15,360
اساسا یک تابع غیر خطی که
546
00:18:15,360 –> 00:18:17,200
به شما امکان می دهد درجه ای از را اضافه کنید
547
00:18:17,200 –> 00:18:19,520
پیچیدگی شبکه شما به طوری که شما
548
00:18:19,520 –> 00:18:21,919
می تواند عملکرد بیشتری داشته باشد که شبیه آن است
549
00:18:21,919 –> 00:18:22,720
این
550
00:18:22,720 –> 00:18:24,480
برخلاف تابعی که a است
551
00:18:24,480 –> 00:18:26,559
خط مستقیم بنابراین یک مثال از یک
552
00:18:26,559 –> 00:18:28,960
تابع فعال سازی چیزی شبیه به یک است
553
00:18:28,960 –> 00:18:31,600
تابع سیگموئید اکنون یک تابع سیگموئید است
554
00:18:31,600 –> 00:18:33,600
کاری که انجام می دهد این است
555
00:18:33,600 –> 00:18:36,320
هر مقداری را که به آن بدهید ترسیم می کند
556
00:18:36,320 –> 00:18:38,559
بین مقدار یک منفی و
557
00:18:38,559 –> 00:18:39,440
یکی
558
00:18:39,440 –> 00:18:42,000
به عنوان مثال وقتی این را ایجاد می کنیم
559
00:18:42,000 –> 00:18:44,799
خروجی ما ممکن است مانند شبکه باشد
560
00:18:44,799 –> 00:18:46,080
شماره هفت
561
00:18:46,080 –> 00:18:48,720
حالا این عدد هفت نزدیکتر است
562
00:18:48,720 –> 00:18:50,960
به یک از آن به صفر است بنابراین ما ممکن است
563
00:18:50,960 –> 00:18:53,679
فکر می کنیم که یک پاسخ صحیح است یا ممکن است
564
00:18:53,679 –> 00:18:55,360
بگویید که این در واقع خیلی دور است
565
00:18:55,360 –> 00:18:57,679
چون خیلی بالاتر از یک درست است اما
566
00:18:57,679 –> 00:18:59,440
آنچه ما می خواهیم انجام دهیم اساساً در اختیار ماست
567
00:18:59,440 –> 00:19:02,240
لایه خروجی ما فقط می خواهیم مقادیر ما باشد
568
00:19:02,240 –> 00:19:04,160
در محدوده خاصی که ما آنها را می خواهیم قرار گیرند
569
00:19:04,160 –> 00:19:06,320
در این حالت بین صفر و یک باشد
570
00:19:06,320 –> 00:19:07,760
یا شاید ما می خواهیم آنها بین آنها باشند
571
00:19:07,760 –> 00:19:10,240
یک منفی و یک من هستم
572
00:19:10,240 –> 00:19:12,480
مثل اینکه چقدر به صفر نزدیکیم
573
00:19:12,480 –> 00:19:13,919
این تصمیم را بگیریم که چقدر به آن نزدیک هستیم
574
00:19:13,919 –> 00:19:15,760
یکی همچین چیزی درسته پس چی
575
00:19:15,760 –> 00:19:17,600
این تابع فعال سازی سیگموئید انجام می دهد
576
00:19:17,600 –> 00:19:19,520
این یک تابع غیر خطی است
577
00:19:19,520 –> 00:19:22,080
و هر ارزشی و اساساً می گیرد
578
00:19:22,080 –> 00:19:24,559
هر چه آن مقدار به بی نهایت نزدیکتر باشد
579
00:19:24,559 –> 00:19:25,600
نزدیک تر
580
00:19:25,600 –> 00:19:27,679
خروجی به یک است و هر چه به آن نزدیکتر باشد
581
00:19:27,679 –> 00:19:29,760
هر چه نزدیکتر باشد مقدار به بی نهایت منفی است
582
00:19:29,760 –> 00:19:32,080
که خروجی به یک منفی است
583
00:19:32,080 –> 00:19:34,320
بنابراین کاری که انجام می دهد این است که درجه ای از آن را اضافه می کند
584
00:19:34,320 –> 00:19:36,720
پیچیدگی شبکه ما در حال حاضر اگر شما
585
00:19:36,720 –> 00:19:38,320
اگر سطح بالایی ندارید این کار را نکنید
586
00:19:38,320 –> 00:19:40,160
دانشجوی ریاضی یا شما فقط می دانید خیلی
587
00:19:40,160 –> 00:19:41,520
ریاضی پایه دبیرستان ممکن است اینطور نباشد
588
00:19:41,520 –> 00:19:43,440
واقعا برای شما منطقی است اما اساسا
589
00:19:43,440 –> 00:19:45,360
درجه چیزی درست است
590
00:19:45,360 –> 00:19:47,600
صادقانه بگویم چقدر پیچیده می شود اگر شما
591
00:19:47,600 –> 00:19:50,320
مانند درجه 9 تابع پس چه
592
00:19:50,320 –> 00:19:52,960
شما می توانید انجام دهید این است که می توانید کمی دیوانه شوید
593
00:19:52,960 –> 00:19:54,400
نوعی منحنی
594
00:19:54,400 –> 00:19:55,919
و چیزهایی که به خصوص در
595
00:19:55,919 –> 00:19:58,640
ابعاد چندگانه که فقط
596
00:19:58,640 –> 00:20:00,960
چیزهایی مانند بسیار پیچیده تر
597
00:20:00,960 –> 00:20:02,320
برای مثال اگر مدرکی مشابه دارید
598
00:20:02,320 –> 00:20:04,159
نه تابع شما می توانید منحنی که
599
00:20:04,159 –> 00:20:06,799
مثل همه اینطوری می شوند
600
00:20:06,799 –> 00:20:08,480
در اینجا که در حال نقشه برداری شما هستند
601
00:20:08,480 –> 00:20:10,799
مقادیر مختلف و اگر فقط الف داشته باشید
602
00:20:10,799 –> 00:20:12,640
تابع خطی خوب شما فقط می توانید یک
603
00:20:12,640 –> 00:20:14,559
خط مستقیمی که مدرک شما را محدود می کند
604
00:20:14,559 –> 00:20:17,919
پیچیدگی به میزان قابل توجهی
605
00:20:17,919 –> 00:20:20,240
اکنون این توابع فعال سازی نیز چیست
606
00:20:20,240 –> 00:20:22,640
انجام دهید این است که آنها داده های شما را کوچک می کنند تا
607
00:20:22,640 –> 00:20:24,799
آنقدر بزرگ نیست، برای مثال درست است
608
00:20:24,799 –> 00:20:26,400
مثل اینکه بگوییم ما با داده ها کار می کنیم
609
00:20:26,400 –> 00:20:28,159
مثل صدها هزار لایک
610
00:20:28,159 –> 00:20:30,320
کاراکترهای طولانی یا ارقامی که ما می خواهیم
611
00:20:30,320 –> 00:20:32,799
کوچک کردن آن به مانند عادی کردن آن
612
00:20:32,799 –> 00:20:34,559
داده ها به طوری که در واقع آسان تر است
613
00:20:34,559 –> 00:20:36,559
باهاش کار کن پس اجازه بده بیشتر بهت بدم
614
00:20:36,559 –> 00:20:37,919
مثال عملی نحوه استفاده از
615
00:20:37,919 –> 00:20:39,440
عملکرد فعال سازی در مورد چه چیزی صحبت کردم
616
00:20:39,440 –> 00:20:41,440
sigmoid کاری را انجام می دهد که ما انجام می دهیم
617
00:20:41,440 –> 00:20:43,280
این مجموع وزنی را می گرفتیم
618
00:20:43,280 –> 00:20:44,559
مجموع
619
00:20:44,559 –> 00:20:47,760
w i v i
620
00:20:47,760 –> 00:20:49,039
به علاوه
621
00:20:49,039 –> 00:20:50,880
ب من درست است
622
00:20:50,880 –> 00:20:52,559
و ما یک فعال سازی اعمال می کنیم
623
00:20:52,559 –> 00:20:54,400
عملکرد به این بنابراین ما می گویند شاید
624
00:20:54,400 –> 00:20:56,880
تابع فعال سازی ما f x است
625
00:20:56,880 –> 00:20:59,039
و ما می گوییم f از این و این
626
00:20:59,039 –> 00:21:00,880
به ما مقداری ارزش می دهد که در حال حاضر ادامه دارد
627
00:21:00,880 –> 00:21:03,679
نورون خروجی و دلیل ما باشد
628
00:21:03,679 –> 00:21:06,080
ما این کار را دوباره انجام می دهیم تا زمانی که هستیم
629
00:21:06,080 –> 00:21:08,320
تنظیم وزن و تعصبات ما
630
00:21:08,320 –> 00:21:10,080
و آن تابع فعال سازی و را اضافه می کنیم
631
00:21:10,080 –> 00:21:12,960
اکنون می توانیم راه پیچیده تری داشته باشیم
632
00:21:12,960 –> 00:21:15,039
عملکرد بر خلاف فقط داشتن
633
00:21:15,039 –> 00:21:17,039
نوعی خط مستقیم رگرسیون خطی
634
00:21:17,039 –> 00:21:18,799
این همان چیزی است که من در مورد آن صحبت کرده ایم
635
00:21:18,799 –> 00:21:20,720
سایر دوره های یادگیری ماشین من بنابراین اگر
636
00:21:20,720 –> 00:21:22,240
این یک جورهایی است که کمی بیشتر می شود
637
00:21:22,240 –> 00:21:24,240
سر شما ممکن است کمبود من باشد
638
00:21:24,240 –> 00:21:25,679
توضیح دادن آن من دوست دارم در آن بشنوم
639
00:21:25,679 –> 00:21:27,039
در زیر نظر خود را در مورد این نظر دهید
640
00:21:27,039 –> 00:21:28,880
توضیح اما اساساً همین است
641
00:21:28,880 –> 00:21:31,200
تابع فعال سازی اکنون کار دیگری را انجام می دهد
642
00:21:31,200 –> 00:21:33,200
عملکرد فعال سازی که بسیار محبوب است
643
00:21:33,200 –> 00:21:34,480
و در واقع بسیار بیشتر از
644
00:21:34,480 –> 00:21:36,880
سیگموئید امروزه به عنوان یکسو شده شناخته می شود
645
00:21:36,880 –> 00:21:40,320
واحد خطی و کاری که این کار انجام می دهد این است که اجازه می دهد
646
00:21:40,320 –> 00:21:42,320
من آن را با رنگ قرمز می کشم تا بتوانیم ببینیم
647
00:21:42,320 –> 00:21:44,640
بهتر است تمام مقادیر را بگیرد
648
00:21:44,640 –> 00:21:46,880
که منفی هستند و به طور خودکار قرار می دهند
649
00:21:46,880 –> 00:21:49,200
آنها را صفر می کند و تمام مقادیر را می گیرد
650
00:21:49,200 –> 00:21:51,440
که مثبت هستند و فقط آنها را می سازند
651
00:21:51,440 –> 00:21:52,799
مثبت تر
652
00:21:52,799 –> 00:21:54,640
اساسا یا تا حدی دوست دارم
653
00:21:54,640 –> 00:21:56,080
حق مثبت
654
00:21:56,080 –> 00:21:57,840
و کاری که این دوباره قرار است انجام دهد این است
655
00:21:57,840 –> 00:21:59,600
این یک تابع غیر خطی است بنابراین در حال انجام است
656
00:21:59,600 –> 00:22:00,400
به
657
00:22:00,400 –> 00:22:03,440
افزایش پیچیدگی مدل ما و
658
00:22:03,440 –> 00:22:05,039
فقط نقاط داده ما را در بین آنها قرار دهید
659
00:22:05,039 –> 00:22:07,360
محدوده 0 و بی نهایت مثبت که است
660
00:22:07,360 –> 00:22:08,720
بهتر از داشتن بین منفی
661
00:22:08,720 –> 00:22:10,799
بی نهایت و بی نهایت مثبت برای کی
662
00:22:10,799 –> 00:22:13,280
ما در حال محاسبه خطا هستیم
663
00:22:13,280 –> 00:22:14,240
خیلی خوب
664
00:22:14,240 –> 00:22:15,679
آخرین چیزی که در مورد عصبی صحبت می شود
665
00:22:15,679 –> 00:22:16,799
شبکه های موجود در این ویدیو من سعی می کنم
666
00:22:16,799 –> 00:22:19,200
به نوعی همه چیز را به طور خلاصه وارد کنید
667
00:22:19,200 –> 00:22:21,360
یک ویدیوی طولانی
668
00:22:21,360 –> 00:22:24,080
یک تابع ضرر است، پس این دوباره است
669
00:22:24,080 –> 00:22:25,919
به ما کمک می کند تا بفهمیم چگونه اینها
670
00:22:25,919 –> 00:22:27,600
وزن ها و این سوگیری ها در واقع هستند
671
00:22:27,600 –> 00:22:29,120
تنظیم شده تا بدانیم که آنها هستند
672
00:22:29,120 –> 00:22:30,799
تنظیم شده و می دانیم که کاری که انجام می دهیم همین است
673
00:22:30,799 –> 00:22:32,480
ما به خروجی نگاه می کنیم
674
00:22:32,480 –> 00:22:35,120
و آن را با خروجی مقایسه می کنیم
675
00:22:35,120 –> 00:22:37,360
باید از داده های تست ما باشد
676
00:22:37,360 –> 00:22:39,280
و سپس می گوییم باشه بیایید تنظیم کنیم
677
00:22:39,280 –> 00:22:41,360
وزن ها و سوگیری ها بر این اساس اما
678
00:22:41,360 –> 00:22:43,440
چگونه آن را تنظیم کنیم و چگونه بدانیم
679
00:22:43,440 –> 00:22:46,240
چقدر دور هستیم که چقدر باید تنظیم کنیم
680
00:22:46,240 –> 00:22:48,480
اگر حتی نیاز به تعدیل باشد
681
00:22:48,480 –> 00:22:50,559
خوب ما از چیزی که به عنوان ضرر شناخته می شود استفاده می کنیم
682
00:22:50,559 –> 00:22:51,600
عملکرد
683
00:22:51,600 –> 00:22:54,000
بنابراین یک تابع ضرر اساسا یک راه است
684
00:22:54,000 –> 00:22:56,240
خطای محاسبه در حال حاضر یک تن وجود دارد
685
00:22:56,240 –> 00:22:58,240
از توابع مختلف از دست دادن برخی از آنها
686
00:22:58,240 –> 00:23:00,320
مانند میانگین مربعات خطا هستند
687
00:23:00,320 –> 00:23:02,400
نام یکی از آنها فکر می کنم یکی شبیه است
688
00:23:02,400 –> 00:23:04,159
ام
689
00:23:04,159 –> 00:23:05,360
من حتی نمی توانم نام این را به یاد داشته باشم
690
00:23:05,360 –> 00:23:06,880
یکی اما یک دسته از بسیار محبوب وجود دارد
691
00:23:06,880 –> 00:23:08,240
آنهایی که می دانید برخی از آنها را ترک کنید
692
00:23:08,240 –> 00:23:09,760
نظرات عاشق شنیدن همه چیز متفاوت هستند
693
00:23:09,760 –> 00:23:10,720
آنهایی که
694
00:23:10,720 –> 00:23:12,000
اما به هر حال
695
00:23:12,000 –> 00:23:14,000
آنچه تابع ضرر انجام خواهد داد این است که بگوید
696
00:23:14,000 –> 00:23:16,960
چقدر جوابت اشتباهه
697
00:23:16,960 –> 00:23:18,640
چون بیایید در مورد این فکر کنیم
698
00:23:18,640 –> 00:23:21,280
درست است اگر پاسخی دریافت کنید بیایید بگوییم
699
00:23:21,280 –> 00:23:24,480
شاید خروجی ما 0.79 باشد
700
00:23:24,480 –> 00:23:26,720
و پاسخ واقعی یکی بود
701
00:23:26,720 –> 00:23:28,240
خوب این خیلی نزدیک است
702
00:23:28,240 –> 00:23:29,919
خیلی نزدیک به یکی اما در حال حاضر همه
703
00:23:29,919 –> 00:23:31,840
ما می خواهیم به این واقعیت است که ما
704
00:23:31,840 –> 00:23:33,760
0.21 تخفیف داشتند
705
00:23:33,760 –> 00:23:36,240
بسیار خوب پس 0.21 کاهش وزن را تنظیم کنید
706
00:23:36,240 –> 00:23:38,799
درجه معین بر اساس 0.21 اما
707
00:23:38,799 –> 00:23:41,740
مسئله این است که اگر 0.85 بگیریم چه می شود
708
00:23:41,740 –> 00:23:44,320
[موسیقی]
709
00:23:44,320 –> 00:23:46,000
خوب این مانند این است به طور قابل توجهی
710
00:23:46,000 –> 00:23:48,480
بهتر از 0.79 اما این فقط ادامه دارد
711
00:23:48,480 –> 00:23:50,960
بگوییم که از آنچه هست بهتر بودیم
712
00:23:50,960 –> 00:23:53,520
این 0.15 است، بنابراین ما هنوز هم یک را انجام می دهیم
713
00:23:53,520 –> 00:23:55,120
مقدار قابل توجهی تنظیم به
714
00:23:55,120 –> 00:23:57,120
وزن ها و سوگیری ها بنابراین آنچه ما نیاز داریم
715
00:23:57,120 –> 00:23:58,559
برای انجام این کار، ما نیاز به اعمال ضرر داریم
716
00:23:58,559 –> 00:24:00,880
تابع به این است که به ما می دهد
717
00:24:00,880 –> 00:24:02,400
نوع بهتر
718
00:24:02,400 –> 00:24:04,559
درجه ای مثل اینکه چقدر اشتباه می کنیم یا چقدر درست
719
00:24:04,559 –> 00:24:05,360
بود
720
00:24:05,360 –> 00:24:08,080
اکنون این توابع از دست دادن دوباره هستند
721
00:24:08,080 –> 00:24:10,240
توابع از دست دادن خطی نیست که بدان معنی است
722
00:24:10,240 –> 00:24:11,600
که می خواهیم مدرک بالاتری را اضافه کنیم
723
00:24:11,600 –> 00:24:13,679
از پیچیدگی مدل ما که خواهد شد
724
00:24:13,679 –> 00:24:16,480
به ما اجازه می دهد تا پیچیده تر ایجاد کنیم
725
00:24:16,480 –> 00:24:17,919
مدل ها و شبکه های عصبی که می توانند
726
00:24:17,919 –> 00:24:19,760
حل مشکلات بهتر من واقعا
727
00:24:19,760 –> 00:24:20,960
می خواهم در مورد توابع ضرر نیز صحبت کنم
728
00:24:20,960 –> 00:24:22,960
خیلی به این دلیل که من قطعاً در این زمینه متخصص نیستم
729
00:24:22,960 –> 00:24:25,200
آنها چگونه کار می کنند، اما اساساً شما چیست
730
00:24:25,200 –> 00:24:28,080
انجام دهید این است که خروجی را با
731
00:24:28,080 –> 00:24:29,600
خروجی باید چگونه باشد
732
00:24:29,600 –> 00:24:31,200
هر مدلی که بر اساس چه چیزی تولید می شود
733
00:24:31,200 –> 00:24:32,400
باید باشد و پس از آن شما می روید
734
00:24:32,400 –> 00:24:34,400
مقداری ارزش و بر اساس آن ارزش دریافت کنید
735
00:24:34,400 –> 00:24:36,240
شما می خواهید تعصب ها را تنظیم کنید و
736
00:24:36,240 –> 00:24:37,840
وزن ها بر این اساس دلیل ما
737
00:24:37,840 –> 00:24:39,600
استفاده از تابع ضرر دوباره به این دلیل است
738
00:24:39,600 –> 00:24:41,200
ما درجه بالاتری از پیچیدگی می خواهیم
739
00:24:41,200 –> 00:24:43,360
آنها غیر خطی هستند و شما می دانید که آیا شما
740
00:24:43,360 –> 00:24:46,320
اگر 99 هستید 0 بگیرید، مثل اینکه بگویید 0.1 هستید
741
00:24:46,320 –> 00:24:48,320
دور از پاسخ صحیح ما احتمالا
742
00:24:48,320 –> 00:24:49,919
می خواهید وزنه ها را تنظیم کنید
743
00:24:49,919 –> 00:24:52,720
خیلی خیلی کم اما اگر دوست دارید
744
00:24:52,720 –> 00:24:54,799
دور از پاسخ به دو نکته کامل شما
745
00:24:54,799 –> 00:24:56,240
شاید پاسخ ما منفی باشد که می خواهیم
746
00:24:56,240 –> 00:24:58,480
آن را به خوبی ما می خواهیم تنظیم کنید
747
00:24:58,480 –> 00:25:00,159
مدل مانند دیوانه درست است زیرا که
748
00:25:00,159 –> 00:25:02,080
مدل به طرز وحشتناکی اشتباه بود حتی اینطور نبود
749
00:25:02,080 –> 00:25:04,400
ببندید تا ما آن را خیلی بیشتر تنظیم کنیم
750
00:25:04,400 –> 00:25:06,720
مانند دو نقطه تنظیم
751
00:25:06,720 –> 00:25:09,039
درست است که ما آن را بر اساس هر چیزی تنظیم می کنیم
752
00:25:09,039 –> 00:25:11,440
که تابع ضرر به ما داد
753
00:25:11,440 –> 00:25:13,360
بنابراین به هر حال این یک نوع من بوده است
754
00:25:13,360 –> 00:25:15,679
توضیح یک شبکه عصبی من می خواهم a
755
00:25:15,679 –> 00:25:17,200
خیلی می خواهم همینجا بیان کنم
756
00:25:17,200 –> 00:25:19,039
همه که من حرفه ای در زمینه عصبی نیستم
757
00:25:19,039 –> 00:25:21,120
شبکه ها این درک من در آنجا است
758
00:25:21,120 –> 00:25:22,559
ممکن است چیزهای کمی باشد
759
00:25:22,559 –> 00:25:25,600
ناقص یا برخی از مناطقی که من از آنها صرف نظر کردم
760
00:25:25,600 –> 00:25:28,000
و به سرعت در واقع چون من برخی را می شناسم
761
00:25:28,000 –> 00:25:29,440
مردم احتمالا این را چه زمانی خواهند گفت
762
00:25:29,440 –> 00:25:31,200
شما در حال ایجاد شبکه های عصبی نیز هستید
763
00:25:31,200 –> 00:25:33,200
شما چیز دیگری دارید که به آن می گویند
764
00:25:33,200 –> 00:25:35,440
لایه های مخفی بنابراین در حال حاضر ما فقط
765
00:25:35,440 –> 00:25:37,360
از دو لایه استفاده می شود، اما در بیشتر عصبی
766
00:25:37,360 –> 00:25:39,279
شبکه هایی که شما دارید هزاران است
767
00:25:39,279 –> 00:25:41,279
نورون های ورودی مختلف که به
768
00:25:41,279 –> 00:25:43,200
چیزی که به عنوان لایه پنهان یا
769
00:25:43,200 –> 00:25:45,520
چندین لایه پنهان از نورون ها بنابراین
770
00:25:45,520 –> 00:25:46,880
فرض کنید ما مانند یک معماری داریم
771
00:25:46,880 –> 00:25:48,159
شاید چیزی شبیه به این به نظر می رسد
772
00:25:48,159 –> 00:25:49,919
همه این ارتباطات
773
00:25:49,919 –> 00:25:51,760
و سپس اینها به این وصل می شوند و
774
00:25:51,760 –> 00:25:53,840
چیزی که این به شما امکان می دهد انجام دهید این است که راه داشته باشید
775
00:25:53,840 –> 00:25:56,080
مدل های پیچیده تر که می تواند راه حل
776
00:25:56,080 –> 00:25:58,559
مشکلات سخت تر است زیرا شما می توانید
777
00:25:58,559 –> 00:26:00,080
تولید ترکیبات مختلف از
778
00:26:00,080 –> 00:26:02,480
ورودی و پنهان آنچه به عنوان شناخته شده است
779
00:26:02,480 –> 00:26:04,480
نورون های لایه ای پنهان
780
00:26:04,480 –> 00:26:06,240
تا مشکل شما حل شود و بیشتر داشته باشید
781
00:26:06,240 –> 00:26:08,320
وزن ها و تعصب های بیشتر برای تنظیم که
782
00:26:08,320 –> 00:26:10,159
یعنی به طور متوسط می توانید بیشتر باشید
783
00:26:10,159 –> 00:26:13,279
um دقیق برای تولید مدل های خاص بنابراین
784
00:26:13,279 –> 00:26:16,000
شما می توانید شبکه های عصبی دیوانه ای داشته باشید که
785
00:26:16,000 –> 00:26:17,760
چیزی شبیه به این اما با راه
786
00:26:17,760 –> 00:26:19,760
نورون های بیشتر و لایه های بیشتر و همه
787
00:26:19,760 –> 00:26:21,600
این نوع چیزها را من فقط می خواستم نشان دهم
788
00:26:21,600 –> 00:26:24,400
یک شبکه بسیار اساسی امروزه زیرا
789
00:26:24,400 –> 00:26:26,159
من نمی خواستم وارد شوم و در مورد آن صحبت کنم
790
00:26:26,159 –> 00:26:27,919
مانند هزاران چیز به خصوص به این دلیل که من
791
00:26:27,919 –> 00:26:29,039
افراد زیادی را می شناسم که مرا تماشا می کنند
792
00:26:29,039 –> 00:26:32,000
ویدیوها ریاضی حرفه ای نیستند
793
00:26:32,000 –> 00:26:33,440
تلاش برای به دست آوردن یک درک اساسی و
794
00:26:33,440 –> 00:26:37,559
بتواند برخی از این موارد را پیاده سازی کند
795
00:26:39,360 –> 00:26:40,720
اکنون در ویدیوی امروز قرار است به چه چیزی بپردازیم
796
00:26:40,720 –> 00:26:42,320
انجام دادن در واقع گرفتن دست ماست
797
00:26:42,320 –> 00:26:44,159
کثیف و کار با کمی کد و
798
00:26:44,159 –> 00:26:46,400
در حال بارگیری در اولین مجموعه داده ما، بنابراین ما هستیم
799
00:26:46,400 –> 00:26:47,520
در واقع هیچ کاری با
800
00:26:47,520 –> 00:26:48,880
مدل در حال حاضر ما می خواهیم انجام دهیم
801
00:26:48,880 –> 00:26:50,320
که در ویدیوی بعدی این ویدیو است
802
00:26:50,320 –> 00:26:51,840
به درک اختصاص داده خواهد شد
803
00:26:51,840 –> 00:26:54,159
داده اهمیت داده چگونه ما می توانیم
804
00:26:54,159 –> 00:26:55,840
مقیاس که داده ها به آن نگاه کنند و
805
00:26:55,840 –> 00:26:57,919
درک کنید که چگونه این تاثیر می گذارد
806
00:26:57,919 –> 00:26:59,919
مدل ما هنگام آموزش
807
00:26:59,919 –> 00:27:01,279
مهمترین بخش ماشین
808
00:27:01,279 –> 00:27:03,279
یادگیری حداقل به نظر من این است
809
00:27:03,279 –> 00:27:05,120
داده ها و همچنین یکی از سخت ترین ها است
810
00:27:05,120 –> 00:27:08,000
کارهایی که باید به درستی انجام شوند
811
00:27:08,000 –> 00:27:09,840
آموزش مدل و تست مدل
812
00:27:09,840 –> 00:27:11,520
و استفاده از آن در واقع بسیار آسان است و
813
00:27:11,520 –> 00:27:13,200
شما بچه ها این را خواهید دید که ما از آن عبور می کنیم
814
00:27:13,200 –> 00:27:15,360
اما دریافت اطلاعات صحیح به ما
815
00:27:15,360 –> 00:27:17,600
مدل و داشتن آن به شکل صحیح
816
00:27:17,600 –> 00:27:19,360
چیزی است که بسیار بیشتر است
817
00:27:19,360 –> 00:27:21,279
چالش برانگیز از آن است که ممکن است با این به نظر می رسد
818
00:27:21,279 –> 00:27:22,559
مجموعه داده های اولیه که ما به آن ها می رویم
819
00:27:22,559 –> 00:27:23,840
کار با چیزها بسیار خواهد بود
820
00:27:23,840 –> 00:27:25,120
آسان است زیرا مجموعه داده ها به این کار می پردازند
821
00:27:25,120 –> 00:27:27,120
به ما داده می شود اما زمانی که به سمت آن حرکت می کنیم
822
00:27:27,120 –> 00:27:29,039
ویدیوهای آینده برای استفاده از داده های خودمان
823
00:27:29,039 –> 00:27:30,960
ما باید آن را از قبل پردازش کنیم
824
00:27:30,960 –> 00:27:32,159
ما آن را به درستی قرار می دهیم
825
00:27:32,159 –> 00:27:33,760
فرمی که باید آن را به آن ارسال کنیم
826
00:27:33,760 –> 00:27:35,200
آرایه ای که باید بسازیم
827
00:27:35,200 –> 00:27:36,799
مطمئن باشید که داده ها منطقی هستند پس ما هم هستیم
828
00:27:36,799 –> 00:27:38,559
چیزهایی که نباید اضافه شوند
829
00:27:38,559 –> 00:27:40,159
وجود دارد یا ما چیزهایی را حذف نمی کنیم
830
00:27:40,159 –> 00:27:42,399
باید آنجا باشم پس به هر حال من هستم
831
00:27:42,399 –> 00:27:44,000
به سرعت در اینجا می گویم که من مهربان هستم
832
00:27:44,000 –> 00:27:46,080
کار کردن از این تانسورفلو 2.0
833
00:27:46,080 –> 00:27:49,679
آموزشی که در وب سایت تنسورفلو موجود است
834
00:27:49,679 –> 00:27:51,600
حالا من به نوعی از آن دور خواهم شد
835
00:27:51,600 –> 00:27:53,039
کمی صادقانه بگویم اما من فقط هستم
836
00:27:53,039 –> 00:27:55,360
با استفاده از مجموعه داده هایی که دارند و الف
837
00:27:55,360 –> 00:27:56,559
کمی از کدی که آنها دارند
838
00:27:56,559 –> 00:27:58,159
اینجا چون خیلی خوبه
839
00:27:58,159 –> 00:27:59,840
مقدمه ای بر یادگیری ماشین و
840
00:27:59,840 –> 00:28:01,600
شبکه های عصبی اما تعداد زیادی از آنها وجود دارد
841
00:28:01,600 –> 00:28:03,520
چیزهایی در اینجا که آنها در مورد آنها صحبت نمی کنند
842
00:28:03,520 –> 00:28:05,120
و خیلی عمیق نیست پس همین است
843
00:28:05,120 –> 00:28:06,480
چیزی که قرار است اضافه کنم و
844
00:28:06,480 –> 00:28:08,480
دلیل اینکه شاید شما بخواهید تماشا کنید
845
00:28:08,480 –> 00:28:09,919
نسخه من از این برخلاف فقط
846
00:28:09,919 –> 00:28:11,440
خواندن این از وب سایت زیرا اگر
847
00:28:11,440 –> 00:28:12,880
شما هیچ تجربه ای با عصبی ندارید
848
00:28:12,880 –> 00:28:15,360
برخی از شبکه ها را گیج می کند
849
00:28:15,360 –> 00:28:16,480
کارهایی که اینجا انجام می دهند و نمی کنند
850
00:28:16,480 –> 00:28:18,720
واقعاً در مورد اینکه چرا از برخی استفاده می کنند صحبت کنید
851
00:28:18,720 –> 00:28:20,960
چیزها یا چیزهای دیگر به هر حال داده ها
852
00:28:20,960 –> 00:28:22,399
مجموعه ای که امروز قرار است با آن کار کنیم
853
00:28:22,399 –> 00:28:24,559
آیا آن را به عنوان منیست مد شناخته می شود
854
00:28:24,559 –> 00:28:26,399
مجموعه داده، بنابراین ممکن است شما در مورد قدیمی شنیده باشید
855
00:28:26,399 –> 00:28:28,640
مجموعه داده که تصویر است
856
00:28:28,640 –> 00:28:30,240
طبقه بندی تصویر اما شبیه بود
857
00:28:30,240 –> 00:28:32,480
ارقامی مثل اینکه ارقامی از صفر داشتید
858
00:28:32,480 –> 00:28:34,480
به نه و شبکه عصبی
859
00:28:34,480 –> 00:28:36,480
ارقام طبقه بندی شده این یکی بسیار است
860
00:28:36,480 –> 00:28:37,840
اصل مشابه به جز ما قصد داریم به
861
00:28:37,840 –> 00:28:40,159
این کار را با تی شرت و شلوار انجام دهید
862
00:28:40,159 –> 00:28:41,520
و ام
863
00:28:41,520 –> 00:28:42,799
چه می گویید مثل صندل و همه
864
00:28:42,799 –> 00:28:44,399
بنابراین اینها نمونه هایی هستند
865
00:28:44,399 –> 00:28:45,840
از آنچه که تصاویر به نظر می رسد و ما خواهیم بود
866
00:28:45,840 –> 00:28:47,440
آنها را نیز نشان دهید
867
00:28:47,440 –> 00:28:49,760
در آه در کد پس کافی است
868
00:28:49,760 –> 00:28:51,120
که فقط احساس کردم باید بهت بگم
869
00:28:51,120 –> 00:28:52,640
بچه ها اولین چیزی که ما هستیم
870
00:28:52,640 –> 00:28:54,000
انجام خواهد شد
871
00:28:54,000 –> 00:28:55,200
قبل از اینکه واقعاً بتوانیم کار را شروع کنیم
872
00:28:55,200 –> 00:28:56,799
با tensorflow است که ما بدیهی است که نیاز به
873
00:28:56,799 –> 00:28:58,880
اکنون آن را نصب کنید شاید من آن را بگیرم
874
00:28:58,880 –> 00:29:00,080
دستور install را اینجا ندارم پس ندارم
875
00:29:00,080 –> 00:29:01,279
برای کپی کردنش
876
00:29:01,279 –> 00:29:03,039
اما این دستور نصب است
877
00:29:03,039 –> 00:29:05,600
tensorflow 2.0 بنابراین من فقط قصد دارم کپی کنم
878
00:29:05,600 –> 00:29:07,120
در اینجا لینک در توضیحات خواهد بود
879
00:29:07,120 –> 00:29:09,120
و همچنین در وب سایت من و شما می توانید ببینید
880
00:29:09,120 –> 00:29:11,760
pink pip نصب خط تیره q tensorflow
881
00:29:11,760 –> 00:29:15,440
معادل 2.0 0.0 خط فاصله آلفا 0 است.
882
00:29:15,440 –> 00:29:16,720
در حال حاضر من این را نصب کرده ام اما
883
00:29:16,720 –> 00:29:17,840
من می روم جلو و اینتر را می زنم
884
00:29:17,840 –> 00:29:18,880
به هر حال
885
00:29:18,880 –> 00:29:21,200
و خط فاصله q من معتقدم فقط به معنی است
886
00:29:21,200 –> 00:29:22,320
وقتی هستید هیچ خروجی ندهید
887
00:29:22,320 –> 00:29:24,640
نصب بنابراین اگر این
888
00:29:24,640 –> 00:29:26,159
اجرا می شود و هیچ خروجی نمی بینید
889
00:29:26,159 –> 00:29:28,080
هر آنچه که پس از آن شما با موفقیت
890
00:29:28,080 –> 00:29:30,640
تنسورفلو 2.0 را نصب کردم اکنون با آن برخورد کردم
891
00:29:30,640 –> 00:29:32,159
مشکلی که نتونستم نصبش کنم
892
00:29:32,159 –> 00:29:33,600
چون نسخه قبلی داشتم
893
00:29:33,600 –> 00:29:35,919
numpy در سیستم من نصب شده است بنابراین اگر برای
894
00:29:35,919 –> 00:29:37,120
به دلایلی این کار نمی کند و
895
00:29:37,120 –> 00:29:38,880
چیزی با numpy وجود دارد
896
00:29:38,880 –> 00:29:42,080
فقط pip uninstall numpy و دوباره نصب کنید
897
00:29:42,080 –> 00:29:45,120
بنابراین pip uninstall numpy را اینطور انجام دهید
898
00:29:45,120 –> 00:29:46,640
من بدیهی است که آن را اجرا نمی کنم اما
899
00:29:46,640 –> 00:29:48,480
اگر این کار را کردید و سپس سعی کردید
900
00:29:48,480 –> 00:29:50,720
tensorflow 2.0 را دوباره نصب کنید که باید
901
00:29:50,720 –> 00:29:51,919
برای شما کار می کند و در واقع باید
902
00:29:51,919 –> 00:29:53,679
نسخه مخصوص به خود را نصب کنید
903
00:29:53,679 –> 00:29:56,000
نسخه به روز شده numpy اکنون نسخه دیگری است
904
00:29:56,000 –> 00:29:57,760
چیزی که ما می خواهیم اینجا نصب کنیم این است
905
00:29:57,760 –> 00:29:58,840
خواهد شد
906
00:29:58,840 –> 00:30:01,440
matplotlib اکنون matplotlib خوب است
907
00:30:01,440 –> 00:30:03,200
کتابخانه فقط برای ترسیم نمودار و نشان دادن
908
00:30:03,200 –> 00:30:05,360
تصاویر و اطلاعات مختلف که
909
00:30:05,360 –> 00:30:07,039
ما از طریق این سریال از چیزهای زیادی استفاده خواهیم کرد
910
00:30:07,039 –> 00:30:08,320
بیایید نصب کنیم که قبلاً آن را دارم
911
00:30:08,320 –> 00:30:10,559
نصب شده اما ادامه دهید و این کار را انجام دهید و
912
00:30:10,559 –> 00:30:13,360
سپس در نهایت پانداها را نصب خواهیم کرد
913
00:30:13,360 –> 00:30:16,080
که ممکن است در ویدیوهای بعدی استفاده کنیم
914
00:30:16,080 –> 00:30:17,360
در این سری بنابراین من فکر کردم که ما ممکن است
915
00:30:17,360 –> 00:30:19,039
خوب الان نصبش کن پس پیپ نصب کن
916
00:30:19,039 –> 00:30:20,720
پانداها و وقتی این کار را انجام دادید
917
00:30:20,720 –> 00:30:22,880
باید آماده باشد که در واقع به اینجا بروید و
918
00:30:22,880 –> 00:30:25,279
شروع به بارگیری داده های ما در و
919
00:30:25,279 –> 00:30:26,880
نگاه کردن به داده ها
920
00:30:26,880 –> 00:30:28,399
بنابراین من فقط می خواهم در آن کار کنم
921
00:30:28,399 –> 00:30:30,240
متن زیر خط و
922
00:30:30,240 –> 00:30:31,760
اجرای فایل های پایتون من از
923
00:30:31,760 –> 00:30:33,200
خط فرمان فقط به این دلیل است
924
00:30:33,200 –> 00:30:34,960
چیزی که برای همه کار خواهد کرد نه
925
00:30:34,960 –> 00:30:36,640
مهم است چه چیزی، اما با خیال راحت در آن کار کنید
926
00:30:36,640 –> 00:30:38,720
احساس بیکاری برای شما به کار در pycharm به عنوان
927
00:30:38,720 –> 00:30:40,000
تا زمانی که نحوه راه اندازی را بدانید
928
00:30:40,000 –> 00:30:42,080
محیط خود را به طوری که شما داشته باشید
929
00:30:42,080 –> 00:30:44,080
بسته های لازم مانند تنسورفلو و
930
00:30:44,080 –> 00:30:45,919
همه اینها پس شما باید خوب باشید
931
00:30:45,919 –> 00:30:48,240
برو پس بیایید با وارد کردن شروع کنیم
932
00:30:48,240 –> 00:30:51,520
tensorflow بنابراین tensorflow را به عنوان tf وارد کنید
933
00:30:51,520 –> 00:30:53,039
مانند آن
934
00:30:53,039 –> 00:30:54,960
نمی دانم چرا همیشه فرم های کوتاه است
935
00:30:54,960 –> 00:30:56,799
وقتی سعی می کنم این کار را انجام دهم اما به هر حال ما این کار را می کنیم
936
00:30:56,799 –> 00:30:59,279
قرار است وارد شود یا واقعا متاسفم
937
00:30:59,279 –> 00:31:01,440
از تنسورفلو
938
00:31:01,440 –> 00:31:05,200
اکنون keras را وارد می کنیم keras یک api است
939
00:31:05,200 –> 00:31:06,720
برای جریان تنسور که اساسا فقط
940
00:31:06,720 –> 00:31:08,000
به ما اجازه می دهد
941
00:31:08,000 –> 00:31:10,720
برای نوشتن کد کمتری خیلی کار می کند
942
00:31:10,720 –> 00:31:12,240
چیزهایی برای ما که وقتی تنظیم کردیم خواهید دید
943
00:31:12,240 –> 00:31:14,240
مدلی که ما از کراس استفاده می کنیم
944
00:31:14,240 –> 00:31:16,159
و واقعا زیبا و ساده خواهد بود و
945
00:31:16,159 –> 00:31:18,000
درست مثل یک api سطح بالا و این
946
00:31:18,000 –> 00:31:19,360
روشی که آنها آن را توصیف می کنند باعث می شود
947
00:31:19,360 –> 00:31:20,960
همه چیز برای افرادی مثل ما بسیار آسان تر است
948
00:31:20,960 –> 00:31:22,720
که قرار نیست ما را تعریف کند
949
00:31:22,720 –> 00:31:25,440
تانسورها و نوشتن کد خودمان از
950
00:31:25,440 –> 00:31:26,880
خراش اساسا
951
00:31:26,880 –> 00:31:28,799
حالا چیز دیگری که باید وارد کنیم این است
952
00:31:28,799 –> 00:31:30,840
ناتوان است، بنابراین ما می خواهیم بگوییم
953
00:31:30,840 –> 00:31:33,600
وارد کنید اگر بتوانم این را از اینجا دریافت کنم
954
00:31:33,600 –> 00:31:36,240
numpy را به عنوان np وارد کنید
955
00:31:36,240 –> 00:31:39,600
و در نهایت ما uh matplotlib را وارد خواهیم کرد
956
00:31:39,600 –> 00:31:41,360
بنابراین طرح مات
957
00:31:41,360 –> 00:31:45,600
lib در این مورد نقطه pi به صورت plt نمودار می شود
958
00:31:45,600 –> 00:31:46,960
و این دوباره فقط به ما اجازه می دهد
959
00:31:46,960 –> 00:31:48,960
برای ترسیم برخی چیزها در اینجا کاملاً خوب است
960
00:31:48,960 –> 00:31:50,080
اکنون کاری که می خواهیم انجام دهیم این است که ما هستیم
961
00:31:50,080 –> 00:31:51,279
در واقع مجموعه داده های ما را دریافت می کنیم
962
00:31:51,279 –> 00:31:53,120
به گونه ای بارگذاری شده است که بتوانیم بارگذاری کنیم
963
00:31:53,120 –> 00:31:55,519
مجموعه داده های ما از keras برای انجام این کار استفاده می کند
964
00:31:55,519 –> 00:31:57,200
این من فقط می خواهم بگویم داده ها برابر است
965
00:31:57,200 –> 00:32:00,799
در این مورد مراقبت به عنوان نقطه مجموعه داده ها نقطه
966
00:32:00,799 –> 00:32:02,000
روش
967
00:32:02,000 –> 00:32:04,000
زیر خط منیست
968
00:32:04,000 –> 00:32:05,440
اوه و این فقط نام داده است
969
00:32:05,440 –> 00:32:06,880
مجموعه ای از مجموعه داده های دیگر وجود دارد
970
00:32:06,880 –> 00:32:08,640
داخل کراسی که در آن استفاده خواهیم کرد
971
00:32:08,640 –> 00:32:10,080
آینده
972
00:32:10,080 –> 00:32:12,559
در حال حاضر هر زمان که ما داده ها
973
00:32:12,559 –> 00:32:14,320
بسیار مهم است که ما خودمان را تقسیم کنیم
974
00:32:14,320 –> 00:32:17,200
داده ها به داده های تست و آموزش
975
00:32:17,200 –> 00:32:18,640
حالا شاید این را شنیده باشید
976
00:32:18,640 –> 00:32:20,240
من در مورد این در قبلی صحبت کردم
977
00:32:20,240 –> 00:32:22,000
آموزش های یادگیری ماشین را انجام دادم اما
978
00:32:22,000 –> 00:32:23,840
اساساً آنچه را که می خواهید با هر کدام انجام دهید
979
00:32:23,840 –> 00:32:25,279
نوعی الگوریتم یادگیری ماشینی
980
00:32:25,279 –> 00:32:27,200
به خصوص یک شبکه عصبی است که شما نمی
981
00:32:27,200 –> 00:32:29,519
می خواهید تمام داده های خود را به
982
00:32:29,519 –> 00:32:31,200
شبکه زمانی که آن را آموزش می دهید
983
00:32:31,200 –> 00:32:34,240
شما می خواهید حدود 90 80 درصد از
984
00:32:34,240 –> 00:32:35,919
داده های خود را به شبکه برای آموزش آن و
985
00:32:35,919 –> 00:32:37,760
سپس می خواهید شبکه را برای آن تست کنید
986
00:32:37,760 –> 00:32:39,600
دقت و اطمینان از اینکه کار می کند
987
00:32:39,600 –> 00:32:41,519
به درستی بر روی بقیه داده های شما که
988
00:32:41,519 –> 00:32:44,080
هنوز دلیل شما را ندیده است
989
00:32:44,080 –> 00:32:45,360
می خواهند این کار را انجام دهند
990
00:32:45,360 –> 00:32:46,480
و بسیاری از مردم می گویند چرا این کار را نکنید
991
00:32:46,480 –> 00:32:47,840
من فقط تمام اطلاعاتم را به شبکه می دهم
992
00:32:47,840 –> 00:32:50,480
آن را نه لزوما بهتر می کند و
993
00:32:50,480 –> 00:32:53,840
به این دلیل است که اگر داده های خود را روی آن تست کنید
994
00:32:53,840 –> 00:32:55,440
اگر شبکه خود را روی داده آزمایش کنید، این کار است
995
00:32:55,440 –> 00:32:56,880
قبلا دیده شده
996
00:32:56,880 –> 00:32:58,960
پس نمی توانید مطمئن باشید که اینطور نیست
997
00:32:58,960 –> 00:33:00,880
فقط به سادگی داده های آن را به خاطر بسپارید
998
00:33:00,880 –> 00:33:02,720
به عنوان مثال اگر به من نشان دهید درست دیده می شود
999
00:33:02,720 –> 00:33:05,440
پنج تصویر اوم و بعد مثل شما به من بگویید
1000
00:33:05,440 –> 00:33:06,799
کلاس های همه آنها و سپس شما
1001
00:33:06,799 –> 00:33:08,640
دوباره همان تصویر را به من نشان بده
1002
00:33:08,640 –> 00:33:10,640
بگو کلاس چیست و من درست متوجه شدم
1003
00:33:10,640 –> 00:33:12,320
خوب درست متوجه شدم چون من
1004
00:33:12,320 –> 00:33:13,919
متوجه شد که چگونه تصاویر را تجزیه و تحلیل کند
1005
00:33:13,919 –> 00:33:15,600
به درستی یا چون قبلا آن را دیده بودم
1006
00:33:15,600 –> 00:33:16,720
و من می دانستم
1007
00:33:16,720 –> 00:33:18,720
چه چیزی درست بود من فقط چه چیزی را حفظ کردم
1008
00:33:18,720 –> 00:33:20,000
این چیزی است که ما می خواهیم
1009
00:33:20,000 –> 00:33:22,000
سعی کنید با مدل های ما اجتناب کنید تا هر زمان
1010
00:33:22,000 –> 00:33:23,440
ما داده های خود را داریم و می خواهیم آن ها را تقسیم کنیم
1011
00:33:23,440 –> 00:33:24,880
به داده های تست و آموزش و
1012
00:33:24,880 –> 00:33:26,559
این همان کاری است که ما می خواهیم انجام دهیم
1013
00:33:26,559 –> 00:33:28,960
بنابراین برای انجام این کار می خواهم بگویم قطار
1014
00:33:28,960 –> 00:33:32,080
در این مورد آموزش تصاویر زیر خط و
1015
00:33:32,080 –> 00:33:34,799
برچسب های زیر خط قطار
1016
00:33:34,799 –> 00:33:36,480
comba در این مورد
1017
00:33:36,480 –> 00:33:39,519
تست تصاویر زیر خط تست کاما
1018
00:33:39,519 –> 00:33:41,279
برچسب های زیرخط
1019
00:33:41,279 –> 00:33:42,399
و سپس ما می خواهیم بگوییم این است
1020
00:33:42,399 –> 00:33:45,600
برابر با نقطه داده، داده های زیرخط را دریافت کنید
1021
00:33:45,600 –> 00:33:48,159
زیرخط بار پایین را دریافت نکنید
1022
00:33:48,159 –> 00:33:49,760
اکنون دلیلی که می توانیم این کار را انجام دهیم این است
1023
00:33:49,760 –> 00:33:51,360
زیرا این روش داده بارگذاری در حال انجام است
1024
00:33:51,360 –> 00:33:53,039
برای برگرداندن اطلاعات به روشی که ما
1025
00:33:53,039 –> 00:33:54,880
می تواند به نوعی آن را به این شکل تقسیم کند
1026
00:33:54,880 –> 00:33:56,240
در بیشتر موارد زمانی که شما در حال نوشتن خود هستید
1027
00:33:56,240 –> 00:33:57,840
مدلهایی برای دادههای خود که میخواهید استفاده کنید
1028
00:33:57,840 –> 00:34:00,080
باید آرایه های خود را بنویسید و برای
1029
00:34:00,080 –> 00:34:02,320
حلقه ها و بارگذاری در داده ها و همه این کارها را انجام دهید
1030
00:34:02,320 –> 00:34:04,320
چیزهای فانتزی اما کراس آن را خوب می کند و
1031
00:34:04,320 –> 00:34:06,000
فقط با اجازه دادن به ما برای نوشتن آسان است
1032
00:34:06,000 –> 00:34:07,840
این خط در اینجا است که ما را به دست می آورد
1033
00:34:07,840 –> 00:34:11,040
آموزش و آزمایش داده ها در چهار
1034
00:34:11,040 –> 00:34:13,359
انواع متغیرهایی که ما نیاز داریم
1035
00:34:13,359 –> 00:34:15,040
خیلی سریع اجازه دهید در مورد چه برچسب هایی صحبت کنم
1036
00:34:15,040 –> 00:34:17,520
اکنون برای این مجموعه داده خاص چنین است
1037
00:34:17,520 –> 00:34:19,280
10 برچسب وجود دارد و این بدان معنی است که هر کدام
1038
00:34:19,280 –> 00:34:21,440
تصویری که داریم مشخص خواهد شد
1039
00:34:21,440 –> 00:34:23,199
برچسبی که به آن اختصاص داده شده است
1040
00:34:23,199 –> 00:34:25,280
حالا اگر من واقعاً به شما نشان خواهم داد
1041
00:34:25,280 –> 00:34:27,359
برای مثال اگر چاپ کنم آن را چاپ کنم
1042
00:34:27,359 –> 00:34:29,040
آموزش برچسب های زیر خط و اجازه دهید فقط
1043
00:34:29,040 –> 00:34:31,280
مانند صفر با uh من حدس می زنم چاپ کنید
1044
00:34:31,280 –> 00:34:33,359
اولین برچسب آموزشی پس اجازه دهید اجرا کنم
1045
00:34:33,359 –> 00:34:35,679
این فایل خیلی پایتون
1046
00:34:35,679 –> 00:34:37,760
آموزش یک
1047
00:34:37,760 –> 00:34:39,599
می توانید ببینید که ما به سادگی آن را دریافت می کنیم
1048
00:34:39,599 –> 00:34:42,000
شماره نه الان
1049
00:34:42,000 –> 00:34:44,399
این همان چیزی است که نشان می دهد
1050
00:34:44,399 –> 00:34:46,159
نمایش برچسب به وضوح
1051
00:34:46,159 –> 00:34:47,359
این به ما رشته ای نمی دهد اما اجازه دهید
1052
00:34:47,359 –> 00:34:49,520
بگو اگر من برای مثال 6 را انتخاب کنم
1053
00:34:49,520 –> 00:34:51,599
و من اینجا را وارد می کنم و می توانید آن را ببینید
1054
00:34:51,599 –> 00:34:54,079
برچسب 7 است.
1055
00:34:54,079 –> 00:34:55,918
بنابراین برچسب ها بین
1056
00:34:55,918 –> 00:34:59,280
0 و 9. پس در کل 10 برچسب
1057
00:34:59,280 –> 00:35:00,640
حالا مسئله این است که خیلی مفید نیست
1058
00:35:00,640 –> 00:35:01,920
به ما چون واقعاً نمی دانیم چیست
1059
00:35:01,920 –> 00:35:04,079
برچسب 0 همان برچسب 9 است پس من چه هستم
1060
00:35:04,079 –> 00:35:06,320
قرار است انجام دهید این است که یک لیست ایجاد کنید
1061
00:35:06,320 –> 00:35:08,720
در واقع آن برچسب ها را تعریف کنید
1062
00:35:08,720 –> 00:35:09,680
بنابراین
1063
00:35:09,680 –> 00:35:10,960
من باید آن را از اینجا کپی کنم
1064
00:35:10,960 –> 00:35:12,160
چون واقعا یادم نیست
1065
00:35:12,160 –> 00:35:13,200
برچسب ها
1066
00:35:13,200 –> 00:35:14,880
اما می توانید ببینید که در اینجا می گوید که آنها چه چیزی را دارند
1067
00:35:14,880 –> 00:35:16,560
برای مثال چنین هستند
1068
00:35:16,560 –> 00:35:19,280
برچسب 0 یک تی شرت است برچسب 1 یک است
1069
00:35:19,280 –> 00:35:21,119
شلوار 9 یک نیم بوت است و شما می توانید
1070
00:35:21,119 –> 00:35:22,880
ببینیم همه آنها چه هستند، بنابراین ما فقط نیاز داریم
1071
00:35:22,880 –> 00:35:25,280
دقیقاً این لیست را در اینجا تعریف کنید بنابراین کلاس
1072
00:35:25,280 –> 00:35:27,119
نام هایی که بتوانیم به سادگی آن ها را انتخاب کنیم
1073
00:35:27,119 –> 00:35:29,200
هر ارزشی که از آن به ما برگردانده شود
1074
00:35:29,200 –> 00:35:31,359
مدلی که فکر می کند چه برچسبی است
1075
00:35:31,359 –> 00:35:33,359
و سپس فقط آن را به عنوان یک شاخص به
1076
00:35:33,359 –> 00:35:36,240
این لیست تا بتوانیم برچسب آن را دریافت کنیم
1077
00:35:36,240 –> 00:35:39,280
خیلی خوب شیرین است
1078
00:35:39,280 –> 00:35:41,119
چگونه ما اکنون داده ها را دریافت می کنیم، بنابراین اکنون من
1079
00:35:41,119 –> 00:35:42,160
می خواهم به شما نشان دهم که برخی از اینها چیست
1080
00:35:42,160 –> 00:35:44,800
تصاویر شبیه هستند و در مورد آن صحبت می کنند
1081
00:35:44,800 –> 00:35:46,400
معماری شبکه عصبی ما
1082
00:35:46,400 –> 00:35:49,119
ممکن است در ویدیوی بعدی استفاده شود
1083
00:35:49,119 –> 00:35:50,960
بنابراین من می خواهم از نمودار pi فقط برای نشان دادن استفاده کنم
1084
00:35:50,960 –> 00:35:53,200
شما تعدادی از این تصاویر را توضیح دهید
1085
00:35:53,200 –> 00:35:54,880
نوع ورودی و خروجی و همه
1086
00:35:54,880 –> 00:35:56,880
از آن پس اگر می خواهید نشان دهید
1087
00:35:56,880 –> 00:35:58,640
تصویر با استفاده از matplotlib می توانید این کار را انجام دهید
1088
00:35:58,640 –> 00:36:01,760
فقط با انجام plt dot im show
1089
00:36:01,760 –> 00:36:03,040
و سپس در اینجا به سادگی قرار دادن
1090
00:36:03,040 –> 00:36:05,520
تصویر به عنوان مثال اگر من تمرین کنم
1091
00:36:05,520 –> 00:36:07,760
تصاویر را برچسب گذاری نمی کند
1092
00:36:07,760 –> 00:36:10,160
و فرض کنید تصویر هفتم را انجام می دهیم
1093
00:36:10,160 –> 00:36:12,640
و سپس plt.show را انجام می دهم
1094
00:36:12,640 –> 00:36:14,720
اگر الان این را اجرا کنم
1095
00:36:14,720 –> 00:36:17,280
بچه ها خواهید دید که این تصویر چیست
1096
00:36:17,280 –> 00:36:18,880
پس بیایید این را اجرا کنیم
1097
00:36:18,880 –> 00:36:20,720
و شما می توانید ببینید که ما متوجه شدیم که این است
1098
00:36:20,720 –> 00:36:22,400
در واقع من معتقدم مانند یک پیراهن کش ورزشی یا یک
1099
00:36:22,400 –> 00:36:24,160
هودی اکنون می دانم که عجیب به نظر می رسد و
1100
00:36:24,160 –> 00:36:26,320
شما همه اینها را مانند سبز و
1101
00:36:26,320 –> 00:36:28,240
بنفش که فقط به خاطر راه است
1102
00:36:28,240 –> 00:36:30,079
آن نوع matplotlib اینها را نشان می دهد
1103
00:36:30,079 –> 00:36:32,079
تصاویر اگر می خواهید آن را به درستی ببینید
1104
00:36:32,079 –> 00:36:34,079
کاری که شما انجام می دهید این است که معتقدم cmap را انجام می دهید
1105
00:36:34,079 –> 00:36:36,520
در این مورد برابر است
1106
00:36:36,520 –> 00:36:40,160
plt.c فکر کنم مثل cm.binary یا
1107
00:36:40,160 –> 00:36:41,839
چیزی که باید اینجا را نگاه کنم
1108
00:36:41,839 –> 00:36:44,880
چون فراموش کردم اوه بله cm.binary پس اگر
1109
00:36:44,880 –> 00:36:46,800
ما این کار را انجام می دهیم و اکنون تصمیم می گیریم نمایش دهیم
1110
00:36:46,800 –> 00:36:48,000
تصویر باید کمی به نظر برسد
1111
00:36:48,000 –> 00:36:50,880
بهتره اینجا ببینیم
1112
00:36:50,880 –> 00:36:52,240
اوه و شما برو ما می توانیم ببینیم که اکنون هستیم
1113
00:36:52,240 –> 00:36:53,599
در واقع گرفتن این مانند سیاه و سفید و
1114
00:36:53,599 –> 00:36:55,520
نوعی تصویر سفید
1115
00:36:55,520 –> 00:36:56,960
در حال حاضر این عالی است و همه چیز به جز من اجازه دهید
1116
00:36:56,960 –> 00:36:58,800
به شما نشان می دهد که در واقع تصویر ما چگونه به نظر می رسد
1117
00:36:58,800 –> 00:37:00,800
مثل این که چطور توانستم نشان دهم
1118
00:37:00,800 –> 00:37:02,079
مثل اینکه چطور توانستم این کار را انجام دهم
1119
00:37:02,079 –> 00:37:03,760
تصویر خوب دلیلی که من می توانم انجام دهم
1120
00:37:03,760 –> 00:37:05,680
به این دلیل است که همه تصاویر ما هستند
1121
00:37:05,680 –> 00:37:09,040
در واقع آرایه های 28 در 28 پیکسل بنابراین
1122
00:37:09,040 –> 00:37:10,400
اجازه دهید من یکی را برای شما در اینجا چاپ کنم تا اگر
1123
00:37:10,400 –> 00:37:12,640
من تصاویر زیر خط را آموزش می دهم اجازه دهید انجام دهیم
1124
00:37:12,640 –> 00:37:14,320
هفت نمونه مشابه اینجا و چاپ کنید
1125
00:37:14,320 –> 00:37:15,920
که به صفحه نمایش من به شما نشان می دهم چه چیزی
1126
00:37:15,920 –> 00:37:19,040
داده ها در واقع به نظر می رسد
1127
00:37:19,040 –> 00:37:20,800
آن را یک ثانیه و ما می رویم تا شما
1128
00:37:20,800 –> 00:37:22,720
می توانید ببینید که این بدیهی است که داده های ما چیست
1129
00:37:22,720 –> 00:37:25,920
به نظر می رسد این فقط یک دسته از لیست ها است
1130
00:37:25,920 –> 00:37:28,000
یک لیست برای هر ردیف و فقط دارد
1131
00:37:28,000 –> 00:37:30,560
مقادیر پیکسل و این مقادیر پیکسل هستند
1132
00:37:30,560 –> 00:37:32,720
به سادگی نماینده من معتقدم مانند
1133
00:37:32,720 –> 00:37:34,079
چقدر
1134
00:37:34,079 –> 00:37:35,520
من واقعاً مقیاس آن را نمی دانم
1135
00:37:35,520 –> 00:37:36,400
آنها روشن هستند
1136
00:37:36,400 –> 00:37:38,880
اما اوه من فکر می کنم آن را مانند یک مقدار rgb است
1137
00:37:38,880 –> 00:37:41,280
اما در مقیاس خاکستری درست به عنوان مثال ما
1138
00:37:41,280 –> 00:37:44,240
مانند 0 تا 255 که 255 سیاه است
1139
00:37:44,240 –> 00:37:46,240
و 0 سفید است و من کاملا مطمئن هستم
1140
00:37:46,240 –> 00:37:48,640
دریافت اطلاعات به این صورت است
1141
00:37:48,640 –> 00:37:49,920
اگر اشتباه می کنم کسی می تواند مرا اصلاح کند اما
1142
00:37:49,920 –> 00:37:51,520
من تقریباً مطمئن هستم که اینگونه است
1143
00:37:51,520 –> 00:37:52,720
در واقع کار می کند
1144
00:37:52,720 –> 00:37:55,200
پس این خاکستری تهی است اما اینها هستند
1145
00:37:55,200 –> 00:37:57,200
تعداد زیادی هستند و به یاد داشته باشید که من بودم
1146
00:37:57,200 –> 00:37:58,960
قبلا در ویدیوی قبلی گفته بود که
1147
00:37:58,960 –> 00:38:00,800
معمولاً ایده خوبی است که ما را کوچک کنیم
1148
00:38:00,800 –> 00:38:03,280
داده ها را پایین بیاورید تا با یک
1149
00:38:03,280 –> 00:38:05,920
محدوده خاصی که کمی کوچکتر است بنابراین
1150
00:38:05,920 –> 00:38:07,359
در این مورد من در واقع به چه چیزی می روم
1151
00:38:07,359 –> 00:38:09,040
انجام دهید این است که من می خواهم این را اصلاح کنم
1152
00:38:09,040 –> 00:38:10,800
اطلاعات کمی به طوری که ما فقط
1153
00:38:10,800 –> 00:38:14,000
هر مقدار از 1. بنابراین ما در عوض
1154
00:38:14,000 –> 00:38:16,320
از داشتن 255 ما آن را از 1 داریم. بنابراین
1155
00:38:16,320 –> 00:38:18,240
راه انجام آن این است که همه را تقسیم کنیم
1156
00:38:18,240 –> 00:38:21,680
مقدار تک پیکسل با 255. اکنون به دلیل
1157
00:38:21,680 –> 00:38:24,240
این تصاویر قطار در واقع ذخیره می شوند
1158
00:38:24,240 –> 00:38:26,320
در چیزی که به عنوان آرایه numpy شناخته می شود، می توانیم
1159
00:38:26,320 –> 00:38:28,160
به سادگی آن را تقسیم کنید
1160
00:38:28,160 –> 00:38:30,640
توسط 255 به
1161
00:38:30,640 –> 00:38:32,400
دستیابی به آن، بنابراین ما می گوییم تصاویر قطار
1162
00:38:32,400 –> 00:38:35,040
برابر است با تصاویر قطار تقسیم بر 255
1163
00:38:35,040 –> 00:38:36,640
و ما همین کار را در اینجا انجام خواهیم داد
1164
00:38:36,640 –> 00:38:39,040
تصاویر آزمایشی ما نیز اکنون بدیهی است که ما
1165
00:38:39,040 –> 00:38:41,119
لازم نیست برچسب ها را نیز تغییر دهید
1166
00:38:41,119 –> 00:38:42,640
همچنین به این دلیل که آنها فقط بین صفر هستند
1167
00:38:42,640 –> 00:38:44,480
و نه و اینطوری برچسب ها کار می کنند
1168
00:38:44,480 –> 00:38:46,320
اما برای تصاویر ما تقسیم می کنیم
1169
00:38:46,320 –> 00:38:48,800
آن ارزش ها به طوری که آن را کمی بهتر است
1170
00:38:48,800 –> 00:38:50,079
حالا اجازه دهید به شما نشان دهم که چگونه به نظر می رسد
1171
00:38:50,079 –> 00:38:53,280
بنابراین اگر من بروم آموزش پایتون 1.5 پی
1172
00:38:53,280 –> 00:38:54,480
و اکنون می توانید ببینید که ما در حال گرفتن هستیم
1173
00:38:54,480 –> 00:38:56,320
این مقادیر اعشاری و آن پیراهن ما
1174
00:38:56,320 –> 00:38:59,119
به نظر کاملاً یکسان است اما دقیقاً شبیه است
1175
00:38:59,119 –> 00:39:00,880
ما فقط داده هایمان را کوچک کرده ایم پس همینطور است
1176
00:39:00,880 –> 00:39:02,560
کار کردن با آن راحت تر خواهد بود
1177
00:39:02,560 –> 00:39:04,240
آینده با مدل ما
1178
00:39:04,240 –> 00:39:05,680
حالا که در مورد آن است فکر می کنم که من هستم
1179
00:39:05,680 –> 00:39:07,280
قرار است از این نظر به شما بچه ها نشان دهم
1180
00:39:07,280 –> 00:39:09,440
داده ها اکنون ما داده های خود را در و بارگذاری کرده ایم
1181
00:39:09,440 –> 00:39:10,880
ما تقریباً آماده هستیم تا در شرایط پیش برویم
1182
00:39:10,880 –> 00:39:12,480
از ساخت مدل
1183
00:39:12,480 –> 00:39:14,160
در حال حاضر اگر شما هر گونه سوال در مورد
1184
00:39:14,160 –> 00:39:15,680
داده ها لطفا دریغ نکنید a
1185
00:39:15,680 –> 00:39:17,599
در زیر نظر دهید اما اساساً دوباره
1186
00:39:17,599 –> 00:39:18,960
روش کار این است که ما خواهیم داشت
1187
00:39:18,960 –> 00:39:21,440
تصاویر 28 در 28 پیکسل و آنها در حال رفتن هستند
1188
00:39:21,440 –> 00:39:23,040
برای وارد شدن به عنوان یک آرایه درست مثل من
1189
00:39:23,040 –> 00:39:24,400
اینجا را به شما نشان دادم پس اینها همه هستند
1190
00:39:24,400 –> 00:39:25,920
ارزش هایی که قرار است داشته باشیم
1191
00:39:25,920 –> 00:39:27,359
قرار است آن را به مدل خود منتقل کنیم و سپس
1192
00:39:27,359 –> 00:39:28,960
مدل ما قصد دارد به چه چیزی تف کند
1193
00:39:28,960 –> 00:39:30,880
کلاس فکر می کند که هست و آن کلاس ها
1194
00:39:30,880 –> 00:39:32,880
بین 0 تا 9 خواهد بود.
1195
00:39:32,880 –> 00:39:34,320
بدیهی است که 0 نشان دهنده است
1196
00:39:34,320 –> 00:39:36,000
تی شرتی که 9 قرار است نماینده آن باشد
1197
00:39:36,000 –> 00:39:38,240
نیم بوت و ما با آن مقابله خواهیم کرد
1198
00:39:38,240 –> 00:39:41,880
همه در ویدیوی بعدی
1199
00:39:43,920 –> 00:39:45,200
اکنون در ویدیوی امروز ما در واقع هستیم
1200
00:39:45,200 –> 00:39:46,800
قرار است با عصبی کار کند
1201
00:39:46,800 –> 00:39:48,000
شبکه بنابراین ما در حال راه اندازی هستیم
1202
00:39:48,000 –> 00:39:49,200
مدلی که قرار است آن را آموزش دهیم
1203
00:39:49,200 –> 00:39:50,480
مدلی که ما قصد داریم آن را آزمایش کنیم
1204
00:39:50,480 –> 00:39:52,720
مدل کنید تا ببینیم چقدر خوب عمل کرده ایم
1205
00:39:52,720 –> 00:39:54,240
همچنین از آن برای پیش بینی استفاده خواهد کرد
1206
00:39:54,240 –> 00:39:56,880
تصاویر فردی و تمام آن سرگرمی
1207
00:39:56,880 –> 00:39:59,119
چیزهای پس بدون بحث بیشتر بیایید دریافت کنیم
1208
00:39:59,119 –> 00:40:01,200
اکنون اولین چیزی که می خواهم شروع کردم
1209
00:40:01,200 –> 00:40:02,800
قبل از اینکه واقعا وارد عمل شویم باید انجام دهیم
1210
00:40:02,800 –> 00:40:04,560
نوشتن هر کدی بحث در مورد آن است
1211
00:40:04,560 –> 00:40:06,400
معماری شبکه عصبی ما
1212
00:40:06,400 –> 00:40:08,240
اکنون می خواهم ایجاد کنم که همیشه در آن یافتم
1213
00:40:08,240 –> 00:40:09,520
آموزش هایی که من تماشا کردم آنها هرگز
1214
00:40:09,520 –> 00:40:12,079
واقعاً دقیقاً چه لایه هایی را توضیح داد
1215
00:40:12,079 –> 00:40:14,319
آن چیزی که به نظر می رسید و چرا انجام می دادند
1216
00:40:14,319 –> 00:40:16,480
ما چنین لایه هایی را انتخاب کردیم و من این هستم
1217
00:40:16,480 –> 00:40:19,280
امیدوارم همین الان به شما بچه ها بدهم
1218
00:40:19,280 –> 00:40:21,760
اگر قبلاً به یاد داشته باشید ما اکنون می دانیم که
1219
00:40:21,760 –> 00:40:23,599
تصاویر ما اساسا به عنوان
1220
00:40:23,599 –> 00:40:26,720
مانند 28 در 28 پیکسل و روشی که ما داریم
1221
00:40:26,720 –> 00:40:28,480
داشتن آنها این است که ما یک آرایه داریم و ما
1222
00:40:28,480 –> 00:40:30,400
آرایه دیگری در داخل آن مانند یک است
1223
00:40:30,400 –> 00:40:31,920
آرایه دو بعدی و دارای پیکسل است
1224
00:40:31,920 –> 00:40:34,480
مقادیر پس شاید مثل 0.1 باشد
1225
00:40:34,480 –> 00:40:36,880
0.3 که مقدار خاکستری و
1226
00:40:36,880 –> 00:40:39,680
این می رود و در هر کدام 28 بار وجود دارد
1227
00:40:39,680 –> 00:40:41,680
ردیف از اینها
1228
00:40:41,680 –> 00:40:43,920
این پیکسل ها اکنون 28 ردیف دارند
1229
00:40:43,920 –> 00:40:46,720
بدیهی است که به خوبی 28 در 28 پیکسل
1230
00:40:46,720 –> 00:40:49,119
بنابراین در اینجا دوباره همان چیزی را داریم
1231
00:40:49,119 –> 00:40:52,480
مقادیر پیکسل بیشتر می شود و 28 پایین می آییم
1232
00:40:52,480 –> 00:40:54,160
زمان درست و این چیزی است که ما داریم و
1233
00:40:54,160 –> 00:40:55,920
این چیزی است که آرایه ما به نظر می رسد
1234
00:40:55,920 –> 00:40:57,839
حالا این همان چیزی است که داده های ورودی ما هستند
1235
00:40:57,839 –> 00:40:59,839
خوب است، اما این واقعا کار نمی کند
1236
00:40:59,839 –> 00:41:02,000
خوب برای شبکه عصبی ما ما چه هستیم
1237
00:41:02,000 –> 00:41:02,960
قرار است انجام دهیم، یکی خواهیم داشت
1238
00:41:02,960 –> 00:41:04,480
نورون و ما فقط می خواهیم از این عبور کنیم
1239
00:41:04,480 –> 00:41:06,400
همه چیز به آن من فکر نمی کنم
1240
00:41:06,400 –> 00:41:07,920
این خیلی خوب کار نمی کند
1241
00:41:07,920 –> 00:41:09,839
آنچه که ما واقعاً باید قبل از انجام آن انجام دهیم
1242
00:41:09,839 –> 00:41:11,520
حتی می تواند شروع به صحبت کردن در مورد
1243
00:41:11,520 –> 00:41:13,839
شبکه عصبی راهی است که
1244
00:41:13,839 –> 00:41:16,319
ما می توانیم این اطلاعات را به a تغییر دهیم
1245
00:41:16,319 –> 00:41:17,520
راهی که بتوانیم آن را به عصبی بدهیم
1246
00:41:17,520 –> 00:41:20,079
شبکه پس من واقعاً چه کاری انجام خواهم داد
1247
00:41:20,079 –> 00:41:22,640
و منظور من این است که بیشتر مردم انجام می دهند
1248
00:41:22,640 –> 00:41:24,640
آنها کاری را انجام می دهند که داده ها را صاف می کنند
1249
00:41:24,640 –> 00:41:26,480
بنابراین در واقع شاید ما برویم من حتی نمی توانم
1250
00:41:26,480 –> 00:41:28,240
وقتی پاکش کردم اما صاف شد برگرد
1251
00:41:28,240 –> 00:41:30,400
داده ها اساساً هر گونه مشابهی را می گیرند
1252
00:41:30,400 –> 00:41:31,920
لیست داخلی پس بیایید بگوییم ما مانند داریم
1253
00:41:31,920 –> 00:41:33,359
لیست هایی مانند این
1254
00:41:33,359 –> 00:41:34,880
و درست مثل له کردن همه آنها
1255
00:41:34,880 –> 00:41:37,280
با هم بنابراین به جای
1256
00:41:37,280 –> 00:41:39,760
بنابراین بیایید بگوییم این مانند یک دو سه است
1257
00:41:39,760 –> 00:41:41,839
اگر بخواهیم این را صاف کنیم
1258
00:41:41,839 –> 00:41:43,680
کاری که ما انجام می دهیم خوب است که حذف کنیم
1259
00:41:43,680 –> 00:41:46,480
همه این آرایه های داخلی یا لیست یا
1260
00:41:46,480 –> 00:41:47,680
هر چه که باشد، ما فقط به پایان می رسیم
1261
00:41:47,680 –> 00:41:49,599
گرفتن داده به نظر می رسد یکی است
1262
00:41:49,599 –> 00:41:50,400
دو
1263
00:41:50,400 –> 00:41:52,640
سه و این در واقع معلوم می شود
1264
00:41:52,640 –> 00:41:55,040
در این مورد برای ما خوب کار کنید
1265
00:41:55,040 –> 00:41:56,880
به عنوان مثال ما فقط یک عنصر در آن داشتیم
1266
00:41:56,880 –> 00:41:58,079
هر آرایه
1267
00:41:58,079 –> 00:41:59,839
اما زمانی که با 28 عنصر سر و کار داریم
1268
00:41:59,839 –> 00:42:01,680
در هر لیست متاسفم
1269
00:42:01,680 –> 00:42:03,119
آرایه فهرست شده آنها قابل تعویض هستند
1270
00:42:03,119 –> 00:42:05,359
فقط در صورتی که من به گفتن آنها ادامه دهم آه چه
1271
00:42:05,359 –> 00:42:07,359
ما اساساً خواهیم داشت این است که مسطح خواهیم کرد
1272
00:42:07,359 –> 00:42:10,160
داده ها بنابراین ما یک لیست دریافت می کنیم
1273
00:42:10,160 –> 00:42:11,800
از طول
1274
00:42:11,800 –> 00:42:14,720
784 و من معتقدم که به این دلیل است که خوب i
1275
00:42:14,720 –> 00:42:17,599
یعنی می دانم که این به این دلیل است که 28 ضربدر 28 است
1276
00:42:17,599 –> 00:42:20,800
برابر 784 است، بنابراین وقتی آن داده ها را صاف می کنیم
1277
00:42:20,800 –> 00:42:24,000
بنابراین 28 ردیف 28 پیکسلی و سپس به پایان می رسیم
1278
00:42:24,000 –> 00:42:26,960
گرفتن 784 پیکسل فقط یک بعد از هر کدام
1279
00:42:26,960 –> 00:42:27,920
دیگر و این چیزی است که ما به آن می رویم
1280
00:42:27,920 –> 00:42:29,520
به عنوان ورودی عصبی ما تغذیه می شود
1281
00:42:29,520 –> 00:42:30,400
شبکه
1282
00:42:30,400 –> 00:42:32,319
بنابراین این بدان معناست که ورودی اولیه ما
1283
00:42:32,319 –> 00:42:33,520
لایه چیزی شبیه به آن خواهد بود
1284
00:42:33,520 –> 00:42:34,960
این ما یک دسته از آن را خواهیم داشت
1285
00:42:34,960 –> 00:42:37,040
نورون ها و آنها همه را پیش خواهند برد
1286
00:42:37,040 –> 00:42:39,599
بسیار پایین است، بنابراین ما 784 خواهیم داشت
1287
00:42:39,599 –> 00:42:41,520
نورون ها پس بیایید این را بگوییم
1288
00:42:41,520 –> 00:42:42,520
است
1289
00:42:42,520 –> 00:42:44,720
784 من می دانم که شما به سختی می توانید
1290
00:42:44,720 –> 00:42:46,240
آن را بخوانید اما نکته و این را متوجه شدید
1291
00:42:46,240 –> 00:42:48,720
لایه ورودی ما است
1292
00:42:48,720 –> 00:42:50,480
در حال حاضر حتی قبل از اینکه در مورد هر نوع صحبت کنیم
1293
00:42:50,480 –> 00:42:52,240
از لایه های پنهان بیایید در مورد خود صحبت کنیم
1294
00:42:52,240 –> 00:42:55,359
لایه خروجی پس خروجی ما خوب است
1295
00:42:55,359 –> 00:42:56,800
خروجی ما یک عدد خواهد بود
1296
00:42:56,800 –> 00:42:59,200
بین 0 و 9. در حالت ایده آل این چیزی است که ما داریم
1297
00:42:59,200 –> 00:43:00,800
ما واقعاً می خواهیم چه کاری انجام دهیم
1298
00:43:00,800 –> 00:43:02,240
برای لایه خروجی ما به جای فقط است
1299
00:43:02,240 –> 00:43:04,000
داشتن یک نورون که ما از آن استفاده کردیم
1300
00:43:04,000 –> 00:43:05,200
در آخر
1301
00:43:05,200 –> 00:43:07,200
دو ویدیوی قبل به عنوان نمونه است
1302
00:43:07,200 –> 00:43:09,440
ما در واقع 10 نورون خواهیم داشت
1303
00:43:09,440 –> 00:43:11,839
هر کدام نماینده یکی از اینها هستند
1304
00:43:11,839 –> 00:43:13,839
کلاس های مختلف درست است، بنابراین ما 0 تا داریم
1305
00:43:13,839 –> 00:43:16,160
9 پس بدیهی است 10 نورون
1306
00:43:16,160 –> 00:43:18,560
یا 10 کلاس پس بیایید 10 نورون داشته باشیم
1307
00:43:18,560 –> 00:43:24,000
بنابراین 1 2 3 4 5 6 7 8 9 10.
1308
00:43:24,000 –> 00:43:25,760
حالا قراره با اینا چی بشه
1309
00:43:25,760 –> 00:43:28,079
نورون ها هر یک از آنها به سمت آن می روند
1310
00:43:28,079 –> 00:43:30,240
دارای یک ارزش هستند و آن ارزش در حال رفتن به
1311
00:43:30,240 –> 00:43:33,440
نشان می دهد که شبکه چقدر فکر می کند
1312
00:43:33,440 –> 00:43:35,839
به عنوان مثال هر نورون است
1313
00:43:35,839 –> 00:43:38,640
می گویند ما داریم تصویر را طبقه بندی می کنیم
1314
00:43:38,640 –> 00:43:40,400
که شبیه تی شرت است یا شاید
1315
00:43:40,400 –> 00:43:41,920
مثل یک شلوار زیبا هستند
1316
00:43:41,920 –> 00:43:43,359
کشیدن آسان است، بنابراین بیایید بگوییم این همان است
1317
00:43:43,359 –> 00:43:45,520
تصویری که به ما یک جفت شلوار داده شده است
1318
00:43:45,520 –> 00:43:47,440
اتفاقی که قرار است بیفتد این است که بگوییم شلوار
1319
00:43:47,440 –> 00:43:49,280
مثل این یکی مثل این یکی آن است
1320
00:43:49,280 –> 00:43:51,520
در واقع باید باشد همه اینها خواهند بود
1321
00:43:51,520 –> 00:43:53,280
مقدار مشخصی روشن کرد
1322
00:43:53,280 –> 00:43:54,800
بنابراین اساسا شاید ما مانند خودمان بگوییم
1323
00:43:54,800 –> 00:43:55,800
فکر کنید این است
1324
00:43:55,800 –> 00:43:58,240
0.05 درصد این
1325
00:43:58,240 –> 00:44:00,240
ما تا حدی از اطمینان داریم که
1326
00:44:00,240 –> 00:44:02,560
این 10 درصد است و پس از آن است
1327
00:44:02,560 –> 00:44:05,520
مثل اینکه ما فکر می کنیم 75 درصد شلوار است
1328
00:44:05,520 –> 00:44:07,119
وقتی به آن نگاه می کنیم چه کاری انجام خواهیم داد
1329
00:44:07,119 –> 00:44:08,720
این لایه خروجی در اصل ما خواهیم بود
1330
00:44:08,720 –> 00:44:10,880
فقط هر چیزی که بهترین است را پیدا کنید
1331
00:44:10,880 –> 00:44:12,720
بنابراین هر احتمالی که بیشترین است
1332
00:44:12,720 –> 00:44:14,160
و سپس بگویید که این یکی است که
1333
00:44:14,160 –> 00:44:16,400
شبکه پیش بینی می کند
1334
00:44:16,400 –> 00:44:18,880
کلاس شی داده شده درست است
1335
00:44:18,880 –> 00:44:20,400
وقتی ما در حال آموزش شبکه هستیم
1336
00:44:20,400 –> 00:44:23,200
ما اساساً انجام خواهیم داد این است که بگوییم خوب است
1337
00:44:23,200 –> 00:44:25,520
خوب ما شلوار را می دهیم تا بدانیم
1338
00:44:25,520 –> 00:44:27,599
که این یکی باید یکی درست این باشد
1339
00:44:27,599 –> 00:44:29,280
باید صد در صد باید باشد
1340
00:44:29,280 –> 00:44:31,119
یکی آه این چیزی است که باید باشد و همه
1341
00:44:31,119 –> 00:44:33,280
این دیگر باید صفر باشد
1342
00:44:33,280 –> 00:44:34,560
چون باید صفر درصد باشه
1343
00:44:34,560 –> 00:44:35,760
به احتمال زیاد این چیز دیگری است زیرا ما
1344
00:44:35,760 –> 00:44:37,760
بدانید که آن شلوار است و سپس
1345
00:44:37,760 –> 00:44:39,440
شبکه به همه اینها نگاه می کند و تنظیم می کند
1346
00:44:39,440 –> 00:44:41,280
همه وزن ها و سوگیری ها بر این اساس
1347
00:44:41,280 –> 00:44:43,440
به طوری که ما آن را دریافت کنیم تا این را روشن کند
1348
00:44:43,440 –> 00:44:45,520
یکی به طور مستقیم به عنوان یکی حداقل این است
1349
00:44:45,520 –> 00:44:46,640
هدف ما درست است
1350
00:44:46,640 –> 00:44:48,880
پس اوه یک بار ما این کار را انجام دادیم، پس اکنون انجام داده ایم
1351
00:44:48,880 –> 00:44:50,079
در مورد لایه ورودی و
1352
00:44:50,079 –> 00:44:52,160
لایه خروجی اکنون زمان صحبت در مورد آن است
1353
00:44:52,160 –> 00:44:54,160
لایه های پنهان ما تا بتوانیم
1354
00:44:54,160 –> 00:44:56,480
از نظر فنی شبکه ای را آموزش می دهد که می تواند
1355
00:44:56,480 –> 00:44:58,079
فقط دو لایه درست باشد و ما فقط
1356
00:44:58,079 –> 00:44:59,520
همه این ورودی ها را داشته باشید که به برخی از آنها می رود
1357
00:44:59,520 –> 00:45:02,079
یک نوع خروجی اما واقعا اینطور نیست
1358
00:45:02,079 –> 00:45:03,760
کارهای زیادی را برای ما انجام دهید زیرا اساساً همین است
1359
00:45:03,760 –> 00:45:04,800
فقط به این معنی است که ما فقط می خواهیم نگاه کنیم
1360
00:45:04,800 –> 00:45:06,960
در تمام پیکسل ها و بر اساس آن
1361
00:45:06,960 –> 00:45:09,359
پیکربندی پیکسل هایی که به آنها اشاره خواهیم کرد
1362
00:45:09,359 –> 00:45:11,200
شما این لایه های خروجی و آن را می شناسید
1363
00:45:11,200 –> 00:45:12,800
به این معنی است که ما فقط همان چیزی را خواهیم داشت که من
1364
00:45:12,800 –> 00:45:16,160
بدانید که فقط 784 ضربدر 10 وزن به نظر می رسد
1365
00:45:16,160 –> 00:45:19,280
و 784 ضربدر 10 به این معنی است
1366
00:45:19,280 –> 00:45:22,560
که ما فقط 7840 خواهیم داشت
1367
00:45:22,560 –> 00:45:24,319
وزن های درست را وزن می کند و چیزها را تعصب می کند
1368
00:45:24,319 –> 00:45:25,760
برای تنظیم
1369
00:45:25,760 –> 00:45:27,280
بنابراین آنچه ما در واقع می خواهیم انجام دهیم این است
1370
00:45:27,280 –> 00:45:29,359
ما یک لایه مخفی داخل آن اضافه می کنیم
1371
00:45:29,359 –> 00:45:32,000
از اینجا در حال حاضر شما می توانید به نوعی خودسرانه
1372
00:45:32,000 –> 00:45:34,480
خودسرانه تعداد نورون های خود را انتخاب کنید
1373
00:45:34,480 –> 00:45:36,000
قرار است در لایه مخفی خود را داشته باشد
1374
00:45:36,000 –> 00:45:37,920
یک ایده خوب برای رفتن بر اساس
1375
00:45:37,920 –> 00:45:39,760
درصد از لایه ورودی شما اما
1376
00:45:39,760 –> 00:45:41,280
چیزی که قرار است داشته باشیم این است که می رویم
1377
00:45:41,280 –> 00:45:43,599
برای داشتن یک لایه مخفی و در این صورت
1378
00:45:43,599 –> 00:45:46,079
این لایه پنهان 128 خواهد داشت
1379
00:45:46,079 –> 00:45:49,280
نورون ها پس می گوییم این 128 و است
1380
00:45:49,280 –> 00:45:51,280
این به عنوان لایه پنهان ما شناخته می شود
1381
00:45:51,280 –> 00:45:53,040
بنابراین آنچه اکنون اتفاق خواهد افتاد این است که ما می رویم
1382
00:45:53,040 –> 00:45:55,280
تا ورودی های ما به
1383
00:45:55,280 –> 00:45:57,599
لایه مخفی کاملاً متصل شده و سپس
1384
00:45:57,599 –> 00:45:59,520
لایه پنهان به آن متصل خواهد شد
1385
00:45:59,520 –> 00:46:01,119
تمام نورون های خروجی ما که این کار را انجام خواهند داد
1386
00:46:01,119 –> 00:46:03,359
اجازه می دهد برای پیچیدگی بسیار بیشتر ما
1387
00:46:03,359 –> 00:46:04,480
شبکه
1388
00:46:04,480 –> 00:46:06,079
زیرا ما یک تن بیشتر خواهیم داشت
1389
00:46:06,079 –> 00:46:08,240
تعصبات و یک تن وزنه های بیشتر متصل می شوند
1390
00:46:08,240 –> 00:46:10,079
به این لایه میانی که شاید ما آن را انجام دهیم
1391
00:46:10,079 –> 00:46:12,000
قادر به کشف برخی از الگوهای مانند
1392
00:46:12,000 –> 00:46:14,400
شاید آن را مانند یک مستقیم نگاه کنید
1393
00:46:14,400 –> 00:46:16,000
خطی که شبیه آستین شلوار یا
1394
00:46:16,000 –> 00:46:17,599
شبیه آستین بازو است
1395
00:46:17,599 –> 00:46:19,839
شاید به دنبال تمرکز a باشد
1396
00:46:19,839 –> 00:46:21,920
ناحیه خاصی در تصویر سمت راست و
1397
00:46:21,920 –> 00:46:24,000
این چیزی است که ما امیدواریم که پنهان ما باشد
1398
00:46:24,000 –> 00:46:25,920
لایه شاید بتواند برای ما انجام دهد
1399
00:46:25,920 –> 00:46:27,920
شاید انتخاب کنید تا در نوعی از
1400
00:46:27,920 –> 00:46:29,839
الگوها و سپس شاید با اینها
1401
00:46:29,839 –> 00:46:32,800
ترکیبی از الگوهایی که می توانیم انتخاب کنیم
1402
00:46:32,800 –> 00:46:35,599
در واقع چه تصویر خاصی است
1403
00:46:35,599 –> 00:46:37,440
ما واقعاً نمی دانیم چه چیزی پنهان است
1404
00:46:37,440 –> 00:46:39,440
شبکه یا لایه پنهان قرار است انجام دهد
1405
00:46:39,440 –> 00:46:41,119
ما فقط به نوعی به آن امید داریم
1406
00:46:41,119 –> 00:46:43,760
و با انتخاب 128 نورون می گوییم
1407
00:46:43,760 –> 00:46:45,359
خوب ما اجازه می دهیم این پنهان شود
1408
00:46:45,359 –> 00:46:47,599
لایه به نوعی راه خود را پیدا کند
1409
00:46:47,599 –> 00:46:49,839
و راهی برای تجزیه و تحلیل پیدا کنید
1410
00:46:49,839 –> 00:46:52,319
این تصویر و سپس آن اساسا است
1411
00:46:52,319 –> 00:46:53,520
کاری که قرار است انجام دهیم
1412
00:46:53,520 –> 00:46:54,880
بنابراین اگر در مورد آن سوالی دارید
1413
00:46:54,880 –> 00:46:57,200
لطفا در پرسیدن دریغ نکنید
1414
00:46:57,200 –> 00:46:58,960
اما لایه های پنهان زیبا هستند
1415
00:46:58,960 –> 00:47:00,960
خودسرانه ببخشید که قلمم را انداختم
1416
00:47:00,960 –> 00:47:02,400
این بدان معنی است که شما می دانید که می توانید مهربان باشید
1417
00:47:02,400 –> 00:47:04,079
آزمایش با آنها نوعی نیشگون گرفتن و کشیدن
1418
00:47:04,079 –> 00:47:06,160
با آنها برخی از آنها شناخته شده وجود دارد
1419
00:47:06,160 –> 00:47:08,079
باید خوب انجام دهید اما معمولاً زمانی که هستید
1420
00:47:08,079 –> 00:47:10,319
با انتخاب یک لایه پنهان یکی را انتخاب می کنید و
1421
00:47:10,319 –> 00:47:12,880
شما معمولاً در حدود 15 20 از
1422
00:47:12,880 –> 00:47:14,400
اندازه ورودی اما دوباره واقعا
1423
00:47:14,400 –> 00:47:16,400
بستگی به برنامه کاربردی شما دارد
1424
00:47:16,400 –> 00:47:17,520
شما استفاده می کنید
1425
00:47:17,520 –> 00:47:19,760
پس بیایید اکنون در واقع شروع کنیم
1426
00:47:19,760 –> 00:47:22,400
کار با داده های ما و ایجاد یک
1427
00:47:22,400 –> 00:47:24,400
مدل پس اگر بخواهیم یک مدل بسازیم
1428
00:47:24,400 –> 00:47:26,319
اولین کاری که ما باید انجام دهیم این است
1429
00:47:26,319 –> 00:47:28,240
معماری یا لایه ها را تعریف کنید
1430
00:47:28,240 –> 00:47:29,680
برای مدل ما و این چیزی است که ما فقط داریم
1431
00:47:29,680 –> 00:47:31,280
انجام شد، بنابراین من آن را تایپ می کنم
1432
00:47:31,280 –> 00:47:33,359
به سرعت اینجا و دوباره شما بچه ها خواهید دید
1433
00:47:33,359 –> 00:47:35,760
چگونه این کار می کند بنابراین من می خواهم بگویم مدل
1434
00:47:35,760 –> 00:47:36,880
در این مورد برابر است با مراقبت
1435
00:47:36,880 –> 00:47:39,520
keras. ترتیبی
1436
00:47:39,520 –> 00:47:41,760
من معتقدم که شما آن را اینگونه می نویسید و
1437
00:47:41,760 –> 00:47:43,200
سپس کاری که ما می خواهیم انجام دهیم داخل است
1438
00:47:43,200 –> 00:47:44,800
در اینجا یک لیست قرار دهید و ما شروع می کنیم
1439
00:47:44,800 –> 00:47:47,119
لایه های مختلف خود را تعریف می کنیم بنابراین ما هستیم
1440
00:47:47,119 –> 00:47:50,079
می گوییم keras dot layers و ما
1441
00:47:50,079 –> 00:47:51,680
لایه اول یک ورودی خواهد بود
1442
00:47:51,680 –> 00:47:53,760
لایه اما صاف می شود
1443
00:47:53,760 –> 00:47:56,559
لایه ورودی و خط زیرین ورودی
1444
00:47:56,559 –> 00:47:59,599
شکل برابر با 28 در 28 خواهد بود
1445
00:47:59,599 –> 00:48:00,960
پس به یاد داشته باشید که من در مورد آن صحبت کردم
1446
00:48:00,960 –> 00:48:02,880
در ابتدا آنچه ما باید انجام دهیم این است که ما خوب باشیم
1447
00:48:02,880 –> 00:48:05,359
باید داده هایمان را صاف کنیم تا درست شود
1448
00:48:05,359 –> 00:48:07,599
اوه قابل قبول برای همه کسانی که متفاوت است
1449
00:48:07,599 –> 00:48:08,800
نورون ها درسته
1450
00:48:08,800 –> 00:48:10,640
بنابراین اساساً اوه من باید شکل املا را بنویسم
1451
00:48:10,640 –> 00:48:12,880
به درستی شکل درستی بنابراین اساسا
1452
00:48:12,880 –> 00:48:14,319
هر زمان که در حال انتقال اطلاعات هستید
1453
00:48:14,319 –> 00:48:16,720
که مانند یک آرایه 2 بعدی یا 3 بعدی است که شما نیاز دارید
1454
00:48:16,720 –> 00:48:18,480
برای صاف کردن آن اطلاعات به طوری که
1455
00:48:18,480 –> 00:48:19,920
شما قادر خواهید بود آن را به یک منتقل کنید
1456
00:48:19,920 –> 00:48:22,000
نورون فردی در مقابل مانند
1457
00:48:22,000 –> 00:48:23,680
ارسال یک لیست کامل به یک نورون
1458
00:48:23,680 –> 00:48:24,480
درست
1459
00:48:24,480 –> 00:48:26,000
اکنون لایه بعدی که ما به آن می رویم
1460
00:48:26,000 –> 00:48:27,599
دارند چیزی می شود که به عنوان a شناخته می شود
1461
00:48:27,599 –> 00:48:29,520
لایه متراکم حالا یک لایه متراکم
1462
00:48:29,520 –> 00:48:31,359
اساساً فقط به معنای اتصال کامل است
1463
00:48:31,359 –> 00:48:33,599
لایه به این معنی است که آنچه را نشان داده ایم
1464
00:48:33,599 –> 00:48:35,200
تا کنون که فقط به طور کامل متصل است
1465
00:48:35,200 –> 00:48:37,040
شبکه های عصبی این چیزی است که ما داریم می رویم
1466
00:48:37,040 –> 00:48:39,040
بنابراین هر گره یا هر نورون است
1467
00:48:39,040 –> 00:48:40,480
متصل به هر نورون دیگر در
1468
00:48:40,480 –> 00:48:41,960
شبکه بعدی بنابراین من می خواهم بگویم
1469
00:48:41,960 –> 00:48:44,079
layers.dense و در این مورد ما هستیم
1470
00:48:44,079 –> 00:48:46,000
قرار است به آن 128 نورون بدهد که همین
1471
00:48:46,000 –> 00:48:47,599
ما در مورد آن صحبت کرده ایم و می رویم
1472
00:48:47,599 –> 00:48:49,920
تابع فعال سازی را که داریم تنظیم کنید
1473
00:48:49,920 –> 00:48:51,839
قبلا در مورد بودن نیز صحبت شده است
1474
00:48:51,839 –> 00:48:54,079
اصلاح واحد خطی
1475
00:48:54,079 –> 00:48:55,200
حالا دوباره
1476
00:48:55,200 –> 00:48:56,880
این تابع فعال سازی تا حدودی است
1477
00:48:56,880 –> 00:48:58,720
دلخواه در این واقعیت است که شما می توانید انتخاب کنید
1478
00:48:58,720 –> 00:49:00,880
متفاوت هستند اما واحد خطی یکسو کننده
1479
00:49:00,880 –> 00:49:03,200
یک تابع فعال سازی بسیار سریع است و
1480
00:49:03,200 –> 00:49:04,640
برای انواع مختلف به خوبی کار می کند
1481
00:49:04,640 –> 00:49:06,319
برنامه های کاربردی و به همین دلیل است که ما هستیم
1482
00:49:06,319 –> 00:49:08,400
انتخاب کنید که اکنون لایه بعدی در حال رفتن است
1483
00:49:08,400 –> 00:49:09,920
لایه متراکم دیگری باشد که به این معنی است
1484
00:49:09,920 –> 00:49:12,880
اساساً دیگری کاملاً متصل است
1485
00:49:12,880 –> 00:49:14,800
لایه متاسفم و ما 10 خواهیم داشت
1486
00:49:14,800 –> 00:49:16,880
نورون ها این خروجی ما خواهد بود
1487
00:49:16,880 –> 00:49:18,160
لایه و ما یک
1488
00:49:18,160 –> 00:49:21,280
فعال سازی سافت مکس
1489
00:49:21,280 –> 00:49:24,079
اکنون کاری که softmax انجام می دهد دقیقاً همان کاری است که من انجام می دهم
1490
00:49:24,079 –> 00:49:26,160
هنگام نشان دادن این نوع به شما توضیح داد
1491
00:49:26,160 –> 00:49:27,680
تصویر معماری
1492
00:49:27,680 –> 00:49:29,520
خواهد شد
1493
00:49:29,520 –> 00:49:31,760
مقادیر را برای هر نورون انتخاب کنید تا همه
1494
00:49:31,760 –> 00:49:33,520
از این مقادیر به یک عدد اضافه می شود
1495
00:49:33,520 –> 00:49:35,599
اساساً مانند احتمال است
1496
00:49:35,599 –> 00:49:38,319
از شبکه اوه فکر می کنم این یک است
1497
00:49:38,319 –> 00:49:40,160
ارزش مشخصی دارد، بنابراین مانند من اعتقاد دارم
1498
00:49:40,160 –> 00:49:42,079
که هشتاد درصد این اوه دو است
1499
00:49:42,079 –> 00:49:44,079
درصد این پنج درصد این اما همه
1500
00:49:44,079 –> 00:49:45,599
از نورون های آنجا
1501
00:49:45,599 –> 00:49:47,359
این مقادیر به یک و اضافه می شوند
1502
00:49:47,359 –> 00:49:49,440
این همان چیزی است که soft max soft max
1503
00:49:49,440 –> 00:49:50,640
عملکرد انجام می دهد
1504
00:49:50,640 –> 00:49:52,800
بنابراین در واقع به این معنی است که ما می توانیم نگاه کنیم
1505
00:49:52,800 –> 00:49:55,280
در آخرین لایه و ما می توانیم uh را ببینیم
1506
00:49:55,280 –> 00:49:57,520
احتمال یا آنچه که شبکه فکر می کند
1507
00:49:57,520 –> 00:50:00,000
برای هر کلاس داده شده و شاید آن ها را بگویید
1508
00:50:00,000 –> 00:50:02,720
دو کلاس هستند که هر کدام مانند 45 ما هستند
1509
00:50:02,720 –> 00:50:04,160
شاید بتوان خروجی را تغییر داد
1510
00:50:04,160 –> 00:50:06,319
شبکه برای گفتن مثل من مطمئن نیستم نه
1511
00:50:06,319 –> 00:50:08,720
از پیش بینی یک مقدار خاص uh
1512
00:50:08,720 –> 00:50:09,760
درست
1513
00:50:09,760 –> 00:50:11,520
خیلی خوب، حالا ما قرار است چه کار کنیم
1514
00:50:11,520 –> 00:50:13,119
آیا ما فقط می خواهیم تعدادی را تنظیم کنیم
1515
00:50:13,119 –> 00:50:14,720
پارامترهای مدل ما بنابراین ما در حال رفتن هستیم
1516
00:50:14,720 –> 00:50:17,040
به گفتن model.compile و در این مورد
1517
00:50:17,040 –> 00:50:19,599
ما از یک بهینه ساز اتم استفاده می کنیم
1518
00:50:19,599 –> 00:50:20,559
الان واقعا قرار نیست در موردش صحبت کنم
1519
00:50:20,559 –> 00:50:22,640
بهینه ساز اوه
1520
00:50:22,640 –> 00:50:24,160
اتم معمولاً مانند استاندارد است
1521
00:50:24,160 –> 00:50:25,359
به خصوص برای چیزی شبیه به این ما هستیم
1522
00:50:25,359 –> 00:50:28,400
از تابع ضرر اسپرس استفاده می کنیم
1523
00:50:28,400 –> 00:50:31,359
و در این مورد بر طبقه بندی تاکید کنید
1524
00:50:31,359 –> 00:50:32,880
من معتقدم که املای آن را درست نوشتم و
1525
00:50:32,880 –> 00:50:34,319
سپس عبور کنید
1526
00:50:34,319 –> 00:50:36,319
اگر به چه چیزی علاقه دارید، اکنون آنتروپی کنید
1527
00:50:36,319 –> 00:50:38,160
اینها انجام می دهند و چگونه کار می کنند در شرایطی مانند
1528
00:50:38,160 –> 00:50:39,680
جنبه ریاضی آنها فقط نگاه کنید
1529
00:50:39,680 –> 00:50:41,760
آنها در آنجا بسیار معروف هستند و
1530
00:50:41,760 –> 00:50:42,800
محبوب
1531
00:50:42,800 –> 00:50:44,880
و آنها دوباره تا حدودی خودسرانه هستند
1532
00:50:44,880 –> 00:50:46,640
از نظر نحوه انتخاب آنها
1533
00:50:46,640 –> 00:50:48,559
حالا وقتی معیارها را انجام می دهم می خواهم بگویم
1534
00:50:48,559 –> 00:50:50,319
متریک برابر با دقت و دوباره این است
1535
00:50:50,319 –> 00:50:52,640
فقط می خواهد تعریف کند که ما چه هستیم
1536
00:50:52,640 –> 00:50:54,079
به زمانی که مدل را آزمایش می کنیم نگاه می کنیم
1537
00:50:54,079 –> 00:50:56,000
در این مورد ما به دقت اهمیت می دهیم
1538
00:50:56,000 –> 00:50:58,079
یا اینکه چقدر می توانیم این تابع از دست دادن را کم کنیم
1539
00:50:58,079 –> 00:50:59,359
بودن
1540
00:50:59,359 –> 00:51:00,880
بنابراین بله شما بچه ها می توانید اینها را جستجو کنید
1541
00:51:00,880 –> 00:51:02,240
هزاران توابع از دست دادن مختلف وجود دارد
1542
00:51:02,240 –> 00:51:04,319
برخی از آنها کاربردهای متفاوتی دارند
1543
00:51:04,319 –> 00:51:05,359
و به طور معمول هنگامی که شما در حال ساختن یک
1544
00:51:05,359 –> 00:51:06,880
شبکه عصبی شما در اطراف شما ظروف سرباز یا مسافر
1545
00:51:06,880 –> 00:51:08,640
با توابع از دست دادن مختلف متفاوت است
1546
00:51:08,640 –> 00:51:10,640
بهینه ساز و در برخی موارد متفاوت است
1547
00:51:10,640 –> 00:51:12,319
معیارهای
1548
00:51:12,319 –> 00:51:14,160
بنابراین اکنون زمان آن است که به ما آموزش دهیم
1549
00:51:14,160 –> 00:51:16,160
مدل سازی کنید تا به مدل خود آموزش دهیم که چه هستیم
1550
00:51:16,160 –> 00:51:18,160
قرار است انجام شود model.fit است
1551
00:51:18,160 –> 00:51:19,599
و زمانی که ما آن را به همه چیز ما قرار است انجام دهیم
1552
00:51:19,599 –> 00:51:22,160
این است که تصاویر قطار و ما را به آن بدهیم
1553
00:51:22,160 –> 00:51:24,240
برچسب های قطار
1554
00:51:24,240 –> 00:51:26,079
حالا ما تنظیم می کنیم
1555
00:51:26,079 –> 00:51:28,079
مقدار دوره ها
1556
00:51:28,079 –> 00:51:29,839
بنابراین اکنون وقت آن است که در مورد دوره ها صحبت کنیم
1557
00:51:29,839 –> 00:51:31,200
در حال حاضر دوران در واقع نسبتا
1558
00:51:31,200 –> 00:51:32,400
واضح است که احتمالاً شنیده اید
1559
00:51:32,400 –> 00:51:34,240
کلمه دوران قبل اما اساسا آن است
1560
00:51:34,240 –> 00:51:36,400
یعنی مدل چند بار می رود
1561
00:51:36,400 –> 00:51:37,599
دیدن
1562
00:51:37,599 –> 00:51:39,520
این اطلاعات
1563
00:51:39,520 –> 00:51:41,280
بنابراین کاری که یک عصر قرار است انجام دهد این است
1564
00:51:41,280 –> 00:51:43,359
رفتن به نوعی به طور تصادفی انتخاب کنید
1565
00:51:43,359 –> 00:51:45,200
تصاویر و برچسب ها بدیهی است
1566
00:51:45,200 –> 00:51:47,040
متناظر با یکدیگر
1567
00:51:47,040 –> 00:51:48,480
و آن را از طریق تغذیه تغذیه می کند
1568
00:51:48,480 –> 00:51:50,720
شبکه عصبی پس چند دوره شما
1569
00:51:50,720 –> 00:51:52,800
تصمیم بگیرید که چند بار می روید
1570
00:51:52,800 –> 00:51:55,680
همین تصویر را ببینید، بنابراین دلیل انجام آن چیست
1571
00:51:55,680 –> 00:51:58,160
این به دلیل ترتیبی است که
1572
00:51:58,160 –> 00:52:00,079
تصاویری که وارد می شوند بر چگونگی آن تأثیر می گذارد
1573
00:52:00,079 –> 00:52:02,160
پارامترها و چیزها بهینه سازی شده اند
1574
00:52:02,160 –> 00:52:05,040
شبکه ممکن است 10 تصویر را ببیند
1575
00:52:05,040 –> 00:52:07,040
که شلوار قرار است آن را نیشگون گرفتن و کشیدن
1576
00:52:07,040 –> 00:52:08,480
متفاوت از این است که آن را مانند چند می بیند
1577
00:52:08,480 –> 00:52:10,800
شلوار بهتر و چند تایی که هستن
1578
00:52:10,800 –> 00:52:12,960
یک پیراهن و تعدادی که صندل هستند
1579
00:52:12,960 –> 00:52:14,640
این یک توضیح بسیار ساده از چگونگی است
1580
00:52:14,640 –> 00:52:16,880
دوره ها کار می کنند، اما اساسا آن را درست است
1581
00:52:16,880 –> 00:52:19,200
همین تصاویر را در الف به او می دهد
1582
00:52:19,200 –> 00:52:20,960
ترتیب مختلف و سپس شاید اگر آن را دریافت کنید
1583
00:52:20,960 –> 00:52:22,240
یک تصویر اشتباه است آن را می بیند
1584
00:52:22,240 –> 00:52:23,920
دوباره و قادر به نیشگون گرفتن و کشیدن و آن را فقط
1585
00:52:23,920 –> 00:52:26,800
راهی برای افزایش دقت امیدوارم
1586
00:52:26,800 –> 00:52:28,960
از مدل ما که گفته می شود بیشتر می دهد
1587
00:52:28,960 –> 00:52:31,119
دوره ها همیشه لزوماً اینطور نیست
1588
00:52:31,119 –> 00:52:33,119
دقت مدل خود را افزایش دهید
1589
00:52:33,119 –> 00:52:34,480
چیزی که به نوعی باید آن را بازی کنید
1590
00:52:34,480 –> 00:52:36,319
با و هر کسی که هر ماشینی را انجام می دهد
1591
00:52:36,319 –> 00:52:37,680
یادگیری یا شبکه های عصبی خواهد گفت
1592
00:52:37,680 –> 00:52:39,280
شما که آنها واقعا نمی توانند آنها را دوست داشته باشند
1593
00:52:39,280 –> 00:52:40,960
تعداد دقیق دوره های آنها را نمی دانم
1594
00:52:40,960 –> 00:52:42,640
باید با آن بازی کرد و آن را نیشگون گرفتن و کشیدن و
1595
00:52:42,640 –> 00:52:45,359
ببینید چه چیزی بهترین دقت را به آنها می دهد
1596
00:52:45,359 –> 00:52:48,000
بنابراین به هر حال اکنون زمان آن است که در واقع
1597
00:52:48,000 –> 00:52:49,839
خوب ما می توانیم این را اجرا کنیم، اما اجازه دهید ابتدا آن را دریافت کنیم
1598
00:52:49,839 –> 00:52:51,599
نوعی خروجی در اینجا است، بنابراین من می خواهم
1599
00:52:51,599 –> 00:52:53,760
در واقع این مدل را به طور مستقیم ارزیابی کنید
1600
00:52:53,760 –> 00:52:55,839
بعد از اینکه آن را اجرا کردیم تا ببینیم چگونه است
1601
00:52:55,839 –> 00:52:58,000
در حال حاضر روی داده های آزمایشی ما کار می کند
1602
00:52:58,000 –> 00:52:59,359
کاری که این کار انجام می دهد در واقع فقط است
1603
00:52:59,359 –> 00:53:01,359
آموزش مدل بر روی داده های آموزشی ما
1604
00:53:01,359 –> 00:53:02,640
که به این معنی است که ما همه چیز را اصلاح می کنیم
1605
00:53:02,640 –> 00:53:05,280
وزن ها و سوگیری ها ما همه را به کار می بریم
1606
00:53:05,280 –> 00:53:07,040
آن توابع فعال سازی و ما هستیم
1607
00:53:07,040 –> 00:53:08,720
تعریف مانند یک تابع اصلی برای
1608
00:53:08,720 –> 00:53:10,640
مدل اما اگر واقعاً بخواهیم ببینیم چگونه است
1609
00:53:10,640 –> 00:53:12,800
این کار ما نمی توانیم
1610
00:53:12,800 –> 00:53:14,720
واقعا فقط آن را در آموزش تست کنید
1611
00:53:14,720 –> 00:53:16,400
تصاویر و برچسب ها به همین دلیل i
1612
00:53:16,400 –> 00:53:18,480
قبلا در مورد آن صحبت شده است، بنابراین ما باید آزمایش کنیم
1613
00:53:18,480 –> 00:53:20,240
آن را در تصاویر تست و تست
1614
00:53:20,240 –> 00:53:22,319
برچسب ها و اساسا ببینید چه تعداد از آن
1615
00:53:22,319 –> 00:53:24,559
درست می شود، بنابراین روشی که ما انجام می دهیم این است
1616
00:53:24,559 –> 00:53:25,920
ما می خواهیم بگوییم
1617
00:53:25,920 –> 00:53:29,839
تست underscore از دست دادن تست underscore ac
1618
00:53:29,839 –> 00:53:32,400
که مخفف دقت برابر با مدل است
1619
00:53:32,400 –> 00:53:35,280
نقطه ارزیابی
1620
00:53:35,280 –> 00:53:37,200
این است که چگونه آن را ممکن است و سپس
1621
00:53:37,200 –> 00:53:39,359
ما قصد داریم تصاویر آزمایشی را انجام دهیم
1622
00:53:39,359 –> 00:53:42,079
برچسب های خط زیر را تست کنید و من معتقدم
1623
00:53:42,079 –> 00:53:44,800
این آخرین پارامتر است بله همینطور است
1624
00:53:44,800 –> 00:53:46,960
حالا اگر بخواهیم صحت آن را ببینیم
1625
00:53:46,960 –> 00:53:49,680
مدل ما را به سادگی می توانیم چاپ کنیم
1626
00:53:49,680 –> 00:53:52,480
خط زیر را تست کنید و ما فقط می گوییم
1627
00:53:52,480 –> 00:53:53,839
پسندیدن
1628
00:53:53,839 –> 00:53:55,760
تست شده
1629
00:53:55,760 –> 00:53:57,280
acc فقط برای اینکه بدانیم چون وجود دارد
1630
00:53:57,280 –> 00:53:58,559
برخی از معیارهای دیگر هستند که هستند
1631
00:53:58,559 –> 00:53:59,839
زمانی که ما برای ما چاپ می شود
1632
00:53:59,839 –> 00:54:01,040
این را اجرا کن
1633
00:54:01,040 –> 00:54:02,720
خوب حالا که این کار را انجام دادیم
1634
00:54:02,720 –> 00:54:05,599
اجازه دهید در واقع فایل خود را اجرا کنیم و
1635
00:54:05,599 –> 00:54:07,680
ببینید چگونه این کار می کند پس این همان است
1636
00:54:07,680 –> 00:54:09,599
تمام بخش در اینجا تنها چیزی است که ما واقعاً به آن نیاز داریم
1637
00:54:09,599 –> 00:54:11,839
برای ایجاد یک شبکه عصبی و انجام
1638
00:54:11,839 –> 00:54:13,920
یک مدل در واقع به من اجازه می دهد فقط به سرعت
1639
00:54:13,920 –> 00:54:16,240
می گویند که این کراس. ترتیبی چه این
1640
00:54:16,240 –> 00:54:18,480
انجام می دهد این به معنای یک دنباله مانند است
1641
00:54:18,480 –> 00:54:19,599
لایه های
1642
00:54:19,599 –> 00:54:21,280
بنابراین شما فقط آنها را به ترتیب تعریف می کنید
1643
00:54:21,280 –> 00:54:22,720
جایی که شما می گویید اولین لایه واضح است
1644
00:54:22,720 –> 00:54:24,720
لایه ورودی شما خواهد بود
1645
00:54:24,720 –> 00:54:26,319
ما داده ها را مسطح می کنیم و سپس داریم
1646
00:54:26,319 –> 00:54:28,000
اضافه کردن دو لایه متراکم که کاملاً هستند
1647
00:54:28,000 –> 00:54:30,720
به لایه ورودی نیز متصل می شود
1648
00:54:30,720 –> 00:54:33,280
و این چیزی است که مدل ما به نظر می رسد و
1649
00:54:33,280 –> 00:54:34,480
معمولاً اینگونه است
1650
00:54:34,480 –> 00:54:36,400
ایجاد یک شبکه عصبی
1651
00:54:36,400 –> 00:54:38,400
بسیار خوب پس بیایید این را اکنون اجرا کنیم
1652
00:54:38,400 –> 00:54:41,040
و ببینیم چه چیزی بدست می آوریم
1653
00:54:41,040 –> 00:54:43,920
بنابراین یک یا دو ثانیه طول می کشد تا اجرا شود
1654
00:54:43,920 –> 00:54:46,079
امم فقط به این دلیل که بدیهی است خوب وجود دارد
1655
00:54:46,079 –> 00:54:48,319
ما 60000 تصویر در این مجموعه داده داریم
1656
00:54:48,319 –> 00:54:49,599
بنابراین می دانید که باید از میان آنها عبور کرد
1657
00:54:49,599 –> 00:54:51,359
این همه دوره ها را انجام می دهد و شما می توانید
1658
00:54:51,359 –> 00:54:53,599
ببینید که ما در اینجا معیارها را دریافت می کنیم
1659
00:54:53,599 –> 00:54:55,119
دقت ما
1660
00:54:55,119 –> 00:54:56,400
و از دست دادن ما
1661
00:54:56,400 –> 00:54:59,119
اکنون دقت تست ما 87 بود، بنابراین شما می توانید
1662
00:54:59,119 –> 00:55:01,040
ببینید که در واقع کمی پایین تر است
1663
00:55:01,040 –> 00:55:02,960
از اوم شما آن را چه می نامید
1664
00:55:02,960 –> 00:55:04,960
دقت در اینجا اوه دقیقاً همان اوه است
1665
00:55:04,960 –> 00:55:07,280
آن را در واقع به طور خودکار بر روی برخی از داده ها تست شده است
1666
00:55:07,280 –> 00:55:09,760
مجموعه اما به هر حال
1667
00:55:09,760 –> 00:55:11,839
بنابراین اساسا آن است
1668
00:55:11,839 –> 00:55:13,280
چگونه این کار می کند شما می توانید ببینید که
1669
00:55:13,280 –> 00:55:15,200
پنج دوره اول که اینها هستند
1670
00:55:15,200 –> 00:55:16,799
اینجا اوه
1671
00:55:16,799 –> 00:55:19,440
اجرا شد و به طور معمول با افزایش یافت
1672
00:55:19,440 –> 00:55:21,680
هر دوره اکنون دوباره می توانیم مانند آن تلاش کنیم
1673
00:55:21,680 –> 00:55:24,079
10 epochs 20 epochs و ببینید چه کار می کند
1674
00:55:24,079 –> 00:55:25,440
اما نقطه ای وجود دارد که بیشتر
1675
00:55:25,440 –> 00:55:27,920
دوره هایی که شما کارهای واقعی را انجام می دهید، کمتر را دوست دارید
1676
00:55:27,920 –> 00:55:30,079
مدل شما قابل اعتماد می شود
1677
00:55:30,079 –> 00:55:31,839
اوه و می بینید که دقت ما این بود
1678
00:55:31,839 –> 00:55:35,440
اساساً از 88.9 شروع شد و همین بود
1679
00:55:35,440 –> 00:55:37,280
روی مدل ما همینطور گفته شده است
1680
00:55:37,280 –> 00:55:38,799
دقت زمانی بود که ما در حال آموزش بودیم
1681
00:55:38,799 –> 00:55:40,720
مدل اما پس از آن یک بار واقعاً آزمایش کردیم
1682
00:55:40,720 –> 00:55:43,280
این که این دو خط در اینجا هستند
1683
00:55:43,280 –> 00:55:45,760
پایین تر از
1684
00:55:45,760 –> 00:55:47,920
تست شده یا مانند دقت آموزش دیده
1685
00:55:47,920 –> 00:55:49,520
که به شما نشان می دهد که به وضوح دارید
1686
00:55:49,520 –> 00:55:50,799
برای آزمایش روی تصاویر مختلف
1687
00:55:50,799 –> 00:55:52,559
چون وقتی اینجا تستش کردیم نوشته بود
1688
00:55:52,559 –> 00:55:54,799
خوب سال 89 بود اما ما فقط رسیدیم
1689
00:55:54,799 –> 00:55:57,520
87 درست است، پس بیایید یک تغییر سریع انجام دهیم
1690
00:55:57,520 –> 00:55:58,880
در اینجا و فقط ببینید چه چیزی را شاید اگر
1691
00:55:58,880 –> 00:56:01,280
ما 10 دوره اضافه می کنیم، فکر نمی کنم این باشد
1692
00:56:01,280 –> 00:56:03,359
زمان دیوانه وار طولانی خواهد شد
1693
00:56:03,359 –> 00:56:05,200
بنابراین ما این را اجرا می کنیم و می بینیم که آیا ممکن است انجام شود
1694
00:56:05,200 –> 00:56:06,480
تفاوت زیادی ایجاد می کند یا اگر آن را داشته باشد
1695
00:56:06,480 –> 00:56:08,000
شروع به تراز کردن می کند یا شروع به رفتن می کند
1696
00:56:08,000 –> 00:56:10,400
پایین تر یا نه
1697
00:56:10,400 –> 00:56:12,319
اوه پس اجازه دهید این برای مدتی اینجا اجرا شود
1698
00:56:12,319 –> 00:56:13,760
دوم و بدیهی است که می توانید ببینید
1699
00:56:13,760 –> 00:56:16,079
همانطور که به حرکت ادامه می دهیم، دقت را تغییر داد
1700
00:56:16,079 –> 00:56:17,280
من علاقه مندم ببینم اینجا هستیم یا نه
1701
00:56:17,280 –> 00:56:18,640
بسیار افزایش می یابد یا اگر افزایش یابد
1702
00:56:18,640 –> 00:56:20,000
فقط به نوعی در همان حالت باقی می ماند
1703
00:56:20,000 –> 00:56:22,240
مرحله
1704
00:56:22,400 –> 00:56:23,599
بسیار خوب پس ما داریم به 90 میرسیم
1705
00:56:23,599 –> 00:56:26,880
درصد و بیایید اینجا را ببینیم
1706
00:56:26,880 –> 00:56:30,400
91. باشه پس ما تا 91 رسیدیم ولی تو
1707
00:56:30,400 –> 00:56:31,920
می توان دید که به نوعی در حال کاهش است
1708
00:56:31,920 –> 00:56:33,599
به محض اینکه ما به پایان رسیدیم برمی گردد
1709
00:56:33,599 –> 00:56:36,319
تا حدود هفت دوره حتی بله
1710
00:56:36,319 –> 00:56:38,480
مانند هشت دوره پس از این فقط ما
1711
00:56:38,480 –> 00:56:40,960
به میزان نهایی و ما افزایش یافت
1712
00:56:40,960 –> 00:56:42,880
دقت در داده های تست بود
1713
00:56:42,880 –> 00:56:45,359
کمی بهتر است اما باز هم نسبت به مقدار
1714
00:56:45,359 –> 00:56:47,200
از دوره های پنج دوره اضافی آن را نداشت
1715
00:56:47,200 –> 00:56:49,440
درست پنج برابر نتیجه بهتری به ما بدهید
1716
00:56:49,440 –> 00:56:50,640
بنابراین این چیزی است که باید با آن بازی کنید
1717
00:56:50,640 –> 00:56:53,040
و ببینید
1718
00:56:55,760 –> 00:56:57,040
اکنون در ویدیوی امروز قرار است به چه چیزی بپردازیم
1719
00:56:57,040 –> 00:56:59,200
انجام این کار فقط با استفاده از مدل ما است
1720
00:56:59,200 –> 00:57:01,359
برای پیش بینی واقعی اطلاعات
1721
00:57:01,359 –> 00:57:03,280
تصاویر خاص و ببینید که چگونه می توانید
1722
00:57:03,280 –> 00:57:05,119
در واقع از مدلی که من زیاد پیدا کردم استفاده می کنم
1723
00:57:05,119 –> 00:57:06,799
مجموعه های آموزشی به شما نشان نمی دهند که چگونه
1724
00:57:06,799 –> 00:57:09,040
در واقع عملا از مدل اما استفاده کنید
1725
00:57:09,040 –> 00:57:10,319
ایجاد یک مدل چه فایده ای دارد اگر
1726
00:57:10,319 –> 00:57:12,160
شما نمی توانید آن را به سرعت قبل از من استفاده کنید
1727
00:57:12,160 –> 00:57:13,599
خیلی به ویدیویی که من می خواهم خیلی دور بروم
1728
00:57:13,599 –> 00:57:14,880
دوست دارم به شما بچه ها چیزی را نشان دهم که من هستم
1729
00:57:14,880 –> 00:57:16,640
بسیار هیجان زده هستم که اعلام کنم زیرا من اعلام کرده ام
1730
00:57:16,640 –> 00:57:18,319
مدتها منتظر آمدن آنها بودم
1731
00:57:18,319 –> 00:57:20,480
زمان و آن را با فناوری رسمی است
1732
00:57:20,480 –> 00:57:23,040
لیوان تیم تا شما بچه ها بتوانید آنها را اینجا ببینید
1733
00:57:23,040 –> 00:57:24,240
فقط می خواهم به سرعت آنها را به شما نشان دهم
1734
00:57:24,240 –> 00:57:25,599
بچه ها اگر مایلید حمایت کنید
1735
00:57:25,599 –> 00:57:27,280
کانال و یک لیوان با ظاهر عالی دریافت کنید
1736
00:57:27,280 –> 00:57:29,200
واقعاً آنها را دوست دارید پس شما بچه ها
1737
00:57:29,200 –> 00:57:30,559
می توانم آنها را فقط با من معتقدم خریداری کنم
1738
00:57:30,559 –> 00:57:31,920
در زیر ویدیو مانند آن نشان داده می شود
1739
00:57:31,920 –> 00:57:34,000
teespring لینک ام اما بله آنها هستند
1740
00:57:34,000 –> 00:57:35,440
بسیار عالی آنها واقعا خوب به نظر می رسند و
1741
00:57:35,440 –> 00:57:36,720
دلیلی که برای نمایش معطل مانده ام
1742
00:57:36,720 –> 00:57:37,760
آنها را به شما بچه ها به این دلیل است که من می خواستم
1743
00:57:37,760 –> 00:57:39,920
صبر کنید تا من را دریافت کنم تا مطمئن شوم
1744
00:57:39,920 –> 00:57:41,440
که آن را به کیفیت و آن را
1745
00:57:41,440 –> 00:57:43,440
به اندازه کافی خوب به نظر می رسید که به شما بفروشد
1746
00:57:43,440 –> 00:57:44,880
بچه ها اساساً اگر می خواهید
1747
00:57:44,880 –> 00:57:46,799
از کانال حمایت کنید شما می توانید یکی را دریافت کنید
1748
00:57:46,799 –> 00:57:48,400
از آنها اگر نه خوب است اما اگر شما
1749
00:57:48,400 –> 00:57:50,079
تصمیم به خرید دارید لطفا برای من لایک کنید
1750
00:57:50,079 –> 00:57:52,480
یک dm در توییتر اینستاگرام یا چیز دیگری
1751
00:57:52,480 –> 00:57:53,920
و به من اطلاع دهید تا بتوانم تشکر کنم
1752
00:57:53,920 –> 00:57:56,480
به شما بچه ها پس به هر حال بیایید وارد شویم
1753
00:57:56,480 –> 00:57:58,720
ویدیو اوم پس من می خواهم چه کار کنم
1754
00:57:58,720 –> 00:57:59,839
در حقیقت
1755
00:57:59,839 –> 00:58:02,400
آیا می خواهم اوه ما به طور مداوم نیاز داریم
1756
00:58:02,400 –> 00:58:04,960
هر بار که ما آن را اجرا می کنیم، مدل را آموزش دهیم
1757
00:58:04,960 –> 00:58:07,119
برنامه ای که می دانم به نظر دردناک است
1758
00:58:07,119 –> 00:58:08,880
اما مگر اینکه بخواهیم مدل را ذخیره کنیم
1759
00:58:08,880 –> 00:58:10,240
که حدس میزنم واقعاً بتوانم آن را نشان دهم
1760
00:58:10,240 –> 00:58:12,000
این ویدیو بعدا هم
1761
00:58:12,000 –> 00:58:13,440
ما فقط باید آن را آموزش دهیم و سپس می توانیم
1762
00:58:13,440 –> 00:58:16,400
استفاده از آن به طور مستقیم پس از ما شما را
1763
00:58:16,400 –> 00:58:17,839
می دانم تست شده است که ما نیازی به انجام آن نداریم
1764
00:58:17,839 –> 00:58:19,680
این ارزیابی دیگر ما آموزش دیده اند
1765
00:58:19,680 –> 00:58:21,920
مدل ما می توانیم از آن برای استفاده از آن استفاده کنیم
1766
00:58:21,920 –> 00:58:23,200
در واقع فقط باید از یک روش استفاده کرد
1767
00:58:23,200 –> 00:58:24,880
نامیده می شود پیش بینی اما من می خواهم صحبت کنم
1768
00:58:24,880 –> 00:58:26,480
در مورد این که چگونه این کار می کند زیرا
1769
00:58:26,480 –> 00:58:28,559
کمی سخت است ما حتی ساده نیستیم
1770
00:58:28,559 –> 00:58:31,119
سخت است اما نه شهودی
1771
00:58:31,119 –> 00:58:32,400
اساساً زمانی که می خواهید یک بسازید
1772
00:58:32,400 –> 00:58:34,640
پیش بینی با استفاده از مدل
1773
00:58:34,640 –> 00:58:36,160
من فقط یک متغیر را تنظیم می کنم
1774
00:58:36,160 –> 00:58:37,359
پیش بینی اینجا
1775
00:58:37,359 –> 00:58:38,520
شما به سادگی استفاده می کنید
1776
00:58:38,520 –> 00:58:41,119
model.predict و سپس آن را پاس می کنید
1777
00:58:41,119 –> 00:58:42,319
فهرست
1778
00:58:42,319 –> 00:58:43,200
اکنون
1779
00:58:43,200 –> 00:58:44,799
آنچه شما فکر می کنید انجام دهید این است
1780
00:58:44,799 –> 00:58:47,359
فقط آن را مانند ورودی سمت راست ارسال کنید
1781
00:58:47,359 –> 00:58:48,880
در این مورد ما فقط مقداری ورودی به آن می دهیم
1782
00:58:48,880 –> 00:58:51,280
که به شکل 2828 است و می شود
1783
00:58:51,280 –> 00:58:53,119
پیش بینی کنید اما در واقع اینطور نیست
1784
00:58:53,119 –> 00:58:54,160
آثار
1785
00:58:54,160 –> 00:58:55,440
وقتی میخوای پیش بینی کنی چی
1786
00:58:55,440 –> 00:58:57,119
شما باید انجام دهید این است
1787
00:58:57,119 –> 00:58:58,559
هر چی داری بذار
1788
00:58:58,559 –> 00:59:00,799
شکل ورودی داخل یک لیست است
1789
00:59:00,799 –> 00:59:02,079
یا در واقع
1790
00:59:02,079 –> 00:59:03,440
خوب شما می توانید آن را در داخل لیست انجام دهید
1791
00:59:03,440 –> 00:59:05,599
اما شما همچنین می توانید آن را در داخل MP انجام دهید
1792
00:59:05,599 –> 00:59:07,520
آرایه و همچنین مانند یک آرایه numpy
1793
00:59:07,520 –> 00:59:08,799
و دلیلی که باید این کار را انجام دهید این است
1794
00:59:08,799 –> 00:59:11,280
زیرا کاری که پیش بینی انجام می دهد این است که می دهد
1795
00:59:11,280 –> 00:59:13,200
شما یک گروه از پیش بینی ها پس از آن است
1796
00:59:13,200 –> 00:59:14,960
انتظار دارم که در یک دسته از شما عبور کنید
1797
00:59:14,960 –> 00:59:17,280
چیزهای مختلف است و همه چیز را پیش بینی می کند
1798
00:59:17,280 –> 00:59:19,520
آنها با استفاده از مدل به عنوان مثال اگر i
1799
00:59:19,520 –> 00:59:21,520
میخواهم پیشبینیها را روی همهام انجام دهم
1800
00:59:21,520 –> 00:59:23,760
تصاویر را آزمایش کنم تا ببینم آنها چه هستند
1801
00:59:23,760 –> 00:59:25,760
انجام پیش بینی برابر است با آزمون مدل.پیش بینی
1802
00:59:25,760 –> 00:59:26,720
تصاویر
1803
00:59:26,720 –> 00:59:29,440
و اگر من مانند پیش بینی چاپ کنم
1804
00:59:29,440 –> 00:59:30,640
شما بچه ها خواهید دید که این چه شکلی است
1805
00:59:30,640 –> 00:59:32,640
پس بیایید این را اینجا اجرا کنیم
1806
00:59:32,640 –> 00:59:35,599
و ببینید چه چیزی به وضوح داریم
1807
00:59:35,599 –> 00:59:37,200
برای آموزش مدل هر بار که a
1808
00:59:37,200 –> 00:59:39,359
کمی آزاردهنده است اما می توانیم آن را نجات دهیم
1809
00:59:39,359 –> 00:59:40,720
بعدا و بدیهی است که این یکی اجرا می شود
1810
00:59:40,720 –> 00:59:44,319
خیلی سریع، بنابراین معامله بزرگی نیست
1811
00:59:45,119 –> 00:59:46,319
بسیار خوب پس ما می رویم پس اکنون شما می توانید
1812
00:59:46,319 –> 00:59:47,680
ببینید این در واقع همان چیزی است که ما داریم
1813
00:59:47,680 –> 00:59:49,760
پیش بینی ها به نظر می رسد در حال حاضر این است
1814
00:59:49,760 –> 00:59:52,079
واقعاً شبیه به نگاه کردن عجیب است
1815
00:59:52,079 –> 00:59:53,359
چیز پیش بینی
1816
00:59:53,359 –> 00:59:55,839
ما در حال دریافت یک دسته از لیست های مختلف هستیم
1817
00:59:55,839 –> 00:59:57,680
اکنون به این دلیل است که خروجی ما درست است
1818
00:59:57,680 –> 01:00:00,000
لایه 10 نورون است بنابراین ما در واقع هستیم
1819
01:00:00,000 –> 01:00:02,559
دریافت خروجی از 10 مقدار مختلف
1820
01:00:02,559 –> 01:00:03,839
و این مقادیر مختلف هستند
1821
01:00:03,839 –> 01:00:06,400
نشان دهنده میزان تفکر مدل است
1822
01:00:06,400 –> 01:00:09,200
که هر تصویر یک کلاس خاص است
1823
01:00:09,200 –> 01:00:10,960
درست است، بنابراین شما می توانید ببینید که ما داریم شبیه هستیم
1824
01:00:10,960 –> 01:00:14,000
2.6 به e به منفی صفر شش
1825
01:00:14,000 –> 01:00:16,160
به این معنی که بدیهی است که بسیار کوچک است
1826
01:00:16,160 –> 01:00:18,319
عدد بنابراین به هیچ وجه فکر نمی کند
1827
01:00:18,319 –> 01:00:19,920
که این است و سپس من سعی می کنم
1828
01:00:19,920 –> 01:00:21,920
پیدا کنیم که آیا می توانیم مواردی را ببینیم که شبیه نیستند
1829
01:00:21,920 –> 01:00:23,119
به تو
1830
01:00:23,119 –> 01:00:24,880
اما ظاهراً ما واقعاً متوجه نشدیم
1831
01:00:24,880 –> 01:00:26,240
به اندازه کافی خوش شانس با نشان دادن آن چون من
1832
01:00:26,240 –> 01:00:28,000
فقط برخی از آنها را در اینجا قطع کنید، اما اگر من
1833
01:00:28,000 –> 01:00:31,040
بیایید بگوییم مانند پیش بینی چاپ کنید
1834
01:00:31,040 –> 01:00:32,880
صفر و من حدس می زنم که ما باید اجرا کنیم
1835
01:00:32,880 –> 01:00:33,760
این دوباره احتمالا باید داشته باشم
1836
01:00:33,760 –> 01:00:35,119
به آن فکر کرد
1837
01:00:35,119 –> 01:00:36,640
سپس شما بچه ها خواهید دید که دقیقا چیست
1838
01:00:36,640 –> 01:00:38,000
لیست پیش بینی به نظر می رسد و من می خواهم
1839
01:00:38,000 –> 01:00:39,920
به شما نشان دهیم که چگونه می توانیم در واقع تفسیر کنیم
1840
01:00:39,920 –> 01:00:41,920
این برای تعیین اینکه چه کلاسی است
1841
01:00:41,920 –> 01:00:43,280
زیرا این برای ما معنایی ندارد که ما می خواهیم
1842
01:00:43,280 –> 01:00:45,520
دانستن اینکه آیا صندل است یا کفش است
1843
01:00:45,520 –> 01:00:47,280
این یک پیراهن مانند آنچه که درست است
1844
01:00:47,280 –> 01:00:48,640
پس این همان لیست است
1845
01:00:48,640 –> 01:00:50,160
به نظر می رسد اگر از طریق آن نگاه کنیم
1846
01:00:50,160 –> 01:00:51,599
لیستی در اینجا مشاهده می کنیم که همه اینها هستند
1847
01:00:51,599 –> 01:00:53,920
احتمالات مختلف ما
1848
01:00:53,920 –> 01:00:55,680
شبکه در حال پیش بینی است پس ما چه هستیم
1849
01:00:55,680 –> 01:00:57,520
در واقع به انجام اساسا است
1850
01:00:57,520 –> 01:00:59,359
ما بالاترین را می گیریم
1851
01:00:59,359 –> 01:01:01,440
شماره وجود دارد ما می خواهیم آن را بگوییم
1852
01:01:01,440 –> 01:01:04,319
مقدار پیش بینی شده است بنابراین برای انجام این کار
1853
01:01:04,319 –> 01:01:09,119
کاری که ما انجام می دهیم این است که می گوییم np dot arg max بسیار خوب
1854
01:01:09,119 –> 01:01:12,160
و اکنون آن را در اطراف این لیست قرار داده ایم
1855
01:01:12,160 –> 01:01:14,160
کاری که این کار انجام می دهد این است که آن را دریافت می کند
1856
01:01:14,160 –> 01:01:17,359
بزرگترین مقدار و مانند شاخص پیدا می کند
1857
01:01:17,359 –> 01:01:19,359
از آن پس در این مورد چون 10 داریم
1858
01:01:19,359 –> 01:01:21,119
نورون هایی که اولین آنها را نشان می دهد
1859
01:01:21,119 –> 01:01:23,280
بدیهی است که آخرین تی شرت است
1860
01:01:23,280 –> 01:01:24,720
نشان دهنده چکمه مچ پا آن را پیدا خواهد کرد
1861
01:01:24,720 –> 01:01:26,559
هر نورون بزرگترین مقدار و
1862
01:01:26,559 –> 01:01:28,720
شاخص آن نورون را به ما بدهید تا اگر
1863
01:01:28,720 –> 01:01:30,400
مانند نورون سوم است
1864
01:01:30,400 –> 01:01:32,640
قرار است به ما یک پیراهن کش بدن راست و
1865
01:01:32,640 –> 01:01:34,160
و این چگونه کار می کند
1866
01:01:34,160 –> 01:01:36,559
بنابراین اگر بخواهیم لایک واقعی را ببینیم
1867
01:01:36,559 –> 01:01:39,119
نام هر چند به جای فقط فهرست
1868
01:01:39,119 –> 01:01:40,799
سپس کاری که ما باید انجام دهیم این است که فقط بگیریم
1869
01:01:40,799 –> 01:01:43,119
این مقدار را به نام کلاس ها منتقل کنید
1870
01:01:43,119 –> 01:01:45,599
بنابراین ما می گوییم نام های زیر خط کلاس و
1871
01:01:45,599 –> 01:01:47,680
سپس هر مقداری که باشد ایندکس می کنیم
1872
01:01:47,680 –> 01:01:50,559
که این np dot arg max پیش بینی صفر است
1873
01:01:50,559 –> 01:01:53,119
به ما حق می دهد، پس بیایید این را اجرا کنیم
1874
01:01:53,119 –> 01:01:55,599
و ببینید الان چه چیزی به دست می آوریم
1875
01:01:55,599 –> 01:01:56,880
ما به آنجا برویم تا بتوانیم ببینیم که اکنون هستیم
1876
01:01:56,880 –> 01:01:58,240
در واقع گرفتن نیم بوت به عنوان ما
1877
01:01:58,240 –> 01:02:00,400
پیش بینی که بسیار منطقی تر است
1878
01:02:00,400 –> 01:02:02,880
برای ما درست است نه اینکه فقط به ما بدهد
1879
01:02:02,880 –> 01:02:04,880
مانند آن آرایه پیش بینی یا هر چیز دیگری
1880
01:02:04,880 –> 01:02:06,480
خوب بود پس عالی است اما
1881
01:02:06,480 –> 01:02:08,400
مسئله این است که چگونه می توانیم اعتبار سنجی کنیم
1882
01:02:08,400 –> 01:02:10,240
این در واقع همان چیزی است که ما به خوبی کار می کند
1883
01:02:10,240 –> 01:02:12,000
اکنون باید کاری را که باید انجام دهیم انجام دهیم یا نه
1884
01:02:12,000 –> 01:02:14,079
اما کاری که اکنون باید انجام دهیم این است
1885
01:02:14,079 –> 01:02:15,680
ورودی را نشان دهید و سپس نشان دهید که چیست
1886
01:02:15,680 –> 01:02:17,599
ارزش پیش بینی شده است و به این ترتیب ما به عنوان
1887
01:02:17,599 –> 01:02:19,520
انسان هایی که به وضوح می دانند کدام است
1888
01:02:19,520 –> 01:02:21,920
که می تواند تایید کند که من چه هستم
1889
01:02:21,920 –> 01:02:23,440
قرار است انجام شود در واقع فقط راه اندازی بسیار
1890
01:02:23,440 –> 01:02:25,119
پایه for loop و این حلقه for چیست
1891
01:02:25,119 –> 01:02:26,559
قرار است انجام شود حلقه از طریق چند است
1892
01:02:26,559 –> 01:02:29,119
تصاویر مختلف در تصاویر آزمایشی ما و
1893
01:02:29,119 –> 01:02:30,960
آنها را روی صفحه نمایش و سپس نیز نشان دهید
1894
01:02:30,960 –> 01:02:32,960
پیش بینی را نشان دهد
1895
01:02:32,960 –> 01:02:34,720
پس نشان دهید که آنها در واقع چه هستند و سپس
1896
01:02:34,720 –> 01:02:36,480
پیش بینی را نیز نشان دهید تا انجام دهید
1897
01:02:36,480 –> 01:02:38,640
این فقط 4 را می گویم حدس می زنم
1898
01:02:38,640 –> 01:02:40,400
این مورد من
1899
01:02:40,400 –> 01:02:42,720
در محدوده 5
1900
01:02:42,720 –> 01:02:44,000
و کاری که ما انجام خواهیم داد این است که بگویم
1901
01:02:44,000 –> 01:02:45,200
plt
1902
01:02:45,200 –> 01:02:47,039
شبکه نقطه من فقط می خواهم یک بسیار راه اندازی کنم
1903
01:02:47,039 –> 01:02:49,440
اصلی مانند طرح برای نشان دادن تصویر
1904
01:02:49,440 –> 01:02:51,200
من به نمایش تصویر می روم
1905
01:02:51,200 –> 01:02:55,200
تست ما روی تصاویر تاکید می کند درست است
1906
01:02:55,200 –> 01:02:56,799
من می خواهم این کار cmap را انجام دهم بنابراین من هستم
1907
01:02:56,799 –> 01:03:00,119
در این مورد cmap برابر است
1908
01:03:00,119 –> 01:03:01,760
plt.cm.binary که فقط قرار است
1909
01:03:01,760 –> 01:03:03,839
مانند مقیاس خاکستری به ما بدهید
1910
01:03:03,839 –> 01:03:06,319
و سپس من می خواهم بگویم plt dot x
1911
01:03:06,319 –> 01:03:08,079
برچسب که فقط به معنی زیر و
1912
01:03:08,079 –> 01:03:10,799
من می خواهم بگویم برابر است با
1913
01:03:10,799 –> 01:03:11,839
واقعی
1914
01:03:11,839 –> 01:03:14,240
و در این مورد من می خواهم بگویم به علاوه
1915
01:03:14,240 –> 01:03:16,559
و چه کاری می خواهیم انجام دهیم باید به دست آوریم
1916
01:03:16,559 –> 01:03:18,160
برچسب واقعی تصویر آزمایشی ما که
1917
01:03:18,160 –> 01:03:21,680
در برچسب های زیر خط تست i خواهد بود
1918
01:03:21,680 –> 01:03:23,599
و سپس کاری که می خواهم انجام دهم اضافه کردن یک است
1919
01:03:23,599 –> 01:03:25,599
هدر و بگویید این همان چیزی است که مدل است
1920
01:03:25,599 –> 01:03:26,720
پیش بینی کرد
1921
01:03:26,720 –> 01:03:29,440
بنابراین برای انجام این کار من می خواهم بگویم نقطه نقطه
1922
01:03:29,440 –> 01:03:31,200
من معتقدم که اوه متاسفم که هدر نیست
1923
01:03:31,200 –> 01:03:32,319
آن عنوان
1924
01:03:32,319 –> 01:03:35,039
و عنوان به سادگی خواهد بود
1925
01:03:35,039 –> 01:03:36,880
پیش بینی
1926
01:03:36,880 –> 01:03:38,960
به علاوه در این مورد ما می خواهیم بگوییم
1927
01:03:38,960 –> 01:03:40,400
پیش بینی
1928
01:03:40,400 –> 01:03:42,880
و سپس من اکنون دلیلی که می توانیم این کار را انجام دهیم
1929
01:03:42,880 –> 01:03:44,240
یا متاسفم که مجبوریم
1930
01:03:44,240 –> 01:03:46,799
به معنای واقعی کلمه این کل این arg max را کپی کنید
1931
01:03:46,799 –> 01:03:49,599
چیز و ما آن را اینجا قرار می دهیم
1932
01:03:49,599 –> 01:03:50,720
جز به جای صفر که می رویم
1933
01:03:50,720 –> 01:03:53,599
من را بگذارید و فقط به این ترتیب همه چیز نشان داده خواهد شد
1934
01:03:53,599 –> 01:03:54,880
از متفاوت
1935
01:03:54,880 –> 01:03:56,160
تصاویر درست است
1936
01:03:56,160 –> 01:03:57,680
بنابراین اکنون کاری که می خواهم انجام دهم برای هر کدام است
1937
01:03:57,680 –> 01:03:59,200
حلقه اینجا من می خواهم به plt.show که
1938
01:03:59,200 –> 01:04:00,880
به این معنی است که من می خواهم آن تصاویر را نشان دهم
1939
01:04:00,880 –> 01:04:03,200
ما می توانیم دقیقاً ببینیم که چه شکلی هستند
1940
01:04:03,200 –> 01:04:04,880
خیلی سریع خلاصه کنید در صورتی که من یک جورایی ریزه کاری کردم
1941
01:04:04,880 –> 01:04:06,400
بیش از برخی چیزها
1942
01:04:06,400 –> 01:04:08,000
تمام کاری که ما انجام می دهیم این است که راهی برای این کار ایجاد کنیم
1943
01:04:08,000 –> 01:04:09,920
تصویر و همچنین آنچه در آن است را ببینید
1944
01:04:09,920 –> 01:04:11,359
در واقع در مقابل آنچه مدل است
1945
01:04:11,359 –> 01:04:13,359
پیش بینی کرد تا ما به عنوان انسان بتوانیم مهربان باشیم
1946
01:04:13,359 –> 01:04:15,280
از تایید این در واقع کار می کند و
1947
01:04:15,280 –> 01:04:16,880
ما می بینیم خوب این چیزی است که تصویر و
1948
01:04:16,880 –> 01:04:18,559
ورودی است و این همان خروجی است
1949
01:04:18,559 –> 01:04:20,160
از مدل بود
1950
01:04:20,160 –> 01:04:22,799
پس بیایید این را اجرا کنیم
1951
01:04:22,799 –> 01:04:24,799
و منتظر بمانم تا تمرین کند من روزه خواهم گرفت
1952
01:04:24,799 –> 01:04:26,079
به جلو از طریق این و سپس ما
1953
01:04:26,079 –> 01:04:27,520
نمایش تمام تصاویر
1954
01:04:27,520 –> 01:04:29,520
خوب خیلی سریع اینجا را حل کنید امم من فقط دویدم
1955
01:04:29,520 –> 01:04:30,960
این و من خطایی دریافت کردم که باید انجام دهیم
1956
01:04:30,960 –> 01:04:33,839
نام کلاس ها و سپس برچسب های تست i and
1957
01:04:33,839 –> 01:04:35,440
بدیهی است که به دلیل برچسب های آزمایشی است
1958
01:04:35,440 –> 01:04:37,920
قرار است مانند شاخص همه داشته باشند
1959
01:04:37,920 –> 01:04:39,839
از این ها، بنابراین من نمی توانم فقط مانند آن قرار دهم
1960
01:04:39,839 –> 01:04:41,119
مقدار عدد باید کلاس را قرار دهم
1961
01:04:41,119 –> 01:04:43,119
نام ها را بنویسید تا به درستی برسیم
1962
01:04:43,119 –> 01:04:45,200
به هر حال امیدوارم که منطقی باشد
1963
01:04:45,200 –> 01:04:46,559
بیایید این را اجرا کنیم اکنون می توانید ببینید که این بود
1964
01:04:46,559 –> 01:04:48,400
خطایی که دوباره به سرعت به جلو با آن مواجه شدم
1965
01:04:48,400 –> 01:04:51,200
و سپس من برخواهم گشت
1966
01:04:51,359 –> 01:04:53,119
بسیار خوب پس من برگشتم اکنون این یک است
1967
01:04:53,119 –> 01:04:54,720
کمی در این که من واقعا چگونه هستم
1968
01:04:54,720 –> 01:04:56,240
آن را نشان می دهد، اما می توانید ببینید که اینطور است
1969
01:04:56,240 –> 01:04:57,839
گفتن پیش بینی برای این بود
1970
01:04:57,839 –> 01:05:00,240
نیم بوت و در واقع مچ پا است
1971
01:05:00,240 –> 01:05:02,400
اکنون بوت شود اگر این را ببندم فقط نشان داده می شود
1972
01:05:02,400 –> 01:05:03,599
چهار مورد دیگر چون من اینطور بوده ام
1973
01:05:03,599 –> 01:05:05,200
آن را تنظیم کنید تا اکنون بتوانید آن را ببینید
1974
01:05:05,200 –> 01:05:07,359
پیش بینی pullover آن در واقع یک بود
1975
01:05:07,359 –> 01:05:09,760
ما می بینیم که ما به آن رسیدیم
1976
01:05:09,760 –> 01:05:11,760
شلوار پیش بینی آن در واقع یک بود
1977
01:05:11,760 –> 01:05:13,119
شلوار
1978
01:05:13,119 –> 01:05:16,240
و پیش بینی شلوار شلوار واقعی آه
1979
01:05:16,240 –> 01:05:18,319
پیراهن پیشگویی پیراهن واقعی
1980
01:05:18,319 –> 01:05:19,760
و بدیهی است که اگر می خواهید بیشتر ببینید
1981
01:05:19,760 –> 01:05:21,359
شما می توانید به چرخش در همه موارد ادامه دهید
1982
01:05:21,359 –> 01:05:24,240
اینها و انجام آن اکنون می گویند شما فقط
1983
01:05:24,240 –> 01:05:26,000
می خواهم روی یک تصویر خوب پیش بینی کنم که چه چیزی
1984
01:05:26,000 –> 01:05:28,160
شما می توانید انجام دهید به عنوان مثال است
1985
01:05:28,160 –> 01:05:29,680
اوه و این یک نوع راه عجیب است
1986
01:05:29,680 –> 01:05:31,599
من می خواهم انجام دهم اما شما خواهید دید
1987
01:05:31,599 –> 01:05:33,200
بیایید بگوییم که میخواستیم فقط لایک را پیشبینی کنیم
1988
01:05:33,200 –> 01:05:35,440
چه تصویر هفتم آن زمان خوب بود
1989
01:05:35,440 –> 01:05:37,280
کاری که من انجام می دهم این است که فقط تصاویر آزمایشی را بگویم
1990
01:05:37,280 –> 01:05:39,119
7 که قرار است به ما بدهد
1991
01:05:39,119 –> 01:05:41,440
آن آرایه 28 در 28
1992
01:05:41,440 –> 01:05:42,640
و بعد من فقط آن را داخل a قرار می دهم
1993
01:05:42,640 –> 01:05:45,520
لیست کنید تا اینطور شود
1994
01:05:45,520 –> 01:05:47,039
به روشی که قرار است داده شده است
1995
01:05:47,039 –> 01:05:47,920
نگاه کن
1996
01:05:47,920 –> 01:05:49,599
اما این نیز به این معنی است که پیش بینی ما
1997
01:05:49,599 –> 01:05:52,000
لیست درستی که می خواهیم دریافت کنیم برابر است
1998
01:05:52,000 –> 01:05:53,520
به این شکل خواهد بود
1999
01:05:53,520 –> 01:05:54,720
پیش بینی و سپس آن را خواهد داشت
2000
01:05:54,720 –> 01:05:56,720
این و سپس داخل
2001
01:05:56,720 –> 01:05:57,839
آن را به همه کسانی که متفاوت است
2002
01:05:57,839 –> 01:06:01,039
مقادیر پس از آن مانند 0.001 خواهد بود
2003
01:06:01,039 –> 01:06:03,440
0.9 اما یک لیست در داخل خواهد بود
2004
01:06:03,440 –> 01:06:04,640
از یک لیست به طوری که فقط چیزی به
2005
01:06:04,640 –> 01:06:06,319
زمانی که با آن کار می کنید به خاطر داشته باشید
2006
01:06:06,319 –> 01:06:08,160
این پیشبینیها، زیرا واقعاً همینطور است
2007
01:06:08,160 –> 01:06:10,319
تنها راه انجام آن و این است
2008
01:06:10,319 –> 01:06:12,160
دقیقا همان چیزی که تنسورفلو توصیه می کند
2009
01:06:12,160 –> 01:06:13,280
وب سایت آنها نیز اگر شما فقط هستید
2010
01:06:13,280 –> 01:06:15,119
پیش بینی برای یک مورد فقط آن را قرار دهید
2011
01:06:15,119 –> 01:06:16,559
در داخل یک لیست به طوری که آن را به
2012
01:06:16,559 –> 01:06:18,640
خوب کار کن پس به هر حال که داره
2013
01:06:18,640 –> 01:06:21,280
آن را در استفاده از مدل برای پیش بینی
2014
01:06:21,280 –> 01:06:23,280
چیزهایی که در ویدیوهای آینده به آنها خواهیم پرداخت
2015
01:06:23,280 –> 01:06:24,640
این چیزهای کمی پیشرفته تر بود
2016
01:06:24,640 –> 01:06:27,599
یک مشکل طبقه بندی بسیار آسان فقط
2017
01:06:27,599 –> 01:06:29,359
واقعاً می خواستم به شما معرفی کنم
2018
01:06:29,359 –> 01:06:30,960
و شخصا فکر می کنم اگر هرگز
2019
01:06:30,960 –> 01:06:32,559
با هر چیز یادگیری ماشینی کار کرد
2020
01:06:32,559 –> 01:06:34,480
این خیلی جالب است که در چند مورد
2021
01:06:34,480 –> 01:06:35,839
چند دقیقه فقط کمی نوشتن
2022
01:06:35,839 –> 01:06:37,280
کمی از کد، چه آن را بفهمید یا
2023
01:06:37,280 –> 01:06:39,760
شما نمی توانید یک مدل ساده ایجاد کنید که
2024
01:06:39,760 –> 01:06:41,039
می تواند طبقه بندی کند
2025
01:06:41,039 –> 01:06:43,359
اقلام مد مانند پیراهن یک تی شرت و
2026
01:06:43,359 –> 01:06:44,880
من نمی دانم که برای من خیلی جالب است
2027
01:06:44,880 –> 01:06:46,319
و در ویدیوهای آینده بدیهی است که ما هستیم
2028
01:06:46,319 –> 01:06:47,839
قرار است کارهای جالب تری انجام دهد
2029
01:06:47,839 –> 01:06:48,880
قرار است کمی بیشتر شود
2030
01:06:48,880 –> 01:06:50,240
پیشرفته اما امیدوارم بچه ها بتوانید
2031
01:06:50,240 –> 01:06:51,680
به آن پایبند باشید من دوست دارم بدانم شما چیست
2032
01:06:51,680 –> 01:06:53,440
بچه ها تا اینجا به سریال فکر می کنند
2033
01:06:53,440 –> 01:06:55,280
لطفا زیر آن نظر بدهید
2034
01:06:55,280 –> 01:06:57,280
به من کمک می کند تا دروس خود را به نوعی تغییر دهم و
2035
01:06:57,280 –> 01:06:58,880
همه اینها در حالی که ما به جلو می رویم اگر شما بچه ها
2036
01:06:58,880 –> 01:07:00,319
از ویدیو لذت بردم لطفا لای