در این مطلب، ویدئو TensorFlow for Computer Vision Course – آموزش کامل پایتون برای مبتدیان 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: 4:24:37
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,080 –> 00:00:02,000
تنسورفلو می تواند کارهای شگفت انگیزی انجام دهد
2
00:00:02,000 –> 00:00:04,240
وقتی صحبت از بینایی کامپیوتر در این می شود
3
00:00:04,240 –> 00:00:07,200
دوره مهندس یادگیری ماشین نور
4
00:00:07,200 –> 00:00:09,360
اسلام مختاری به شما یاد می دهد که چگونه
5
00:00:09,360 –> 00:00:12,240
ایجاد چندین پروژه بینایی کامپیوتری
6
00:00:12,240 –> 00:00:15,200
با استفاده از tensorflow 2. سلام و خوش آمدید
7
00:00:15,200 –> 00:00:18,000
مقدمه دوره من بر تنسورفلو برای
8
00:00:18,000 –> 00:00:19,680
بینایی کامپیوتری
9
00:00:19,680 –> 00:00:21,279
بنابراین فقط یک معرفی سریع در مورد
10
00:00:21,279 –> 00:00:22,320
خودم
11
00:00:22,320 –> 00:00:25,039
نام من نور اسلام است
12
00:00:25,039 –> 00:00:28,080
من به عنوان یک مهندس یادگیری ماشین کار می کنم
13
00:00:28,080 –> 00:00:29,840
و من برای این کار مربی شما خواهم بود
14
00:00:29,840 –> 00:00:30,880
دوره
15
00:00:30,880 –> 00:00:33,120
اگر سوالی در رابطه با
16
00:00:33,120 –> 00:00:35,520
مطالب و محتوای دوره یا هر چیز دیگری
17
00:00:35,520 –> 00:00:37,840
مربوط به یادگیری ماشین و کامپیوتر است
18
00:00:37,840 –> 00:00:40,320
vision با خیال راحت با من در ارتباط باشید
19
00:00:40,320 –> 00:00:42,559
لینکدین و توییتر
20
00:00:42,559 –> 00:00:44,480
و اگر در حال شروع حرفه ای هستید
21
00:00:44,480 –> 00:00:46,320
یادگیری ماشین و بینایی کامپیوتر
22
00:00:46,320 –> 00:00:49,120
سپس لطفاً شغل ml رایگان من را بررسی کنید
23
00:00:49,120 –> 00:00:51,840
چک لیست آماده ای که من تهیه کرده ام
24
00:00:51,840 –> 00:00:53,840
که حاوی برخی اطلاعات است که
25
00:00:53,840 –> 00:00:56,399
ممکن است به شما در تعیین یک نقشه راه کمک کند
26
00:00:56,399 –> 00:00:58,480
چیزهایی که باید یاد بگیرید و شاید چیزهایی
27
00:00:58,480 –> 00:01:00,719
که یادگیری ماشین و کامپیوتر
28
00:01:00,719 –> 00:01:03,680
صنایع چشم انداز ممکن است از شما انتظار داشته باشند
29
00:01:03,680 –> 00:01:07,040
بنابراین همه این اطلاعات در مورد من
30
00:01:07,040 –> 00:01:09,600
حساب های رسانه های اجتماعی و همچنین این رایگان
31
00:01:09,600 –> 00:01:12,320
چک لیست در لینک زیر قابل مشاهده است
32
00:01:12,320 –> 00:01:15,119
این یک لینک است اما به شما نشان می دهد
33
00:01:15,119 –> 00:01:17,840
تمام اطلاعات لازم یکبار
34
00:01:17,840 –> 00:01:20,799
شما روی آن کلیک کنید
35
00:01:20,799 –> 00:01:23,290
بیایید نگاهی به طرح کلی دوره بیندازیم
36
00:01:23,290 –> 00:01:24,479
[موسیقی]
37
00:01:24,479 –> 00:01:25,360
بنابراین
38
00:01:25,360 –> 00:01:27,759
ما قصد داریم دوره را با انجام این کار شروع کنیم
39
00:01:27,759 –> 00:01:29,600
برخی از تنظیمات نرم افزار
40
00:01:29,600 –> 00:01:32,000
سپس من به شما نشان خواهم داد که چگونه این کار را انجام دهید
41
00:01:32,000 –> 00:01:35,439
طبقه بندی تصاویر با استفاده از مجموعه داده های mnist
42
00:01:35,439 –> 00:01:37,840
که در اصل معادل است
43
00:01:37,840 –> 00:01:39,200
سلام دنیا
44
00:01:39,200 –> 00:01:42,479
نمونه هایی در زمینه یادگیری ماشینی
45
00:01:42,479 –> 00:01:43,840
سپس به تصویر نگاه می کنیم
46
00:01:43,840 –> 00:01:46,320
طبقه بندی با استفاده از ترافیک آلمان
47
00:01:46,320 –> 00:01:49,840
علم که مجموعه داده های دنیای واقعی است
48
00:01:49,840 –> 00:01:52,799
که نشان دهنده چالش های بیشتری در مقایسه است
49
00:01:52,799 –> 00:01:55,680
به مجموعه داده منیست
50
00:01:55,680 –> 00:01:57,439
بنابراین برای راه اندازی نرم افزار ما به
51
00:01:57,439 –> 00:01:58,960
شروع توسط
52
00:01:58,960 –> 00:02:01,360
دانلود و نصب ویژوال استودیو
53
00:02:01,360 –> 00:02:02,399
کد
54
00:02:02,399 –> 00:02:04,000
من همچنین به شما نشان خواهم داد که چگونه به دست آورید
55
00:02:04,000 –> 00:02:06,159
miniconda من می خواهم به شما بگویم که چرا ما
56
00:02:06,159 –> 00:02:08,800
به آن نیاز دارید و نحوه نصب آن
57
00:02:08,800 –> 00:02:10,080
ما خواهیم بود
58
00:02:10,080 –> 00:02:12,160
با استفاده از minicanda با کد در مقابل من
59
00:02:12,160 –> 00:02:14,800
به شما نشان خواهم داد که چگونه این دو را درست کنید
60
00:02:14,800 –> 00:02:16,400
همکاری
61
00:02:16,400 –> 00:02:18,959
سپس tensorflow 2 را نصب می کنیم
62
00:02:18,959 –> 00:02:22,160
نسخههای cpu و gpu که ما نیز خواهیم داشت
63
00:02:22,160 –> 00:02:24,160
نصب بسته های مختلف پایتون
64
00:02:24,160 –> 00:02:26,800
در طول مسیر
65
00:02:27,200 –> 00:02:29,599
برای قسمت دوم
66
00:02:29,599 –> 00:02:32,959
که نمونه عفو است که ما می خواهیم
67
00:02:32,959 –> 00:02:35,040
اساسا مجموعه داده عفو را بررسی کنید
68
00:02:35,040 –> 00:02:36,720
من به شما نشان خواهم داد که چگونه یک a را بسازید
69
00:02:36,720 –> 00:02:38,000
عملکردی که
70
00:02:38,000 –> 00:02:40,480
به طور تصادفی به مجموعه داده ها و آن نگاه می کند
71
00:02:40,480 –> 00:02:42,879
به شما ایده هایی در مورد چگونگی این می دهد
72
00:02:42,879 –> 00:02:45,040
مجموعه داده ساخته شده است
73
00:02:45,040 –> 00:02:46,879
من همچنین قصد دارم نحوه استفاده را به شما نشان دهم
74
00:02:46,879 –> 00:02:49,200
لایه های tensorflow نحوه وارد کردن آنها و
75
00:02:49,200 –> 00:02:50,720
چگونه از آنها برای ساختن عصبی استفاده کنیم
76
00:02:50,720 –> 00:02:52,800
شبکه ای که می خواهیم بسازیم
77
00:02:52,800 –> 00:02:54,959
همان معماری شبکه عصبی در
78
00:02:54,959 –> 00:02:58,000
سه راه مختلف که راه ها هستند
79
00:02:58,000 –> 00:03:00,319
توسط tensorflow پشتیبانی می شود
80
00:03:00,319 –> 00:03:02,319
بنابراین اولین مورد نامیده می شود
81
00:03:02,319 –> 00:03:04,640
روش ترتیبی با استفاده از ترتیب
82
00:03:04,640 –> 00:03:06,959
کلاس دوم
83
00:03:06,959 –> 00:03:09,760
رویکرد روش عملکردی نامیده می شود
84
00:03:09,760 –> 00:03:11,760
که در اصل مدل شما پیچیده شده است
85
00:03:11,760 –> 00:03:13,280
داخل یک تابع
86
00:03:13,280 –> 00:03:15,760
و رویکرد سوم مدل است
87
00:03:15,760 –> 00:03:19,680
کلاسی که با ارث بردن از
88
00:03:19,680 –> 00:03:22,400
کلاس مدل ما سپس
89
00:03:22,400 –> 00:03:25,040
کامپایل مدل رو انجام میدم
90
00:03:25,040 –> 00:03:27,440
و ما مجموعه داده های amnes را متناسب می کنیم
91
00:03:27,440 –> 00:03:30,159
در مدل خود ما این را تمام می کنیم
92
00:03:30,159 –> 00:03:33,200
بخشی از دوره با تجدید ساختار ما
93
00:03:33,200 –> 00:03:35,840
کدی برای خوانایی بهتر که هست
94
00:03:35,840 –> 00:03:37,680
چیزی که خودت خواهی یافت
95
00:03:37,680 –> 00:03:39,599
اغلب هنگام کار روی ماشین انجام می شود
96
00:03:39,599 –> 00:03:43,280
پروژه های یادگیری در صنعت
97
00:03:43,440 –> 00:03:45,360
و برای قسمت آخر دوره
98
00:03:45,360 –> 00:03:47,519
ما قصد داریم با آن کار کنیم
99
00:03:47,519 –> 00:03:50,480
مجموعه داده های علائم راهنمایی و رانندگی آلمان که عبارتند از a
100
00:03:50,480 –> 00:03:53,120
مجموعه داده های دنیای واقعی که منعکس کننده است
101
00:03:53,120 –> 00:03:56,000
چالش های واقعی هنگام کار بر روی ماشین
102
00:03:56,000 –> 00:03:57,599
پروژه های یادگیری
103
00:03:57,599 –> 00:04:00,080
در مقایسه با مجموعه داده های آماده شده مانند
104
00:04:00,080 –> 00:04:02,080
مجموعه داده عفو
105
00:04:02,080 –> 00:04:03,760
بنابراین برای این ما شروع می کنیم
106
00:04:03,760 –> 00:04:06,319
دانلود و کاوش مجموعه داده ها
107
00:04:06,319 –> 00:04:08,000
ما قصد داریم آموزش را آماده کنیم
108
00:04:08,000 –> 00:04:10,239
اعتبار سنجی و مجموعه های تست به دلیل
109
00:04:10,239 –> 00:04:12,799
آنها از قبل آماده نشده اند
110
00:04:12,799 –> 00:04:15,439
ما قصد داریم شبکه عصبی خود را بسازیم
111
00:04:15,439 –> 00:04:16,798
ما قصد داریم مقداری داده ایجاد کنیم
112
00:04:16,798 –> 00:04:19,759
ژنراتورها که یک رویکرد متفاوت است
113
00:04:19,759 –> 00:04:21,759
از اونی که ما
114
00:04:21,759 –> 00:04:24,320
برای مثال اول استفاده خواهد شد
115
00:04:24,320 –> 00:04:26,479
که نمونه عفو است که ما می رویم
116
00:04:26,479 –> 00:04:29,120
برای کامپایل مدل و برازش داده ها
117
00:04:29,120 –> 00:04:30,639
من همچنین به شما نشان خواهم داد که چگونه اضافه کنید
118
00:04:30,639 –> 00:04:32,560
برخی از تماس ها و چرایی آنها ممکن است باشد
119
00:04:32,560 –> 00:04:34,000
بسیار مفید
120
00:04:34,000 –> 00:04:35,840
و من به شما نشان خواهم داد که چگونه
121
00:04:35,840 –> 00:04:38,960
مدل خود را با استفاده از ژنراتورها ارزیابی کنید
122
00:04:38,960 –> 00:04:41,840
قبلا ایجاد کردی
123
00:04:41,840 –> 00:04:44,080
سپس من مقداری پتانسیل را به شما نشان خواهم داد
124
00:04:44,080 –> 00:04:46,639
پیشرفت هایی که می توانید انجام دهید تا یکنواخت شوید
125
00:04:46,639 –> 00:04:48,080
نتایج بهتر
126
00:04:48,080 –> 00:04:51,199
و ما این را تمام می کنیم
127
00:04:51,199 –> 00:04:52,960
بخشی از دوره و اساسا
128
00:04:52,960 –> 00:04:54,800
کل دوره توسط
129
00:04:54,800 –> 00:04:57,120
نمونه ای از نحوه استفاده از خود
130
00:04:57,120 –> 00:04:59,680
مدل برای پیش بینی در تک
131
00:04:59,680 –> 00:05:02,160
تصاویر بنابراین اساسا چگونه برای ساخت یک
132
00:05:02,160 –> 00:05:04,720
مثال مستقلی که می تواند بسازد یا آن
133
00:05:04,720 –> 00:05:08,160
می توانید از مدل خود برای ساختن استفاده کنید
134
00:05:08,160 –> 00:05:11,360
پیش بینی های جداگانه
135
00:05:11,360 –> 00:05:12,160
بنابراین
136
00:05:12,160 –> 00:05:14,000
این دوره برای چه کسانی است
137
00:05:14,000 –> 00:05:16,240
اساسا این دوره برای هر کسی است
138
00:05:16,240 –> 00:05:17,919
که علاقه مند به یادگیری در مورد
139
00:05:17,919 –> 00:05:20,320
tensorflow به طور خاص برای کامپیوتر
140
00:05:20,320 –> 00:05:22,400
برنامه های کاربردی بینایی
141
00:05:22,400 –> 00:05:24,560
در حالت ایده آل باید دانش خوبی داشته باشید
142
00:05:24,560 –> 00:05:26,000
در مورد پایتون
143
00:05:26,000 –> 00:05:27,120
پسندیدن
144
00:05:27,120 –> 00:05:30,320
کلاس ها و توابع در پایتون و همچنین
145
00:05:30,320 –> 00:05:32,880
مفاهیم اساسی در یادگیری عمیق مانند
146
00:05:32,880 –> 00:05:35,280
لایه های کانولوشن
147
00:05:35,280 –> 00:05:38,639
پس چرا به هر حال تنسورفلو را یاد می گیرید
148
00:05:38,639 –> 00:05:41,520
خوب دلایل مختلفی وجود دارد اما اینها
149
00:05:41,520 –> 00:05:43,360
سه نفر هستند
150
00:05:43,360 –> 00:05:46,080
دلایل اصلی به نظر من
151
00:05:46,080 –> 00:05:48,800
بنابراین تنسورفلو چارچوب پیشرو است
152
00:05:48,800 –> 00:05:52,479
در یادگیری عمیق و به دنبال آن پایتورچ
153
00:05:52,479 –> 00:05:54,880
و شما می توانید یادگیری عمیق قدرتمند ایجاد کنید
154
00:05:54,880 –> 00:05:58,400
راه حل هایی با آن برای استفاده خودتان و
155
00:05:58,400 –> 00:06:00,960
همچنین برای شرکت شما شرکتی که هستید
156
00:06:00,960 –> 00:06:02,160
کار برای
157
00:06:02,160 –> 00:06:03,919
و شرکت های زیادی در حال کار هستند
158
00:06:03,919 –> 00:06:06,160
در پروژه های یادگیری عمیق و آنها هستند
159
00:06:06,160 –> 00:06:09,840
با استفاده از tensorflow بنابراین بازار کار است
160
00:06:09,840 –> 00:06:12,720
بسیار بزرگ است و فقط در حال رشد است
161
00:06:12,720 –> 00:06:15,520
اینها دلایل اصلی شما هستند
162
00:06:15,520 –> 00:06:18,319
می خواهم تنسورفلو را یاد بگیرم اما در
163
00:06:18,319 –> 00:06:19,919
پایان روز شاید شما فقط می خواهید
164
00:06:19,919 –> 00:06:21,680
تا آن را برای سرگرمی یاد بگیریم
165
00:06:21,680 –> 00:06:25,280
بنابراین بستگی به شما دارد
166
00:06:25,759 –> 00:06:28,639
پس فقط یک یادداشت سریع قبل از ادامه دادن
167
00:06:28,639 –> 00:06:30,639
با مطالب درسی که خواهیم بود
168
00:06:30,639 –> 00:06:33,759
با استفاده از یک ایده و نه دفترچه یادداشت
169
00:06:33,759 –> 00:06:35,600
ما به طور خاص از بصری استفاده خواهیم کرد
170
00:06:35,600 –> 00:06:37,520
کد استودیو
171
00:06:37,520 –> 00:06:39,919
و این به چند دلیل در
172
00:06:39,919 –> 00:06:43,360
پروژه های صنعتی که معمولا از ID استفاده می کنید
173
00:06:43,360 –> 00:06:45,520
و نه نوت بوک
174
00:06:45,520 –> 00:06:48,560
با ides شما به راحتی دستگاه خود را مقیاس می کنید
175
00:06:48,560 –> 00:06:51,039
یادگیری کدها تا بتوانید تعداد زیادی کد اضافه کنید
176
00:06:51,039 –> 00:06:53,120
اسکریپت ها را می توانید به طور جداگانه تست کنید
177
00:06:53,120 –> 00:06:55,280
می تواند آنها را در انواع مختلف وارد کند
178
00:06:55,280 –> 00:06:57,120
و اسکریپت های دیگر
179
00:06:57,120 –> 00:06:58,400
و همچنین
180
00:06:58,400 –> 00:07:00,960
من موافق نظری هستم که این را می گوید
181
00:07:00,960 –> 00:07:03,919
ایده ها برای ساخت پروژه های شما هستند و
182
00:07:03,919 –> 00:07:06,639
دفترچه ها برای ارائه کار شما هستند
183
00:07:06,639 –> 00:07:09,919
بنابراین برای من و من فکر می کنم بسیاری از ماشین های دیگر
184
00:07:09,919 –> 00:07:12,160
متخصصان یادگیری با من موافق هستند
185
00:07:12,160 –> 00:07:15,120
این است که ما معمولا از نوت بوک استفاده می کنیم
186
00:07:15,120 –> 00:07:17,039
برای ارائه کار
187
00:07:17,039 –> 00:07:19,520
اما وقتی در حال ساختن بزرگ هستیم
188
00:07:19,520 –> 00:07:22,319
پروژه های یادگیری ماشینی که معمولا می رویم
189
00:07:22,319 –> 00:07:25,199
با ایدز
190
00:07:25,280 –> 00:07:26,639
بنابراین اولین چیزی که می خواهیم شروع کنیم
191
00:07:26,639 –> 00:07:29,520
انجام این کار دانلود کد ویژوال استودیو است
192
00:07:29,520 –> 00:07:31,840
ایده ای است که ما از آن استفاده خواهیم کرد
193
00:07:31,840 –> 00:07:34,000
در طول دوره برای نوشتن کد
194
00:07:34,000 –> 00:07:35,599
و همچنین به
195
00:07:35,599 –> 00:07:38,840
آن کد را اجرا کنید تا اگر به آن بروید
196
00:07:38,840 –> 00:07:40,560
code.visualstudio.com شما به
197
00:07:40,560 –> 00:07:43,280
این صفحه را از اینجا دریافت کنید و همانطور که می بینید
198
00:07:43,280 –> 00:07:46,479
به طور خودکار سیستم من را شناسایی کرد بنابراین من
199
00:07:46,479 –> 00:07:48,879
فقط می توانید اینجا کلیک کنید و تصویری را دانلود کنید
200
00:07:48,879 –> 00:07:51,680
کد استودیو برای دستگاه ویندوز من اگر
201
00:07:51,680 –> 00:07:53,599
شما یک ماشین متفاوت دارید
202
00:07:53,599 –> 00:07:55,759
باید آن را تشخیص دهد اگر نه پس شما می توانید
203
00:07:55,759 –> 00:07:58,000
فقط روی این دکمه اینجا کلیک کنید و
204
00:07:58,000 –> 00:08:00,160
نرم افزار مناسب خود را انتخاب کنید
205
00:08:00,160 –> 00:08:03,520
بنابراین اگر روی این کلیک کنید
206
00:08:03,520 –> 00:08:05,840
شما فقط می خواهید این دانلود را دریافت کنید
207
00:08:05,840 –> 00:08:07,680
اینجا و شما فقط می توانید آن را در خود ذخیره کنید
208
00:08:07,680 –> 00:08:09,840
ماشین و اجرای این فایل اجرایی فقط
209
00:08:09,840 –> 00:08:11,199
مثل اینکه می دوید
210
00:08:11,199 –> 00:08:12,879
بر
211
00:08:12,879 –> 00:08:15,120
هر فرآیند نصب دیگری وجود دارد
212
00:08:15,120 –> 00:08:17,599
هیچ چیز منحصر به فرد یا خاصی در اینجا نیست، بنابراین من هستم
213
00:08:17,599 –> 00:08:20,639
قرار نیست اینجا از آن عبور کنم
214
00:08:20,639 –> 00:08:22,639
حالا بعد از نصب آن
215
00:08:22,639 –> 00:08:24,319
اگر به
216
00:08:24,319 –> 00:08:25,680
دویدن شما
217
00:08:25,680 –> 00:08:28,319
منو در اینجا و شما فقط تایپ کنید
218
00:08:28,319 –> 00:08:30,800
دیداری
219
00:08:31,039 –> 00:08:32,240
استودیو
220
00:08:32,240 –> 00:08:33,440
کد
221
00:08:33,440 –> 00:08:35,599
شما این را دریافت خواهید کرد
222
00:08:35,599 –> 00:08:36,399
اوه
223
00:08:36,399 –> 00:08:39,039
نماد اینجاست که در آن می توانید تصویر را اجرا کنید
224
00:08:39,039 –> 00:08:41,279
کد استودیو معمولاً دوست دارم
225
00:08:41,279 –> 00:08:43,519
همانطور که می بینید آن را به شروع من پین کنید
226
00:08:43,519 –> 00:08:45,839
قبلاً اینجا پین شده است که به معنی i است
227
00:08:45,839 –> 00:08:48,560
فقط از اینجا می توانید به آن دسترسی داشته باشید
228
00:08:48,560 –> 00:08:50,800
اگر ترجیح می دهید این کار را نیز انجام دهید
229
00:08:50,800 –> 00:08:51,600
که
230
00:08:51,600 –> 00:08:52,480
بنابراین
231
00:08:52,480 –> 00:08:56,720
بیایید کد ویژوال استودیو را اجرا کنیم
232
00:08:57,200 –> 00:08:59,839
و اولین باری که آن را اجرا می کنید شما هستید
233
00:08:59,839 –> 00:09:01,040
می گیرم
234
00:09:01,040 –> 00:09:04,480
این پنجره جدید در اینجا جایی که شما دارید
235
00:09:04,480 –> 00:09:07,200
منوی شروع تا بتوانید
236
00:09:07,200 –> 00:09:08,399
فایل جدید ایجاد کنید
237
00:09:08,399 –> 00:09:10,480
باز کردن یک فایل یا
238
00:09:10,480 –> 00:09:12,560
یا همه اینها را انجام دهید
239
00:09:12,560 –> 00:09:15,360
چیزهای دیگر و همچنین برای من تا می توانید
240
00:09:15,360 –> 00:09:17,200
ببینید من این قسمت را اینجا دارم که می گوید
241
00:09:17,200 –> 00:09:20,000
اخیر که پروژه های اخیر من هستند
242
00:09:20,000 –> 00:09:21,440
اگر اولین باری است که استفاده می کنید
243
00:09:21,440 –> 00:09:23,279
کد ویژوال استودیو که نخواهید داشت
244
00:09:23,279 –> 00:09:24,560
این
245
00:09:24,560 –> 00:09:26,000
بنابراین
246
00:09:26,000 –> 00:09:28,000
اولین کاری که من می خواهم انجام دهم این است که
247
00:09:28,000 –> 00:09:30,560
یک پوشه باز کنید تا من روی open کلیک کنم
248
00:09:30,560 –> 00:09:33,200
یک پوشه در اینجا شما می توانید هر مکانی را انتخاب کنید
249
00:09:33,200 –> 00:09:35,600
بر روی دستگاه شما به
250
00:09:35,600 –> 00:09:38,800
برای باز کردن آن پوشه
251
00:09:38,959 –> 00:09:42,000
بنابراین من این مکان را برای من انتخاب کردم
252
00:09:42,000 –> 00:09:43,440
ماشین بنابراین
253
00:09:43,440 –> 00:09:46,160
من یک دیسک به نام d code برای دوره ها دارم
254
00:09:46,160 –> 00:09:49,040
و مقدمه ای بر تانسورفلو 2.
255
00:09:49,040 –> 00:09:50,880
من این پوشه جدید را ایجاد کردم و اکنون هستم
256
00:09:50,880 –> 00:09:54,880
فقط آن را انتخاب کنید، پس پوشه را انتخاب کنید
257
00:09:54,880 –> 00:09:57,600
و اکنون این را باز خواهد کرد
258
00:09:57,600 –> 00:09:59,120
پنجره
259
00:09:59,120 –> 00:10:02,240
خوب اینجا می گوید آه اگر به آن اعتماد کنم
260
00:10:02,240 –> 00:10:05,519
نویسندگان این فایل ها بله مشکلی نیست
261
00:10:05,519 –> 00:10:07,440
این فایل های من هستند
262
00:10:07,440 –> 00:10:08,880
پس اینجا
263
00:10:08,880 –> 00:10:11,839
شما این پنجره جدید را در جایی که دارید دریافت می کنید
264
00:10:11,839 –> 00:10:15,279
این پوشه خالی سمت چپ
265
00:10:15,279 –> 00:10:18,640
و همچنین می توانید فایل های جدید اضافه کنید
266
00:10:18,640 –> 00:10:22,160
پوشه های جدید را در داخل این پوشه اضافه کنید
267
00:10:22,160 –> 00:10:23,920
و در اینجا خواهیم داشت
268
00:10:23,920 –> 00:10:24,720
اوه
269
00:10:24,720 –> 00:10:27,600
جایی که می توانیم کد بنویسیم و
270
00:10:27,600 –> 00:10:29,760
همچنین می توانیم ترمینال را در
271
00:10:29,760 –> 00:10:30,959
پایین اینجا
272
00:10:30,959 –> 00:10:34,160
بنابراین در حال حاضر این برای نصب و
273
00:10:34,160 –> 00:10:35,440
راه اندازی
274
00:10:35,440 –> 00:10:37,760
کد استودیوی تصویری که ما قصد داریم
275
00:10:37,760 –> 00:10:38,720
انجام دادن
276
00:10:38,720 –> 00:10:41,040
حالا به نرم افزار دیگری که نگاه کنید
277
00:10:41,040 –> 00:10:43,920
ما در طول دوره استفاده خواهیم کرد و
278
00:10:43,920 –> 00:10:45,600
همچنین بعداً شروع به اضافه کردن خواهیم کرد
279
00:10:45,600 –> 00:10:47,760
اینجا فایل کنید تا بتونیم شروع به نوشتن کنیم
280
00:10:47,760 –> 00:10:49,920
مقداری کد
281
00:10:49,920 –> 00:10:52,480
بنابراین نرم افزار دوم ما نیاز داریم
282
00:10:52,480 –> 00:10:53,680
نصب
283
00:10:53,680 –> 00:10:55,760
مینیکوندا نامیده می شود
284
00:10:55,760 –> 00:10:56,720
بنابراین
285
00:10:56,720 –> 00:10:59,360
اگر آنلاین بگردی پیدا می کنی
286
00:10:59,360 –> 00:11:01,760
دو نوع محصول برای کاندو وجود دارد
287
00:11:01,760 –> 00:11:05,120
مینی کوندا و آناکوندا آناکوندا وجود دارد
288
00:11:05,120 –> 00:11:08,880
در واقع یک رابط کاربری است که به شما این امکان را می دهد
289
00:11:08,880 –> 00:11:11,120
تقریباً همه چیزهایی که مینی کوندا اجازه می دهد
290
00:11:11,120 –> 00:11:13,360
شما باید انجام دهید تنها تفاوت این است که
291
00:11:13,360 –> 00:11:15,760
یونیکوندا Gui ندارد
292
00:11:15,760 –> 00:11:18,720
ما فقط از آن در یک استفاده خواهیم کرد
293
00:11:18,720 –> 00:11:20,959
خط فرمان خط فرمان بنابراین اگر تایپ کنید
294
00:11:20,959 –> 00:11:23,920
miniconda در نوار جستجوی گوگل شما
295
00:11:23,920 –> 00:11:25,120
شما می خواهید دریافت کنید
296
00:11:25,120 –> 00:11:28,000
اولین نتیجه اینجاست پس اگر فقط باز شود
297
00:11:28,000 –> 00:11:30,320
این
298
00:11:30,720 –> 00:11:33,519
در اینجا شما همه این پیوندها را دریافت می کنید
299
00:11:33,519 –> 00:11:36,560
miniconda را روی دستگاه خود نصب کنید تا اگر
300
00:11:36,560 –> 00:11:38,160
شما در ویندوز هستید این را انتخاب می کنید
301
00:11:38,160 –> 00:11:40,880
در غیر این صورت شما انتخاب می کنید
302
00:11:40,880 –> 00:11:42,560
انواع دیگر در اینجا
303
00:11:42,560 –> 00:11:44,959
و دوباره این چیز خاصی نیست
304
00:11:44,959 –> 00:11:47,600
در اینجا فقط می توانید روی پیوند ذخیره آن کلیک کنید
305
00:11:47,600 –> 00:11:49,600
فایل را در خود ذخیره کنید
306
00:11:49,600 –> 00:11:51,920
به دستگاه محلی خود و سپس اجرا کنید
307
00:11:51,920 –> 00:11:54,160
مراحل نصب و همچنین وجود دارد
308
00:11:54,160 –> 00:11:55,600
چیز خاصی نیست
309
00:11:55,600 –> 00:11:58,079
هنگام نصب minicanda بنابراین من نیستم
310
00:11:58,079 –> 00:12:01,040
از اینجا می گذرم
311
00:12:01,040 –> 00:12:02,000
اکنون
312
00:12:02,000 –> 00:12:04,320
وقتی miniconda را نصب می کنید
313
00:12:04,320 –> 00:12:06,320
اگر به سراغ خود بروید
314
00:12:06,320 –> 00:12:09,680
منو را در اینجا اجرا کنید و فقط تایپ کنید
315
00:12:09,680 –> 00:12:12,800
شما در حال دیدن اعلان آناکوندا هستید
316
00:12:12,800 –> 00:12:14,639
و بین آن پرانتز وجود دارد
317
00:12:14,639 –> 00:12:17,680
minicom.3 پس اگر آن را باز کنید می روید
318
00:12:17,680 –> 00:12:19,839
تا ببینید که آن را دقیقا شبیه به
319
00:12:19,839 –> 00:12:21,440
پنجره فرمان
320
00:12:21,440 –> 00:12:23,120
روی ویندوز
321
00:12:23,120 –> 00:12:25,680
بنابراین آنها هستند
322
00:12:25,680 –> 00:12:26,880
اساسا
323
00:12:26,880 –> 00:12:29,600
یا تقریباً یکسان
324
00:12:29,600 –> 00:12:30,800
را
325
00:12:30,800 –> 00:12:33,040
تنها تفاوتی که در اینجا می توانیم متوجه شویم
326
00:12:33,040 –> 00:12:34,000
آن است
327
00:12:34,000 –> 00:12:36,000
در اینجا ما این را می بینیم
328
00:12:36,000 –> 00:12:36,880
نام
329
00:12:36,880 –> 00:12:39,680
به نام پایه بین پرانتز در اینجا و
330
00:12:39,680 –> 00:12:42,399
در اینجا ما می توانیم آن را در حالت پیش فرض ببینیم
331
00:12:42,399 –> 00:12:43,680
پنجره ها
332
00:12:43,680 –> 00:12:46,399
پنجره خط فرمان
333
00:12:46,399 –> 00:12:49,360
حالا این به این معنی است که در واقع
334
00:12:49,360 –> 00:12:51,920
در اعلان miniconda
335
00:12:51,920 –> 00:12:52,959
ما هستیم
336
00:12:52,959 –> 00:12:55,040
در واقع اکنون در داخل چیزی که a نامیده می شود
337
00:12:55,040 –> 00:12:56,639
محیط مجازی
338
00:12:56,639 –> 00:12:58,560
و این محیط مجازی نامیده می شود
339
00:12:58,560 –> 00:12:59,839
پایه
340
00:12:59,839 –> 00:13:00,959
بنابراین
341
00:13:00,959 –> 00:13:03,360
من کمی به جزئیات بیشتر خواهم پرداخت
342
00:13:03,360 –> 00:13:05,519
در مورد کاری که این محیط های مجازی انجام می دهند
343
00:13:05,519 –> 00:13:06,480
و چرا
344
00:13:06,480 –> 00:13:08,399
آیا ما به آنها نیاز داریم
345
00:13:08,399 –> 00:13:10,959
و چرا ما فقط چیزها را نصب نمی کنیم
346
00:13:10,959 –> 00:13:14,480
مستقیماً روی سیستم ما فقط با استفاده از
347
00:13:14,480 –> 00:13:15,440
پنجره ها
348
00:13:15,440 –> 00:13:17,120
خط فرمان
349
00:13:17,120 –> 00:13:20,560
در این مورد به جزئیات خواهم پرداخت
350
00:13:20,560 –> 00:13:23,200
فقط بعدی
351
00:13:23,200 –> 00:13:26,240
پس این محیط های مجازی چیست؟
352
00:13:26,240 –> 00:13:28,160
خوب شما در واقع می توانید به آنها فکر کنید
353
00:13:28,160 –> 00:13:30,160
این موجودات مجزا در داخل شما
354
00:13:30,160 –> 00:13:33,200
سیستم اما لزوما اینطور نیست
355
00:13:33,200 –> 00:13:34,800
روی سیستم شما تاثیر بگذارد
356
00:13:34,800 –> 00:13:35,600
بنابراین
357
00:13:35,600 –> 00:13:38,240
به عنوان مثال می توانیم در این مورد به آن فکر کنیم
358
00:13:38,240 –> 00:13:40,800
بنابراین شما سیستم و داخل خود را دارید
359
00:13:40,800 –> 00:13:44,160
سیستم شما پایتون دارید مثلا 3.8
360
00:13:44,160 –> 00:13:46,079
نصب شده است و شما مقداری پایتون دارید
361
00:13:46,079 –> 00:13:47,760
بسته ها
362
00:13:47,760 –> 00:13:50,160
و حالا با محیط های مجازی چه
363
00:13:50,160 –> 00:13:52,880
ما می توانیم ایجاد کنیم
364
00:13:52,880 –> 00:13:55,519
به هر تعداد محیطی که بخواهیم
365
00:13:55,519 –> 00:13:58,079
به عنوان مثال در اینجا می توانم ایجاد کنم و به شما نشان می دهم
366
00:13:58,079 –> 00:14:00,399
به عنوان مثال که در آن ما سه مختلف ایجاد کردیم
367
00:14:00,399 –> 00:14:03,199
محیط های مجازی بنابراین اولین
368
00:14:03,199 –> 00:14:05,600
vm1 نامیده می شود
369
00:14:05,600 –> 00:14:09,040
دومی vm2 و ما vm3 را داریم
370
00:14:09,040 –> 00:14:10,320
اولی
371
00:14:10,320 –> 00:14:13,360
ما می توانیم پایتون 3.7 را نصب کنیم
372
00:14:13,360 –> 00:14:15,440
و به عنوان مثال ما tensorflow را نصب کردیم
373
00:14:15,440 –> 00:14:17,120
2.6
374
00:14:17,120 –> 00:14:19,760
حالا وقتی این کار را انجام می دهید در واقع نیستید
375
00:14:19,760 –> 00:14:23,440
نصب اوه پایتون یا پایتون
376
00:14:23,440 –> 00:14:26,160
بسته ها را مستقیماً بر روی سیستم شما قرار می دهد
377
00:14:26,160 –> 00:14:28,399
شما در واقع آنها را در داخل نصب می کنید
378
00:14:28,399 –> 00:14:30,880
این محیط مجازی پس این مجازی
379
00:14:30,880 –> 00:14:32,000
محیط
380
00:14:32,000 –> 00:14:34,959
در واقع در داخل سیستم شما زندگی می کند اما
381
00:14:34,959 –> 00:14:36,720
چیزی که شما در آن نصب می کنید انجام نمی شود
382
00:14:36,720 –> 00:14:40,000
در اینجا لزوماً روی سیستم شما تأثیر می گذارد
383
00:14:40,000 –> 00:14:41,839
همانطور که در سیستم خود می بینید ممکن است
384
00:14:41,839 –> 00:14:42,639
دارند
385
00:14:42,639 –> 00:14:45,040
پایتون نسخه 3.8
386
00:14:45,040 –> 00:14:46,800
اما در داخل محیط مجازی خود شما
387
00:14:46,800 –> 00:14:49,279
می توانید آن را تغییر دهید و می توانید از پایتون استفاده کنید
388
00:14:49,279 –> 00:14:50,800
3.7
389
00:14:50,800 –> 00:14:52,800
و همانطور که می بینید می توانید به عنوان ایجاد کنید
390
00:14:52,800 –> 00:14:55,199
بسیاری از محیط های مجازی که دوست دارید
391
00:14:55,199 –> 00:14:59,120
و هدف در اینجا یا چرا شما
392
00:14:59,120 –> 00:15:01,600
حتی می خواهید چنین کاری انجام دهید
393
00:15:01,600 –> 00:15:02,720
واقعا است
394
00:15:02,720 –> 00:15:04,399
وقتی در حال انجام یادگیری ماشینی هستید یا
395
00:15:04,399 –> 00:15:06,160
علم داده که قرار است انجام دهید
396
00:15:06,160 –> 00:15:09,760
به عنوان مثال آزمایش های زیادی انجام شده است
397
00:15:09,760 –> 00:15:12,160
ممکن است یک نسخه جدید تنسورفلو وجود داشته باشد
398
00:15:12,160 –> 00:15:14,079
که دارای برخی عملکردهای جدید و
399
00:15:14,079 –> 00:15:15,680
میخوای تستش کنی
400
00:15:15,680 –> 00:15:17,519
اگر همه چیز را روی خود نصب کرده اید
401
00:15:17,519 –> 00:15:20,160
سیستم و سپس شما فقط به ارتقاء
402
00:15:20,160 –> 00:15:23,120
جدیدترین نسخه تنسورفلو پس شما
403
00:15:23,120 –> 00:15:24,720
ممکن
404
00:15:24,720 –> 00:15:28,399
کد موجود خود را تحت تأثیر قرار دهید تا بتوانید
405
00:15:28,399 –> 00:15:29,600
چیزی است که
406
00:15:29,600 –> 00:15:31,360
قبلاً در قبلی کار کرده است
407
00:15:31,360 –> 00:15:33,440
نسخه تنسورفلو ممکن است در آن کار نکند
408
00:15:33,440 –> 00:15:34,880
جدیدترین نسخه
409
00:15:34,880 –> 00:15:37,360
و این می تواند باعث درگیری های زیادی شود
410
00:15:37,360 –> 00:15:39,519
بنابراین اکنون که اکنون خود را در یک
411
00:15:39,519 –> 00:15:42,639
موقعیتی که باید به آن برگردید
412
00:15:42,639 –> 00:15:45,680
یک نسخه قدیمی که خیلی زیاد نیست
413
00:15:45,680 –> 00:15:46,639
خوب
414
00:15:46,639 –> 00:15:48,639
بنابراین وقتی این کار را انجام می دهید می توانید این کارها را انجام دهید
415
00:15:48,639 –> 00:15:51,279
آزمایشات به طور جداگانه و به عنوان شما
416
00:15:51,279 –> 00:15:52,399
می تواند ببیند
417
00:15:52,399 –> 00:15:54,560
به عنوان مثال اگر من می خواهم pytos و
418
00:15:54,560 –> 00:15:56,880
من نمی خواهم از آن در همان استفاده شود
419
00:15:56,880 –> 00:15:58,880
محیط مجازی تا جایی که می توانم تنسورفلو
420
00:15:58,880 –> 00:15:59,839
ایجاد کردن
421
00:15:59,839 –> 00:16:01,440
اوه مجازی کاملا جدا
422
00:16:01,440 –> 00:16:02,880
محیط ها
423
00:16:02,880 –> 00:16:03,839
نصب
424
00:16:03,839 –> 00:16:04,560
اوه
425
00:16:04,560 –> 00:16:06,959
هر نسخه ای از پایتون که نیاز دارم و
426
00:16:06,959 –> 00:16:09,199
سپس pytorch را در اینجا نصب می کنم و اگر من
427
00:16:09,199 –> 00:16:10,720
می خواهم برای مثال یک مسن تر را آزمایش کنم
428
00:16:10,720 –> 00:16:13,199
نسخه pytorch من می توانم دیگری ایجاد کنم
429
00:16:13,199 –> 00:16:15,199
محیط مجازی و همین کار را انجام دهید
430
00:16:15,199 –> 00:16:16,160
چیز
431
00:16:16,160 –> 00:16:18,639
و شما می توانید همه اینها را تصور کنید
432
00:16:18,639 –> 00:16:20,720
مزایایی که می توانید برای مثال داشته باشید
433
00:16:20,720 –> 00:16:22,720
بسیاری از شرکت ها هنوز استفاده می کنند
434
00:16:22,720 –> 00:16:25,519
تنسورفلو نسخه 1.x
435
00:16:25,519 –> 00:16:26,880
بنابراین
436
00:16:26,880 –> 00:16:28,880
اگر می خواهید این کار را انجام دهید اگر می خواهید
437
00:16:28,880 –> 00:16:30,240
نصب a
438
00:16:30,240 –> 00:16:32,480
نسخه قبلی یا نسخه قدیمی تر
439
00:16:32,480 –> 00:16:36,079
tensorflow بنابراین 1.5 1.6
440
00:16:36,079 –> 00:16:38,000
پس بهتر است آن را در a نصب کنید
441
00:16:38,000 –> 00:16:39,839
محیط مجازی به جای انجام آن
442
00:16:39,839 –> 00:16:41,360
روی سیستم شما
443
00:16:41,360 –> 00:16:45,120
پس این هدف ماست
444
00:16:45,120 –> 00:16:48,160
تلاش برای استفاده از محیط های مجازی i
445
00:16:48,160 –> 00:16:50,720
واقعا شما را به استفاده از این نوع تشویق می کند
446
00:16:50,720 –> 00:16:52,079
چارچوب زمانی که شما در حال انجام کار خود هستید
447
00:16:52,079 –> 00:16:54,399
آزمایش به جای نصب
448
00:16:54,399 –> 00:16:57,040
همه چیز در سیستم شما
449
00:16:57,040 –> 00:16:57,920
من داشتم
450
00:16:57,920 –> 00:16:59,759
در یادگیری ماشین کار می کرد
451
00:16:59,759 –> 00:17:02,240
چند سالی است که میدانم و دارم
452
00:17:02,240 –> 00:17:03,759
همیشه دریافتند که استفاده از آن بهتر است
453
00:17:03,759 –> 00:17:06,079
محیط های مجازی به جای نصب
454
00:17:06,079 –> 00:17:07,599
همه چیز روی تو
455
00:17:07,599 –> 00:17:09,919
به طور مستقیم بر روی سیستم شما، بنابراین امیدوارم که
456
00:17:09,919 –> 00:17:12,559
اکنون می توانید مزایای آن را ببینید
457
00:17:12,559 –> 00:17:14,720
پیروی از این نوع پارادایم
458
00:17:14,720 –> 00:17:17,520
و بعد بیایید شروع به ایجاد یک مجازی کنیم
459
00:17:17,520 –> 00:17:19,919
محیط و نصب لازم است
460
00:17:19,919 –> 00:17:23,679
بسته های پایتون و پایتون داخل آن
461
00:17:23,679 –> 00:17:26,799
بنابراین اکنون درست قبل از شروع نصب
462
00:17:26,799 –> 00:17:28,400
جریان تنسور
463
00:17:28,400 –> 00:17:29,520
و
464
00:17:29,520 –> 00:17:32,080
ایجاد محیط مجازی ما به من اجازه دهید
465
00:17:32,080 –> 00:17:32,880
فقط
466
00:17:32,880 –> 00:17:34,320
برخی را پاک کن
467
00:17:34,320 –> 00:17:36,160
برخی از تردیدهایی که ممکن است داشته باشید
468
00:17:36,160 –> 00:17:38,400
در اینجا تا زمانی که ما نصب کردیم مشاهده کنید
469
00:17:38,400 –> 00:17:41,360
miniconda ما این خط فرمان را داریم
470
00:17:41,360 –> 00:17:44,000
اینجا و همچنین به شما نشان دادم که داریم
471
00:17:44,000 –> 00:17:45,280
پیشفرض
472
00:17:45,280 –> 00:17:47,200
خط فرمان ویندوز
473
00:17:47,200 –> 00:17:50,400
اینجا و آنها شبیه به هم هستند اما ما چگونه هستیم
474
00:17:50,400 –> 00:17:51,919
رفتن به استفاده
475
00:17:51,919 –> 00:17:54,240
محیط های مجازی مجازی ما در داخل
476
00:17:54,240 –> 00:17:56,880
کد ویژوال استودیو
477
00:17:56,880 –> 00:17:59,200
بنابراین در واقع اگر به استودیو ویژوال بروید
478
00:17:59,200 –> 00:18:03,039
اگر به ترمینال جدید بروید کد کنید
479
00:18:03,039 –> 00:18:07,440
اینجا در واقع ما درون خود هستیم
480
00:18:07,440 –> 00:18:08,310
خط فرمان
481
00:18:08,310 –> 00:18:09,440
[موسیقی]
482
00:18:09,440 –> 00:18:11,600
پنجره خط فرمان پیش فرض
483
00:18:11,600 –> 00:18:13,840
بنابراین آنچه شما اینجا انجام می دهید خواهد بود
484
00:18:13,840 –> 00:18:17,039
مشابه کاری که اینجا انجام می دهید
485
00:18:17,039 –> 00:18:20,000
و در واقع اجازه دهید فقط برای مثال تایپ کنیم
486
00:18:20,000 –> 00:18:22,559
python بنابراین در اینجا شما را در سیستم من می بینید
487
00:18:22,559 –> 00:18:25,360
پایتون 3.6.8 وجود دارد
488
00:18:25,360 –> 00:18:26,480
نصب شده است
489
00:18:26,480 –> 00:18:29,440
و در اینجا اگر پایتون بنویسم آن را دریافت می کنم
490
00:18:29,440 –> 00:18:33,120
همان نسخه اوه اینجا، بنابراین من دارم
491
00:18:33,120 –> 00:18:36,480
هر کاری که من اینجا انجام دهم، اوه من قادر خواهم بود
492
00:18:36,480 –> 00:18:39,200
برای انجام آن در اینجا و بالعکس
493
00:18:39,200 –> 00:18:40,400
و
494
00:18:40,400 –> 00:18:43,919
حالا اجازه دهید از این خارج شوم
495
00:18:43,919 –> 00:18:46,880
آنچه ما می خواهیم این است که در واقع بتوانیم
496
00:18:46,880 –> 00:18:48,080
استفاده کنید
497
00:18:48,080 –> 00:18:50,640
محیط های مجازی ما و فقط استفاده کنید
498
00:18:50,640 –> 00:18:53,360
مینی کاندا به طور کلی در داخل ما
499
00:18:53,360 –> 00:18:56,640
ترمینال اینجا در کد ویژوال استودیو بنابراین
500
00:18:56,640 –> 00:18:59,840
برای انجام آن کاری که می توانید انجام دهید این است
501
00:18:59,840 –> 00:19:01,840
فقط به جایی که مینیکوندا است نگاه کنید
502
00:19:01,840 –> 00:19:03,919
بر روی دستگاه شما نصب شده است بنابراین برای من هستم
503
00:19:03,919 –> 00:19:06,000
با استفاده از ابزاری به نام Everything it’s a
504
00:19:06,000 –> 00:19:07,360
ابزار جستجو
505
00:19:07,360 –> 00:19:09,120
شما مجبور نیستید آن را نصب کنید من فقط
506
00:19:09,120 –> 00:19:10,559
آن را ترجیح می دهند
507
00:19:10,559 –> 00:19:11,600
از
508
00:19:11,600 –> 00:19:14,320
ابزار جستجوی پیش فرض در ویندوز
509
00:19:14,320 –> 00:19:17,360
بنابراین وقتی miniconda3 را تایپ می کنم اینجا
510
00:19:17,360 –> 00:19:21,039
نرم افزاری که ما نصب کردیم
511
00:19:21,039 –> 00:19:23,520
اگر این را باز کنم
512
00:19:23,520 –> 00:19:24,799
پوشه اینجا
513
00:19:24,799 –> 00:19:27,200
پوشه دیگری به نام اسکریپت وجود دارد
514
00:19:27,200 –> 00:19:30,240
و سپس activate.bat وجود دارد بنابراین اگر من
515
00:19:30,240 –> 00:19:32,559
فقط این را کپی کنید
516
00:19:32,559 –> 00:19:33,840
آن را بچسبانید
517
00:19:33,840 –> 00:19:35,440
و سپس
518
00:19:35,440 –> 00:19:39,200
activate dot that را اجرا کنید
519
00:19:39,200 –> 00:19:41,600
اکنون همانطور که می بینید من دارم
520
00:19:41,600 –> 00:19:45,200
نام پایه اینجا قبلا نوشته شده است
521
00:19:45,200 –> 00:19:46,480
من
522
00:19:46,480 –> 00:19:48,799
قبل از این مسیر اینجا
523
00:19:48,799 –> 00:19:50,480
و همانطور که می بینید ما هم همین را داریم
524
00:19:50,480 –> 00:19:53,840
چیزی که اینجاست، بنابراین اکنون ما در واقع در داخل هستیم
525
00:19:53,840 –> 00:19:56,480
محیط مجازی به نام پایه و
526
00:19:56,480 –> 00:19:57,760
هرکاری که تو می کنی
527
00:19:57,760 –> 00:19:58,799
داخل
528
00:19:58,799 –> 00:20:00,480
این دستور
529
00:20:00,480 –> 00:20:02,720
این پنجره در اینجا خواهد بود
530
00:20:02,720 –> 00:20:05,520
منعکس شده در اینجا و برعکس در حال حاضر
531
00:20:05,520 –> 00:20:06,400
که ما داریم
532
00:20:06,400 –> 00:20:08,080
ما می توانیم دسترسی داشته باشیم
533
00:20:08,080 –> 00:20:11,360
دستورات کندیل روی ما
534
00:20:11,360 –> 00:20:14,559
ترمینال کد ویژوال استودیو بیایید سعی کنیم
535
00:20:14,559 –> 00:20:17,600
ببینید ما با آن چه کاری می توانیم انجام دهیم تا اینجا
536
00:20:17,600 –> 00:20:18,840
اجازه بده فقط
537
00:20:18,840 –> 00:20:20,799
این را پاک کن
538
00:20:20,799 –> 00:20:22,080
قسمت اینجا
539
00:20:22,080 –> 00:20:24,880
و در واقع شما می توانید رفتارهای زیادی را اجرا کنید
540
00:20:24,880 –> 00:20:27,120
دستور می دهد تا دستور تماس را اجرا کنید
541
00:20:27,120 –> 00:20:28,159
شما
542
00:20:28,159 –> 00:20:29,760
شروع توسط
543
00:20:29,760 –> 00:20:32,880
نوشتن canda و سپس شما تمام می کنید
544
00:20:32,880 –> 00:20:35,039
بقیه فرمان با هر چه شما
545
00:20:35,039 –> 00:20:39,120
نیاز به انجام این کار برای مثال ما می توانیم نگاه کنیم
546
00:20:39,120 –> 00:20:41,360
محیط های مجازی ما که هستند
547
00:20:41,360 –> 00:20:43,440
قبلا نصب شده است
548
00:20:43,440 –> 00:20:45,039
برای انجام این کار می توانید این را اجرا کنید
549
00:20:45,039 –> 00:20:48,960
فرمان اطلاعات تقویم خط تیره ms و if
550
00:20:48,960 –> 00:20:52,720
شما تا به حال یک مینی کوندا نداشته اید
551
00:20:52,720 –> 00:20:54,880
چیزی نخواهی داشت
552
00:20:54,880 –> 00:20:56,880
وقتی این دستور را اجرا می کنید اما برای من به عنوان
553
00:20:56,880 –> 00:20:59,280
می توانید ببینید که من قبلاً مقداری مجازی دارم
554
00:20:59,280 –> 00:21:03,039
محیط های نصب شده در اینجا به من اجازه دهید
555
00:21:03,039 –> 00:21:03,919
فقط
556
00:21:03,919 –> 00:21:05,679
این یکی را اینجا پاک کنید
557
00:21:05,679 –> 00:21:08,640
و بعد کاری که ما می خواهیم انجام دهیم این است
558
00:21:08,640 –> 00:21:10,720
ایجاد یک محیط مجازی جدید و
559
00:21:10,720 –> 00:21:11,520
سپس
560
00:21:11,520 –> 00:21:14,000
ما نسخه پایتون مناسب را انتخاب خواهیم کرد
561
00:21:14,000 –> 00:21:16,000
که ما می خواهیم و سپس به آن می رویم
562
00:21:16,000 –> 00:21:18,320
تنسورفلو را داخل آن مجازی نصب کنید
563
00:21:18,320 –> 00:21:20,480
محیط
564
00:21:20,480 –> 00:21:22,960
برای ایجاد یک محیط مجازی با استفاده از
565
00:21:22,960 –> 00:21:26,400
canda دستوری که باید اجرا کنید این است
566
00:21:26,400 –> 00:21:27,679
کاندا
567
00:21:27,679 –> 00:21:29,120
ایجاد کردن
568
00:21:29,120 –> 00:21:30,480
خط تیره و
569
00:21:30,480 –> 00:21:32,720
حالا می توانید برای مجازی خود یک نام بگذارید
570
00:21:32,720 –> 00:21:34,400
محیط شما می توانید هر نامی را که می خواهید انتخاب کنید
571
00:21:34,400 –> 00:21:35,200
پسندیدن
572
00:21:35,200 –> 00:21:37,600
معمولا برای من از آنجایی که من کارهای زیادی انجام می دهم
573
00:21:37,600 –> 00:21:40,480
آزمایشات با تنسورفلو من فقط
574
00:21:40,480 –> 00:21:42,840
دوست دارم به عنوان مثال آن را صدا کنم
575
00:21:42,840 –> 00:21:44,480
tf2
576
00:21:44,480 –> 00:21:46,880
اوه یا من آن را به عنوان مثال کامل می دهم
577
00:21:46,880 –> 00:21:50,080
نسخه تنسورفلو بنابراین tf 2.5 یا 0.6
578
00:21:50,080 –> 00:21:51,440
یا هر چیز دیگری
579
00:21:51,440 –> 00:21:54,720
و در اینجا اجازه دهید آن را به عنوان مثال صدا کنیم
580
00:21:54,720 –> 00:21:57,440
tf2
581
00:21:57,440 –> 00:21:59,200
vm
582
00:21:59,200 –> 00:22:02,080
پس vm برای محیط مجازی و سپس
583
00:22:02,080 –> 00:22:04,960
می توانید پارامتر python و را به آن بدهید
584
00:22:04,960 –> 00:22:06,799
در اینجا می توانید هر نسخه ای را انتخاب کنید
585
00:22:06,799 –> 00:22:11,360
پایتون را دوست دارید پس بیایید فقط از 3.8 استفاده کنیم
586
00:22:11,360 –> 00:22:13,919
از زمانی که من با آن کار کرده ام
587
00:22:13,919 –> 00:22:16,320
برای مدت طولانی و اوهوم کار می کند
588
00:22:16,320 –> 00:22:18,720
عالی با تنسورفلو
589
00:22:18,720 –> 00:22:22,400
بنابراین در اینجا من فقط می خواهم این دستور را اجرا کنم
590
00:22:22,400 –> 00:22:24,720
بنابراین اکنون از ما می پرسد که آیا ما
591
00:22:24,720 –> 00:22:27,039
قبول کنید که این موارد غیر ضروری را نصب کنید
592
00:22:27,039 –> 00:22:30,559
بسته ها، بنابراین من بله را انتخاب می کنم و
593
00:22:30,559 –> 00:22:32,000
کلیک
594
00:22:32,000 –> 00:22:34,240
و این نباید آنقدر طول بکشد
595
00:22:34,240 –> 00:22:37,120
زیرا اینها بسته های بزرگ نیستند بنابراین
596
00:22:37,120 –> 00:22:40,240
پس از اینکه بسته های خود را نصب کردیم، ما
597
00:22:40,240 –> 00:22:41,520
می تواند اجرا کند
598
00:22:41,520 –> 00:22:42,880
کاندا
599
00:22:42,880 –> 00:22:46,480
tf2 را فعال کنید
600
00:22:46,720 –> 00:22:48,480
vm
601
00:22:48,480 –> 00:22:49,280
و
602
00:22:49,280 –> 00:22:50,720
البته می توانید ببینید که
603
00:22:50,720 –> 00:22:52,799
پیشنهاد در اینجا به منظور نشان داده شده است
604
00:22:52,799 –> 00:22:56,720
محیط مجازی خود را فعال کنید تا
605
00:22:56,720 –> 00:22:59,520
حالا اگر به یاد داشته باشید ما داخل یک هستیم
606
00:22:59,520 –> 00:23:02,400
محیط مجازی به نام base so after
607
00:23:02,400 –> 00:23:05,280
من این دستور را اجرا می کنم اکنون در داخل خود هستیم
608
00:23:05,280 –> 00:23:07,840
محیط مجازی جدید ایجاد شده
609
00:23:07,840 –> 00:23:11,360
به نام tf2 vm و در اینجا هر چه شما
610
00:23:11,360 –> 00:23:12,559
نصب
611
00:23:12,559 –> 00:23:14,240
در حال رفتن به
612
00:23:14,240 –> 00:23:16,880
از سیستم شما جدا شود بنابراین نمی شود
613
00:23:16,880 –> 00:23:19,760
بنابراین در اینجا برای مثال بیایید آن را تحت تأثیر قرار دهیم
614
00:23:19,760 –> 00:23:23,039
پایتون را اجرا کنید و همانطور که می بینید نسخه است
615
00:23:23,039 –> 00:23:26,720
3.8 اگر یادتان باشد روی سیستم من دارم
616
00:23:26,720 –> 00:23:28,640
3.6
617
00:23:28,640 –> 00:23:30,799
نصب شده اما اینجا داخل مجازی من
618
00:23:30,799 –> 00:23:33,600
محیط چون مشخص کردم که i
619
00:23:33,600 –> 00:23:34,480
خواستن
620
00:23:34,480 –> 00:23:38,320
پایتون نسخه 3.8 من 3.8 را نصب کردم
621
00:23:38,320 –> 00:23:40,640
اینجا
622
00:23:40,720 –> 00:23:43,200
پس اکنون که هستیم، خود را خلق کرده ایم
623
00:23:43,200 –> 00:23:45,760
محیط مجازی شروع به نصب می کنیم
624
00:23:45,760 –> 00:23:49,039
بسته های لازم بنابراین
625
00:23:49,039 –> 00:23:50,640
اکنون می توانیم برای مثال نصب کنیم
626
00:23:50,640 –> 00:23:54,000
tensorflow و اگر به رسمی مراجعه کنید
627
00:23:54,000 –> 00:23:56,320
وب سایت تنسورفلو
628
00:23:56,320 –> 00:23:57,760
شما می توانید ببینید که آیا شما فقط به
629
00:23:57,760 –> 00:24:00,400
نصب tensorflow.org می توانید ببینید
630
00:24:00,400 –> 00:24:02,240
راه های مختلفی که می توانید نصب کنید
631
00:24:02,240 –> 00:24:04,880
tensorflow برای ما استفاده می کنیم
632
00:24:04,880 –> 00:24:07,279
تنسورفلو یا دانلود و نصبش کن
633
00:24:07,279 –> 00:24:09,600
آن را به عنوان یک بسته پایتون بنابراین اینها هستند
634
00:24:09,600 –> 00:24:12,000
دستوراتی که می توانیم اجرا کنیم
635
00:24:12,000 –> 00:24:14,000
پس اینجا اوه
636
00:24:14,000 –> 00:24:16,640
اولین دستور ما می توانیم فقط برای اجرا شود
637
00:24:16,640 –> 00:24:20,000
پیپ را ارتقا دهید، بنابراین اگر نمی دانید چیست
638
00:24:20,000 –> 00:24:23,440
bib است بنابراین bip فقط یک مدیر بسته است
639
00:24:23,440 –> 00:24:26,559
که به ما کمک می کند تا بسته های پایتون را نصب کنیم
640
00:24:26,559 –> 00:24:28,400
اجازه دهید آن را اینجا بچسبانم
641
00:24:28,400 –> 00:24:30,400
و ببینید آیا من آخرین نسخه را ندارم
642
00:24:30,400 –> 00:24:32,799
نسخه ظاهرا
643
00:24:32,799 –> 00:24:35,360
نه پس فقط آن را دانلود می کنم و
644
00:24:35,360 –> 00:24:38,000
آن را نصب کنید
645
00:24:38,320 –> 00:24:41,279
بنابراین وقتی سعی کردم پیپ را در خودم ارتقا دهم
646
00:24:41,279 –> 00:24:44,240
ماشین به من داد
647
00:24:44,240 –> 00:24:47,520
اساسا یک خطای دسترسی است اما اوه
648
00:24:47,520 –> 00:24:50,080
اگر شما آن خطا را دارید، فقط می توانید
649
00:24:50,080 –> 00:24:52,159
همان دستور را اجرا کنید اما خط تیره را اضافه می کنید
650
00:24:52,159 –> 00:24:54,240
کاربر خط تیره در پایان
651
00:24:54,240 –> 00:24:56,559
بنابراین برای من آن را می گوید الزامات در حال حاضر
652
00:24:56,559 –> 00:24:59,360
راضی در واقع من واقعا نیازی نداشتم
653
00:24:59,360 –> 00:25:01,120
برای اجرای این دستور من قبلاً آن را داشتم
654
00:25:01,120 –> 00:25:02,400
آخر
655
00:25:02,400 –> 00:25:04,799
نسخه pip قبلاً نصب شده است اما شما
656
00:25:04,799 –> 00:25:06,480
فقط می تواند آن را اجرا کند
657
00:25:06,480 –> 00:25:07,440
برای
658
00:25:07,440 –> 00:25:10,240
به خاطر آن
659
00:25:10,480 –> 00:25:12,240
و در حال حاضر ما می خواهیم
660
00:25:12,240 –> 00:25:14,000
از این دستور استفاده کنید بنابراین pip install کنید
661
00:25:14,000 –> 00:25:15,760
تنسورفلو و اینجا من فقط می خواهم
662
00:25:15,760 –> 00:25:18,000
خیلی سریع مثل شما چیزی را ذکر کنید
663
00:25:18,000 –> 00:25:19,919
می توانید ببینید آن اشاره می کند که در حال حاضر
664
00:25:19,919 –> 00:25:22,559
انتشار پایدار برای cpu و gpu بنابراین چه زمانی
665
00:25:22,559 –> 00:25:25,039
شما این دستور را اجرا می کنید که نصب می شود
666
00:25:25,039 –> 00:25:25,760
را
667
00:25:25,760 –> 00:25:28,880
نسخه های پایدار برای هر دو cpu و gpu
668
00:25:28,880 –> 00:25:30,400
پشتیبانی
669
00:25:30,400 –> 00:25:31,440
قبل از
670
00:25:31,440 –> 00:25:34,960
یادم نیست قبل از کدام
671
00:25:34,960 –> 00:25:37,600
رهایی از تنسورفلو اما قبل از آن
672
00:25:37,600 –> 00:25:39,440
به منظور نصب نسخه gpu شما
673
00:25:39,440 –> 00:25:41,679
تنسورفلو اضافه می کند
674
00:25:41,679 –> 00:25:44,400
gpu بنابراین شما به طور خاص به آن اشاره کردید
675
00:25:44,400 –> 00:25:46,400
می خواهید tensorflow را با gpu نصب کنید
676
00:25:46,400 –> 00:25:49,919
پشتیبانی اما ظاهرا در حال حاضر زمانی که شما زمانی
677
00:25:49,919 –> 00:25:51,840
شما فقط این دستور را اجرا کنید
678
00:25:51,840 –> 00:25:52,720
نصب
679
00:25:52,720 –> 00:25:53,919
را
680
00:25:53,919 –> 00:25:57,279
انتشار پایداری برای cpu و gpu
681
00:25:57,279 –> 00:25:58,320
بنابراین
682
00:25:58,320 –> 00:26:00,559
من برمیگردم به
683
00:26:00,559 –> 00:26:02,960
محیط مجازی من اینجا هستم
684
00:26:02,960 –> 00:26:06,640
می خواهم آن را پیپ نصب تنسورفلو بچسبانم
685
00:26:06,640 –> 00:26:08,170
و بیایید این دستور را اجرا کنیم
686
00:26:08,170 –> 00:26:09,360
[موسیقی]
687
00:26:09,360 –> 00:26:10,799
دوباره فقط
688
00:26:10,799 –> 00:26:12,080
به
689
00:26:12,080 –> 00:26:14,159
این نکته مهم را ذکر کنید
690
00:26:14,159 –> 00:26:16,240
ما در حال نصب اینجا هستیم در حال نصب است
691
00:26:16,240 –> 00:26:18,720
داخل محیط مجازی ما و نه
692
00:26:18,720 –> 00:26:20,799
داخل سیستم ما
693
00:26:20,799 –> 00:26:23,440
بنابراین ممکن است کمی زمان ببرد
694
00:26:23,440 –> 00:26:25,840
بسته به سرعت اینترنت شما و روشن بودن
695
00:26:25,840 –> 00:26:28,320
سیستم شما پس هنگام دانلود و
696
00:26:28,320 –> 00:26:30,000
نصب به پایان رسید
697
00:26:30,000 –> 00:26:32,159
من برمی گردم تا به شما نشان دهم چه کاری می توانیم انجام دهیم
698
00:26:32,159 –> 00:26:34,480
بعد
699
00:26:35,039 –> 00:26:37,200
پس الان دارم
700
00:26:37,200 –> 00:26:39,520
tensorflow دانلود و نصب شد
701
00:26:39,520 –> 00:26:41,679
داخل محیط مجازی من
702
00:26:41,679 –> 00:26:44,480
و من می توانم آن را به عنوان مثال توسط
703
00:26:44,480 –> 00:26:47,919
در اینجا و فقط کنسول پایتون را اجرا کنید
704
00:26:47,919 –> 00:26:50,799
تلاش برای واردات
705
00:26:50,840 –> 00:26:52,640
جریان تنسور
706
00:26:52,640 –> 00:26:55,600
و باید بدون هیچ گونه واردات وارد شود
707
00:26:55,600 –> 00:26:57,840
مشکلات و فقط
708
00:26:57,840 –> 00:27:00,240
تا به شما نشان دهیم که ما در واقع نیستیم
709
00:27:00,240 –> 00:27:02,799
نصب وسایل داخل ما
710
00:27:02,799 –> 00:27:06,640
اگر اجرا کنم مستقیماً روی سیستم ما اینجاست
711
00:27:06,640 –> 00:27:08,880
من و پایتون
712
00:27:08,880 –> 00:27:10,159
وارد كردن
713
00:27:10,159 –> 00:27:13,200
tensorflow نام آن ماژول را می بینید
714
00:27:13,200 –> 00:27:15,600
یا ماژول در اینجا یافت نمی شود بنابراین پیدا نمی شود
715
00:27:15,600 –> 00:27:17,760
ماژول tensorflow را پیدا کنید زیرا اینطور است
716
00:27:17,760 –> 00:27:20,720
روی سیستم من نصب نیست
717
00:27:20,720 –> 00:27:23,039
من فقط این را در اینجا به شما نشان می دهم زیرا
718
00:27:23,039 –> 00:27:24,880
هر از گاهی ممکن است با یک
719
00:27:24,880 –> 00:27:27,679
مشکل مثل این و شما شروع به پرسیدن می کنید
720
00:27:27,679 –> 00:27:29,200
خودت چرا
721
00:27:29,200 –> 00:27:32,159
چرا وقتی شما تنسورفلو ندارم
722
00:27:32,159 –> 00:27:34,240
قبلا آن را نصب کرده اید اما فقط بسازید
723
00:27:34,240 –> 00:27:37,200
مطمئن باشید که اگر آن را در یکی نصب کنید
724
00:27:37,200 –> 00:27:38,880
محیط مجازی خاص شما باید
725
00:27:38,880 –> 00:27:40,880
از آن محیط مجازی برای اجرا استفاده کنید
726
00:27:40,880 –> 00:27:43,279
کد شما و
727
00:27:43,279 –> 00:27:45,840
این فقط همین جزئیات کوچک در اینجا می تواند
728
00:27:45,840 –> 00:27:48,880
به شما در حل این نوع خطاها کمک می کند
729
00:27:48,880 –> 00:27:51,279
و اکنون که آن را داریم همان چیزی است که من می خواهم
730
00:27:51,279 –> 00:27:54,880
دوست دارم فقط یک دستور را اجرا کنم
731
00:27:54,880 –> 00:27:57,880
tensorflow.config.list
732
00:28:01,760 –> 00:28:02,830
فیزیکی
733
00:28:02,830 –> 00:28:05,440
[موسیقی]
734
00:28:05,440 –> 00:28:07,039
دستگاه ها
735
00:28:07,039 –> 00:28:09,279
بنابراین آنچه که این دستور قرار است انجام دهد این است
736
00:28:09,279 –> 00:28:11,760
برای نشان دادن من روی من
737
00:28:11,760 –> 00:28:13,279
ماشینی که
738
00:28:13,279 –> 00:28:16,320
آیا می توانم از دستگاه هایی برای آموزش یادگیری عمیق استفاده کنم
739
00:28:16,320 –> 00:28:18,240
مدل هایی با استفاده از تنسورفلو
740
00:28:18,240 –> 00:28:21,039
بنابراین همانطور که می بینید در اینجا من دارم
741
00:28:21,039 –> 00:28:23,840
دو دستگاه وجود دارد CPU و آنجا
742
00:28:23,840 –> 00:28:26,880
پردازنده گرافیکی شما فقط یک gpu وجود دارد
743
00:28:26,880 –> 00:28:28,320
می تواند ببیند
744
00:28:28,320 –> 00:28:29,520
برای شما
745
00:28:29,520 –> 00:28:31,840
اگر بار اول باشد احتمالش زیاد است
746
00:28:31,840 –> 00:28:33,520
شما از تنسورفلو استفاده می کنید به احتمال زیاد
747
00:28:33,520 –> 00:28:36,559
که این قسمت دوم را نخواهید داشت
748
00:28:36,559 –> 00:28:39,679
اینجا gpu نخواهید داشت
749
00:28:39,679 –> 00:28:40,960
و
750
00:28:40,960 –> 00:28:43,840
این می تواند به دلایل مختلفی باشد
751
00:28:43,840 –> 00:28:47,440
به عنوان مثال ممکن است شما یک nvidia gpu نداشته باشید
752
00:28:47,440 –> 00:28:49,360
بر روی دستگاه شما به طوری که
753
00:28:49,360 –> 00:28:51,679
یک دلیل رایج که چرا این کار را نمی کنید
754
00:28:51,679 –> 00:28:52,480
این
755
00:28:52,480 –> 00:28:54,640
دومین دلیل رایج این است که شما
756
00:28:54,640 –> 00:28:58,640
ممکن است پردازنده گرافیکی nvidia داشته باشد اما
757
00:28:58,640 –> 00:28:59,760
این نیست
758
00:28:59,760 –> 00:29:02,159
از آموزش پشتیبانی نمی کند
759
00:29:02,159 –> 00:29:04,080
تنسورفلو یا مدل های یادگیری عمیق در
760
00:29:04,080 –> 00:29:06,880
کلی روی اون پردازنده گرافیکی
761
00:29:06,880 –> 00:29:08,399
و
762
00:29:08,399 –> 00:29:09,279
اگر شما
763
00:29:09,279 –> 00:29:11,120
اگر در یکی از این دو نیستید
764
00:29:11,120 –> 00:29:13,360
دسته ها پس به احتمال زیاد
765
00:29:13,360 –> 00:29:15,520
شما gpu را نمی بینید زیرا شما
766
00:29:15,520 –> 00:29:17,120
فقط نداشته اند
767
00:29:17,120 –> 00:29:20,000
آنچه را که برای شما لازم است تنظیم کنید
768
00:29:20,000 –> 00:29:22,000
برای اجرای آموزش در
769
00:29:22,000 –> 00:29:25,520
gpu و برای من قبلا انجام داده ام
770
00:29:25,520 –> 00:29:27,520
تنظیم لازم
771
00:29:27,520 –> 00:29:29,679
و من یک دارم
772
00:29:29,679 –> 00:29:32,720
nvidia gpu که می تواند آموزش را اجرا کند
773
00:29:32,720 –> 00:29:34,960
به همین دلیل است که آن را اینجا می بینم
774
00:29:34,960 –> 00:29:36,720
برای شما اگر شما
775
00:29:36,720 –> 00:29:37,840
نکن
776
00:29:37,840 –> 00:29:40,159
در دو دسته اول قرار می گیرید و شما
777
00:29:40,159 –> 00:29:41,600
بدانید که می توانید آموزش را اجرا کنید
778
00:29:41,600 –> 00:29:44,799
gpu شما سپس من به شما نشان خواهم داد که چه چیزی
779
00:29:44,799 –> 00:29:47,120
سخت افزار ضروری هستند
780
00:29:47,120 –> 00:29:49,200
الزامات و الزامات نرم افزاری
781
00:29:49,200 –> 00:29:50,960
چه چیزهایی نیاز دارید
782
00:29:50,960 –> 00:29:54,320
نصب کنید تا بتوانید از خود استفاده کنید
783
00:29:54,320 –> 00:29:56,640
gpu
784
00:29:56,640 –> 00:29:58,399
اگر می خواهید بتوانید آن را اجرا کنید
785
00:29:58,399 –> 00:30:00,880
آموزش بر روی gpu خود و شما این را می دانید
786
00:30:00,880 –> 00:30:03,279
شما nvidia gpu دارید
787
00:30:03,279 –> 00:30:05,840
یک کاری که می توانید انجام دهید این است که دنبال کنید
788
00:30:05,840 –> 00:30:08,399
فرآیند درستی که در
789
00:30:08,399 –> 00:30:11,120
نصب رسمی تنسورفلو
790
00:30:11,120 –> 00:30:12,080
صفحه
791
00:30:12,080 –> 00:30:12,799
بنابراین
792
00:30:12,799 –> 00:30:14,880
اگر به بسته دانلود می روید اینجا
793
00:30:14,880 –> 00:30:17,200
همان چیزی است که ما استفاده کردیم
794
00:30:17,200 –> 00:30:19,760
اگر به راهنمای gpu بروید
795
00:30:19,760 –> 00:30:23,279
می توانید این صفحه را از اینجا باز کنید و
796
00:30:23,279 –> 00:30:26,240
هنگامی که ما هنگامی که شما با استفاده از یک بسته پیش بند مانند
797
00:30:26,240 –> 00:30:28,320
ما انجام می دهیم شما باید مقداری داشته باشید
798
00:30:28,320 –> 00:30:30,320
نیازمندی های سخت افزاری و همچنین نرم افزاری
799
00:30:30,320 –> 00:30:33,919
الزامات بنابراین اولین چیزی که اجازه دهید
800
00:30:33,919 –> 00:30:36,720
الزامات سخت افزاری را بررسی کنید تا
801
00:30:36,720 –> 00:30:38,799
می توانید ببینید در اینجا به آن اشاره می کند
802
00:30:38,799 –> 00:30:41,120
تعدادی کارت nvidia وجود دارد که در آن شما وجود دارد
803
00:30:41,120 –> 00:30:42,000
می توان
804
00:30:42,000 –> 00:30:43,520
که پشتیبانی می شوند
805
00:30:43,520 –> 00:30:44,320
برای
806
00:30:44,320 –> 00:30:46,320
شما برای آموزش مدل های یادگیری عمیق
807
00:30:46,320 –> 00:30:48,240
آنها را اگر باز کنید
808
00:30:48,240 –> 00:30:51,120
این لیست در اینجا از کارت هایی که هستند
809
00:30:51,120 –> 00:30:54,480
می توانید معماری های فعال متفاوت داشته باشید
810
00:30:54,480 –> 00:30:57,039
لیستی از دستگاه ها را اینجا ببینید و می توانید
811
00:30:57,039 –> 00:30:59,919
سعی کنید پیدا کنید که آیا دستگاه شما است
812
00:30:59,919 –> 00:31:01,919
داخل این لیست هست یا نه
813
00:31:01,919 –> 00:31:06,640
بنابراین در واقع به اندازه کافی خنده دار است
814
00:31:06,640 –> 00:31:11,279
برای من در واقع یک کارت geforce دارم
815
00:31:11,279 –> 00:31:14,000
gtx 1050 ti
816
00:31:14,000 –> 00:31:15,039
و
817
00:31:15,039 –> 00:31:17,519
در این لیست وجود ندارد اما من
818
00:31:17,519 –> 00:31:21,120
به هر حال هنوز هم می توان آموزش را روی آن اجرا کرد
819
00:31:21,120 –> 00:31:22,960
اولین باری که چک کردم یادم می آید
820
00:31:22,960 –> 00:31:26,320
لیستی که من آن را پیدا نکردم پس از آن فقط
821
00:31:26,320 –> 00:31:28,720
شروع به جستجوی آنلاین کردم که پیدا کردم
822
00:31:28,720 –> 00:31:31,440
بسیاری از مردم گفتند بله آنها هم همین را دارند
823
00:31:31,440 –> 00:31:33,039
کارت و آنها توانستند اجرا کنند
824
00:31:33,039 –> 00:31:35,919
آموزش در مورد آن پس این فقط است
825
00:31:35,919 –> 00:31:38,399
یک تذکر کوچک
826
00:31:38,399 –> 00:31:41,360
اما اگر کارت خود را اینجا پیدا کنید
827
00:31:41,360 –> 00:31:43,120
که شما قطعا می توانید اجرا کنید
828
00:31:43,120 –> 00:31:46,080
آموزش روی gpu
829
00:31:46,080 –> 00:31:47,919
بنابراین این اولین چیزی است که شما نیاز دارید
830
00:31:47,919 –> 00:31:49,519
بررسی
831
00:31:49,519 –> 00:31:50,640
اوه
832
00:31:50,640 –> 00:31:52,320
اگر آن را دارید
833
00:31:52,320 –> 00:31:54,880
سپس به احتمال زیاد می توانید اجرا کنید
834
00:31:54,880 –> 00:31:58,720
آموزش و سپس شما برخی از
835
00:31:58,720 –> 00:32:01,840
برخی از اظهارات ذکر شده در اینجا به عنوان مثال
836
00:32:01,840 –> 00:32:03,679
برای gpus با cuda پشتیبانی نشده
837
00:32:03,679 –> 00:32:04,960
معماری ها
838
00:32:04,960 –> 00:32:07,200
و یا برای جلوگیری از تلفیقی از متفاوت استفاده کنید
839
00:32:07,200 –> 00:32:09,360
نسخه های nvidia تا بتوانید بررسی کنید
840
00:32:09,360 –> 00:32:10,960
اینها اگر شما
841
00:32:10,960 –> 00:32:13,679
اوه اگر به یکی از اینها بیفتید
842
00:32:13,679 –> 00:32:16,880
دسته ها اما برای من معمولا فقط
843
00:32:16,880 –> 00:32:20,720
بررسی اینکه آیا معماری کار می کند یا خیر
844
00:32:20,720 –> 00:32:21,840
کافی است
845
00:32:21,840 –> 00:32:23,679
و سپس برای نرم افزار مورد نیاز
846
00:32:23,679 –> 00:32:25,519
این جایی است که
847
00:32:25,519 –> 00:32:27,840
در واقع شما باید نرم افزاری داشته باشید
848
00:32:27,840 –> 00:32:29,519
قبلا نصب شده
849
00:32:29,519 –> 00:32:30,559
شما
850
00:32:30,559 –> 00:32:32,960
کارت nvidia می تواند تشخیص دهد
851
00:32:32,960 –> 00:32:35,279
که می توانید آموزش را با استفاده از آن انجام دهید
852
00:32:35,279 –> 00:32:37,039
جریان تنسور
853
00:32:37,039 –> 00:32:39,200
بنابراین اولین چیز این است
854
00:32:39,200 –> 00:32:41,519
nvidia
855
00:32:41,519 –> 00:32:43,519
درایورهای gpu
856
00:32:43,519 –> 00:32:48,480
بنابراین اینجا می گوید cuda 11.2 به 450 نیاز دارد
857
00:32:48,480 –> 00:32:50,159
یا بالاتر
858
00:32:50,159 –> 00:32:52,000
بنابراین شما می توانید به
859
00:32:52,000 –> 00:32:55,200
وب سایت اینجا و برای من آن را دارد
860
00:32:55,200 –> 00:32:57,519
در واقع فکر می کنم به طور خودکار شناسایی می شود
861
00:32:57,519 –> 00:32:59,360
که به این دلیل است که من قبلا انجام داده ام
862
00:32:59,360 –> 00:33:02,799
این پس شاید در من ذخیره شده باشد
863
00:33:02,799 –> 00:33:05,600
در کوکی ها اما اوه
864
00:33:05,600 –> 00:33:08,240
برای شما اگر نمی بینید
865
00:33:08,240 –> 00:33:10,159
ماشین خود را به طور مستقیم در اینجا شما فقط می توانید
866
00:33:10,159 –> 00:33:12,399
به صورت دستی آن را جستجو کنید تا انتخاب کنید
867
00:33:12,399 –> 00:33:14,880
نوع محصول سری محصول و
868
00:33:14,880 –> 00:33:17,279
سپس در پایان
869
00:33:17,279 –> 00:33:20,000
شما فقط روی جستجو کلیک کنید و این کار انجام می شود
870
00:33:20,000 –> 00:33:22,080
لینک دانلود رو بهتون بدم
871
00:33:22,080 –> 00:33:24,960
و دوباره این است
872
00:33:24,960 –> 00:33:28,080
وقتی این را دانلود می کنید و شروع می کنید
873
00:33:28,080 –> 00:33:29,600
نصب آن
874
00:33:29,600 –> 00:33:31,760
خوب است که به طور خودکار شروع نمی شود
875
00:33:31,760 –> 00:33:34,399
اجازه دهید من دوباره کلیک کنم خوب حالا وقتی شما
876
00:33:34,399 –> 00:33:36,960
این را روی دستگاه خود داشته باشید که فقط اجرا می کنید
877
00:33:36,960 –> 00:33:39,519
فرآیند نصب چیزی نیست
878
00:33:39,519 –> 00:33:41,840
واقعاً خاص است شما فقط به مرحله بعدی بروید
879
00:33:41,840 –> 00:33:44,720
بعدی و شما همه چیز را نصب کنید
880
00:33:44,720 –> 00:33:46,720
این اولین چیزی است که شما نیاز دارید
881
00:33:46,720 –> 00:33:47,919
انجام دادن
882
00:33:47,919 –> 00:33:49,120
و سپس
883
00:33:49,120 –> 00:33:50,159
شما دارید
884
00:33:50,159 –> 00:33:52,240
جعبه ابزار cuda
885
00:33:52,240 –> 00:33:54,640
که باید نصب کنید
886
00:33:54,640 –> 00:33:56,240
و فقط می خواهم به چیزی اشاره کنم
887
00:33:56,240 –> 00:33:59,120
اینجا چون من فکر می کنم خیلی ها
888
00:33:59,120 –> 00:34:01,600
وقتی شروع می کنند اشتباه می کنند
889
00:34:01,600 –> 00:34:02,880
نصب کردن
890
00:34:02,880 –> 00:34:04,840
همه این نرم افزار
891
00:34:04,840 –> 00:34:07,679
بنابراین در اینجا به طور خاص به آن اشاره شده است
892
00:34:07,679 –> 00:34:10,800
مثال cuda 11.2
893
00:34:10,800 –> 00:34:14,719
و همچنین tensorflow از cuda 11.2 پشتیبانی می کند
894
00:34:14,719 –> 00:34:16,399
بنابراین هر نسخه از tensorflow که است
895
00:34:16,399 –> 00:34:19,199
بالاتر از 2.5
896
00:34:19,199 –> 00:34:21,280
نیاز دارد
897
00:34:21,280 –> 00:34:23,199
cuda 11.2
898
00:34:23,199 –> 00:34:26,239
بنابراین برای ما نصب کرده ایم
899
00:34:26,239 –> 00:34:29,040
tensorflow پس اگر انجام دهم
900
00:34:29,040 –> 00:34:31,040
مثلا
901
00:34:31,040 –> 00:34:33,599
tensorflow و سپس من فقط
902
00:34:33,599 –> 00:34:34,560
اجرا کن
903
00:34:34,560 –> 00:34:38,000
یا نسخه تنسورفلو را بررسی کنید
904
00:34:38,000 –> 00:34:41,040
درج جریان
905
00:34:41,040 –> 00:34:42,399
نسخه
906
00:34:42,399 –> 00:34:46,719
بنابراین در اینجا می توانید ببینید که من نسخه 2.6.0 را دارم
907
00:34:46,719 –> 00:34:49,440
بنابراین من در این دسته قرار میگیرم که نیاز دارم
908
00:34:49,440 –> 00:34:52,239
داشتن cuda 11.2
909
00:34:52,239 –> 00:34:54,639
اوه نصب شده
910
00:34:54,639 –> 00:34:57,760
در اینجا وقتی به جعبه ابزار cuda می روید
911
00:34:57,760 –> 00:34:59,760
شما را بایگانی کند
912
00:34:59,760 –> 00:35:01,920
فقط آخرین نسخه را برای
913
00:35:01,920 –> 00:35:04,560
به عنوان مثال من می بینم که بسیاری از افراد این کار را انجام می دهند
914
00:35:04,560 –> 00:35:06,320
اشتباه آنها فقط به آخرین
915
00:35:06,320 –> 00:35:08,480
نسخه اما در اینجا اگر ذکر شده است
916
00:35:08,480 –> 00:35:11,680
شما باید از 11.2 استفاده کنید سپس باید استفاده کنید
917
00:35:11,680 –> 00:35:14,240
به دنبال 11.2 باشید
918
00:35:14,240 –> 00:35:16,960
و در اینجا کاری که من معمولا انجام می دهم این است که آن را می گیرم
919
00:35:16,960 –> 00:35:18,640
آخرین نسخه
920
00:35:18,640 –> 00:35:21,599
از 11.2 زیرا در اینجا می توانید ببینید که وجود دارد
921
00:35:21,599 –> 00:35:24,599
11.2.0.1.2
922
00:35:24,720 –> 00:35:28,880
بنابراین من فقط این یکی را اینجا می برم
923
00:35:28,880 –> 00:35:31,760
و سپس شما فقط عملیات خود را انتخاب کنید
924
00:35:31,760 –> 00:35:35,040
سیستم معماری اینجا تنها یکی است
925
00:35:35,040 –> 00:35:37,839
نسخه 10 ویندوز و سپس می توانید
926
00:35:37,839 –> 00:35:39,780
یکی از دو گزینه را انتخاب کنید
927
00:35:39,780 –> 00:35:40,960
[موسیقی]
928
00:35:40,960 –> 00:35:42,640
نصب کننده محلی و
929
00:35:42,640 –> 00:35:45,119
نصب کننده شبکه تفاوت این است
930
00:35:45,119 –> 00:35:48,079
نصب کننده محلی یک فایل بزرگ دارد
931
00:35:48,079 –> 00:35:50,720
که نیازی به اینترنت ندارد
932
00:35:50,720 –> 00:35:52,640
دسترسی یعنی بعد از دانلود آن شما
933
00:35:52,640 –> 00:35:55,119
نیازی به دسترسی به اینترنت ندارید
934
00:35:55,119 –> 00:35:57,200
سفارش نصب
935
00:35:57,200 –> 00:35:58,640
جعبه ابزار cuda
936
00:35:58,640 –> 00:36:00,079
و این یکی
937
00:36:00,079 –> 00:36:02,880
فایل کوچکتری است اما نیاز دارد
938
00:36:02,880 –> 00:36:04,960
دسترسی به اینترنت اگر خوب دارید
939
00:36:04,960 –> 00:36:07,280
اینترنت پس من فقط به شما پیشنهاد می کنم
940
00:36:07,280 –> 00:36:08,960
این فایل کم حجم را دانلود کنید
941
00:36:08,960 –> 00:36:11,680
اگر نه پس می توانید بزرگترین را دانلود کنید
942
00:36:11,680 –> 00:36:14,320
اینجا و دوباره فایل کنید
943
00:36:14,320 –> 00:36:16,320
واقعا هیچ چیز خاصی وجود ندارد
944
00:36:16,320 –> 00:36:18,560
این شما فقط آن را دانلود کنید و سپس شما
945
00:36:18,560 –> 00:36:21,040
برو بعدی بعدی بعدی وجود دارد
946
00:36:21,040 –> 00:36:23,599
و سپس جعبه ابزار cuda را دارید
947
00:36:23,599 –> 00:36:26,880
بر روی دستگاه شما نصب شده است، بنابراین
948
00:36:26,880 –> 00:36:28,480
بخش دوم
949
00:36:28,480 –> 00:36:30,720
اوه برای کراوات فنجانی که لازم نیست انجام دهید
950
00:36:30,720 –> 00:36:33,440
که در اینجا ذکر می کند که با آن ارسال می شود
951
00:36:33,440 –> 00:36:35,760
cuda toolkit بنابراین
952
00:36:35,760 –> 00:36:37,680
اگر جعبه ابزار kuda را دارید قبلاً دارید
953
00:36:37,680 –> 00:36:38,960
کوبتای دارند
954
00:36:38,960 –> 00:36:42,400
و سپس باید crew dnn را نصب کنید
955
00:36:42,400 –> 00:36:44,720
sdk
956
00:36:44,720 –> 00:36:46,800
8.1.0
957
00:36:46,800 –> 00:36:49,040
بنابراین اگر ما روی این کلیک کنیم
958
00:36:49,040 –> 00:36:52,000
اجازه بدهید اینجا را بررسی کنم
959
00:36:52,000 –> 00:36:56,000
پس cooldmn را دانلود کنید
960
00:36:56,079 –> 00:36:57,520
و در واقع
961
00:36:57,520 –> 00:36:59,599
تا شما آن را دانلود کنید
962
00:36:59,599 –> 00:37:02,320
فایل یا آن پوشه
963
00:37:02,320 –> 00:37:05,040
شما باید عضو باشید
964
00:37:05,040 –> 00:37:07,359
در وب سایت و این کاری است که شما می توانید انجام دهید
965
00:37:07,359 –> 00:37:09,200
این به صورت رایگان شما فقط می توانید
966
00:37:09,200 –> 00:37:11,680
اگر قبلاً یک حساب کاربری دارید وارد شوید یا
967
00:37:11,680 –> 00:37:13,359
اکنون می توانید بپیوندید
968
00:37:13,359 –> 00:37:16,079
به عنوان مثال و شما فقط از خود استفاده می کنید
969
00:37:16,079 –> 00:37:18,560
ایمیل و
970
00:37:18,560 –> 00:37:20,160
هیچ چیز خاصی در اینجا وجود ندارد
971
00:37:20,160 –> 00:37:22,000
بپیوند به
972
00:37:22,000 –> 00:37:22,720
را
973
00:37:22,720 –> 00:37:23,920
سایت اینترنتی
974
00:37:23,920 –> 00:37:27,119
بنابراین برای من از قبل یک حساب کاربری دارم
975
00:37:27,119 –> 00:37:28,640
اینجا
976
00:37:28,640 –> 00:37:30,800
بنابراین یک بار وارد سیستم می شوم
977
00:37:30,800 –> 00:37:32,560
به حساب من
978
00:37:32,560 –> 00:37:35,359
من این صفحه وب را اینجا دریافت می کنم بنابراین من فقط هستم
979
00:37:35,359 –> 00:37:37,599
قرار است با شرایط موافقت کند و سپس
980
00:37:37,599 –> 00:37:41,520
در اینجا می توانید نسخه را دانلود کنید
981
00:37:41,520 –> 00:37:42,480
برای
982
00:37:42,480 –> 00:37:46,800
uh یا kudianon 8.2.4
983
00:37:46,800 –> 00:37:49,920
و در واقع اینجا وقتی به این نگاه می کنید
984
00:37:49,920 –> 00:37:52,640
می بینید که برای cuda 11.4 و وجود دارد
985
00:37:52,640 –> 00:37:55,440
این برای cuda 11.2 است، بیایید ببینیم که آیا ما
986
00:37:55,440 –> 00:37:58,960
می توانید برای cuda پیدا کنید
987
00:37:58,960 –> 00:38:01,520
11.2
988
00:38:01,520 –> 00:38:03,599
بنابراین هیچ کدام وجود ندارد
989
00:38:03,599 –> 00:38:05,359
در این مورد
990
00:38:05,359 –> 00:38:07,920
ما فقط از آخرین نسخه استفاده می کنیم
991
00:38:07,920 –> 00:38:10,320
اینجا پس اجازه دهید به اینجا برگردم و
992
00:38:10,320 –> 00:38:11,680
بررسی
993
00:38:11,680 –> 00:38:15,440
خوب ما نسخه های cuda را داریم
994
00:38:17,200 –> 00:38:20,320
بله ظاهرا
995
00:38:20,640 –> 00:38:24,079
خوب 11.1 اینجا
996
00:38:24,079 –> 00:38:26,720
بله در واقع چنین است
997
00:38:26,720 –> 00:38:29,520
این دوباره این است که گاهی اوقات یک
998
00:38:29,520 –> 00:38:32,560
مشکلی که بسیاری از مردم با آن روبرو هستند، ما اینجا هستیم
999
00:38:32,560 –> 00:38:37,280
نیاز به hoo dnn sdk 8.1.0
1000
00:38:37,280 –> 00:38:40,400
وقتی روی نسخه های qdnn کلیک کردم i
1001
00:38:40,400 –> 00:38:44,640
اگر می خواهید از اینجا و اینجا به این وب سایت بروید
1002
00:38:44,640 –> 00:38:46,560
فقط آخرین نسخه را نگیرید
1003
00:38:46,560 –> 00:38:49,280
باید به دنبال خاص خود باشید
1004
00:38:49,280 –> 00:38:50,240
نسخه
1005
00:38:50,240 –> 00:38:52,640
بنابراین من اینجا دارم
1006
00:38:52,640 –> 00:38:54,079
اوه
1007
00:38:54,079 –> 00:38:54,800
را
1008
00:38:54,800 –> 00:38:56,040
نسخه
1009
00:38:56,040 –> 00:38:58,320
8.1.0 که هست
1010
00:38:58,320 –> 00:39:01,520
آنچه ما برای هشت نقطه یک نیاز داریم
1011
00:39:01,520 –> 00:39:05,760
نقطه صفر برای cuda 10.2 و یک داریم
1012
00:39:05,760 –> 00:39:08,560
سپس یکی برای نقطه یازده نقطه cuda
1013
00:39:08,560 –> 00:39:10,880
نقطه صفر یک و نقطه دو
1014
00:39:10,880 –> 00:39:13,320
برای ما تفاوت داریم
1015
00:39:13,320 –> 00:39:15,119
11.2
1016
00:39:15,119 –> 00:39:17,119
همانطور که شما به یاد داشته باشید
1017
00:39:17,119 –> 00:39:18,560
نیاز داریم
1018
00:39:18,560 –> 00:39:20,320
این
1019
00:39:20,320 –> 00:39:22,160
این نسخه در اینجا
1020
00:39:22,160 –> 00:39:25,680
بنابراین اینها جزییات کوچک هستند اما فقط
1021
00:39:25,680 –> 00:39:27,920
مطمئن شوید که آنها را دنبال می کنید تا شما
1022
00:39:27,920 –> 00:39:30,560
بعدا با مشکل مواجه نشو
1023
00:39:30,560 –> 00:39:32,880
بارها می بینم که افرادی این را می گویند
1024
00:39:32,880 –> 00:39:35,760
آنها همه چیز را نصب کردند اما هنوز
1025
00:39:35,760 –> 00:39:39,839
ماشینشون تشخیص نمیده
1026
00:39:39,839 –> 00:39:42,079
نمی توان تمرین را با تنسورفلو انجام داد
1027
00:39:42,079 –> 00:39:44,560
اما معمولاً مشکل فقط از آنجا ناشی می شود
1028
00:39:44,560 –> 00:39:47,040
یکی از این جزئیات کوچک
1029
00:39:47,040 –> 00:39:48,880
بنابراین اگر روی این کلیک کنید
1030
00:39:48,880 –> 00:39:51,920
سپس می توانید نرم افزار مناسب را انتخاب کنید
1031
00:39:51,920 –> 00:39:54,880
برای دستگاه شما به عنوان مثال ما هستیم
1032
00:39:54,880 –> 00:39:57,520
روی یک دستگاه ویندوز، بنابراین من فقط می توانم کلیک کنم
1033
00:39:57,520 –> 00:40:01,520
Goody و سپس کتابخانه برای ویندوز
1034
00:40:01,599 –> 00:40:04,800
و این قرار است دانلود شود
1035
00:40:04,800 –> 00:40:06,720
یک پوشه زیپ شده
1036
00:40:06,720 –> 00:40:09,680
و در واقع من از قبل آن را روی خودم دارم
1037
00:40:09,680 –> 00:40:11,359
ماشین اینجا
1038
00:40:11,359 –> 00:40:14,079
حالا من می خواهم به شما نشان دهم چه چیزی
1039
00:40:14,079 –> 00:40:17,920
کاری که باید با این پوشه انجام دهید
1040
00:40:18,880 –> 00:40:20,880
بنابراین وقتی نصب کردید
1041
00:40:20,880 –> 00:40:23,200
cuda 11.2
1042
00:40:23,200 –> 00:40:26,160
در اینجا در این مسیر نصب شده است بنابراین اگر
1043
00:40:26,160 –> 00:40:29,680
شما به فایل های برنامه c nvidia gpu بروید
1044
00:40:29,680 –> 00:40:31,280
جعبه ابزار محاسباتی
1045
00:40:31,280 –> 00:40:33,359
سپس به cuda می روید
1046
00:40:33,359 –> 00:40:35,760
برای من چندین نسخه کرودا دارم
1047
00:40:35,760 –> 00:40:36,960
زیرا
1048
00:40:36,960 –> 00:40:39,839
از زمان به زمان من
1049
00:40:39,839 –> 00:40:42,560
ارتقا دهید یا از جدیدترین نسخه استفاده کنید
1050
00:40:42,560 –> 00:40:44,560
tensorflow و سپس چندین برابر آن
1051
00:40:44,560 –> 00:40:47,359
نیاز به نسخه جدید cuda دارد بنابراین من این کار را می کنم
1052
00:40:47,359 –> 00:40:48,400
دانلود
1053
00:40:48,400 –> 00:40:51,040
و نسخه مناسب cuda را نصب کنید
1054
00:40:51,040 –> 00:40:53,599
اگر قبلا این کار را نکرده اید
1055
00:40:53,599 –> 00:40:55,920
احتمالا شما فقط یکی خواهید داشت
1056
00:40:55,920 –> 00:40:58,800
نسخه ای که 11.2 است
1057
00:40:58,800 –> 00:41:00,480
و اکنون
1058
00:41:00,480 –> 00:41:02,960
با آن چه خواهیم کرد
1059
00:41:02,960 –> 00:41:06,079
اوه پوشه فشرده ای که دانلود کردید
1060
00:41:06,079 –> 00:41:08,480
کاری که شما باید انجام دهید این است که آن را از حالت فشرده خارج کنید
1061
00:41:08,480 –> 00:41:11,119
وقتی آن را از حالت فشرده خارج کردید، دریافت خواهید کرد
1062
00:41:11,119 –> 00:41:13,760
پوشه ای به نام cuda در داخل آن شما هستید
1063
00:41:13,760 –> 00:41:16,480
این پوشه ها و این فایل را خواهم داشت
1064
00:41:16,480 –> 00:41:17,359
اینجا
1065
00:41:17,359 –> 00:41:20,800
بنابراین آنچه که ما اکنون انجام خواهیم داد اساساً این است
1066
00:41:20,800 –> 00:41:23,200
فقط مطالب را از اینها کپی کنید
1067
00:41:23,200 –> 00:41:25,839
پوشه ها به پوشه های مربوطه
1068
00:41:25,839 –> 00:41:29,760
در cuda 11.2 بنابراین برای مثال شما می توانید بروید
1069
00:41:29,760 –> 00:41:31,680
به پوشه bin
1070
00:41:31,680 –> 00:41:33,680
همه چیز را کپی کنید سپس بروید
1071
00:41:33,680 –> 00:41:35,920
اینجا و همه چیز را بچسبانید
1072
00:41:35,920 –> 00:41:38,480
برای من قبلاً کپی و پیست کرده ام
1073
00:41:38,480 –> 00:41:41,040
اینها پس من این کار را انجام نمی دهم اما این
1074
00:41:41,040 –> 00:41:42,960
تنها کاری است که باید انجام دهید
1075
00:41:42,960 –> 00:41:45,359
شما به شامل می شوید
1076
00:41:45,359 –> 00:41:46,319
پوشه
1077
00:41:46,319 –> 00:41:49,440
همه چیز را کپی کنید و در آن قرار دهید
1078
00:41:49,440 –> 00:41:51,760
شامل پوشه
1079
00:41:51,760 –> 00:41:53,280
و بالاخره
1080
00:41:53,280 –> 00:41:55,040
شما به
1081
00:41:55,040 –> 00:41:57,520
پوشه lib شما همه چیز را در داخل کپی می کنید
1082
00:41:57,520 –> 00:41:58,880
x64
1083
00:41:58,880 –> 00:42:01,680
و سپس همان چیزی که در اینجا lib شما بروید
1084
00:42:01,680 –> 00:42:02,359
به
1085
00:42:02,359 –> 00:42:06,400
x64 و سپس همه چیز را در آنجا بچسبانید
1086
00:42:06,400 –> 00:42:10,880
وقتی این کار را انجام دادید می توانید به آن بازگردید
1087
00:42:10,880 –> 00:42:12,720
ترمینال شما
1088
00:42:12,720 –> 00:42:15,599
بنابراین آنچه من پیشنهاد می کنم این است که
1089
00:42:15,599 –> 00:42:16,640
بستن
1090
00:42:16,640 –> 00:42:19,520
و ترمینال را دوباره باز کنید
1091
00:42:19,520 –> 00:42:20,720
و سپس
1092
00:42:20,720 –> 00:42:23,839
اگر همان دستوری را که ما اجرا می کنیم اجرا کنید
1093
00:42:23,839 –> 00:42:25,680
من قبلا به شما نشان دادم
1094
00:42:25,680 –> 00:42:29,359
برای مثال بیایید دوباره این کار را انجام دهیم
1095
00:42:29,599 –> 00:42:31,040
وارد كردن
1096
00:42:31,040 –> 00:42:32,800
جریان تنسور
1097
00:42:32,800 –> 00:42:35,760
بنابراین در اینجا اگر ما
1098
00:42:35,760 –> 00:42:38,319
اگر فرار کنیم
1099
00:42:38,359 –> 00:42:41,119
tensorflow.list یا
1100
00:42:41,119 –> 00:42:42,480
پیکربندی
1101
00:42:42,480 –> 00:42:45,839
لیست نیست
1102
00:42:46,880 –> 00:42:49,520
فیزیکی
1103
00:42:49,920 –> 00:42:52,480
دستگاه ها
1104
00:42:52,800 –> 00:42:55,520
اکنون باید بتوانید این را ببینید
1105
00:42:55,520 –> 00:42:59,359
بخش gpu در اینجا بنابراین
1106
00:42:59,359 –> 00:43:01,839
الان دقیقا کامل رو بهتون نشون دادم
1107
00:43:01,839 –> 00:43:04,800
فرآیند نصب یک tensorflow بنابراین
1108
00:43:04,800 –> 00:43:07,520
که می توانید آن را با gpu خود استفاده کنید
1109
00:43:07,520 –> 00:43:11,440
یک nvidia gpu را فعال کنید
1110
00:43:11,440 –> 00:43:13,359
و این به شما اجازه می دهد تا اجرا کنید
1111
00:43:13,359 –> 00:43:15,280
آموزش یادگیری عمیق خود را آموزش دهید
1112
00:43:15,280 –> 00:43:17,520
مدل های بسیار سریع تر
1113
00:43:17,520 –> 00:43:20,880
که تقریباً همیشه توصیه می شود
1114
00:43:20,880 –> 00:43:22,319
و با این
1115
00:43:22,319 –> 00:43:25,680
بیایید اکنون به آنچه می توانیم شروع کنیم نگاه کنیم
1116
00:43:25,680 –> 00:43:27,440
اضافه كردن
1117
00:43:27,440 –> 00:43:30,319
از قسمت کد نویسی تا بتوانیم
1118
00:43:30,319 –> 00:43:32,720
شروع به کاوش جریان تنسور کنید
1119
00:43:32,720 –> 00:43:34,480
کتابخانه
1120
00:43:34,480 –> 00:43:37,119
بنابراین در اینجا ما می خواهیم با آن شروع کنیم
1121
00:43:37,119 –> 00:43:38,079
اولین
1122
00:43:38,079 –> 00:43:41,359
وظیفه طبقه بندی با استفاده از تنسورفلو و
1123
00:43:41,359 –> 00:43:44,400
این در واقع یک کار کلاسیک است
1124
00:43:44,400 –> 00:43:47,520
اساساً چیزی که می خواهیم به آن برسیم
1125
00:43:47,520 –> 00:43:48,560
است
1126
00:43:48,560 –> 00:43:52,079
برای ساختن سیستمی که بتواند طول بکشد
1127
00:43:52,079 –> 00:43:55,040
تصاویری مانند این اینجا یا اینجا یا
1128
00:43:55,040 –> 00:43:57,599
اینجا و در خروجی به ما می گوید
1129
00:43:57,599 –> 00:43:59,680
چه یک سه یا یک وجود داشته باشد
1130
00:43:59,680 –> 00:44:02,560
هفت در داخل آن تصویر یک صفر وجود دارد
1131
00:44:02,560 –> 00:44:05,440
بنابراین مجموعه داده های ما چیزی شبیه به نظر می رسد
1132
00:44:05,440 –> 00:44:08,160
این البته اینها فکر می کنند این هستند
1133
00:44:08,160 –> 00:44:09,760
به صورت جداگانه
1134
00:44:09,760 –> 00:44:10,720
کم اهمیت
1135
00:44:10,720 –> 00:44:12,960
تصاویر درست مانند این موارد در اینجا این
1136
00:44:12,960 –> 00:44:15,359
فقط برای اینجا جمع شده اند
1137
00:44:15,359 –> 00:44:16,880
تجسم ها
1138
00:44:16,880 –> 00:44:18,160
اهداف
1139
00:44:18,160 –> 00:44:20,640
بنابراین مجموعه داده های ما صفرهای زیادی دارد بنابراین
1140
00:44:20,640 –> 00:44:25,359
خیلی یک دو تا رقم نه
1141
00:44:25,359 –> 00:44:27,680
و ما می خواهیم سیستمی بسازیم که بتواند
1142
00:44:27,680 –> 00:44:30,720
عکسی مثل این بگیرید
1143
00:44:30,720 –> 00:44:34,400
در ابتدا یا به عنوان ورودی و
1144
00:44:34,400 –> 00:44:37,599
در خروجی که می خواهیم دریافت کنیم را اضافه می کند
1145
00:44:37,599 –> 00:44:41,280
مقداری که در داخل آن نوشته شده است
1146
00:44:41,280 –> 00:44:42,079
اوه
1147
00:44:42,079 –> 00:44:43,839
از آن تصویر
1148
00:44:43,839 –> 00:44:46,720
بنابراین همیشه خوب است که واقعا فکر کنیم
1149
00:44:46,720 –> 00:44:48,000
در باره
1150
00:44:48,000 –> 00:44:50,720
هر وظیفه ای که برای رسیدن به آن تلاش می کنید
1151
00:44:50,720 –> 00:44:53,440
قبل از شروع بخش کد نویسی در اینجا
1152
00:44:53,440 –> 00:44:55,680
این فقط یک مرور سریع از آنچه ما است
1153
00:44:55,680 –> 00:44:58,800
می خواهند به این عفو دست یابند
1154
00:44:58,800 –> 00:45:00,240
تست است
1155
00:45:00,240 –> 00:45:01,200
آ
1156
00:45:01,200 –> 00:45:04,079
اوه شما می توانید به عنوان یک سنت در
1157
00:45:04,079 –> 00:45:06,560
جامعه یادگیری عمیق آن درست مانند یک است
1158
00:45:06,560 –> 00:45:08,000
سلام دنیا
1159
00:45:08,000 –> 00:45:09,599
برنامه زمانی که شما در حال یادگیری یک برنامه جدید هستید
1160
00:45:09,599 –> 00:45:12,800
اکنون زبان برنامه نویسی
1161
00:45:12,800 –> 00:45:14,319
که شما دارید
1162
00:45:14,319 –> 00:45:16,560
امیدوارم هدف از این کار را درک کرده باشید
1163
00:45:16,560 –> 00:45:20,000
وظیفه بیایید وارد کد شویم و ببینیم
1164
00:45:20,000 –> 00:45:20,880
چی
1165
00:45:20,880 –> 00:45:23,680
چگونه می توانیم به این امر برسیم
1166
00:45:23,680 –> 00:45:25,760
این هدف اینجا
1167
00:45:25,760 –> 00:45:28,240
حالا بیایید به بخش کد نویسی برسیم
1168
00:45:28,240 –> 00:45:30,000
اولین کاری که می خواهم انجام دهم این است که فقط اضافه کنم
1169
00:45:30,000 –> 00:45:31,440
یک فایل جدید
1170
00:45:31,440 –> 00:45:35,200
من می خواهم به عنوان مثال mnist تماس بگیرم
1171
00:45:35,200 –> 00:45:38,200
مثال.خرید
1172
00:45:38,400 –> 00:45:40,880
و به طور خودکار در این باز می شود
1173
00:45:40,880 –> 00:45:42,160
سمت اینجا
1174
00:45:42,160 –> 00:45:45,200
پس بیایید با واردات شروع کنیم
1175
00:45:45,200 –> 00:45:46,640
مثلا
1176
00:45:46,640 –> 00:45:49,119
تنسورفلو از آنجایی که ما قطعا نیاز خواهیم داشت
1177
00:45:49,119 –> 00:45:50,560
بعدا
1178
00:45:50,560 –> 00:45:52,720
و
1179
00:45:52,720 –> 00:45:56,000
چیزی که از ابتدا اضافه می کنیم این است
1180
00:45:56,000 –> 00:45:57,440
فقط
1181
00:45:57,440 –> 00:45:59,200
بررسی کن اگر
1182
00:45:59,200 –> 00:46:00,800
نام
1183
00:46:00,800 –> 00:46:02,000
برابر است
1184
00:46:02,000 –> 00:46:02,420
اصلی
1185
00:46:02,420 –> 00:46:03,599
[موسیقی]
1186
00:46:03,599 –> 00:46:06,800
سپس ما قصد داریم تا کد را اجرا کنیم
1187
00:46:06,800 –> 00:46:09,200
اگر با این آشنایی ندارید
1188
00:46:09,200 –> 00:46:10,240
پایتون
1189
00:46:10,240 –> 00:46:12,319
قسمت اینجا فقط به این معنی است
1190
00:46:12,319 –> 00:46:14,640
اگر خودم را اجرا کنم
1191
00:46:14,640 –> 00:46:17,839
اسکریپت پس من می خواهم این قسمت اینجا باشد
1192
00:46:17,839 –> 00:46:20,720
رند و اگر آن را وارد کنم به عنوان مثال i
1193
00:46:20,720 –> 00:46:23,280
می تواند فایل من را به اسکریپت دیگری وارد کند
1194
00:46:23,280 –> 00:46:25,200
و در آن صورت این قسمت نخواهد بود
1195
00:46:25,200 –> 00:46:27,680
به نام این یک عادت خوب است
1196
00:46:27,680 –> 00:46:28,820
همیشه این را اضافه کنید
1197
00:46:28,820 –> 00:46:30,000
[موسیقی]
1198
00:46:30,000 –> 00:46:32,400
بر روی اسکریپت های خود را زمانی که شما می خواهید
1199
00:46:32,400 –> 00:46:34,960
برای تفکیک رفتارها بین
1200
00:46:34,960 –> 00:46:36,960
وارد کردن آن اسکریپت ها و اجرا کردن
1201
00:46:36,960 –> 00:46:38,480
آن اسکریپت ها
1202
00:46:38,480 –> 00:46:41,040
بنابراین اولین چیزی که ممکن است متوجه شوید
1203
00:46:41,040 –> 00:46:43,440
اینجاست که می گوید
1204
00:46:43,440 –> 00:46:45,839
به tensorflow دسترسی پیدا نمی شود
1205
00:46:45,839 –> 00:46:48,000
جریان تنسور را پیدا کنید
1206
00:46:48,000 –> 00:46:51,040
بنابراین در اینجا در واقع آنچه اتفاق می افتد این است
1207
00:46:51,040 –> 00:46:52,880
اگر
1208
00:46:52,880 –> 00:46:55,200
اگر اسکریپت خود را از ترمینال اجرا کنید
1209
00:46:55,200 –> 00:46:57,599
پس مشکلی پیش نخواهد آمد
1210
00:46:57,599 –> 00:47:00,319
پس اگر پایتون کار کنم
1211
00:47:00,319 –> 00:47:03,119
و این مثال نقطه y
1212
00:47:03,119 –> 00:47:05,440
هیچ چیز قرار نیست اتفاق بیفتد اما
1213
00:47:05,440 –> 00:47:07,359
مشکلی وجود نخواهد داشت این چیزی است که من
1214
00:47:07,359 –> 00:47:08,160
منظور داشتن
1215
00:47:08,160 –> 00:47:11,119
اما در اینجا اگر سعی کنید آن را با استفاده از
1216
00:47:11,119 –> 00:47:13,359
دکمه اجرا در اینجا
1217
00:47:13,359 –> 00:47:16,000
سپس می بینید که می گوید هیچ ماژولی نام ندارد
1218
00:47:16,000 –> 00:47:17,839
تنسورفلو و در واقع چه چیزی درست است
1219
00:47:17,839 –> 00:47:19,839
اتفاق افتاده است که
1220
00:47:19,839 –> 00:47:24,160
vs code یک پنجره ترمینال جدید باز کرده است
1221
00:47:24,160 –> 00:47:27,680
به طور خودکار و سعی کرد این را اجرا کند
1222
00:47:27,680 –> 00:47:28,640
اسکریپت
1223
00:47:28,640 –> 00:47:30,640
با استفاده از ما
1224
00:47:30,640 –> 00:47:32,960
پایتون که در سیستم ما وجود دارد و نیست
1225
00:47:32,960 –> 00:47:35,119
داخل محیط مجازی ما
1226
00:47:35,119 –> 00:47:37,680
بنابراین در واقع ما هنوز مجازی خود را داریم
1227
00:47:37,680 –> 00:47:39,520
محیط اینجا و این جدید است
1228
00:47:39,520 –> 00:47:41,280
پنجره ترمینال که بود
1229
00:47:41,280 –> 00:47:43,599
با کد در مقابل شروع شد
1230
00:47:43,599 –> 00:47:44,480
بنابراین
1231
00:47:44,480 –> 00:47:47,920
تا اسکریپت های خود را اجرا کنید تا بتوانید
1232
00:47:47,920 –> 00:47:50,720
در واقع فقط اینها را نادیده بگیرید
1233
00:47:50,720 –> 00:47:52,880
این اخطارها اینجاست و شما فقط بدوید
1234
00:47:52,880 –> 00:47:55,359
اسکریپت خود را از ترمینال اما اگر
1235
00:47:55,359 –> 00:47:56,160
این
1236
00:47:56,160 –> 00:47:59,839
اوه برای شما هم آزاردهنده است برای من
1237
00:47:59,839 –> 00:48:01,680
شما می توانید آن را تعمیر کنید
1238
00:48:01,680 –> 00:48:05,040
در واقع به کد گفتن این کد
1239
00:48:05,040 –> 00:48:06,880
اینجا که ما می نویسیم خواهد بود
1240
00:48:06,880 –> 00:48:09,520
اطراف محیط مجازی ما
1241
00:48:09,520 –> 00:48:12,319
tf2vm بنابراین برای انجام این کار می توانید
1242
00:48:12,319 –> 00:48:15,440
روی ctrl shift p کلیک کنید
1243
00:48:15,440 –> 00:48:19,200
روی صفحه کلید خود، پس دوباره ctrl shift p
1244
00:48:19,200 –> 00:48:20,800
شما آنها را هل می دهید
1245
00:48:20,800 –> 00:48:23,599
آنها را با هم کلیک می کنید و سپس شما
1246
00:48:23,599 –> 00:48:25,599
فقط جستجو کنید
1247
00:48:25,599 –> 00:48:28,960
مفسر و پایتون را انتخاب می کنید
1248
00:48:28,960 –> 00:48:30,319
مترجم
1249
00:48:30,319 –> 00:48:32,640
و در اینجا لیستی از آنها را به شما ارائه می دهیم
1250
00:48:32,640 –> 00:48:34,640
یک پایتون متفاوت
1251
00:48:34,640 –> 00:48:37,200
فایل های اجرایی که در سیستم شما پیدا کرده است
1252
00:48:37,200 –> 00:48:39,760
و در اینجا ما به دنبال آن هستیم
1253
00:48:39,760 –> 00:48:42,240
محیط مجازی که ما ایجاد کردیم
1254
00:48:42,240 –> 00:48:44,079
به آن tf2bn می گویند
1255
00:48:44,079 –> 00:48:45,359
بنابراین
1256
00:48:45,359 –> 00:48:47,440
فقط برویم
1257
00:48:47,440 –> 00:48:49,760
قدم به قدم در اینجا سعی کنید آن را پیدا کنید بنابراین من
1258
00:48:49,760 –> 00:48:51,680
دارای بسیاری از محیط های مجازی است که
1259
00:48:51,680 –> 00:48:54,400
چرا مشخص نیست خوب این یکی است
1260
00:48:54,400 –> 00:48:56,640
برای شما ممکن است همه اینها را نداشته باشید
1261
00:48:56,640 –> 00:48:58,720
محیط های مجازی همینطور خواهد بود
1262
00:48:58,720 –> 00:49:01,280
سریع تشخیص می دهد که کدام است
1263
00:49:01,280 –> 00:49:03,040
محیطی که شما ایجاد کردید
1264
00:49:03,040 –> 00:49:06,559
بنابراین من روی tf2 vm و اکنون به عنوان کلیک می کنم
1265
00:49:06,559 –> 00:49:07,599
میتوانی ببینی
1266
00:49:07,599 –> 00:49:10,319
در مقابل کد تنسورفلو را تشخیص می دهد زیرا
1267
00:49:10,319 –> 00:49:12,079
داخل مجازی ما نصب شده است
1268
00:49:12,079 –> 00:49:13,119
محیط
1269
00:49:13,119 –> 00:49:17,440
و من می توانم این یکی را اینجا کلیک کنم
1270
00:49:17,440 –> 00:49:19,280
و
1271
00:49:19,280 –> 00:49:21,440
همانطور که می بینید برنامه اجرا می شود
1272
00:49:21,440 –> 00:49:24,880
درست بدون مشکل
1273
00:49:24,880 –> 00:49:26,880
بنابراین
1274
00:49:26,880 –> 00:49:31,200
حالا بیایید به ویرایشگر کد خود در اینجا برویم
1275
00:49:31,200 –> 00:49:32,319
بیا شروع کنیم
1276
00:49:32,319 –> 00:49:35,200
به دنبال آنچه می توانیم انجام دهیم
1277
00:49:35,200 –> 00:49:38,240
برای وظیفه ما که قبلا تعریف کردیم
1278
00:49:38,240 –> 00:49:39,280
بنابراین
1279
00:49:39,280 –> 00:49:41,359
یکی از کارهایی که می توانیم انجام دهیم این است که
1280
00:49:41,359 –> 00:49:43,760
در واقع وارد کردن مجموعه داده
1281
00:49:43,760 –> 00:49:45,839
بنابراین در واقع
1282
00:49:45,839 –> 00:49:48,160
اگر در حال انجام یک پروژه جدید با خود هستید
1283
00:49:48,160 –> 00:49:50,400
مجموعه داده های خود ممکن است نباشد
1284
00:49:50,400 –> 00:49:54,240
این آسان است اما از آنجا که این اولین است
1285
00:49:54,240 –> 00:49:56,000
نمونه ای از اولین آموزشی که ما داریم
1286
00:49:56,000 –> 00:49:58,240
gonna do ما فقط از آن استفاده می کنیم
1287
00:49:58,240 –> 00:50:00,559
ساده ترین و سریع ترین چیزها به طوری که
1288
00:50:00,559 –> 00:50:03,839
ما می توانیم چیزی را کنار هم بگذاریم و ببینیم
1289
00:50:03,839 –> 00:50:05,920
اساساً گردش کار a را ببینید
1290
00:50:05,920 –> 00:50:07,119
جریان تنسور
1291
00:50:07,119 –> 00:50:08,240
برنامه
1292
00:50:08,240 –> 00:50:10,480
بنابراین کاری که ما انجام خواهیم داد استفاده است
1293
00:50:10,480 –> 00:50:13,480
tensorflow.js
1294
00:50:13,760 –> 00:50:15,839
نقطه
1295
00:50:15,839 –> 00:50:17,520
مجموعه های داده
1296
00:50:17,520 –> 00:50:18,480
یا
1297
00:50:18,480 –> 00:50:21,359
بگذار فقط چک کنم
1298
00:50:21,599 –> 00:50:24,960
بله در واقع باید مجموعه داده باشد
1299
00:50:24,960 –> 00:50:26,079
نقطه
1300
00:50:26,079 –> 00:50:28,400
بار
1301
00:50:29,200 –> 00:50:31,520
یا نقطه منیست
1302
00:50:31,520 –> 00:50:32,400
نقطه
1303
00:50:32,400 –> 00:50:34,640
بار
1304
00:50:34,640 –> 00:50:37,040
داده ها
1305
00:50:37,040 –> 00:50:38,079
بنابراین
1306
00:50:38,079 –> 00:50:40,720
اجازه دهید من فقط این کار را انجام دهم و در واقع چه
1307
00:50:40,720 –> 00:50:44,480
این کار این است که داده های ما را بارگیری می کند اما
1308
00:50:44,480 –> 00:50:46,640
ما باید آن را بگوییم
1309
00:50:46,640 –> 00:50:49,200
کجا آن را برای ما ذخیره کنیم
1310
00:50:49,200 –> 00:50:52,000
ما فقط می خواهیم استفاده کنیم
1311
00:50:52,000 –> 00:50:53,760
x قطار
1312
00:50:53,760 –> 00:50:56,480
برای مجموعه داده های آموزشی و آموزش y
1313
00:50:56,480 –> 00:50:59,040
برای برچسب های مربوطه
1314
00:50:59,040 –> 00:51:01,520
و سپس
1315
00:51:01,839 –> 00:51:04,400
ما استفاده خواهیم کرد
1316
00:51:04,400 –> 00:51:06,079
تست x
1317
00:51:06,079 –> 00:51:08,400
و y
1318
00:51:08,400 –> 00:51:10,720
تست
1319
00:51:11,119 –> 00:51:13,920
بنابراین آنچه که این قرار است انجام دهد این است
1320
00:51:13,920 –> 00:51:17,359
در واقع مجموعه داده های mnist را بارگذاری کنید
1321
00:51:17,359 –> 00:51:19,440
اگر در سیستم شما وجود نداشته باشد خیر
1322
00:51:19,440 –> 00:51:21,440
اگر برای اولین بار است که می دوید
1323
00:51:21,440 –> 00:51:22,800
این
1324
00:51:22,800 –> 00:51:25,200
برنامه اینجاست سپس آن را دانلود می کند
1325
00:51:25,200 –> 00:51:26,240
اولین
1326
00:51:26,240 –> 00:51:28,800
و سپس آن را در این بارگذاری می کند
1327
00:51:28,800 –> 00:51:31,040
متغیرهایی که در اینجا تعریف کردیم
1328
00:51:31,040 –> 00:51:34,480
و در حال حاضر به دو قسمت تقسیم شده است
1329
00:51:34,480 –> 00:51:38,000
یکی برای آموزش و یکی برای تست
1330
00:51:38,000 –> 00:51:39,359
بنابراین
1331
00:51:39,359 –> 00:51:42,559
بیایید این دستور یا این برنامه را اجرا کنیم
1332
00:51:42,559 –> 00:51:44,319
اینجا و فقط
1333
00:51:44,319 –> 00:51:46,400
من می خواهم
1334
00:51:46,400 –> 00:51:48,839
چاپ اشکال از
1335
00:51:48,839 –> 00:51:51,839
این متغیرهایی که ما تعریف کردیم
1336
00:51:51,839 –> 00:51:53,599
و اینکه ما می خواهیم داده های خود را بارگیری کنیم
1337
00:51:53,599 –> 00:51:57,119
مجموعه در آنها بنابراین xtrain
1338
00:51:57,119 –> 00:51:59,920
شکل نقطه ای
1339
00:52:02,240 –> 00:52:05,520
و اجازه دهید من فقط این را اجرا کنم
1340
00:52:05,520 –> 00:52:08,800
و من فقط می خواهم
1341
00:52:09,040 –> 00:52:11,680
این را بچسبانید
1342
00:52:12,079 –> 00:52:14,880
سه بار و من می خواهم این کار را انجام دهم
1343
00:52:14,880 –> 00:52:18,720
هر متغیری که در اینجا داریم
1344
00:52:18,720 –> 00:52:20,960
ctrl c
1345
00:52:20,960 –> 00:52:23,760
ctrl v
1346
00:52:27,359 –> 00:52:28,480
بنابراین
1347
00:52:28,480 –> 00:52:31,200
حالا بگذار من فقط خودم را اجرا کنم
1348
00:52:31,200 –> 00:52:34,319
اسکریپت دوباره از ترمینال
1349
00:52:34,319 –> 00:52:37,119
و بیایید ببینیم چه چیزی بدست می آوریم
1350
00:52:37,119 –> 00:52:39,920
بنابراین همانطور که می بینید داده ها را بارگذاری کرده است
1351
00:52:39,920 –> 00:52:41,119
تنظیم
1352
00:52:41,119 –> 00:52:42,480
و
1353
00:52:42,480 –> 00:52:44,559
آنها را در این متغیرها قرار داده است و
1354
00:52:44,559 –> 00:52:46,640
می توانیم اشکال را ببینیم
1355
00:52:46,640 –> 00:52:49,599
یا اساساً اندازه مجموعه داده است
1356
00:52:49,599 –> 00:52:51,839
همانطور که برای بخش آموزشی مشاهده می کنید
1357
00:52:51,839 –> 00:52:56,000
هر تصویر 60000 تصویر دارد
1358
00:52:56,000 –> 00:52:58,400
28 در 28 پیکسل
1359
00:52:58,400 –> 00:53:00,400
برچسب ها در آنجا شصت هزار است
1360
00:53:00,400 –> 00:53:03,280
برچسبها زیرا هر تصویر عکس خود را دارد
1361
00:53:03,280 –> 00:53:04,240
برچسب
1362
00:53:04,240 –> 00:53:06,640
و با برچسب در اینجا منظور من این است که اگر یک
1363
00:53:06,640 –> 00:53:09,920
تصویر شامل عدد سه در آن است
1364
00:53:09,920 –> 00:53:13,520
سپس برچسب شماره سه خواهد بود
1365
00:53:13,520 –> 00:53:16,160
و برای قسمت تست 10000 داریم
1366
00:53:16,160 –> 00:53:18,240
تصاویر و البته مربوط به آنها
1367
00:53:18,240 –> 00:53:19,359
10000
1368
00:53:19,359 –> 00:53:20,800
برچسب ها
1369
00:53:20,800 –> 00:53:24,079
بنابراین فقط به سرعت از طریق چرا
1370
00:53:24,079 –> 00:53:26,880
آیا مجموعه داده های خود را به اینها جدا می کنیم؟
1371
00:53:26,880 –> 00:53:29,200
دو بخش بنابراین در واقع در یادگیری عمیق
1372
00:53:29,200 –> 00:53:30,960
کاری که ما انجام می دهیم این است
1373
00:53:30,960 –> 00:53:34,240
ما نوعی اعتبارسنجی متقابل را انجام می دهیم
1374
00:53:34,240 –> 00:53:37,040
انواع مختلفی از اعتبار سنجی متقابل وجود دارد
1375
00:53:37,040 –> 00:53:39,119
ساده ترین آنها این است که
1376
00:53:39,119 –> 00:53:42,240
مجموعه داده را به دو بخش اول تقسیم کنید
1377
00:53:42,240 –> 00:53:44,960
شما می خواهید برای آموزش مدل خود استفاده کنید و
1378
00:53:44,960 –> 00:53:47,119
یکی از آنها برای تأیید اعتبار خود استفاده می کنید
1379
00:53:47,119 –> 00:53:48,160
مدل
1380
00:53:48,160 –> 00:53:50,319
و تفاوت این است که در طول
1381
00:53:50,319 –> 00:53:51,760
آموزش
1382
00:53:51,760 –> 00:53:54,480
اینها نمونه هایی هستند که استفاده خواهند شد
1383
00:53:54,480 –> 00:53:57,280
و در پایان هر دوره
1384
00:53:57,280 –> 00:53:59,200
اوه آنچه قرار است اتفاق بیفتد این است که
1385
00:53:59,200 –> 00:54:01,680
شبکه عصبی قرار است اجرا شود
1386
00:54:01,680 –> 00:54:05,200
یک پاس رو به جلو از این نمونه های آزمون
1387
00:54:05,200 –> 00:54:07,520
و این به شما ایده می دهد
1388
00:54:07,520 –> 00:54:10,640
نحوه عملکرد شبکه عصبی شما
1389
00:54:10,640 –> 00:54:13,839
داده هایی که در طول آموزش استفاده نمی شوند
1390
00:54:13,839 –> 00:54:16,240
بنابراین این است که به شما می دهد
1391
00:54:16,240 –> 00:54:19,680
تصور کنید که شبکه چقدر خوب است
1392
00:54:19,680 –> 00:54:20,720
یادگیری
1393
00:54:20,720 –> 00:54:23,119
بنابراین این فقط شما می توانید آن را در ذهن داشته باشید
1394
00:54:23,119 –> 00:54:25,920
یک نظریه کامل پشت این وجود دارد اما من
1395
00:54:25,920 –> 00:54:28,480
فقط میخوام سریع برم
1396
00:54:28,480 –> 00:54:30,319
از این طریق تا دلیل آن را بفهمید
1397
00:54:30,319 –> 00:54:34,079
آیا ما این دو تقسیم متفاوت را داریم؟
1398
00:54:34,079 –> 00:54:34,880
بنابراین
1399
00:54:34,880 –> 00:54:38,079
اکنون آنچه که معمولاً خوب است انجام شود این است که
1400
00:54:38,079 –> 00:54:40,559
مجموعه داده های خود را بیشتر کاوش کنید تا ما چه کنیم
1401
00:54:40,559 –> 00:54:42,160
انجام داده اند در اینجا نوعی است
1402
00:54:42,160 –> 00:54:43,680
اکتشاف ما
1403
00:54:43,680 –> 00:54:46,160
اساسا اندازه داده های ما را بررسی کرد
1404
00:54:46,160 –> 00:54:49,760
مجموعه ما اکنون می دانیم که هر تصویر 28 در است
1405
00:54:49,760 –> 00:54:53,440
28 پیکسل اما خوب است
1406
00:54:53,440 –> 00:54:55,359
برخی از نمونه ها و آنها را ترسیم کنید
1407
00:54:55,359 –> 00:54:56,960
برچسب های مربوطه
1408
00:54:56,960 –> 00:54:59,839
بنابراین برای آن من فقط قصد ایجاد یک
1409
00:54:59,839 –> 00:55:02,079
کمک به عملکرد، بنابراین من می روم
1410
00:55:02,079 –> 00:55:04,839
به عنوان مثال آن را صدا کنید
1411
00:55:04,839 –> 00:55:07,359
نمایش برخی از
1412
00:55:07,359 –> 00:55:08,799
مثال ها
1413
00:55:08,799 –> 00:55:11,200
و چه چیزی قرار است بگیرد
1414
00:55:11,200 –> 00:55:14,000
همانطور که پارامترها هستند
1415
00:55:14,000 –> 00:55:19,280
نمونه ها یا نقاط داده و برچسب ها
1416
00:55:19,280 –> 00:55:24,079
بنابراین اساساً آنچه من می خواهم اینجا انجام دهم این است
1417
00:55:24,079 –> 00:55:26,880
یک شکل ایجاد کنید و اضافه کنید
1418
00:55:26,880 –> 00:55:29,760
بسیاری از تصاویر را به صورت تصادفی انتخاب می کنم
1419
00:55:29,760 –> 00:55:31,839
آنها را به طور تصادفی از مجموعه داده ها و سپس
1420
00:55:31,839 –> 00:55:34,960
من آنها را به داخل اضافه می کنم
1421
00:55:34,960 –> 00:55:37,359
این شکل و سپس من می خواهم این را ترسیم کنم
1422
00:55:37,359 –> 00:55:40,480
تا بتوانیم آن تصاویر را ببینیم
1423
00:55:40,480 –> 00:55:43,200
بنابراین یک چیز می توانید استفاده کنید
1424
00:55:43,200 –> 00:55:46,240
که یک بسته بسیار معروف در پایتون است
1425
00:55:46,240 –> 00:55:49,920
یک matplotlib است بنابراین
1426
00:55:49,920 –> 00:55:53,040
معمولا ما آن را به اختصار plt می نامیم
1427
00:55:53,040 –> 00:55:56,160
و برای انجام این کار باید
1428
00:55:56,160 –> 00:55:57,359
وارد كردن
1429
00:55:57,359 –> 00:56:00,240
لکه مات lib dot
1430
00:56:00,240 –> 00:56:01,839
پی
1431
00:56:01,839 –> 00:56:03,920
به عنوان plt
1432
00:56:03,920 –> 00:56:06,319
و سپس می توانید از این بسته استفاده کنید
1433
00:56:06,319 –> 00:56:08,079
برای انجام انواع کارها مانند خلق کردن
1434
00:56:08,079 –> 00:56:09,680
ارقام و اضافه کردن
1435
00:56:09,680 –> 00:56:11,119
تصاویر مختلف
1436
00:56:11,119 –> 00:56:13,040
روی آن ارقام
1437
00:56:13,040 –> 00:56:15,359
بنابراین همانطور که می توانید در اینجا ببینید
1438
00:56:15,359 –> 00:56:17,520
کد ویژوال استودیو تشخیص نمی دهد
1439
00:56:17,520 –> 00:56:19,599
این بسته در اینجا زیرا در واقع ما
1440
00:56:19,599 –> 00:56:21,760
آن را در داخل ما نصب نکنید
1441
00:56:21,760 –> 00:56:23,520
ماشین مجازی
1442
00:56:23,520 –> 00:56:26,400
بنابراین قبل از رفتن ما
1443
00:56:26,400 –> 00:56:28,160
هر جا بیایید
1444
00:56:28,160 –> 00:56:29,040
فقط
1445
00:56:29,040 –> 00:56:31,440
آن را نصب کرد و هر جدید را نصب کرد
1446
00:56:31,440 –> 00:56:34,240
بسته ای که فقط می توانید pip را اجرا کنید
1447
00:56:34,240 –> 00:56:36,640
نصب و نام بسته بنابراین
1448
00:56:36,640 –> 00:56:38,880
گوشت خوک مات
1449
00:56:38,880 –> 00:56:40,160
و معمولا
1450
00:56:40,160 –> 00:56:40,960
من
1451
00:56:40,960 –> 00:56:43,599
بسته ها را در حال حرکت نصب کنید تا هر زمان که من
1452
00:56:43,599 –> 00:56:46,079
به بسته ای نیاز دارم که من آن را نصب کردم
1453
00:56:46,079 –> 00:56:48,319
دوست ندارم چیزهای زیادی را در آن نصب کنم
1454
00:56:48,319 –> 00:56:49,520
شروع
1455
00:56:49,520 –> 00:56:51,760
چون من از قبل نمی دانم کدام است
1456
00:56:51,760 –> 00:56:53,760
کدام یک از بسته ها را من
1457
00:56:53,760 –> 00:56:56,000
قطعا نیاز دارم و کدام را نخواهم داشت
1458
00:56:56,000 –> 00:56:58,960
بنابراین معمولا من فقط کد خود را می نویسم و
1459
00:56:58,960 –> 00:57:02,160
هر زمان که به بسته ای نیاز داشته باشم آن را نصب می کنم
1460
00:57:02,160 –> 00:57:04,319
در محل، بنابراین در اینجا اجازه دهید من پیپ را اجرا کنم
1461
00:57:04,319 –> 00:57:06,960
map.lib را نصب کنید
1462
00:57:06,960 –> 00:57:10,160
پس نباید زیاد طول بکشد
1463
00:57:10,240 –> 00:57:13,359
خوب نصب شده است و اکنون باید نصب شود
1464
00:57:13,359 –> 00:57:15,200
تشخیص داد من حدس می زنم
1465
00:57:15,200 –> 00:57:16,960
شاید این نیست
1466
00:57:16,960 –> 00:57:19,839
به طور خودکار رفرش شد اما اکنون می توانیم
1467
00:57:19,839 –> 00:57:21,680
از plt استفاده کنید
1468
00:57:21,680 –> 00:57:22,960
بنابراین
1469
00:57:22,960 –> 00:57:25,520
ما می خواهیم با ایجاد یک شروع کنیم
1470
00:57:25,520 –> 00:57:26,400
شکل
1471
00:57:26,400 –> 00:57:31,280
و ما به آن یک اندازه ثابت می دهیم
1472
00:57:31,280 –> 00:57:33,359
بیایید بگوییم 10
1473
00:57:33,359 –> 00:57:34,550
توسط 10
1474
00:57:34,550 –> 00:57:36,079
[موسیقی]
1475
00:57:36,079 –> 00:57:37,200
و
1476
00:57:37,200 –> 00:57:39,520
سپس کاری که ما می خواهیم انجام دهیم این است
1477
00:57:39,520 –> 00:57:40,640
اساسا
1478
00:57:40,640 –> 00:57:43,359
25 تصویر را ترسیم کنید تا یک تصویر باشد
1479
00:57:43,359 –> 00:57:45,599
شبکه پنج در پنج
1480
00:57:45,599 –> 00:57:50,000
بنابراین ما یک حلقه for انجام می دهیم، بنابراین برای من
1481
00:57:50,000 –> 00:57:51,839
در محدوده
1482
00:57:51,839 –> 00:57:55,119
25 بنابراین من 25 را انتخاب می کنم در اینجا شما می توانید
1483
00:57:55,119 –> 00:57:57,599
هر عددی را که دوست دارید برای من انتخاب کنید
1484
00:57:57,599 –> 00:58:00,559
فکر کنید 25 تصویر برای گرفتن کافی است
1485
00:58:00,559 –> 00:58:03,680
ایده ای در مورد مجموعه داده های شما
1486
00:58:03,680 –> 00:58:06,319
و در اینجا اولین کاری که می خواهم انجام دهم این است
1487
00:58:06,319 –> 00:58:09,200
به طور تصادفی انتخاب کنید تا هر بار که می روم
1488
00:58:09,200 –> 00:58:12,319
برای انتخاب تصادفی یک شاخص
1489
00:58:12,319 –> 00:58:13,760
از جانب
1490
00:58:13,760 –> 00:58:14,640
من
1491
00:58:14,640 –> 00:58:17,440
مجموعه دادهها، بنابراین اجازه دهید من فقط آن را کدنویسی کنم و تمام میشود
1492
00:58:17,440 –> 00:58:19,040
خواهد شد
1493
00:58:19,040 –> 00:58:21,920
بسیار واضح تر، بنابراین من قصد دارم ایندکس را انجام دهم
1494
00:58:21,920 –> 00:58:22,720
و
1495
00:58:22,720 –> 00:58:24,000
بی حسی
1496
00:58:24,000 –> 00:58:26,960
باشه من ناپخت ندارم
1497
00:58:26,960 –> 00:58:29,520
وارداتی پس اجازه دهید فقط
1498
00:58:29,520 –> 00:58:31,680
وارد كردن
1499
00:58:31,680 –> 00:58:36,559
numpy snp و در اینجا من فقط np را انجام می دهم
1500
00:58:36,559 –> 00:58:37,599
نقطه
1501
00:58:37,599 –> 00:58:38,720
تصادفی
1502
00:58:38,720 –> 00:58:41,839
من می خواهم
1503
00:58:41,839 –> 00:58:44,000
به طور تصادفی یک عدد صحیح انتخاب کنید
1504
00:58:44,000 –> 00:58:46,960
و من واقعا این را دوست دارم
1505
00:58:46,960 –> 00:58:48,960
راهنمای ابزاری که می آید
1506
00:58:48,960 –> 00:58:51,839
وقتی روی کد ویژوال استودیو کدنویسی می کنید
1507
00:58:51,839 –> 00:58:53,440
و اساساً به شما یک مقدار کوچک می دهد
1508
00:58:53,440 –> 00:58:55,359
مستندات مربوط به آن عملکرد و
1509
00:58:55,359 –> 00:58:56,880
چه کاری می توانید با آن انجام دهید
1510
00:58:56,880 –> 00:58:59,200
بنابراین در اینجا برای این تابع ما نیاز داریم
1511
00:58:59,200 –> 00:59:01,040
آن را پایین تر بدهید
1512
00:59:01,040 –> 00:59:03,280
پایان و پایان بالاتر و آن را به
1513
00:59:03,280 –> 00:59:06,000
از یک عدد صحیح بین این دو عدد استفاده کنید
1514
00:59:06,000 –> 00:59:07,359
بنابراین در اینجا من می خواهم چیزی را انتخاب کنم
1515
00:59:07,359 –> 00:59:11,440
بین 0 و اندازه
1516
00:59:11,440 –> 00:59:13,839
بنابراین نمونه ها
1517
00:59:13,839 –> 00:59:16,640
شکل نقطه ای
1518
00:59:17,200 –> 00:59:19,040
و
1519
00:59:19,040 –> 00:59:20,960
من می خواهم 0 را انجام دهم
1520
00:59:20,960 –> 00:59:23,280
و اینجا منهای 1. بنابراین
1521
00:59:23,280 –> 00:59:26,319
من اینجا چیکار می کنم پس اگه یادتون باشه
1522
00:59:26,319 –> 00:59:27,920
اینجا
1523
00:59:27,920 –> 00:59:29,680
آیا مجموعه آموزشی را انتخاب می کنید یا
1524
00:59:29,680 –> 00:59:31,520
مجموعه آزمون به عنوان مثال آموزش
1525
00:59:31,520 –> 00:59:34,880
مجموعه 60 000 تصویر وجود دارد بنابراین من می خواهم
1526
00:59:34,880 –> 00:59:37,359
یک عدد بین 0 انتخاب کنید
1527
00:59:37,359 –> 00:59:38,559
و
1528
00:59:38,559 –> 00:59:39,599
اساسا
1529
00:59:39,599 –> 00:59:43,040
59 999
1530
00:59:43,040 –> 00:59:45,280
زیرا این عدد را نشان می دهد
1531
00:59:45,280 –> 00:59:47,760
مطابق با آخرین تصویر
1532
00:59:47,760 –> 00:59:49,920
و اینجا تمام کاری است که من در اینجا انجام می دهم
1533
00:59:49,920 –> 00:59:53,119
من اساسا بین صفر و انتخاب می کنم
1534
00:59:53,119 –> 00:59:55,119
اوه
1535
00:59:55,119 –> 00:59:58,319
و شصت هزار منهای یک
1536
00:59:58,319 –> 01:00:01,760
و سپس کاری که من می خواهم انجام دهم استفاده از این است
1537
01:00:01,760 –> 01:00:03,040
فهرست مطالب
1538
01:00:03,040 –> 01:00:04,319
به
1539
01:00:04,319 –> 01:00:07,280
تصویر مربوطه را دریافت کنید تا اکنون بتوانم
1540
01:00:07,280 –> 01:00:09,839
مثال بزن
1541
01:00:09,839 –> 01:00:11,280
فهرست مطالب
1542
01:00:11,280 –> 01:00:13,119
و سپس می خواهم آن را نیز دریافت کنم
1543
01:00:13,119 –> 01:00:15,440
برچسب مربوطه
1544
01:00:15,440 –> 01:00:17,839
بنابراین من می خواهم برچسب ها را انجام دهم
1545
01:00:17,839 –> 01:00:20,960
و نمایه
1546
01:00:20,960 –> 01:00:23,200
و در حال حاضر من می خواهم
1547
01:00:23,200 –> 01:00:26,559
آن تصویر خاص را ترسیم کنید تا برای آن من هستم
1548
01:00:26,559 –> 01:00:29,040
از plt استفاده می کنم
1549
01:00:29,040 –> 01:00:29,880
طرح فرعی
1550
01:00:29,880 –> 01:00:31,760
[موسیقی]
1551
01:00:31,760 –> 01:00:33,599
و فقط مطمئن شوید که فکر می کنم وجود دارد
1552
01:00:33,599 –> 01:00:36,880
طرح فرعی و فرعی وجود دارد اما چه
1553
01:00:36,880 –> 01:00:40,400
می خواهید از یک طرح فرعی بدون s استفاده کنید
1554
01:00:40,400 –> 01:00:43,599
و در اینجا ما اساساً به آن می پردازیم
1555
01:00:43,599 –> 01:00:44,960
توری
1556
01:00:44,960 –> 01:00:47,280
اندازه آن 5×5 است زیرا ما می خواهیم
1557
01:00:47,280 –> 01:00:48,319
طرح
1558
01:00:48,319 –> 01:00:50,000
25 تصویر
1559
01:00:50,000 –> 01:00:51,040
و
1560
01:00:51,040 –> 01:00:52,000
اینجا
1561
01:00:52,000 –> 01:00:54,079
این تعداد است
1562
01:00:54,079 –> 01:00:56,960
تصویر
1563
01:00:56,960 –> 01:00:58,960
و در اینجا من می خواهم انجام دهم
1564
01:00:58,960 –> 01:01:00,079
طرح
1565
01:01:00,079 –> 01:01:02,160
من اول میرم
1566
01:01:02,160 –> 01:01:03,839
طرح
1567
01:01:03,839 –> 01:01:05,920
ببخشید عنوان اینجاست
1568
01:01:05,920 –> 01:01:08,319
بنابراین عنوان هر تصویر را می خواهم
1569
01:01:08,319 –> 01:01:10,880
برچسب مربوطه باشد
1570
01:01:10,880 –> 01:01:13,200
و همچنین باید در یک رشته باشد
1571
01:01:13,200 –> 01:01:15,680
متاسفم، بنابراین من فقط می خواهم تغییر کنم
1572
01:01:15,680 –> 01:01:16,480
من
1573
01:01:16,480 –> 01:01:17,760
برچسب
1574
01:01:17,760 –> 01:01:20,079
به یک رشته بنابراین این خواهد بود
1575
01:01:20,079 –> 01:01:21,760
عنوان هر کدام
1576
01:01:21,760 –> 01:01:24,400
اوه تصویر و سپس
1577
01:01:24,400 –> 01:01:27,280
من می خواهم اضافه کنم
1578
01:01:27,440 –> 01:01:30,079
یک mshow
1579
01:01:30,079 –> 01:01:32,640
روش نمایش تصویر مربوطه
1580
01:01:32,640 –> 01:01:35,040
بنابراین در اینجا من قصد دارم انجام دهم
1581
01:01:35,040 –> 01:01:37,200
تصویر من را نشان بده
1582
01:01:37,200 –> 01:01:40,640
و در پایان باید بگویید
1583
01:01:40,640 –> 01:01:42,079
پیتون که
1584
01:01:42,079 –> 01:01:43,040
نشان می دهد
1585
01:01:43,040 –> 01:01:46,079
تمام شکل در حال حاضر
1586
01:01:46,160 –> 01:01:49,599
بنابراین اکنون که این تابع را کدگذاری کرده ایم
1587
01:01:49,599 –> 01:01:52,400
بیایید آن را در اینجا امتحان کنیم
1588
01:01:52,400 –> 01:01:56,799
سپس با فراخوانی نام تابع
1589
01:01:56,799 –> 01:02:01,440
بیایید آن را در مجموعه قطار اجرا کنیم
1590
01:02:01,440 –> 01:02:03,920
من آن را روی xtrain و y اجرا می کنم
1591
01:02:03,920 –> 01:02:06,079
قطار – تعلیم دادن
1592
01:02:06,079 –> 01:02:09,920
پس اجازه دهید ترمینال را سریع پاک کنم
1593
01:02:09,920 –> 01:02:10,960
و
1594
01:02:10,960 –> 01:02:12,160
انجام دادن
1595
01:02:12,160 –> 01:02:13,359
پایتون
1596
01:02:13,359 –> 01:02:16,359
mnistexample.buy
1597
01:02:18,480 –> 01:02:21,359
بنابراین اکنون همانطور که می بینید ما دریافت می کنیم
1598
01:02:21,359 –> 01:02:25,200
این تصاویر در یک شبکه 5×5
1599
01:02:25,200 –> 01:02:26,720
و
1600
01:02:26,720 –> 01:02:29,039
ما همه این نمونه ها را اکنون یکی داریم
1601
01:02:29,039 –> 01:02:30,640
چیزی که تو
1602
01:02:30,640 –> 01:02:31,920
شما ممکن است
1603
01:02:31,920 –> 01:02:35,599
مشاهده این است که ما این تصاویر را داریم
1604
01:02:35,599 –> 01:02:38,880
که این نوع رنگ های عجیب و غریب دارند
1605
01:02:38,880 –> 01:02:41,839
و همچنین داریم
1606
01:02:41,839 –> 01:02:43,599
اساساً فضای بین تصاویر
1607
01:02:43,599 –> 01:02:46,720
خیلی کوچک است بنابراین ما به وضوح نمی بینیم
1608
01:02:46,720 –> 01:02:48,640
که خوب این است که این یک برچسب دارد
1609
01:02:48,640 –> 01:02:51,039
نه اما خیلی واضح نیست پس اجازه دهید
1610
01:02:51,039 –> 01:02:55,039
اکنون سریعاً این دو مشکل را برطرف کنید
1611
01:02:55,039 –> 01:02:57,920
بنابراین اول از همه ما می دانیم که تصاویر ما
1612
01:02:57,920 –> 01:03:00,480
تصاویری در مقیاس خاکستری هستند که rgb نیستند
1613
01:03:00,480 –> 01:03:01,760
تصاویر
1614
01:03:01,760 –> 01:03:04,559
زیرا در اینجا می بینیم که اندازه 28 است
1615
01:03:04,559 –> 01:03:07,200
با 28 که به این معنی است که فقط یک وجود دارد
1616
01:03:07,200 –> 01:03:10,240
کانال و وجود ندارد سه وجود دارد
1617
01:03:10,240 –> 01:03:12,880
کانال ها بنابراین یک تصویر rgb نیست
1618
01:03:12,880 –> 01:03:16,160
بنابراین به منظور به matplotlib که این
1619
01:03:16,160 –> 01:03:20,319
تصویری در مقیاس خاکستری است که می توانیم از آن استفاده کنیم
1620
01:03:20,319 –> 01:03:23,280
c-map
1621
01:03:23,280 –> 01:03:25,680
بحث اینجاست و ما می توانیم به آن بگوییم
1622
01:03:25,680 –> 01:03:27,680
در واقع خاکستری است
1623
01:03:27,680 –> 01:03:31,119
و برای رفع مشکل چیدمان ها
1624
01:03:31,119 –> 01:03:33,280
کاری که ما می توانیم انجام دهیم این است
1625
01:03:33,280 –> 01:03:35,359
از plt استفاده کنید
1626
01:03:35,359 –> 01:03:37,359
طرح بندی نوع نقطه ای
1627
01:03:37,359 –> 01:03:39,359
و این به طور خودکار انجام می شود
1628
01:03:39,359 –> 01:03:42,160
فضای بیشتری اضافه کنیم تا بتوانیم
1629
01:03:42,160 –> 01:03:46,160
برچسب ها و تصاویر را در a ببینید
1630
01:03:46,160 –> 01:03:48,799
راه بسیار قابل درک تر، بنابراین اجازه دهید من
1631
01:03:48,799 –> 01:03:50,640
دوباره دستور را اجرا کنید
1632
01:03:50,640 –> 01:03:52,000
پایتون
1633
01:03:52,000 –> 01:03:55,400
و این مثال.خرید
1634
01:03:55,599 –> 01:03:58,160
و همانطور که اکنون می بینید بسیار به نظر می رسد
1635
01:03:58,160 –> 01:03:59,599
واضحتر
1636
01:03:59,599 –> 01:04:00,880
اینها هستند
1637
01:04:00,880 –> 01:04:03,119
تصاویری که در داخل داده های ما وجود دارد
1638
01:04:03,119 –> 01:04:06,319
مجموعه آنها تصاویر خاکستری هستند و
1639
01:04:06,319 –> 01:04:08,319
بالاتر از هر یک ما مربوطه را داریم
1640
01:04:08,319 –> 01:04:10,960
برچسب بزنید بنابراین این یک دو است این یک یک است
1641
01:04:10,960 –> 01:04:15,359
یکی این یک چهار در سه اینجا یک شش است
1642
01:04:15,359 –> 01:04:18,160
ما همه این نمونه ها را داریم و چرا؟
1643
01:04:18,160 –> 01:04:21,599
ما این کار را انجام می دهیم این فقط راهی است برای اینکه اساسا
1644
01:04:21,599 –> 01:04:24,400
گاهی اوقات به سرعت مجموعه داده های خود را بررسی کنید
1645
01:04:24,400 –> 01:04:26,640
اتفاقی که می افتد این است که وقتی شما هستید
1646
01:04:26,640 –> 01:04:29,280
مجموعه داده های خود را بسازید و انجام می دهید
1647
01:04:29,280 –> 01:04:31,280
این نوع اکتشاف شما به سرعت
1648
01:04:31,280 –> 01:04:33,039
برخی چیزها را به عنوان مثال ممکن است تشخیص دهید
1649
01:04:33,039 –> 01:04:36,880
ببینید که این یک صفر است اما اوه
1650
01:04:36,880 –> 01:04:39,520
اما به درستی برچسب گذاری نشده است
1651
01:04:39,520 –> 01:04:41,200
برای مثال شما باید ببینید که این است
1652
01:04:41,200 –> 01:04:43,119
برچسب نه زمانی که در واقع یک است
1653
01:04:43,119 –> 01:04:44,240
صفر
1654
01:04:44,240 –> 01:04:46,319
بنابراین آن را به شما می دهد
1655
01:04:46,319 –> 01:04:48,880
اساسا فقط اشاره سریع که وجود دارد
1656
01:04:48,880 –> 01:04:50,319
مشکلاتی وجود دارد
1657
01:04:50,319 –> 01:04:51,920
با مجموعه داده های شما
1658
01:04:51,920 –> 01:04:56,000
و شاید بتوانید به سرعت آنها را تعمیر کنید
1659
01:04:56,000 –> 01:04:58,400
و خوبی این است که هر زمان که شما
1660
01:04:58,400 –> 01:05:01,200
این اسکریپت را که قرار است انتخاب کند اجرا کنید
1661
01:05:01,200 –> 01:05:04,880
تصاویر به طور تصادفی متفاوت است تا بتوانید ببینید
1662
01:05:04,880 –> 01:05:06,400
قسمت های مختلف مجموعه داده های شما هر کدام
1663
01:05:06,400 –> 01:05:07,920
زمانی که اسکریپت را اجرا می کنید، در اینجا ما داریم
1664
01:05:07,920 –> 01:05:09,760
دو شش یکی برای مثال در
1665
01:05:09,760 –> 01:05:12,319
شروع فقط برای اینکه بتوانیم به یاد بیاوریم
1666
01:05:12,319 –> 01:05:15,520
و دوباره آن را اجرا کنیم
1667
01:05:17,440 –> 01:05:19,039
باشه
1668
01:05:19,039 –> 01:05:21,599
و اکنون همانطور که می بینید ما پنج 572 داریم
1669
01:05:21,599 –> 01:05:23,839
به جای
1670
01:05:23,839 –> 01:05:26,480
261 فکر کنم قبلا بود
1671
01:05:26,480 –> 01:05:27,920
بنابراین
1672
01:05:27,920 –> 01:05:30,400
این فقط در مورد اکتشاف است
1673
01:05:30,400 –> 01:05:33,119
مجموعه داده های شما همانطور که اشاره کردم همیشه وجود دارد
1674
01:05:33,119 –> 01:05:35,920
یک ایده خوب برای انجام سریع اینها
1675
01:05:35,920 –> 01:05:38,240
مراحل اکتشاف قبل از شروع انجام
1676
01:05:38,240 –> 01:05:39,200
هر چیزی
1677
01:05:39,200 –> 01:05:41,599
و حالا که می بینیم که داده های ما درست است
1678
01:05:41,599 –> 01:05:43,760
مجموعه است
1679
01:05:43,760 –> 01:05:45,760
کم و بیش خوبه
1680
01:05:45,760 –> 01:05:48,720
بیایید ببینیم بعداً چه کاری می توانیم انجام دهیم
1681
01:05:48,720 –> 01:05:51,920
در مورد ایجاد یک مدل و بعد
1682
01:05:51,920 –> 01:05:54,559
آموزش آن
1683
01:05:54,640 –> 01:05:56,960
اکنون که مجموعه داده های خود را داریم
1684
01:05:56,960 –> 01:05:59,359
بارگیری شده و آماده است
1685
01:05:59,359 –> 01:06:01,920
بیایید ببینیم چگونه می توانیم عصبی خود را بسازیم
1686
01:06:01,920 –> 01:06:02,960
شبکه
1687
01:06:02,960 –> 01:06:05,280
بنابراین در واقع تنسورفلو
1688
01:06:05,280 –> 01:06:08,559
به شما امکان دسترسی به لایه های زیادی را می دهد
1689
01:06:08,559 –> 01:06:10,799
که می توانید از آن برای ساختن عصبی خود استفاده کنید
1690
01:06:10,799 –> 01:06:15,520
شبکه بنابراین اگر برای مثال شما
1691
01:06:15,520 –> 01:06:16,799
انجام از
1692
01:06:16,799 –> 01:06:19,799
جریان تنسور
1693
01:06:22,640 –> 01:06:25,200
واردات اینجا شما دارید
1694
01:06:25,200 –> 01:06:27,440
بسیاری از لایه های مختلف که می توانید
1695
01:06:27,440 –> 01:06:28,720
وارد كردن
1696
01:06:28,720 –> 01:06:32,400
برای وظیفه طبقه بندی ما و برای بسیاری
1697
01:06:32,400 –> 01:06:35,359
از وظایف بینایی کامپیوتر
1698
01:06:35,359 –> 01:06:38,559
ما معمولا مجموعه ای از لایه ها را داریم که ما
1699
01:06:38,559 –> 01:06:41,200
اساسا همیشه از آن استفاده کنید
1700
01:06:41,200 –> 01:06:43,039
این لایه ها هستند
1701
01:06:43,039 –> 01:06:44,400
conf
1702
01:06:44,400 –> 01:06:45,599
2d
1703
01:06:45,599 –> 01:06:49,039
بنابراین این یک پیچیدگی 2 بعدی است
1704
01:06:49,039 –> 01:06:50,640
ما همچنین
1705
01:06:50,640 –> 01:06:52,400
اوه همیشه
1706
01:06:52,400 –> 01:06:53,760
استفاده کنید
1707
01:06:53,760 –> 01:06:55,680
البته یک لایه ورودی بنابراین من اینجا هستم
1708
01:06:55,680 –> 01:06:58,240
قرار است ورودی اضافه شود تا این یک لایه باشد
1709
01:06:58,240 –> 01:07:01,119
که اساساً ورودی ما را می گیرد و سپس
1710
01:07:01,119 –> 01:07:03,760
آن را به بقیه لایه ها منتقل می کند
1711
01:07:03,760 –> 01:07:04,799
و
1712
01:07:04,799 –> 01:07:08,160
لایه متراکم نیز وجود دارد
1713
01:07:08,160 –> 01:07:10,400
بنابراین به آن کاملا متصل نیز می گویند
1714
01:07:10,400 –> 01:07:12,000
لایه
1715
01:07:12,000 –> 01:07:13,359
ما … را داریم
1716
01:07:13,359 –> 01:07:15,440
حداکثر استخر 2d
1717
01:07:15,440 –> 01:07:17,599
بنابراین از آنجایی که ما در حال انجام کانولوشن های دو بعدی هستیم
1718
01:07:17,599 –> 01:07:20,319
ما آنها را با حداکثر ترکیب می کنیم
1719
01:07:20,319 –> 01:07:21,760
استخر 2d
1720
01:07:21,760 –> 01:07:23,200
و
1721
01:07:23,200 –> 01:07:25,440
استفاده از دسته ای همیشه خوب است
1722
01:07:25,440 –> 01:07:30,400
عادی سازی برای عادی سازی دسته های ما
1723
01:07:30,400 –> 01:07:31,680
و همچنین
1724
01:07:31,680 –> 01:07:33,440
ما ممکن است
1725
01:07:33,440 –> 01:07:36,319
می خواهید از یک لایه مسطح استفاده کنید
1726
01:07:36,319 –> 01:07:39,119
که در اصل خروجی را از آن می گیرد
1727
01:07:39,119 –> 01:07:40,160
مقداری
1728
01:07:40,160 –> 01:07:41,920
لایه های چند بعدی مانند a
1729
01:07:41,920 –> 01:07:43,920
لایه کانولوشن و سپس آن را فقط
1730
01:07:43,920 –> 01:07:46,799
آنها را صاف می کند و داخل می کند
1731
01:07:46,799 –> 01:07:49,280
نوعی بردار
1732
01:07:49,280 –> 01:07:52,559
و همچنین در واقع
1733
01:07:52,559 –> 01:07:54,559
در بسیاری از موارد
1734
01:07:54,559 –> 01:07:56,400
شما می توانید فقط استفاده کنید
1735
01:07:56,400 –> 01:07:58,480
جهانی است
1736
01:07:58,480 –> 01:08:00,240
جمع بندی متوسط
1737
01:08:00,240 –> 01:08:02,400
یا جهانی
1738
01:08:02,400 –> 01:08:05,440
متاسفم اینجا جهانی
1739
01:08:05,440 –> 01:08:09,119
استخر متوسط 2d
1740
01:08:09,200 –> 01:08:12,720
بنابراین این لایه نیز می تواند اوه
1741
01:08:12,720 –> 01:08:15,599
می تواند به گونه ای کار کند که
1742
01:08:15,599 –> 01:08:17,759
تقریبا مشابه با پهن شده اما
1743
01:08:17,759 –> 01:08:19,439
آنها در روشی که انجام می دهند متفاوت هستند
1744
01:08:19,439 –> 01:08:22,719
بنابراین مسطح اساسا تمام طول می کشد
1745
01:08:22,719 –> 01:08:24,960
اوه همه
1746
01:08:24,960 –> 01:08:26,799
خروجی های یک لایه قبلی آنها را قرار می دهد
1747
01:08:26,799 –> 01:08:28,640
به یک بردار اما
1748
01:08:28,640 –> 01:08:31,679
در میانگین جهانی تجمیع وجود دارد
1749
01:08:31,679 –> 01:08:33,040
نوعی الف
1750
01:08:33,040 –> 01:08:35,520
محاسبه میانگین
1751
01:08:35,520 –> 01:08:38,640
بر اساس برخی از محورها و سپس
1752
01:08:38,640 –> 01:08:40,000
خروجی
1753
01:08:40,000 –> 01:08:42,479
معمولاً بسیار کوچکتر از خروجی است
1754
01:08:42,479 –> 01:08:45,359
داده شده توسط یک لایه مسطح بنابراین
1755
01:08:45,359 –> 01:08:46,479
اینجا
1756
01:08:46,479 –> 01:08:48,799
من اساساً به برخی از آنها اشاره می کنم
1757
01:08:48,799 –> 01:08:52,640
لایه های اساسی که ما در یک عصبی استفاده می کنیم
1758
01:08:52,640 –> 01:08:55,120
شبکه برای انجام
1759
01:08:55,120 –> 01:08:58,238
پردازش تصویر یا انجام دادن
1760
01:08:58,238 –> 01:09:01,040
یادگیری عمیق برای انواع تصاویر
1761
01:09:01,040 –> 01:09:03,279
بنابراین برای طبقه بندی این یک مورد است
1762
01:09:03,279 –> 01:09:05,359
تصویر تشخیص شی نیز وجود دارد
1763
01:09:05,359 –> 01:09:06,719
بخش بندی
1764
01:09:06,719 –> 01:09:08,158
همه اینها
1765
01:09:08,158 –> 01:09:10,399
وظایف معمولاً شما این را پیدا خواهید کرد
1766
01:09:10,399 –> 01:09:12,799
نوع لایه ها در آنها و گاهی اوقات شما
1767
01:09:12,799 –> 01:09:15,600
لایه های پیچیده تری پیدا کنید
1768
01:09:15,600 –> 01:09:17,520
و گاهی آن لایه های پیچیده هستند
1769
01:09:17,520 –> 01:09:18,479
فقط
1770
01:09:18,479 –> 01:09:21,600
اساسا انباشتن با هم متفاوت آه
1771
01:09:21,600 –> 01:09:24,479
لایه های اساسی مانند این موارد در اینجا
1772
01:09:24,479 –> 01:09:25,520
بنابراین
1773
01:09:25,520 –> 01:09:27,439
اینها لایه هایی هستند که ما می خواهیم
1774
01:09:27,439 –> 01:09:30,399
برای ساخت شبکه عصبی خود استفاده کنیم
1775
01:09:30,399 –> 01:09:33,439
و حالا بیایید ببینیم چگونه می توانیم آن را بسازیم
1776
01:09:33,439 –> 01:09:36,399
چندین شبکه عصبی وجود دارد
1777
01:09:36,399 –> 01:09:38,799
راه ها و عمدتاً سه راه که می توانید
1778
01:09:38,799 –> 01:09:40,799
ساخت شبکه عصبی در جریان تنسور
1779
01:09:40,799 –> 01:09:44,719
ما اکنون آنها را یکی یکی بررسی می کنیم
1780
01:09:44,719 –> 01:09:47,120
سه رویکرد که تنسورفلو
1781
01:09:47,120 –> 01:09:50,080
به ما می دهد یا ما را فراهم می کند تا باشیم
1782
01:09:50,080 –> 01:09:52,640
قادر به ساخت مدل های یادگیری عمیق هستند
1783
01:09:52,640 –> 01:09:53,839
به شرح زیر
1784
01:09:53,839 –> 01:09:54,560
بنابراین
1785
01:09:54,560 –> 01:09:59,120
اولین رویکرد استفاده از
1786
01:09:59,480 –> 01:10:03,600
tensorflow.keras dot sequential
1787
01:10:03,600 –> 01:10:06,320
بنابراین می توانید آن را به روش ترتیبی بنامید
1788
01:10:06,320 –> 01:10:08,400
این ساده ترین راه برای ساختن عمیق است
1789
01:10:08,400 –> 01:10:10,800
مدل یادگیری شما فقط پشته متفاوت است
1790
01:10:10,800 –> 01:10:12,400
لایه ها با هم
1791
01:10:12,400 –> 01:10:14,800
و ما این کار را در یک دقیقه انجام خواهیم داد
1792
01:10:14,800 –> 01:10:17,440
رویکرد دوم توسط
1793
01:10:17,440 –> 01:10:19,040
آنچه نامیده می شود
1794
01:10:19,040 –> 01:10:21,199
راه عملکردی
1795
01:10:21,199 –> 01:10:24,239
یا رویکرد عملکردی اساساً
1796
01:10:24,239 –> 01:10:26,400
در اینجا شما یک را می سازید
1797
01:10:26,400 –> 01:10:27,440
عملکرد
1798
01:10:27,440 –> 01:10:29,440
که
1799
01:10:29,440 –> 01:10:30,719
برمی گرداند
1800
01:10:30,719 –> 01:10:31,760
آ
1801
01:10:31,760 –> 01:10:33,760
مدل یادگیری عمیق یا فقط اجازه دهید
1802
01:10:33,760 –> 01:10:35,440
یک مدل بنویس
1803
01:10:35,440 –> 01:10:38,000
و رویکرد سوم
1804
01:10:38,000 –> 01:10:41,679
این است که اساسا از یک پایه به ارث می برند
1805
01:10:41,679 –> 01:10:43,360
کلاس
1806
01:10:43,360 –> 01:10:45,440
این کلاس پایه در است
1807
01:10:45,440 –> 01:10:48,440
تنسورفلو.keras
1808
01:10:48,719 –> 01:10:49,600
نقطه
1809
01:10:49,600 –> 01:10:52,719
مدل بنابراین شما از این کلاس و
1810
01:10:52,719 –> 01:10:53,679
سپس
1811
01:10:53,679 –> 01:10:55,600
شما
1812
01:10:55,600 –> 01:10:58,159
شما دوباره پیاده سازی می کنید یا برخی را بازنویسی می کنید
1813
01:10:58,159 –> 01:11:00,480
از متدهای این کلاس
1814
01:11:00,480 –> 01:11:03,679
و سپس می توانید یک یادگیری عمیق داشته باشید
1815
01:11:03,679 –> 01:11:05,440
اینطور مدل کن
1816
01:11:05,440 –> 01:11:07,280
به ارث می برند
1817
01:11:07,280 –> 01:11:10,000
از این کلاس
1818
01:11:10,000 –> 01:11:11,120
بنابراین این سه با هم متفاوت هستند
1819
01:11:11,120 –> 01:11:13,600
رویکردها اجازه دهید با اول شروع کنیم
1820
01:11:13,600 –> 01:11:14,800
یکی
1821
01:11:14,800 –> 01:11:17,840
بنابراین به منظور ایجاد یک یادگیری عمیق
1822
01:11:17,840 –> 01:11:18,800
مدل
1823
01:11:18,800 –> 01:11:22,480
معماری با استفاده از این کلاس ترتیبی
1824
01:11:22,480 –> 01:11:25,600
در واقع خیلی آسان است که فقط تماس بگیرید
1825
01:11:25,600 –> 01:11:27,120
مثال
1826
01:11:27,120 –> 01:11:28,400
اجازه دهید
1827
01:11:28,400 –> 01:11:31,760
با مدل مدل ما تماس بگیرید و سپس
1828
01:11:31,760 –> 01:11:32,880
شما
1829
01:11:32,880 –> 01:11:34,320
این را صدا کن
1830
01:11:34,320 –> 01:11:36,480
متوالی
1831
01:11:36,480 –> 01:11:37,440
کلاس
1832
01:11:37,440 –> 01:11:40,400
و نشان دهد
1833
01:11:40,400 –> 01:11:41,360
و
1834
01:11:41,360 –> 01:11:43,920
سپس می توانید شروع کنید
1835
01:11:43,920 –> 01:11:46,960
انباشتن لایه ها در اینجا
1836
01:11:46,960 –> 01:11:47,920
بنابراین
1837
01:11:47,920 –> 01:11:50,800
چیزی که همیشه با آن شروع می کنیم یک ورودی است
1838
01:11:50,800 –> 01:11:53,040
لایه بنابراین اینجا
1839
01:11:53,040 –> 01:11:55,120
ما قصد داریم از
1840
01:11:55,120 –> 01:11:58,000
لایه ورودی که در اینجا وارد کردیم
1841
01:11:58,000 –> 01:12:00,880
و آنچه این لایه ورودی می گیرد
1842
01:12:00,880 –> 01:12:04,080
به عنوان یک استدلال، استدلال های زیادی را می طلبد
1843
01:12:04,080 –> 01:12:06,400
اما اصلی ترین موردی که باید تنظیم کنیم این است
1844
01:12:06,400 –> 01:12:08,480
شکل ورودی
1845
01:12:08,480 –> 01:12:11,280
بنابراین همانطور که شما به یاد دارید تصاویر ما 28 توسط
1846
01:12:11,280 –> 01:12:13,040
28
1847
01:12:13,040 –> 01:12:14,480
و
1848
01:12:14,480 –> 01:12:17,760
آنها فقط یک کانال دارند
1849
01:12:17,760 –> 01:12:20,239
تصاویر در مقیاس خاکستری، بنابراین تنها یکی وجود دارد
1850
01:12:20,239 –> 01:12:23,199
کانال این بدان معنی است که ورودی ما نیاز دارد
1851
01:12:23,199 –> 01:12:27,600
28 در 28 در یک باشد
1852
01:12:27,600 –> 01:12:31,360
یکی فقط یک کانال را نشان می دهد
1853
01:12:31,360 –> 01:12:34,080
و سپس لایه دوم که ما هستیم
1854
01:12:34,080 –> 01:12:36,719
اضافه کردن اینجا به عنوان ورودی گرفته می شود
1855
01:12:36,719 –> 01:12:38,800
این لایه
1856
01:12:38,800 –> 01:12:40,880
و معمولاً زمانی که در حال انجام تصویر هستید
1857
01:12:40,880 –> 01:12:42,690
طبقه بندی
1858
01:12:42,690 –> 01:12:44,320
[موسیقی]
1859
01:12:44,320 –> 01:12:46,960
وظایف یا سایر بینایی کامپیوتری مرتبط
1860
01:12:46,960 –> 01:12:49,520
وظایفی که در یادگیری عمیق انجام می دهید
1861
01:12:49,520 –> 01:12:52,560
تصویر و سپس شما آن را از طریق برخی از
1862
01:12:52,560 –> 01:12:54,800
لایه های کانولوشنال بنابراین در اینجا ما داریم می رویم
1863
01:12:54,800 –> 01:12:58,400
برای انجام همین کار بنابراین conf 2d
1864
01:12:58,400 –> 01:12:59,199
و
1865
01:12:59,199 –> 01:13:01,600
از آنجایی که این است
1866
01:13:01,600 –> 01:13:02,840
اولین
1867
01:13:02,840 –> 01:13:05,199
لایه کانولوشن
1868
01:13:05,199 –> 01:13:08,000
اجازه دهید از طریق برخی از
1869
01:13:08,000 –> 01:13:10,000
پارامترهایی که وجود دارد
1870
01:13:10,000 –> 01:13:12,400
در این لایه بنابراین یک چیز است که من دوست دارم
1871
01:13:12,400 –> 01:13:13,920
انجام دادن است
1872
01:13:13,920 –> 01:13:17,520
فقط کلید ctrl را نگه دارید و سپس ماوس را نگه دارید
1873
01:13:17,520 –> 01:13:20,239
بالای آن کلاس و همانطور که می بینید
1874
01:13:20,239 –> 01:13:22,719
کدهای ویژوال استودیو می تواند خیلی چیزها را به شما بدهد
1875
01:13:22,719 –> 01:13:24,960
اطلاعات مربوط به آن کلاس
1876
01:13:24,960 –> 01:13:27,280
و در اینجا اجباری است
1877
01:13:27,280 –> 01:13:28,960
پارامترهایی که باید تنظیم کنیم هستند
1878
01:13:28,960 –> 01:13:32,000
فیلترها و اندازه هسته و سپس شما
1879
01:13:32,000 –> 01:13:34,000
بقیه پارامترها را از قبل داشته باشید
1880
01:13:34,000 –> 01:13:37,679
در صورت تمایل می توانید آنها را تغییر دهید
1881
01:13:37,679 –> 01:13:40,800
و در اینجا حتی چند مثال به شما می دهد
1882
01:13:40,800 –> 01:13:43,600
و توضیحاتی در مورد آن می دهند
1883
01:13:43,600 –> 01:13:45,280
ناهمسان
1884
01:13:45,280 –> 01:13:47,120
پارامترهای مختلف
1885
01:13:47,120 –> 01:13:48,080
بنابراین
1886
01:13:48,080 –> 01:13:51,199
تعداد فیلترها در اینجا پس بیایید
1887
01:13:51,199 –> 01:13:53,040
برای مثال شروع کنید
1888
01:13:53,040 –> 01:13:56,800
32 فیلتر سایز 3
1889
01:13:56,800 –> 01:13:59,199
توسط 3
1890
01:13:59,199 –> 01:14:02,960
و در اینجا اجازه دهید یک فعال سازی را نیز تنظیم کنیم
1891
01:14:02,960 –> 01:14:04,239
عملکرد
1892
01:14:04,239 –> 01:14:06,000
و من قصد دارم استفاده کنم
1893
01:14:06,000 –> 01:14:09,120
یک تابع فعال سازی واقعی u
1894
01:14:09,120 –> 01:14:10,480
بنابراین در اینجا همه اینها وجود دارد
1895
01:14:10,480 –> 01:14:12,640
پارامترها چه می کنند
1896
01:14:12,640 –> 01:14:15,040
اساسا برای ما این را نشان می دهد
1897
01:14:15,040 –> 01:14:18,400
عدد در اینجا 32 نشان دهنده تعداد است
1898
01:14:18,400 –> 01:14:21,280
فیلترها یا چند
1899
01:14:21,280 –> 01:14:22,800
اساسا
1900
01:14:22,800 –> 01:14:24,640
خوب هر فیلتر
1901
01:14:24,640 –> 01:14:27,440
دارای مجموعه ای از وزن ها و در واقع اینجا
1902
01:14:27,440 –> 01:14:30,880
ما در حال تعریف چند نفر هستیم
1903
01:14:30,880 –> 01:14:34,000
مقادیر وزن ها در آن فیلتر است
1904
01:14:34,000 –> 01:14:35,040
بنابراین
1905
01:14:35,040 –> 01:14:37,120
این بدان معنی است که ما 32 را ایجاد می کنیم
1906
01:14:37,120 –> 01:14:40,719
فیلترها هر فیلتر فیلتر سه عدد است
1907
01:14:40,719 –> 01:14:42,640
سه سایز
1908
01:14:42,640 –> 01:14:44,640
و سپس یک فعال سازی را انتخاب می کنیم
1909
01:14:44,640 –> 01:14:46,320
در اینجا عملکرد کنید
1910
01:14:46,320 –> 01:14:48,640
ما واحد خطی اصلاح شده را انتخاب می کنیم
1911
01:14:48,640 –> 01:14:52,159
چندین عملکرد فعال سازی وجود دارد
1912
01:14:52,159 –> 01:14:54,000
و همه این پارامترها ممکن است شما باشید
1913
01:14:54,000 –> 01:14:56,400
فکر می کنیم چرا 32 را انتخاب می کنیم و نه
1914
01:14:56,400 –> 01:14:58,239
یکی دیگر چرا ما
1915
01:14:58,239 –> 01:15:00,560
سه در سه انتخاب کنید و این واقعی است
1916
01:15:00,560 –> 01:15:02,239
شما چرا ما این موارد خاص را انتخاب می کنیم
1917
01:15:02,239 –> 01:15:04,719
پارامترهای که در واقع
1918
01:15:04,719 –> 01:15:07,920
این پارامترها ابرپارامترهای شما هستند
1919
01:15:07,920 –> 01:15:10,320
شاید این اصطلاح و اینها را شنیده باشید
1920
01:15:10,320 –> 01:15:12,400
پارامترهایی هستند که می توانید
1921
01:15:12,400 –> 01:15:16,080
تغییر کنید و هر بار تغییر کنید و شما
1922
01:15:16,080 –> 01:15:17,760
مدل یادگیری عمیق جدید خود را آموزش دهید و
1923
01:15:17,760 –> 01:15:20,159
می بینید که آیا
1924
01:15:20,159 –> 01:15:24,320
دقت بهبود یافته یا نه تا کنون
1925
01:15:24,320 –> 01:15:25,760
وجود ندارد
1926
01:15:25,760 –> 01:15:28,400
نظریه بسیار محکم در
1927
01:15:28,400 –> 01:15:31,040
چند پارامتر را باید انتخاب کنید
1928
01:15:31,040 –> 01:15:32,960
هر فاز پس واقعاً یک
1929
01:15:32,960 –> 01:15:34,400
تجربی
1930
01:15:34,400 –> 01:15:37,199
رویکرد شما برخی از اینها را انتخاب کنید
1931
01:15:37,199 –> 01:15:40,239
پارامترهای مدل خود را آموزش می دهید و سپس
1932
01:15:40,239 –> 01:15:42,880
شما برو دوباره آنها را عوض کن و خودت را آموزش بده
1933
01:15:42,880 –> 01:15:45,360
دوباره مدل کن ببین بهتر میشی یا نه
1934
01:15:45,360 –> 01:15:46,640
دقت
1935
01:15:46,640 –> 01:15:48,239
اکنون من برخی از اینها را انتخاب می کنم
1936
01:15:48,239 –> 01:15:50,480
پارامترهای مبتنی بر
1937
01:15:50,480 –> 01:15:53,120
بسیاری از کارهای قبلی که توسط
1938
01:15:53,120 –> 01:15:56,400
محققان اگر تعداد زیادی از آنها را می بینید
1939
01:15:56,400 –> 01:15:58,480
شبکه های عصبی مورد استفاده برای طبقه بندی
1940
01:15:58,480 –> 01:16:00,239
آنها با چیزی بسیار شروع می کردند
1941
01:16:00,239 –> 01:16:03,199
مشابه این است بنابراین من دنبال می کنم
1942
01:16:03,199 –> 01:16:05,360
قدم هایشان چون می دانم که آنها
1943
01:16:05,360 –> 01:16:07,920
آزمایش های زیادی انجام داده اند
1944
01:16:07,920 –> 01:16:10,400
با اون شبکه های عصبی
1945
01:16:10,400 –> 01:16:12,000
بنابراین در اینجا من قصد دارم با یک شروع کنم
1946
01:16:12,000 –> 01:16:13,600
لایه کانولوشن
1947
01:16:13,600 –> 01:16:17,440
معمولا کاری که ما انجام می دهیم این است که یک بلوک ایجاد می کنیم
1948
01:16:17,440 –> 01:16:18,960
از پیچیدگی که در آن شما یک
1949
01:16:18,960 –> 01:16:21,600
سپس از لایه کانولوشنال استفاده می کنید
1950
01:16:21,600 –> 01:16:22,880
حداکثر استخر
1951
01:16:22,880 –> 01:16:24,000
2d
1952
01:16:24,000 –> 01:16:24,880
و
1953
01:16:24,880 –> 01:16:27,520
سپس از نرمال سازی دسته ای استفاده می کنید
1954
01:16:27,520 –> 01:16:28,560
لایه
1955
01:16:28,560 –> 01:16:31,199
و سپس می توانید دوباره همان کار را انجام دهید
1956
01:16:31,199 –> 01:16:32,960
یک استخر حداکثر پیچیدگی دیگر
1957
01:16:32,960 –> 01:16:34,960
عادی سازی و شما فقط برای تغییر
1958
01:16:34,960 –> 01:16:37,679
به عنوان مثال تعداد فیلترها یا
1959
01:16:37,679 –> 01:16:41,600
اندازه فیلتر در اینجا یا فعال سازی
1960
01:16:41,600 –> 01:16:43,040
عملکرد
1961
01:16:43,040 –> 01:16:46,560
بنابراین کاری که این max pool 2d انجام می دهد این است که آن را انجام می دهد
1962
01:16:46,560 –> 01:16:50,400
خروجی کانولوشن را می گیرد و
1963
01:16:50,400 –> 01:16:53,760
آن را در هر دو جهت و بر اساس نگاه می کند
1964
01:16:53,760 –> 01:16:56,640
اندازه استخر بنابراین دوباره شاید به آن برویم
1965
01:16:56,640 –> 01:16:58,800
مستندات
1966
01:16:58,800 –> 01:16:59,760
یعنی
1967
01:16:59,760 –> 01:17:02,880
در داخل کد اینجا نوشته شده است
1968
01:17:02,880 –> 01:17:05,520
آنچه تو داری همین است
1969
01:17:05,520 –> 01:17:07,920
اجازه بده خیلی پایین برم تو داری
1970
01:17:07,920 –> 01:17:09,199
اندازه استخر
1971
01:17:09,199 –> 01:17:12,159
و این دو به دو به چه معناست
1972
01:17:12,159 –> 01:17:15,040
این است که خروجی کانولوشن است
1973
01:17:15,040 –> 01:17:18,640
ما به یک پنجره دو به دو نگاه خواهیم کرد
1974
01:17:18,640 –> 01:17:20,800
خروجی این لایه
1975
01:17:20,800 –> 01:17:22,560
و هر بار که از ما استفاده می کنیم، هستیم
1976
01:17:22,560 –> 01:17:25,040
فقط حداکثر مقدار بین را حفظ می کند
1977
01:17:25,040 –> 01:17:27,520
این چهار مقدار چون دو توسط است
1978
01:17:27,520 –> 01:17:29,360
دو پنجره بنابراین چهار مقدار ما وجود دارد
1979
01:17:29,360 –> 01:17:31,440
فقط نگه دارید
1980
01:17:31,440 –> 01:17:32,719
حداکثر مقدار
1981
01:17:32,719 –> 01:17:35,120
بین تمام آن چهار مقدار و
1982
01:17:35,120 –> 01:17:37,440
در اینجا شما در واقع می توانید این را تغییر دهید
1983
01:17:37,440 –> 01:17:39,440
اندازه کشش را چهار در چهار تنظیم کنید که
1984
01:17:39,440 –> 01:17:41,920
یعنی یک پنجره چهار در چهار است که در آن
1985
01:17:41,920 –> 01:17:45,920
شما فقط حداکثر مقدار را در آن نگه می دارید
1986
01:17:45,920 –> 01:17:48,159
در آن پنجره
1987
01:17:48,159 –> 01:17:50,640
و دوباره چرا دو به دو نگه می داریم چرا
1988
01:17:50,640 –> 01:17:52,800
آیا آن را به عنوان تغییر نمی دهیم
1989
01:17:52,800 –> 01:17:55,600
اینها نیز پارامترهای فوق العاده ای هستند که شما می توانید انجام دهید
1990
01:17:55,600 –> 01:17:58,480
می تواند تغییر کند و هر بار که شما را تغییر می دهید
1991
01:17:58,480 –> 01:18:00,640
مدل خود را دوباره آموزش دهید و ببینید که آیا شما
1992
01:18:00,640 –> 01:18:03,520
نتایج بهتری بگیرید، بنابراین این نیز پیش می رود
1993
01:18:03,520 –> 01:18:05,520
به آن تجربی
1994
01:18:05,520 –> 01:18:07,840
رویکرد آزمایشی
1995
01:18:07,840 –> 01:18:10,960
که ما به عنوان یادگیری ماشین انجام می دهیم
1996
01:18:10,960 –> 01:18:13,199
مهندسان یا دانشمندان داده
1997
01:18:13,199 –> 01:18:15,040
بنابراین
1998
01:18:15,040 –> 01:18:18,880
این یکی از راه های انجام کارها است
1999
01:18:18,880 –> 01:18:20,719
در واقع شما نیستید
2000
01:18:20,719 –> 01:18:23,120
تو نیستی که بگوییم
2001
01:18:23,120 –> 01:18:26,000
شما به شدت نیازی به رعایت این موارد ندارید
2002
01:18:26,000 –> 01:18:27,280
نزدیک می شود
2003
01:18:27,280 –> 01:18:29,199
شما می توانید آزمایش کنید برای مثال شما می توانید
2004
01:18:29,199 –> 01:18:30,080
اضافه کردن
2005
01:18:30,080 –> 01:18:33,440
پیچیدگی به اینجا
2006
01:18:33,440 –> 01:18:35,199
و شما
2007
01:18:35,199 –> 01:18:39,440
به عنوان مثال بیایید 64 را انجام دهیم
2008
01:18:39,440 –> 01:18:42,800
و سه در سه
2009
01:18:42,800 –> 01:18:46,159
و فعال سازی
2010
01:18:48,080 –> 01:18:49,600
است اوه
2011
01:18:49,600 –> 01:18:51,679
آیا فعال سازی است یا فعال سازی با عرض پوزش
2012
01:18:51,679 –> 01:18:52,840
اجازه بده فقط
2013
01:18:52,840 –> 01:18:54,830
دوباره بررسی کن
2014
01:18:54,830 –> 01:18:56,320
[موسیقی]
2015
01:18:56,320 –> 01:18:58,880
پس اینجا
2016
01:18:58,880 –> 01:19:03,760
اجازه بدهید وارد پارامترها شوم
2017
01:19:04,040 –> 01:19:07,679
فعال سازی اکنون فقط بدون s است
2018
01:19:07,679 –> 01:19:10,000
باشه
2019
01:19:10,400 –> 01:19:12,800
بنابراین شما می توانید این کار را انجام دهید، می توانید آن را حذف کنید
2020
01:19:12,800 –> 01:19:14,320
می تواند یک لایه دیگر اضافه کند
2021
01:19:14,320 –> 01:19:16,960
با خیال راحت این را آزمایش کنید
2022
01:19:16,960 –> 01:19:20,159
معماری چون اینجاست
2023
01:19:20,159 –> 01:19:23,280
یادگیری عمیق با اوه متفاوت است
2024
01:19:23,280 –> 01:19:25,120
مهندسی نرم افزار متعارف شما
2025
01:19:25,120 –> 01:19:27,920
می تواند با همه آزمایش های زیادی انجام دهد
2026
01:19:27,920 –> 01:19:30,000
از این چیزها و خواهید داشت
2027
01:19:30,000 –> 01:19:32,640
نتایج متفاوت و فقط بر اساس
2028
01:19:32,640 –> 01:19:34,239
این نتایج می توانید بگویید که شما
2029
01:19:34,239 –> 01:19:36,480
مدل بهتر از قبلیه
2030
01:19:36,480 –> 01:19:37,840
یا نه
2031
01:19:37,840 –> 01:19:40,560
بنابراین در اینجا اجازه دهید به عنوان مثال آن را نگه دارید
2032
01:19:40,560 –> 01:19:43,760
این و بیایید یک پشته دیگر از
2033
01:19:43,760 –> 01:19:45,199
لایه ها در اینجا
2034
01:19:45,199 –> 01:19:46,960
بنابراین conf
2035
01:19:46,960 –> 01:19:48,800
2d
2036
01:19:48,800 –> 01:19:53,760
و من برای مثال از 128 استفاده خواهم کرد
2037
01:19:53,760 –> 01:19:55,120
فیلترها
2038
01:19:55,120 –> 01:19:57,280
آنها را سه به سه نگه دارید
2039
01:19:57,280 –> 01:19:58,159
و
2040
01:19:58,159 –> 01:20:00,719
فعال سازی
2041
01:20:00,719 –> 01:20:02,560
یکسان است
2042
01:20:02,560 –> 01:20:06,159
مثل قبل خیلی واقعی هستی
2043
01:20:06,159 –> 01:20:07,280
و
2044
01:20:07,280 –> 01:20:10,320
این رویکرد در اینجا است که من 32 64 را انتخاب می کنم
2045
01:20:10,320 –> 01:20:13,920
و 128 نیز چیزی است که من دیده ام
2046
01:20:13,920 –> 01:20:16,560
در تحقیقات عصبی بسیاری انجام می شود
2047
01:20:16,560 –> 01:20:18,719
معماری شبکه از این نوع پیروی می کند
2048
01:20:18,719 –> 01:20:19,440
از
2049
01:20:19,440 –> 01:20:21,760
رویکرد که در آن هر بار آنها دو برابر
2050
01:20:21,760 –> 01:20:24,560
تعداد فیلترها، بنابراین من تصمیم به انجام آن دارم
2051
01:20:24,560 –> 01:20:26,800
که اما در واقع هیچ چیز شما را متوقف نمی کند
2052
01:20:26,800 –> 01:20:28,480
از استفاده
2053
01:20:28,480 –> 01:20:29,920
اعداد دیگری که در اینجا می توانید برای آنها استفاده کنید
2054
01:20:29,920 –> 01:20:32,000
مثال 110
2055
01:20:32,000 –> 01:20:35,600
یا فقط 100 یا هر چیزی که دوست دارید پس من هستم
2056
01:20:35,600 –> 01:20:36,639
میخوام
2057
01:20:36,639 –> 01:20:38,880
با استفاده از همان معماری را به پایان برسانید
2058
01:20:38,880 –> 01:20:41,760
به اینجا نزدیک شوید
2059
01:20:41,760 –> 01:20:43,920
پس الان دارم
2060
01:20:43,920 –> 01:20:46,560
این لایه ها که هستند
2061
01:20:46,560 –> 01:20:49,679
بسیار شبیه، بنابراین ما یک ورودی انجام می دهیم
2062
01:20:49,679 –> 01:20:51,840
یک پیچیدگی در اینجا و سپس دوم
2063
01:20:51,840 –> 01:20:54,000
پیچیدگی ما حداکثر استخر ما انجام می دهیم دسته ای
2064
01:20:54,000 –> 01:20:56,400
عادی سازی و سپس دوباره انجام می دهیم
2065
01:20:56,400 –> 01:20:58,000
دسته نظرسنجی حداکثر پیچیدگی
2066
01:20:58,000 –> 01:21:00,719
عادی سازی و اینجا فقط اگر این کار را نکردم
2067
01:21:00,719 –> 01:21:04,000
قبل از این به نرمال سازی دسته ای اشاره کنید
2068
01:21:04,000 –> 01:21:06,800
عادی سازی دسته ای اساساً به نظر می رسد
2069
01:21:06,800 –> 01:21:09,120
در دسته های شما و نرمال سازی را انجام می دهد
2070
01:21:09,120 –> 01:21:12,000
در آن دسته این عملیات است که
2071
01:21:12,000 –> 01:21:15,199
این است که از الهام گرفته شده است
2072
01:21:15,199 –> 01:21:17,679
نرمال سازی ورودی که هست
2073
01:21:17,679 –> 01:21:19,040
کاری که قرار است انجام دهیم
2074
01:21:19,040 –> 01:21:20,480
کمی بعد
2075
01:21:20,480 –> 01:21:22,159
بنابراین
2076
01:21:22,159 –> 01:21:25,280
اساساً محققان متوجه شده اند که
2077
01:21:25,280 –> 01:21:27,679
وقتی ورودی خود را عادی می کنید، این کمک می کند
2078
01:21:27,679 –> 01:21:29,199
گرادیان
2079
01:21:29,199 –> 01:21:32,000
محاسبات گرادیان و آن
2080
01:21:32,000 –> 01:21:34,560
زمانی که ما سعی می کنیم خودمان را به حداقل برسانیم کمک می کند
2081
01:21:34,560 –> 01:21:37,600
تابع هزینه بنابراین برخی از محققان دیگر
2082
01:21:37,600 –> 01:21:40,000
گفت باشه اگر در حال عادی سازی خود هستیم
2083
01:21:40,000 –> 01:21:43,199
ورودی چرا نرمال نمی شود
2084
01:21:43,199 –> 01:21:45,199
خروجی لایه های داخل عصبی
2085
01:21:45,199 –> 01:21:47,360
شبکه پس به همین دلیل است
2086
01:21:47,360 –> 01:21:48,960
آنها این را ایجاد کردند
2087
01:21:48,960 –> 01:21:50,880
نوع جدیدی از لایه که در آن طول می کشد
2088
01:21:50,880 –> 01:21:53,679
خروجی این لایه قبلی و سپس
2089
01:21:53,679 –> 01:21:58,080
آن دسته ها را عادی کرد تا هر کدام
2090
01:21:58,080 –> 01:22:01,040
زمانی که یک دسته جدید داریم، آن را عادی می کنیم
2091
01:22:01,040 –> 01:22:04,719
داده های داخل آن دسته
2092
01:22:04,719 –> 01:22:07,679
و در نهایت از زمانی که ما به پایان رسید
2093
01:22:07,679 –> 01:22:10,800
بخش های کانولوشن در اینجا که هستند
2094
01:22:10,800 –> 01:22:11,520
را
2095
01:22:11,520 –> 01:22:12,960
اصلی
2096
01:22:12,960 –> 01:22:15,440
لایه هایی که روی عصبی ما تاثیر می گذارند
2097
01:22:15,440 –> 01:22:18,159
شبکه، زیرا آنها می توانند چیزهای زیادی یاد بگیرند
2098
01:22:18,159 –> 01:22:19,360
و تو می توانی
2099
01:22:19,360 –> 01:22:21,360
برخی از
2100
01:22:21,360 –> 01:22:23,040
مقالاتی در این باره
2101
01:22:23,040 –> 01:22:25,840
شاید لکون جوان
2102
01:22:25,840 –> 01:22:27,760
کاغذی که اولین موردی بود که
2103
01:22:27,760 –> 01:22:29,199
را معرفی کرد
2104
01:22:29,199 –> 01:22:31,920
پیچیدگی یا پیچیدگی 2 بعدی و شما
2105
01:22:31,920 –> 01:22:34,880
می توانید ببینید چقدر در حافظه ذخیره می کنیم
2106
01:22:34,880 –> 01:22:37,120
و چقدر آنها در واقع بهبود یافته اند
2107
01:22:37,120 –> 01:22:38,480
نتایج
2108
01:22:38,480 –> 01:22:40,880
حالا بیایید به
2109
01:22:40,880 –> 01:22:44,560
بخشی که ما اساساً آنچه را که می آید ساختیم
2110
01:22:44,560 –> 01:22:46,719
بعداً در ما
2111
01:22:46,719 –> 01:22:48,560
معماری شبکه های عصبی
2112
01:22:48,560 –> 01:22:51,040
بنابراین در اینجا من قصد دارم از یک جهانی استفاده کنم
2113
01:22:51,040 –> 01:22:53,280
جمع بندی متوسط
2114
01:22:53,280 –> 01:22:57,679
و سپس یک لایه متراکم اضافه می کنم
2115
01:22:57,679 –> 01:23:00,880
من یک لایه متراکم 64 اضافه می کنم
2116
01:23:00,880 –> 01:23:02,000
واحدها
2117
01:23:02,000 –> 01:23:03,840
و یک فعال سازی
2118
01:23:03,840 –> 01:23:05,760
از
2119
01:23:05,760 –> 01:23:08,159
تو واقعی هستی پس منم همینو ادامه میدم
2120
01:23:08,159 –> 01:23:11,040
عملکرد فعال سازی مانند قبل
2121
01:23:11,040 –> 01:23:13,040
و سپس من اضافه می کنم
2122
01:23:13,040 –> 01:23:15,679
یک لایه نهایی در اینجا
2123
01:23:15,679 –> 01:23:18,159
و الان استفاده میکنم
2124
01:23:18,159 –> 01:23:21,400
یک فعال سازی
2125
01:23:22,080 –> 01:23:25,199
به نام soft max
2126
01:23:25,199 –> 01:23:27,120
و با این من در واقع به پایان رسید
2127
01:23:27,120 –> 01:23:29,040
ساخت شبکه عصبی من با استفاده از
2128
01:23:29,040 –> 01:23:30,800
رویکرد متوالی
2129
01:23:30,800 –> 01:23:33,520
و اجازه دهید فقط از این لایه ها عبور کنم
2130
01:23:33,520 –> 01:23:36,400
به سرعت و آنچه ما در اینجا انجام می دهیم بنابراین
2131
01:23:36,400 –> 01:23:38,560
میانگین جهانی استخر 2d
2132
01:23:38,560 –> 01:23:40,880
خروجی را از این پچ می گیرد
2133
01:23:40,880 –> 01:23:44,080
لایه نرمال سازی و آن را محاسبه می کند
2134
01:23:44,080 –> 01:23:45,040
میانگین
2135
01:23:45,040 –> 01:23:49,360
از آن مقادیر با توجه به برخی از محورها
2136
01:23:49,360 –> 01:23:52,400
و سپس ما یک را دریافت می کنیم
2137
01:23:52,400 –> 01:23:55,040
مجموعه ای از مقادیر اینجا و سپس آن مقادیر
2138
01:23:55,040 –> 01:23:58,000
قرار است به یک لایه متراکم تغذیه شوند
2139
01:23:58,000 –> 01:23:59,840
این لایه متراکم را می توانید در نظر بگیرید
2140
01:23:59,840 –> 01:24:02,880
بردار حاوی مقادیر بنابراین وجود دارد
2141
01:24:02,880 –> 01:24:05,920
بدون فیلتر مانند کانولوشن
2142
01:24:05,920 –> 01:24:08,080
مانند پیچیدگی 2 بعدی در اینجا
2143
01:24:08,080 –> 01:24:09,600
و در نهایت
2144
01:24:09,600 –> 01:24:11,520
ما یکی دیگر را اضافه می کنیم
2145
01:24:11,520 –> 01:24:15,120
لایه متراکم که 10 مقدار دارد و این
2146
01:24:15,120 –> 01:24:17,840
لایه خروجی عصبی ما خواهد بود
2147
01:24:17,840 –> 01:24:18,960
شبکه
2148
01:24:18,960 –> 01:24:20,239
و
2149
01:24:20,239 –> 01:24:22,960
ما اینجا 10 را انتخاب می کنیم زیرا
2150
01:24:22,960 –> 01:24:25,840
در مجموعه داده های ما مجموعه داده های amnes وجود دارد
2151
01:24:25,840 –> 01:24:28,000
10 تا متفاوت هستند
2152
01:24:28,000 –> 01:24:30,080
کلاس هایی که می توانیم از صفر تا داشته باشیم
2153
01:24:30,080 –> 01:24:33,520
نه پس ده کلاس وجود دارد بنابراین
2154
01:24:33,520 –> 01:24:37,040
دوباره اگر به اولی برگردیم
2155
01:24:37,040 –> 01:24:39,120
اولین باری که در مورد ما صحبت کردم
2156
01:24:39,120 –> 01:24:41,360
سیستم طبقه بندی که اشاره کردم
2157
01:24:41,360 –> 01:24:43,600
ما می خواهیم سیستمی را بسازیم که طول می کشد
2158
01:24:43,600 –> 01:24:46,080
تصویر به عنوان ورودی
2159
01:24:46,080 –> 01:24:49,040
و می خواهیم در خروجی به ما بگوید
2160
01:24:49,040 –> 01:24:52,159
کدام یک از ده دسته است
2161
01:24:52,159 –> 01:24:55,679
صفر یک یا تا نه
2162
01:24:55,679 –> 01:24:56,639
بنابراین
2163
01:24:56,639 –> 01:24:59,679
این مدل در اینجا دقیقاً همین را نشان می دهد
2164
01:24:59,679 –> 01:25:02,159
ما در حال گرفتن یک تصویر ورودی و
2165
01:25:02,159 –> 01:25:03,920
خروجی است
2166
01:25:03,920 –> 01:25:06,880
مجموعه ای از 10 مقدار که در واقع خواهد بود
2167
01:25:06,880 –> 01:25:08,960
10 احتمالی که به دست می آوریم
2168
01:25:08,960 –> 01:25:11,280
احتمالات چون ما از این استفاده می کنیم
2169
01:25:11,280 –> 01:25:13,920
تابع فعال سازی soft max نامیده می شود
2170
01:25:13,920 –> 01:25:17,600
حداکثر نرم افزار 10 احتمال را به ما می دهد
2171
01:25:17,600 –> 01:25:19,679
و آنها به یک جمع می شوند
2172
01:25:19,679 –> 01:25:21,520
بنابراین کاری که ما می خواهیم انجام دهیم این است که به آن نگاه کنیم
2173
01:25:21,520 –> 01:25:23,360
آن احتمالات و نگاه کنید
2174
01:25:23,360 –> 01:25:26,080
بالاترین و که مطابقت دارد
2175
01:25:26,080 –> 01:25:30,080
کلاس پیش بینی شده توسط مدل ما
2176
01:25:30,080 –> 01:25:31,440
پس این
2177
01:25:31,440 –> 01:25:34,320
اساسا توضیح می دهد که چرا ما از 10 استفاده می کنیم
2178
01:25:34,320 –> 01:25:36,719
اینجا و ما در حال استفاده هستیم
2179
01:25:36,719 –> 01:25:40,400
تابع فعال سازی softmax در اینجا و
2180
01:25:40,400 –> 01:25:43,920
در این مرحله اینجا شما آه ندارید
2181
01:25:43,920 –> 01:25:45,920
به تعداد گزینه هایی که در آن خواهید داشت
2182
01:25:45,920 –> 01:25:48,000
این لایه ها به عنوان مثال در این متراکم
2183
01:25:48,000 –> 01:25:48,880
لایه
2184
01:25:48,880 –> 01:25:50,480
شما می توانید انتخاب کنید
2185
01:25:50,480 –> 01:25:52,840
یک ارزش متفاوت در اینجا بنابراین
2186
01:25:52,840 –> 01:25:57,040
128 132 مهم نیست می توانید تغییر دهید
2187
01:25:57,040 –> 01:25:59,679
فعال سازی به چیز دیگری
2188
01:25:59,679 –> 01:26:02,880
اما در این سطح اینجا هستیم
2189
01:26:02,880 –> 01:26:06,320
خروجی لایه ما است و ما این را می دانیم
2190
01:26:06,320 –> 01:26:09,520
ما می خواهیم یکی از 10 مقدار را پیش بینی کنیم
2191
01:26:09,520 –> 01:26:12,480
اینجا باید 10 باشد و ما هم می خواهیم
2192
01:26:12,480 –> 01:26:14,560
آن مقادیر به احتمالات باشد به طوری که
2193
01:26:14,560 –> 01:26:16,960
آنها منعکس کننده آنچه مدل در مورد آن فکر می کند
2194
01:26:16,960 –> 01:26:19,520
تصویر ما به همین دلیل است که از نرم افزار استفاده می کنیم
2195
01:26:19,520 –> 01:26:21,600
حداکثر اینجا
2196
01:26:21,600 –> 01:26:23,360
جدا از این
2197
01:26:23,360 –> 01:26:24,960
همچنین لایه ورودی که در آن شما وجود دارد
2198
01:26:24,960 –> 01:26:27,360
چیز زیادی ندارند
2199
01:26:27,360 –> 01:26:30,560
انتخاب را باید تنظیم کنید
2200
01:26:30,560 –> 01:26:31,679
شکل
2201
01:26:31,679 –> 01:26:34,000
که با شکل شما مطابقت دارد
2202
01:26:34,000 –> 01:26:36,400
مجموعه داده بنابراین ما بدانیم که تصاویر ما دارند
2203
01:26:36,400 –> 01:26:39,360
28 در 28 پیکسل بنابراین
2204
01:26:39,360 –> 01:26:42,320
باید 28 در 28 باشد
2205
01:26:42,320 –> 01:26:44,400
ورودی ما همچنین می دانیم که تصاویر ما هستند
2206
01:26:44,400 –> 01:26:47,120
مقیاس خاکستری بنابراین آنها فقط یک کانال دارند
2207
01:26:47,120 –> 01:26:50,080
به همین دلیل است که ما باید یکی را در اینجا انتخاب کنیم
2208
01:26:50,080 –> 01:26:52,080
جدا از ورودی و خروجی
2209
01:26:52,080 –> 01:26:53,040
لایه های
2210
01:26:53,040 –> 01:26:55,600
این لایه ها در اینجا شما می توانید بسیاری از آنها را تغییر دهید
2211
01:26:55,600 –> 01:26:58,560
پارامترها در آنها و هر بار شما
2212
01:26:58,560 –> 01:27:01,520
مدل خود را آموزش دهید و ببینید که آیا
2213
01:27:01,520 –> 01:27:03,760
نتایج بهتری می دهد یا نه
2214
01:27:03,760 –> 01:27:05,840
بنابراین با این کار ما در واقع تمام شده است
2215
01:27:05,840 –> 01:27:08,560
ساخت اولین شبکه عصبی ما با استفاده از
2216
01:27:08,560 –> 01:27:10,719
رویکرد متوالی
2217
01:27:10,719 –> 01:27:13,600
اکنون کاری که ما می خواهیم انجام دهیم این است که ادامه دهیم
2218
01:27:13,600 –> 01:27:15,760
ایجاد بقیه برنامه ما به طوری که
2219
01:27:15,760 –> 01:27:18,080
ما می توانیم از این مدل استفاده کنیم آن را آموزش دهیم
2220
01:27:18,080 –> 01:27:20,800
و سپس آن را روی چند نمونه تست کنید
2221
01:27:20,800 –> 01:27:23,120
در مجموعه داده های ما
2222
01:27:23,120 –> 01:27:25,600
بنابراین اکنون که معماری مدل ما است
2223
01:27:25,600 –> 01:27:26,560
آماده
2224
01:27:26,560 –> 01:27:29,679
بیایید نگاه کنیم که چگونه اساساً راه اندازی کردیم
2225
01:27:29,679 –> 01:27:31,600
بقیه چیزها تا بتوانیم
2226
01:27:31,600 –> 01:27:33,600
آموزش را اجرا کنید بنابراین اولین چیزی که من
2227
01:27:33,600 –> 01:27:35,679
می خواهید در اینجا انجام دهید فقط
2228
01:27:35,679 –> 01:27:38,639
اساسا این بخش را در اینجا و یکی حذف کنید
2229
01:27:38,639 –> 01:27:41,360
کاری که من دوست دارم انجام دهم این است که فقط از برخی استفاده کنم
2230
01:27:41,360 –> 01:27:43,760
نوع سوئیچرها در اینجا پس از آن می افتد
2231
01:27:43,760 –> 01:27:44,960
که
2232
01:27:44,960 –> 01:27:47,280
من دوست ندارم روی کدی که هست نظر بدهم
2233
01:27:47,280 –> 01:27:50,320
اوه این مهم است و من هم ندارم
2234
01:27:50,320 –> 01:27:52,960
دوست دارم آن را حذف کنم، بنابراین من فقط دوست دارم استفاده کنم
2235
01:27:52,960 –> 01:27:55,600
این نوع رویکرد در اینجا
2236
01:27:55,600 –> 01:27:59,120
و اکنون کاری که ما می خواهیم انجام دهیم این است
2237
01:27:59,120 –> 01:28:01,120
اولین چیزی که باید در نظر بگیریم این است
2238
01:28:01,120 –> 01:28:04,400
که داده های ما به نوعی A هستند
2239
01:28:04,400 –> 01:28:08,400
یک ردیف اوه روشی که ما به این شکل گرفتیم
2240
01:28:08,400 –> 01:28:11,600
از روش داده بار در اینجا
2241
01:28:11,600 –> 01:28:14,159
اما قبل از ما
2242
01:28:14,159 –> 01:28:16,400
شروع به عبور آن از طریق مدل ما
2243
01:28:16,400 –> 01:28:17,840
که می تواند شروع به یادگیری کند
2244
01:28:17,840 –> 01:28:19,440
[موسیقی]
2245
01:28:19,440 –> 01:28:23,440
ما باید آن را عادی کنیم تا بتوانیم
2246
01:28:23,440 –> 01:28:25,840
نرمال کردن داده ها
2247
01:28:25,840 –> 01:28:29,199
ما از مقداری استفاده خواهیم کرد
2248
01:28:29,199 –> 01:28:30,239
اساسا
2249
01:28:30,239 –> 01:28:32,320
رویکرد تقسیم بنابراین در اینجا ما به
2250
01:28:32,320 –> 01:28:34,000
انجام x کرنش
2251
01:28:34,000 –> 01:28:36,159
و معمولاً کاری که شما انجام می دهید فقط است
2252
01:28:36,159 –> 01:28:37,960
تقسیم آن بر
2253
01:28:37,960 –> 01:28:42,320
255 زیرا مقادیر ما بین 0 و
2254
01:28:42,320 –> 01:28:43,760
255
2255
01:28:43,760 –> 01:28:47,920
تا 255 نشان دهنده سفید و 0 نشان دهنده است
2256
01:28:47,920 –> 01:28:49,440
سیاه
2257
01:28:49,440 –> 01:28:52,080
و چیز از ماست
2258
01:28:52,080 –> 01:28:55,920
مجموعه داده در اینجا یک عدد صحیح بدون علامت است
2259
01:28:55,920 –> 01:28:57,840
8 بیتی
2260
01:28:57,840 –> 01:28:59,360
نوع داده
2261
01:28:59,360 –> 01:29:01,360
قبل از اینکه این کار را انجام دهیم قبل از انجام آن
2262
01:29:01,360 –> 01:29:04,239
تقسیم یعنی ما نیاز داریم
2263
01:29:04,239 –> 01:29:07,440
اساساً آن را به نوع دیگری تبدیل می کند
2264
01:29:07,440 –> 01:29:09,199
بنابراین به عنوان نوع
2265
01:29:09,199 –> 01:29:12,880
و در اینجا من float 32 بیتی و
2266
01:29:12,880 –> 01:29:14,400
چرا ما داریم این کار را می کنیم
2267
01:29:14,400 –> 01:29:17,600
به این دلیل است که اگر آن را تبدیل نکنیم
2268
01:29:17,600 –> 01:29:18,480
این
2269
01:29:18,480 –> 01:29:21,360
نوع 32 بیتی شناور
2270
01:29:21,360 –> 01:29:22,719
آنچه قرار است اتفاق بیفتد این است که
2271
01:29:22,719 –> 01:29:25,440
مقادیری که بین 0 تا 255 هستند بنابراین
2272
01:29:25,440 –> 01:29:26,560
بیایید بگوییم
2273
01:29:26,560 –> 01:29:27,440
2
2274
01:29:27,440 –> 01:29:30,320
200 به عنوان مثال وقتی تقسیمش می کنید این است
2275
01:29:30,320 –> 01:29:33,120
به جای نقطه صفر تبدیل به صفر می شود
2276
01:29:33,120 –> 01:29:36,080
چیزی که به این دلیل است که داده ها یک
2277
01:29:36,080 –> 01:29:37,679
عدد صحیح بدون علامت
2278
01:29:37,679 –> 01:29:40,400
فرمت 8 بیتی است اما وقتی آن را تبدیل می کنیم
2279
01:29:40,400 –> 01:29:41,440
32
2280
01:29:41,440 –> 01:29:42,960
شناور
2281
01:29:42,960 –> 01:29:44,880
آنچه قرار است اتفاق بیفتد این است که
2282
01:29:44,880 –> 01:29:47,840
ما به آن نقطه صفر خواهیم رسید
2283
01:29:47,840 –> 01:29:49,199
چیزی
2284
01:29:49,199 –> 01:29:52,320
که صفر مطلق نخواهد بود
2285
01:29:52,320 –> 01:29:54,320
که دقیقاً همان چیزی است که ما می خواهیم داشته باشیم
2286
01:29:54,320 –> 01:29:55,280
اینجا
2287
01:29:55,280 –> 01:29:57,360
و ما همین کار را برای آن انجام خواهیم داد
2288
01:29:57,360 –> 01:29:58,639
را
2289
01:29:58,639 –> 01:29:59,520
تست
2290
01:29:59,520 –> 01:30:00,800
تنظیم کنید
2291
01:30:00,800 –> 01:30:01,840
تست
2292
01:30:01,840 –> 01:30:02,880
مانند
2293
01:30:02,880 –> 01:30:03,840
نوع
2294
01:30:03,840 –> 01:30:08,080
من float 32 را انجام می دهم
2295
01:30:08,080 –> 01:30:11,760
و سپس آن را بر 255 تقسیم کنید.
2296
01:30:11,760 –> 01:30:12,639
بنابراین
2297
01:30:12,639 –> 01:30:15,600
دوباره چرا این عادی سازی را انجام می دهیم
2298
01:30:15,600 –> 01:30:16,960
به اینجا نزدیک شوید
2299
01:30:16,960 –> 01:30:20,159
اوه فقط گذشت
2300
01:30:20,159 –> 01:30:21,520
آزمایش
2301
01:30:21,520 –> 01:30:23,840
ما وقتی خود را عادی می کنید، این را دیده ایم
2302
01:30:23,840 –> 01:30:26,320
داده هایی که گرادیان حرکت می کند
2303
01:30:26,320 –> 01:30:28,000
سریع تر به سمت
2304
01:30:28,000 –> 01:30:30,719
حداقل جهانی تابع هزینه شما
2305
01:30:30,719 –> 01:30:31,600
ولی
2306
01:30:31,600 –> 01:30:33,760
باید بگویم که کارهای زیادی انجام داده ام
2307
01:30:33,760 –> 01:30:35,679
آزمایش هایی که من انجام ندادم
2308
01:30:35,679 –> 01:30:38,000
داده ها را عادی کنید و همچنان کار می کرد
2309
01:30:38,000 –> 01:30:40,639
خوب آنقدر تفاوت نداشت
2310
01:30:40,639 –> 01:30:42,639
بین زمانی که عادی شدم و زمانی که من
2311
01:30:42,639 –> 01:30:44,800
داده ها را عادی نمی کند اما اینجا فقط
2312
01:30:44,800 –> 01:30:47,280
به خاطر شیوه های خوب من می خواهم
2313
01:30:47,280 –> 01:30:50,719
عادی سازی را در اینجا حفظ کنید
2314
01:30:50,719 –> 01:30:51,679
و
2315
01:30:51,679 –> 01:30:55,520
اوه یک چیز نیز که ما باید انجام دهیم این است
2316
01:30:55,520 –> 01:30:56,880
به
2317
01:30:56,880 –> 01:31:00,320
اساساً داده های ما را در یک in در می کنیم
2318
01:31:00,320 –> 01:31:01,760
به گونه ای که
2319
01:31:01,760 –> 01:31:05,280
مدل ما می تواند آن را در ورودی خود بپذیرد
2320
01:31:05,280 –> 01:31:07,920
همانطور که می بینید مدل ورودی انتظار می رود
2321
01:31:07,920 –> 01:31:11,840
انتظار 28 در 28 در یک
2322
01:31:11,840 –> 01:31:14,880
و در اینجا همانطور که می توانید مجموعه داده های ما را ببینید
2323
01:31:14,880 –> 01:31:17,520
اوه البته این شصت وجود دارد
2324
01:31:17,520 –> 01:31:19,760
هزار تصویر برای این مهم نیست
2325
01:31:19,760 –> 01:31:22,159
مدل ما آنها را می گیرد
2326
01:31:22,159 –> 01:31:25,360
دسته به دسته اما
2327
01:31:25,360 –> 01:31:28,000
در اینجا ما می بینیم که ما
2328
01:31:28,000 –> 01:31:30,800
آرایه ها به گونه ای فرمت می شوند که در آن
2329
01:31:30,800 –> 01:31:34,719
ما فقط دو بعد داریم 28 در 28
2330
01:31:34,719 –> 01:31:38,639
اما می خواهیم 28 در 28 در یک داشته باشیم
2331
01:31:38,639 –> 01:31:41,440
بنابراین به منظور اصلاح این ما می خواهیم
2332
01:31:41,440 –> 01:31:43,040
انجام دادن
2333
01:31:43,040 –> 01:31:45,679
x قطار
2334
01:31:45,679 –> 01:31:49,120
برابر با نقطه mp گسترش کم نور پس این است
2335
01:31:49,120 –> 01:31:52,400
گسترش ابعاد یک آرایه و
2336
01:31:52,400 –> 01:31:54,320
ما می خواهیم آن را بدهیم
2337
01:31:54,320 –> 01:31:57,600
همان آرایه بنابراین x کرنش و سپس
2338
01:31:57,600 –> 01:31:59,360
ما می توانیم استفاده کنیم
2339
01:31:59,360 –> 01:32:03,199
شماره محور بنابراین اینجا
2340
01:32:03,199 –> 01:32:06,000
ما می خواهیم بعد آخر را گسترش دهیم
2341
01:32:06,000 –> 01:32:08,560
ما می دانیم که آرایه ما دارد
2342
01:32:08,560 –> 01:32:11,280
در اینجا سه بعدی است
2343
01:32:11,280 –> 01:32:12,800
البته هنگامی که آنها سه به این معنی است
2344
01:32:12,800 –> 01:32:14,880
این بعد صفر است این یکی این است
2345
01:32:14,880 –> 01:32:17,679
دو است بنابراین می توانیم برای مثال استفاده کنیم
2346
01:32:17,679 –> 01:32:18,800
سه اینجا
2347
01:32:18,800 –> 01:32:20,239
و این کار خواهد کرد
2348
01:32:20,239 –> 01:32:21,040
ولی
2349
01:32:21,040 –> 01:32:23,679
اوه شما همچنین می توانید منهای یکی را انجام دهید
2350
01:32:23,679 –> 01:32:26,480
به این معنی است که ما می خواهیم به آن بعد اضافه کنیم
2351
01:32:26,480 –> 01:32:28,480
پایان
2352
01:32:28,480 –> 01:32:30,159
بنابراین در اینجا ما می خواهیم انجام دهیم
2353
01:32:30,159 –> 01:32:32,320
x به همین ترتیب تست کنید
2354
01:32:32,320 –> 01:32:36,239
بنابراین اجازه دهید من فقط این را کپی کنم
2355
01:32:36,400 –> 01:32:37,280
و
2356
01:32:37,280 –> 01:32:39,679
اینجا
2357
01:32:39,679 –> 01:32:42,560
من تست می کنم
2358
01:32:42,560 –> 01:32:44,639
بنابراین اکنون در واقع
2359
01:32:44,639 –> 01:32:47,440
داده های ما به من اجازه می دهد فقط شاید این و را کپی کنم
2360
01:32:47,440 –> 01:32:50,960
دوباره آن را بچسبانید تا بتوانید ببینید
2361
01:32:50,960 –> 01:32:53,440
تفاوت
2362
01:32:53,440 –> 01:32:56,400
بنابراین اکنون داده های ما عادی شده است زیرا ما
2363
01:32:56,400 –> 01:32:57,520
از این استفاده کن
2364
01:32:57,520 –> 01:32:58,719
اوه
2365
01:32:58,719 –> 01:33:01,199
این عملیات در اینجا و همچنین
2366
01:33:01,199 –> 01:33:04,560
ابعاد تغییر کرده است پس اجازه دهید
2367
01:33:04,560 –> 01:33:05,520
فقط
2368
01:33:05,520 –> 01:33:07,600
این را پاک کنید سپس اجرا کنید
2369
01:33:07,600 –> 01:33:09,520
نمونه منیست
2370
01:33:09,520 –> 01:33:12,560
فقط سریع ببینیم چی داریم
2371
01:33:12,560 –> 01:33:14,800
متفاوت است تا همانطور که می بینید
2372
01:33:14,800 –> 01:33:16,159
ما این را داشتیم
2373
01:33:16,159 –> 01:33:18,719
شکل برای مجموعه داده های ما قبل از هم اکنون ما
2374
01:33:18,719 –> 01:33:20,080
این را داشته باش
2375
01:33:20,080 –> 01:33:21,440
و این است
2376
01:33:21,440 –> 01:33:23,679
شکل مناسب برای استفاده با ما
2377
01:33:23,679 –> 01:33:26,159
معماری چون دوباره ما
2378
01:33:26,159 –> 01:33:29,440
معماری 28 در 28 را توسط یکی می پذیرد
2379
01:33:29,440 –> 01:33:31,520
البته بعد اول که
2380
01:33:31,520 –> 01:33:34,320
نشان دهنده دسته ها است مهم نیست
2381
01:33:34,320 –> 01:33:37,679
بنابراین ما در اینجا به آن اشاره نمی کنیم، پس همینطور است
2382
01:33:37,679 –> 01:33:41,199
هیچ مشکلی ایجاد نمی کند اما اگر ما
2383
01:33:41,199 –> 01:33:43,679
مجموعه داده های ما در این قالب وجود ندارد
2384
01:33:43,679 –> 01:33:46,000
در واقع مشکلی ایجاد خواهد کرد و
2385
01:33:46,000 –> 01:33:48,080
شاید برای شما این سوال پیش بیاید که چرا
2386
01:33:48,080 –> 01:33:50,560
این را اینجا حذف نکنیم
2387
01:33:50,560 –> 01:33:52,960
چرا ما فقط این کار را انجام نمی دهیم و سپس ما
2388
01:33:52,960 –> 01:33:54,719
نیازی نیست
2389
01:33:54,719 –> 01:33:57,199
در واقع اگر این کار را بکنید ابعاد را گسترش دهید
2390
01:33:57,199 –> 01:33:59,840
این چیزی که قرار است اتفاق بیفتد این است که
2391
01:33:59,840 –> 01:34:01,760
ترکیبی شما به مشکل بر می خورید
2392
01:34:01,760 –> 01:34:04,639
با این لایه در اینجا به دلیل 2d
2393
01:34:04,639 –> 01:34:06,800
پیچیدگی انتظار دارد a
2394
01:34:06,800 –> 01:34:09,679
تانسور چهار بعدی 4 بعدی
2395
01:34:09,679 –> 01:34:12,320
و این به این معنی است که
2396
01:34:12,320 –> 01:34:13,600
اینجا داریم
2397
01:34:13,600 –> 01:34:16,320
این تانسور که نشان دهنده
2398
01:34:16,320 –> 01:34:18,560
شکل داده اما وجود خواهد داشت
2399
01:34:18,560 –> 01:34:21,120
یک بعد در اینجا پنهان است اینجا آن است
2400
01:34:21,120 –> 01:34:24,239
نشان داده نشده است که نشان دهنده دسته ها است
2401
01:34:24,239 –> 01:34:26,320
بنابراین میتوانیم چندین عکس در آن بگیریم
2402
01:34:26,320 –> 01:34:27,600
همان زمان
2403
01:34:27,600 –> 01:34:29,040
بنابراین با
2404
01:34:29,040 –> 01:34:31,199
اضافه کردن آن بعد برای دسته ها
2405
01:34:31,199 –> 01:34:33,040
ما چهار نفر خواهیم داشت
2406
01:34:33,040 –> 01:34:36,080
ابعاد اینجا و سپس پیچیدگی
2407
01:34:36,080 –> 01:34:39,520
2d در مورد ابعاد شکایت نمی کند
2408
01:34:39,520 –> 01:34:42,159
به همین دلیل است که ما این کار را در اینجا انجام می دهیم و
2409
01:34:42,159 –> 01:34:44,480
به همین دلیل ما هستیم
2410
01:34:44,480 –> 01:34:46,800
گسترش ابعاد در اینجا
2411
01:34:46,800 –> 01:34:47,840
و
2412
01:34:47,840 –> 01:34:50,560
باشه اجازه بدین فقط شاید این رو حذف کنم
2413
01:34:50,560 –> 01:34:54,480
در حال حاضر ما به آن نیاز نداریم
2414
01:34:54,800 –> 01:34:57,119
و حالا که داریم
2415
01:34:57,119 –> 01:34:58,480
همه اینها
2416
01:34:58,480 –> 01:35:02,000
اوه همه دادههای ما آماده انتقال هستند
2417
01:35:02,000 –> 01:35:03,600
از طریق مدل ما
2418
01:35:03,600 –> 01:35:04,480
اجازه دهید
2419
01:35:04,480 –> 01:35:06,800
مدل ما را اینجا کامپایل کنید
2420
01:35:06,800 –> 01:35:09,360
و با کامپایل i یعنی ما هستیم
2421
01:35:09,360 –> 01:35:11,840
برخی از جنبه های مهم را تعیین می کنم
2422
01:35:11,840 –> 01:35:15,119
از آموزش، بنابراین ما می خواهیم انجام دهیم
2423
01:35:15,119 –> 01:35:16,560
مدل آن
2424
01:35:16,560 –> 01:35:18,480
گردآوری
2425
01:35:18,480 –> 01:35:20,719
و سپس در داخل این
2426
01:35:20,719 –> 01:35:23,360
عملکرد در اینجا شما چندین دارید
2427
01:35:23,360 –> 01:35:25,520
پارامترهایی که باید آن را تنظیم کنید
2428
01:35:25,520 –> 01:35:29,320
بهینه ساز وجود دارد
2429
01:35:29,840 –> 01:35:34,159
و ضرر نیز وجود دارد
2430
01:35:34,159 –> 01:35:35,679
و در نهایت
2431
01:35:35,679 –> 01:35:36,800
وجود دارد
2432
01:35:36,800 –> 01:35:39,360
معیارهای
2433
01:35:39,840 –> 01:35:41,840
بنابراین این سه مورد مهم هستند
2434
01:35:41,840 –> 01:35:44,639
پارامترهایی که باید تنظیم کنید
2435
01:35:44,639 –> 01:35:47,360
بنابراین در اینجا بهینه ساز
2436
01:35:47,360 –> 01:35:50,239
آنچه نشان می دهد الگوریتمی است که
2437
01:35:50,239 –> 01:35:51,600
ما استفاده خواهیم کرد
2438
01:35:51,600 –> 01:35:53,600
به منظور. واسه اینکه. برای اینکه
2439
01:35:53,600 –> 01:35:57,679
برای بهینه سازی عملکرد هزینه ما
2440
01:35:57,679 –> 01:36:00,159
و منظور من از بهینه سازی تلاش برای یافتن است
2441
01:36:00,159 –> 01:36:03,520
حداقل جهانی تابع هزینه ما
2442
01:36:03,520 –> 01:36:06,480
بنابراین برای این ما چندین گزینه در اختیار داریم
2443
01:36:06,480 –> 01:36:08,159
جریان تنسور
2444
01:36:08,159 –> 01:36:10,560
معروف ترین آنها است
2445
01:36:10,560 –> 01:36:12,800
adam که ما از آن استفاده خواهیم کرد اما وجود دارد
2446
01:36:12,800 –> 01:36:15,280
هستند یا چندین آه
2447
01:36:15,280 –> 01:36:18,400
بهینه سازها در tensorflow بنابراین اجازه دهید من فقط
2448
01:36:18,400 –> 01:36:20,320
شاید سعی کنید
2449
01:36:20,320 –> 01:36:22,400
خوب گاهی اوقات به من گزینه ای نمی دهد
2450
01:36:22,400 –> 01:36:24,880
برای دیدن اوه
2451
01:36:24,880 –> 01:36:29,520
برای دیدن همه پارامترها اما
2452
01:36:29,520 –> 01:36:32,960
در اینجا می توانیم پارامتر اتم را تنظیم کنیم
2453
01:36:32,960 –> 01:36:36,400
Ada نیز وجود دارد و چندین وجود دارد
2454
01:36:36,400 –> 01:36:39,520
دیگرانی که می توانید استفاده کنید
2455
01:36:39,520 –> 01:36:41,679
بنابراین اگر به سمت جریان تنسور بروید، در اینجا
2456
01:36:41,679 –> 01:36:43,960
اسناد و مدارک و
2457
01:36:43,960 –> 01:36:45,840
tf.keras.optimizers می بینید که شما
2458
01:36:45,840 –> 01:36:47,760
همه این گزینه ها را که می توانید داشته باشید
2459
01:36:47,760 –> 01:36:50,159
از بین ada delta دیگری را انتخاب کنید
2460
01:36:50,159 –> 01:36:53,520
grad adam و به همین ترتیب شما این را دارید
2461
01:36:53,520 –> 01:36:55,760
نزول گرادیان تصادفی در اینجا
2462
01:36:55,760 –> 01:36:57,600
بنابراین شما همه این گزینه ها را دارید
2463
01:36:57,600 –> 01:37:00,960
می توان دوباره از کدام یک واقعا استفاده کرد
2464
01:37:00,960 –> 01:37:04,960
بستگی به حالتی دارد که شما هستید
2465
01:37:04,960 –> 01:37:07,840
شما انجام می دهید و این نیز وارد می شود
2466
01:37:07,840 –> 01:37:09,679
پارامترهای هایپر
2467
01:37:09,679 –> 01:37:11,840
بخشی که برای مثال شما ممکن است
2468
01:37:11,840 –> 01:37:15,040
مدل خود را adam train انتخاب کنید و سپس
2469
01:37:15,040 –> 01:37:17,199
شما ممکن است آن را تغییر دهید و انتخاب کنید
2470
01:37:17,199 –> 01:37:20,000
به عنوان مثال یک آدم و ممکن است بهتر شوید
2471
01:37:20,000 –> 01:37:22,400
نتایج با استفاده از این
2472
01:37:22,400 –> 01:37:24,639
بهینه ساز دیگر پس واقعاً یک
2473
01:37:24,639 –> 01:37:27,280
رویکرد تجربی و من دوباره انجام می دهم
2474
01:37:27,280 –> 01:37:29,760
شما را تشویق می کند که چیزها را تغییر دهید و ببینید
2475
01:37:29,760 –> 01:37:31,840
چه چیزی می توانید با آن متفاوت بدست آورید
2476
01:37:31,840 –> 01:37:33,280
مولفه های
2477
01:37:33,280 –> 01:37:38,320
بنابراین اجازه دهید به مثال خود در اینجا برگردم
2478
01:37:38,320 –> 01:37:40,080
پس اینجا
2479
01:37:40,080 –> 01:37:41,679
وقتی میخوای بگذری
2480
01:37:41,679 –> 01:37:44,159
پارامتری برای این
2481
01:37:44,159 –> 01:37:46,880
آرگومان اینجا بهینه ساز شما فقط می توانید قرار دهید
2482
01:37:46,880 –> 01:37:50,080
بین پرانتز یا بین
2483
01:37:50,080 –> 01:37:52,400
این گیومه ها اینجا و شما فقط
2484
01:37:52,400 –> 01:37:53,679
نام را بنویس
2485
01:37:53,679 –> 01:37:56,719
و شما البته می توانید
2486
01:37:56,719 –> 01:37:59,679
یکی از بقیه را انتخاب کنید و بنویسید
2487
01:37:59,679 –> 01:38:01,440
آن اینجا
2488
01:38:01,440 –> 01:38:03,840
و به این صورت است که بهینه ساز را تنظیم می کنید
2489
01:38:03,840 –> 01:38:06,239
مورد دوم که بسیار مهم است
2490
01:38:06,239 –> 01:38:08,880
که باید تنظیم کنیم تابع ضرر است
2491
01:38:08,880 –> 01:38:10,560
بنابراین
2492
01:38:10,560 –> 01:38:12,000
برای از دست دادن
2493
01:38:12,000 –> 01:38:15,840
برای هر کار در یادگیری عمیق
2494
01:38:15,840 –> 01:38:18,560
شما مجموعه ای از توابع از دست دادن دارید که
2495
01:38:18,560 –> 01:38:21,280
شما می توانید برای آن خاص استفاده کنید
2496
01:38:21,280 –> 01:38:24,239
وظیفه بنابراین در طبقه بندی
2497
01:38:24,239 –> 01:38:27,119
یکی از پرکاربردها
2498
01:38:27,119 –> 01:38:28,840
توابع از دست دادن است
2499
01:38:28,840 –> 01:38:32,239
کراس نامیده می شود
2500
01:38:32,239 –> 01:38:34,239
آنتروپی بنابراین اینها هستند
2501
01:38:34,239 –> 01:38:36,400
دوتا متفاوت
2502
01:38:36,400 –> 01:38:38,639
دو کلمه مختلف متقاطع آنتروپی
2503
01:38:38,639 –> 01:38:40,800
و این در واقع تابعی است که
2504
01:38:40,800 –> 01:38:42,840
استفاده می کند
2505
01:38:42,840 –> 01:38:45,119
احتمالات و
2506
01:38:45,119 –> 01:38:47,119
نوعی احتمالات را محاسبه می کند
2507
01:38:47,119 –> 01:38:48,880
که
2508
01:38:48,880 –> 01:38:51,760
به جریمه کردن شما کمک می کند
2509
01:38:51,760 –> 01:38:53,840
وزن شبکه های عصبی زمانی که هستند
2510
01:38:53,840 –> 01:38:55,760
زمانی که اشتباه را پیش بینی می کند
2511
01:38:55,760 –> 01:38:59,440
چیز و همچنین به آن کمک می کند تا بداند کدام
2512
01:38:59,440 –> 01:39:02,159
مقادیر به درستی پیش بینی می شوند بنابراین وجود دارد
2513
01:39:02,159 –> 01:39:03,360
یک کل است
2514
01:39:03,360 –> 01:39:05,600
تحقیقات زیادی در مورد آنتروپی متقابل
2515
01:39:05,600 –> 01:39:07,679
که می توانید به صورت آنلاین جستجو کنید
2516
01:39:07,679 –> 01:39:09,040
ولی
2517
01:39:09,040 –> 01:39:11,679
در واقع فقط در تنسورفلو شما دارید
2518
01:39:11,679 –> 01:39:12,880
سه متفاوت
2519
01:39:12,880 –> 01:39:15,280
توابع از دست دادن که نام متقاطع دارند
2520
01:39:15,280 –> 01:39:18,239
آنتروپی در آنها
2521
01:39:18,239 –> 01:39:20,320
بنابراین اینجا دوباره دارم به آن نگاه می کنم
2522
01:39:20,320 –> 01:39:24,080
مستندات در جریان تنسور و
2523
01:39:24,080 –> 01:39:26,400
اگر قبلاً به آن اشاره نکرده بودم، می گفتم
2524
01:39:26,400 –> 01:39:27,440
خیلی زیاد
2525
01:39:27,440 –> 01:39:29,760
توصیه می کنیم به این مستندات نگاه کنید
2526
01:39:29,760 –> 01:39:32,639
هر از گاهی نوشته می شود
2527
01:39:32,639 –> 01:39:35,040
به شیوه ای کاملا قابل درک و شما
2528
01:39:35,040 –> 01:39:37,920
می تواند اطلاعات زیادی از آن به دست آورد
2529
01:39:37,920 –> 01:39:40,800
بنابراین دوباره برای آنتروپی متقاطع اگر شما به
2530
01:39:40,800 –> 01:39:41,679
را
2531
01:39:41,679 –> 01:39:43,760
اسنادی را خواهید دید که دارید
2532
01:39:43,760 –> 01:39:45,520
آنتروپی متقاطع باینری که دارید
2533
01:39:45,520 –> 01:39:48,719
آنتروپی متقاطع طبقه ای و همچنین
2534
01:39:48,719 –> 01:39:51,360
شما متقاطع طبقه ای پراکنده دارید
2535
01:39:51,360 –> 01:39:54,159
آنتروپی بنابراین همه آنها متقاطع هستند
2536
01:39:54,159 –> 01:39:55,840
آنتروپی
2537
01:39:55,840 –> 01:39:58,080
در آنها بنابراین آنها از این استفاده می کنند
2538
01:39:58,080 –> 01:40:01,360
رویکرد آنتروپی متقاطع اما
2539
01:40:01,360 –> 01:40:03,920
هر کدام از این سه
2540
01:40:03,920 –> 01:40:06,840
توابع از دست دادن از آن استفاده می کند
2541
01:40:06,840 –> 01:40:09,679
متفاوت و برای ما
2542
01:40:09,679 –> 01:40:12,560
در اینجا ما استفاده خواهیم کرد
2543
01:40:12,560 –> 01:40:15,119
آنتروپی متقاطع طبقه ای و ما هستیم
2544
01:40:15,119 –> 01:40:17,440
از آنتروپی متقاطع طبقه ای از اسپا استفاده می کنیم
2545
01:40:17,440 –> 01:40:19,520
و من به شما نشان خواهم داد که تفاوت چیست
2546
01:40:19,520 –> 01:40:21,760
بین آنها
2547
01:40:21,760 –> 01:40:23,199
پس اینجا
2548
01:40:23,199 –> 01:40:25,040
اجازه بدهید شروع کنم
2549
01:40:25,040 –> 01:40:26,480
استفاده كردن
2550
01:40:26,480 –> 01:40:29,280
قاطعانه
2551
01:40:29,280 –> 01:40:30,960
آنتروپی متقابل
2552
01:40:30,960 –> 01:40:35,840
و کمی بعد توضیح خواهم داد
2553
01:40:35,840 –> 01:40:37,440
آیا ما چرا می خواهید استفاده کنید
2554
01:40:37,440 –> 01:40:39,920
طبقه بندی شده و چرا می خواهید
2555
01:40:39,920 –> 01:40:43,360
از دسته بندی پراکنده استفاده کنید
2556
01:40:43,360 –> 01:40:45,199
فعلا اجازه دهید این قسمت را تمام کنم
2557
01:40:45,199 –> 01:40:47,840
اینجا برای کامپایل کردن مدل ما برای
2558
01:40:47,840 –> 01:40:50,639
معیارها که آخرین استدلال در اینجا است
2559
01:40:50,639 –> 01:40:54,639
ما باید معیاری را برای آن تنظیم کنیم
2560
01:40:54,639 –> 01:40:58,000
اوه اساسا ما قصد داریم خود را راهنمایی کنیم
2561
01:40:58,000 –> 01:40:59,040
آموزش
2562
01:40:59,040 –> 01:41:00,880
تا مدل ما بداند که اینطور است
2563
01:41:00,880 –> 01:41:04,000
بهتر یا بدتر شدن معمولاً اینجاست
2564
01:41:04,000 –> 01:41:05,760
برای طبقه بندی
2565
01:41:05,760 –> 01:41:07,840
ما از دقت استفاده می کنیم تا
2566
01:41:07,840 –> 01:41:11,199
دقت نشان دهنده چند مورد است
2567
01:41:11,199 –> 01:41:13,679
نمونه ها به درستی پیش بینی می کنیم
2568
01:41:13,679 –> 01:41:16,560
از تمام نمونه هایی که در
2569
01:41:16,560 –> 01:41:19,119
مجموعه داده ها، بنابراین فرض کنید شما یک دارید
2570
01:41:19,119 –> 01:41:22,560
مجموعه داده 100
2571
01:41:23,040 –> 01:41:25,600
مثال ها
2572
01:41:25,920 –> 01:41:27,760
بیایید بگوییم تصاویر
2573
01:41:27,760 –> 01:41:32,040
و زمانی که شما پیش بینی را انجام می دهید
2574
01:41:32,719 –> 01:41:34,480
پیش بینی
2575
01:41:34,480 –> 01:41:36,239
شما دریافت می کنید
2576
01:41:36,239 –> 01:41:37,600
بیایید بگوییم
2577
01:41:37,600 –> 01:41:40,080
88 تصویر
2578
01:41:40,080 –> 01:41:41,119
درست
2579
01:41:41,119 –> 01:41:44,080
و بقیه در این مورد نادرست است
2580
01:41:44,080 –> 01:41:47,600
دقت 88 روی 100 خواهد بود که
2581
01:41:47,600 –> 01:41:48,560
است
2582
01:41:48,560 –> 01:41:50,080
88
2583
01:41:50,080 –> 01:41:53,840
یعنی دقت 88 است
2584
01:41:53,840 –> 01:41:55,840
بنابراین این بدان معنی است که مدل شما
2585
01:41:55,840 –> 01:41:58,400
88 بار پیش بینی خوبی می کند
2586
01:41:58,400 –> 01:42:01,440
پس اگر الان هزار عکس داریم و
2587
01:42:01,440 –> 01:42:04,560
حدود 880 تصویر خواهد بود
2588
01:42:04,560 –> 01:42:07,280
درست پیش بینی کرد
2589
01:42:07,280 –> 01:42:09,840
بنابراین برای طبقه بندی این چیزی است که ما
2590
01:42:09,840 –> 01:42:12,639
به عنوان یک متریک نیاز است
2591
01:42:12,639 –> 01:42:15,760
و البته در اینجا من از آن استفاده می کنم
2592
01:42:15,760 –> 01:42:16,880
معمولی
2593
01:42:16,880 –> 01:42:19,360
مقادیری که در طبقه بندی استفاده می شوند
2594
01:42:19,360 –> 01:42:22,000
اما چیزهای پیشرفته زیادی وجود دارد
2595
01:42:22,000 –> 01:42:23,440
که شما می توانید انجام دهید به عنوان مثال شما می توانید
2596
01:42:23,440 –> 01:42:24,719
خود را ایجاد کنید
2597
01:42:24,719 –> 01:42:26,719
اوه عملکرد از دست دادن خود شما است
2598
01:42:26,719 –> 01:42:29,280
بهینه سازی معیارهای خود و سپس شما
2599
01:42:29,280 –> 01:42:31,600
می توانید آن را به عنوان یک پارامتر اینجا ارسال کنید اما این
2600
01:42:31,600 –> 01:42:34,080
کمی پیشرفته است بنابراین در حال حاضر من هستم
2601
01:42:34,080 –> 01:42:35,040
فقط میخوام
2602
01:42:35,040 –> 01:42:38,080
مراحل را طبق معمول طی کنید
2603
01:42:38,080 –> 01:42:40,159
مقادیری که در عمق استفاده می شود
2604
01:42:40,159 –> 01:42:42,560
جامعه یادگیری تا الان که داریم
2605
01:42:42,560 –> 01:42:45,119
مدل ما را گردآوری کرد
2606
01:42:45,119 –> 01:42:47,760
تنها چیزی که باقی می ماند این است که
2607
01:42:47,760 –> 01:42:49,440
متناسب با داده ها
2608
01:42:49,440 –> 01:42:51,679
به مدل ما می رویم
2609
01:42:51,679 –> 01:42:54,719
برای فراخوانی مناسب مدل
2610
01:42:54,719 –> 01:42:56,480
و تابع تناسب
2611
01:42:56,480 –> 01:42:58,239
اوه چندین طول می کشد
2612
01:42:58,239 –> 01:43:00,480
uh پارامترها
2613
01:43:00,480 –> 01:43:02,960
اولین پارامتر است
2614
01:43:02,960 –> 01:43:06,639
x را صاف کنید تا تصاویر را بکشید و سپس
2615
01:43:06,639 –> 01:43:09,040
آن را به قطار y بنابراین
2616
01:43:09,040 –> 01:43:11,520
برچسب های مربوط به آن تصاویر
2617
01:43:11,520 –> 01:43:14,639
آن را نیز به اندازه دسته ای است
2618
01:43:14,639 –> 01:43:17,040
بنابراین این اندازه دسته نشان دهنده است
2619
01:43:17,040 –> 01:43:18,400
چند تصویر
2620
01:43:18,400 –> 01:43:21,360
آیا مدل ما قرار است هر بار ببینیم؟
2621
01:43:21,360 –> 01:43:22,080
بنابراین
2622
01:43:22,080 –> 01:43:23,840
در اینجا می توانید برای مثال اگر آن را تنظیم کنید
2623
01:43:23,840 –> 01:43:25,840
به یکی این به این معنی است که ما می گذریم
2624
01:43:25,840 –> 01:43:27,119
یک تصویر
2625
01:43:27,119 –> 01:43:27,920
اوه
2626
01:43:27,920 –> 01:43:31,199
در یک زمان به مدل ما اما
2627
01:43:31,199 –> 01:43:32,960
ما معمولاً این کار را انجام نمی دهیم
2628
01:43:32,960 –> 01:43:35,760
تعداد بیشتری از تصاویر را برای ارسال انتخاب کنید
2629
01:43:35,760 –> 01:43:38,400
آنها را از طریق مدل ما در اینجا برای
2630
01:43:38,400 –> 01:43:41,840
به عنوان مثال می توانیم از 64 استفاده کنیم.
2631
01:43:41,840 –> 01:43:44,159
این نیز یکی از پارامترهای هایپر است
2632
01:43:44,159 –> 01:43:46,800
که می توانید تغییر دهید و ببینید
2633
01:43:46,800 –> 01:43:49,199
مدل شما چگونه عمل خواهد کرد
2634
01:43:49,199 –> 01:43:51,840
بر اساس متفاوت
2635
01:43:51,840 –> 01:43:54,239
و همچنین ما می خواهیم
2636
01:43:54,239 –> 01:43:57,119
دوره های پارامتر را در اینجا تنظیم کنید
2637
01:43:57,119 –> 01:44:00,000
و بیایید بگوییم که من انتخاب می کنم
2638
01:44:00,000 –> 01:44:01,440
مثلا
2639
01:44:01,440 –> 01:44:03,920
فقط سه دوره به طوری که ما می توانیم به سرعت
2640
01:44:03,920 –> 01:44:06,400
آزمایش انجام دهید
2641
01:44:06,400 –> 01:44:09,119
و دوران نمایانگر است
2642
01:44:09,119 –> 01:44:11,520
یک دوره در واقع نشان دهنده
2643
01:44:11,520 –> 01:44:14,639
این واقعیتی که مدل شما دیده است
2644
01:44:14,639 –> 01:44:18,000
همه داده های شما یک بار تنظیم می شود تا زمانی که همه
2645
01:44:18,000 –> 01:44:21,760
تصاویر شما از طریق مدل منتقل می شود
2646
01:44:21,760 –> 01:44:23,679
اگر آنها هستند اگر این یک بار انجام شود پس
2647
01:44:23,679 –> 01:44:25,199
این یک دوره است
2648
01:44:25,199 –> 01:44:26,000
اگر
2649
01:44:26,000 –> 01:44:28,639
مدل شما دوبار آنها را دیده است
2650
01:44:28,639 –> 01:44:31,360
سپس این دو دوره و غیره است
2651
01:44:31,360 –> 01:44:33,119
چهارم بنابراین
2652
01:44:33,119 –> 01:44:34,960
اساساً در اینجا ما عدد را تعریف می کنیم
2653
01:44:34,960 –> 01:44:36,880
مواقعی که مدل شما قرار است
2654
01:44:36,880 –> 01:44:40,400
به تمام مجموعه داده های خود نگاه کنید
2655
01:44:40,400 –> 01:44:43,280
این نیز یک پارامتر hyper است
2656
01:44:43,280 –> 01:44:44,080
بنابراین
2657
01:44:44,080 –> 01:44:46,239
در اینجا در واقع ما می توانیم آن را درست مانند آن نگه داریم
2658
01:44:46,239 –> 01:44:48,400
این و ما می توانیم آموزش را اجرا کنیم که
2659
01:44:48,400 –> 01:44:51,199
به این معنی است که تمام تصاویر موجود
2660
01:44:51,199 –> 01:44:53,360
در مجموعه قطار قرار است استفاده شود
2661
01:44:53,360 –> 01:44:56,320
برای تمرین
2662
01:44:56,320 –> 01:44:57,119
ولی
2663
01:44:57,119 –> 01:44:58,719
یک چیز که
2664
01:44:58,719 –> 01:45:02,239
که شما می توانید انجام دهید در واقع استفاده از a
2665
01:45:02,239 –> 01:45:04,000
اعتبار سنجی
2666
01:45:04,000 –> 01:45:05,440
شکاف
2667
01:45:05,440 –> 01:45:06,159
بنابراین
2668
01:45:06,159 –> 01:45:08,800
برای مثال در اینجا یک تقسیم اعتبار
2669
01:45:08,800 –> 01:45:11,600
بیایید بگوییم من قصد دارم از 0.2 این استفاده کنم
2670
01:45:11,600 –> 01:45:14,239
یعنی میخوام از 20 استفاده کنم
2671
01:45:14,239 –> 01:45:18,800
از تصاویر قطار برای اعتبار سنجی
2672
01:45:18,800 –> 01:45:21,280
بنابراین دوباره چه چیزی اعتبار سنجی
2673
01:45:21,280 –> 01:45:23,520
معنی چیست که چرا متفاوت است
2674
01:45:23,520 –> 01:45:25,199
نسبت به مجموعه تست
2675
01:45:25,199 –> 01:45:26,960
مثلا
2676
01:45:26,960 –> 01:45:29,840
در واقع در هنگام انجام متقابل
2677
01:45:29,840 –> 01:45:32,719
معمولاً داده های خود را به دو قسمت تقسیم می کنید
2678
01:45:32,719 –> 01:45:34,320
قطار
2679
01:45:34,320 –> 01:45:35,040
را
2680
01:45:35,040 –> 01:45:36,320
اعتبار سنجی
2681
01:45:36,320 –> 01:45:39,040
و مجموعه های تست آنها را به این تقسیم می کنند
2682
01:45:39,040 –> 01:45:40,560
سه قسمت
2683
01:45:40,560 –> 01:45:42,000
قطار
2684
01:45:42,000 –> 01:45:44,639
مجموعه برای آموزش مدل استفاده خواهد شد
2685
01:45:44,639 –> 01:45:47,679
اعتبارسنجی در پایان استفاده خواهد شد
2686
01:45:47,679 –> 01:45:50,239
هر دوره ای را که میخواهیم اجرا کنیم
2687
01:45:50,239 –> 01:45:52,639
مدل در اعتبار سنجی نه برای
2688
01:45:52,639 –> 01:45:54,880
آموزش اما فقط برای پیش بینی به طوری که
2689
01:45:54,880 –> 01:45:57,440
ما می توانیم ببینیم که مدل چقدر خوب عمل می کند
2690
01:45:57,440 –> 01:46:00,400
بر روی داده هایی که ندیده است
2691
01:46:00,400 –> 01:46:02,960
از آن برای آموزش استفاده نکرد
2692
01:46:02,960 –> 01:46:06,400
بنابراین این در واقع این دو تقسیم
2693
01:46:06,400 –> 01:46:10,320
آنهایی هستند که برای تنظیم دقیق خود استفاده می کنیم
2694
01:46:10,320 –> 01:46:13,199
مدل ما بنابراین زمانی که من به hyper اشاره کردم
2695
01:46:13,199 –> 01:46:15,280
پارامترهایی که من ذکر کردم که این برای
2696
01:46:15,280 –> 01:46:17,199
به عنوان مثال هایپرپارامتر این یک هایپر است
2697
01:46:17,199 –> 01:46:19,840
پارامتر مقادیر در اینجا hyper هستند
2698
01:46:19,840 –> 01:46:22,480
پارامترها اما چه زمانی این را می گویید
2699
01:46:22,480 –> 01:46:23,280
یکی
2700
01:46:23,280 –> 01:46:26,159
یا مجموعه ای از پارامترهای هایپر بهتر است
2701
01:46:26,159 –> 01:46:28,639
از مجموعه دیگری از پارامترهای hyper در
2702
01:46:28,639 –> 01:46:31,360
در واقع شما این کار را با استفاده از اعتبارسنجی انجام می دهید
2703
01:46:31,360 –> 01:46:32,960
شکاف
2704
01:46:32,960 –> 01:46:35,520
بنابراین هر زمان که آموزش می دهید روی آن تست کنید
2705
01:46:35,520 –> 01:46:37,280
تقسیم اعتبار
2706
01:46:37,280 –> 01:46:39,920
یا در قسمت اعتبار سنجی و سپس شما
2707
01:46:39,920 –> 01:46:42,080
ببینید که آیا
2708
01:46:42,080 –> 01:46:44,159
معیاری که استفاده می کنید بهبود یافته است یا
2709
01:46:44,159 –> 01:46:46,400
در مورد ما اینطور نیست متریک این است
2710
01:46:46,400 –> 01:46:49,119
دقت، دقت است
2711
01:46:49,119 –> 01:46:50,560
وقتی هایپر را تغییر می دهیم بهتر است
2712
01:46:50,560 –> 01:46:53,040
پارامترها بنابراین شما یک آموزش با a انجام دهید
2713
01:46:53,040 –> 01:46:55,920
مجموعه ای از پارامترهای آموزشی
2714
01:46:55,920 –> 01:46:58,480
می بینید که مجموعه اعتبارسنجی خوب است یا
2715
01:46:58,480 –> 01:47:00,719
نه
2716
01:47:00,960 –> 01:47:03,119
و سپس پارامترهای hyper را تغییر می دهید
2717
01:47:03,119 –> 01:47:04,639
شما دوباره آموزش را اجرا می کنید و نگاه می کنید
2718
01:47:04,639 –> 01:47:06,159
در اعتبار سنجی
2719
01:47:06,159 –> 01:47:08,080
دقت آنها بهتر شد
2720
01:47:08,080 –> 01:47:09,360
بدتر شدن
2721
01:47:09,360 –> 01:47:12,080
و شما به انجام این حلقه ادامه می دهید
2722
01:47:12,080 –> 01:47:14,560
آزمایش کنید تا به یک نقطه برسید
2723
01:47:14,560 –> 01:47:16,800
جایی که می بینی که نیستی
2724
01:47:16,800 –> 01:47:19,760
بهبود دیگر در مجموعه اعتبار سنجی
2725
01:47:19,760 –> 01:47:20,960
و سپس
2726
01:47:20,960 –> 01:47:22,639
فقط وقتی با این کار تمام شد
2727
01:47:22,639 –> 01:47:25,360
مرحله آزمایشی که شما آن را حفظ می کنید
2728
01:47:25,360 –> 01:47:27,440
مدل نهایی که به خوبی روی آن کار می کند
2729
01:47:27,440 –> 01:47:29,760
اعتبار سنجی را تنظیم کنید و سپس آن را تست کنید
2730
01:47:29,760 –> 01:47:31,520
مجموعه تست
2731
01:47:31,520 –> 01:47:33,360
بنابراین
2732
01:47:33,360 –> 01:47:35,040
با این پارامتر در اینجا اعتبار سنجی
2733
01:47:35,040 –> 01:47:37,760
تقسیم می کند آنچه که ما می خواهیم انجام دهیم این است
2734
01:47:37,760 –> 01:47:40,320
مجموعه آموزشی ما را تقسیم کنید
2735
01:47:40,320 –> 01:47:43,199
به دو قسمت هشتاد درصد
2736
01:47:43,199 –> 01:47:44,400
آموزش
2737
01:47:44,400 –> 01:47:47,119
تصاویر یا تصاویری که در این وجود دارد
2738
01:47:47,119 –> 01:47:47,840
اوه
2739
01:47:47,840 –> 01:47:50,239
متغیر افراطی قرار است استفاده شود
2740
01:47:50,239 –> 01:47:53,119
برای آموزش و 20 نفر از آنها قرار است
2741
01:47:53,119 –> 01:47:56,080
برای اعتبار سنجی استفاده شود
2742
01:47:56,080 –> 01:47:58,239
و سپس ما آزمایشات را حفظ می کنیم
2743
01:47:58,239 –> 01:48:01,119
در اینجا قرار دهید تا پایان که ما تمام کنیم
2744
01:48:01,119 –> 01:48:02,239
تمرین
2745
01:48:02,239 –> 01:48:04,400
و ما از آن استفاده خواهیم کرد
2746
01:48:04,400 –> 01:48:07,119
مدل ما را ارزیابی کنید تا ببینید چقدر خوب است
2747
01:48:07,119 –> 01:48:09,600
بر روی تصاویری که هرگز انجام نداده است
2748
01:48:09,600 –> 01:48:10,719
مشاهده گردید
2749
01:48:10,719 –> 01:48:11,520
بنابراین
2750
01:48:11,520 –> 01:48:12,480
را
2751
01:48:12,480 –> 01:48:14,719
تصاویر در اینجا که آیا آنها در
2752
01:48:14,719 –> 01:48:17,280
مجموعه قطار یا مجموعه اعتبار سنجی
2753
01:48:17,280 –> 01:48:19,280
مدل قرار است آنها را در برخی موارد ببیند
2754
01:48:19,280 –> 01:48:21,840
امتیاز در طول آموزش اما آزمون
2755
01:48:21,840 –> 01:48:23,600
مجموعه ما از آن در این استفاده نخواهیم کرد
2756
01:48:23,600 –> 01:48:25,840
تابع در اینجا به این معنی است که مدل
2757
01:48:25,840 –> 01:48:27,840
هرگز آن را در طول آموزش نمی بینم
2758
01:48:27,840 –> 01:48:29,440
و آیا ما می توانیم
2759
01:48:29,440 –> 01:48:33,520
اوه ما می توانیم مجموعه ای از تصاویر را به آن ارسال کنیم
2760
01:48:33,520 –> 01:48:36,719
مدل فقط در پایان آموزش بنابراین
2761
01:48:36,719 –> 01:48:39,040
به عنوان مثال می توانیم آن را در اینجا پاس کنیم
2762
01:48:39,040 –> 01:48:40,480
مدل آن
2763
01:48:40,480 –> 01:48:43,600
ارزیابی کنید و ما می توانیم آن را ارائه دهیم
2764
01:48:43,600 –> 01:48:46,480
تست x
2765
01:48:46,480 –> 01:48:48,719
اعمال تست و
2766
01:48:48,719 –> 01:48:50,159
ما همچنین میتوانیم
2767
01:48:50,159 –> 01:48:52,639
یک اندازه دسته ای را در اینجا انتخاب کنید، بگذارید فقط نگه داریم
2768
01:48:52,639 –> 01:48:53,360
آی تی
2769
01:48:53,360 –> 01:48:55,679
مثل قبل
2770
01:48:55,679 –> 01:48:56,719
بنابراین
2771
01:48:56,719 –> 01:48:58,880
دوباره فقط برای خلاصه کردن سریع چه چیزی
2772
01:48:58,880 –> 01:49:01,440
ما در اینجا انجام می دهیم، ما آن را می گیریم
2773
01:49:01,440 –> 01:49:03,920
تصاویر قطار تا 60 000
2774
01:49:03,920 –> 01:49:05,840
ما آنها را به دو قسمت تقسیم می کنیم
2775
01:49:05,840 –> 01:49:09,199
قسمت های هشتاد درصد از تصاویر بنابراین
2776
01:49:09,199 –> 01:49:10,960
هشتاد درصد از شصت هزار
2777
01:49:10,960 –> 01:49:13,679
تصاویر قرار است برای آموزش استفاده شود
2778
01:49:13,679 –> 01:49:16,159
بقیه که 20 است قرار است استفاده شود
2779
01:49:16,159 –> 01:49:17,380
برای اعتبار سنجی
2780
01:49:17,380 –> 01:49:18,560
[موسیقی]
2781
01:49:18,560 –> 01:49:19,599
و
2782
01:49:19,599 –> 01:49:22,080
تنظیم قطار یا تست می گوید متاسفم
2783
01:49:22,080 –> 01:49:24,080
که 10000 تصویر در اینجا هستند
2784
01:49:24,080 –> 01:49:26,159
در پایان زمانی که
2785
01:49:26,159 –> 01:49:29,199
مدل آموزش را به پایان رسانده است
2786
01:49:29,199 –> 01:49:31,440
در این نقطه اینجا
2787
01:49:31,440 –> 01:49:32,639
این هست
2788
01:49:32,639 –> 01:49:34,719
آموزش مدل
2789
01:49:34,719 –> 01:49:36,639
یک بار این
2790
01:49:36,639 –> 01:49:39,040
خط در اینجا انجام می شود سپس مدل انجام می شود
2791
01:49:39,040 –> 01:49:42,880
آموزش دیده و اینجا ما می توانیم انجام دهیم
2792
01:49:42,880 –> 01:49:47,119
ارزیابی در مجموعه تست
2793
01:49:47,360 –> 01:49:50,000
این در اینجا تست x را تنظیم می کند
2794
01:49:50,000 –> 01:49:51,679
قرار است به ما کمک کند
2795
01:49:51,679 –> 01:49:54,320
تشخیص دهید که مدل ما چقدر خوب است
2796
01:49:54,320 –> 01:49:57,840
بر روی داده هایی که هرگز ندیده است انجام دهد
2797
01:49:57,840 –> 01:50:00,080
زیرا معمولاً کاری که انجام می دهید تمرین کردن است
2798
01:50:00,080 –> 01:50:01,440
یک مدل
2799
01:50:01,440 –> 01:50:03,599
شما آن را در تولید قرار می دهید و سپس شما
2800
01:50:03,599 –> 01:50:05,920
شروع به آزمایش آن بر روی داده های جدید است
2801
01:50:05,920 –> 01:50:08,080
به عنوان مثال از کاربران شما اگر
2802
01:50:08,080 –> 01:50:11,280
شما نوعی محصول وب دارید
2803
01:50:11,280 –> 01:50:14,239
و این نمونه ها هرگز
2804
01:50:14,239 –> 01:50:15,760
آنها را دیده است
2805
01:50:15,760 –> 01:50:16,639
بنابراین
2806
01:50:16,639 –> 01:50:19,040
به منظور دریافت ایده ای از اینکه چقدر خوب هستید
2807
01:50:19,040 –> 01:50:22,480
مدل روی نمونه هایی از این دست عمل خواهد کرد
2808
01:50:22,480 –> 01:50:25,360
شما این قسمت را در اینجا جدا از
2809
01:50:25,360 –> 01:50:27,599
آموزش و اعتباری که نگه می دارید
2810
01:50:27,599 –> 01:50:30,239
آن را تا پایان و سپس در پایان شما
2811
01:50:30,239 –> 01:50:33,040
مدل خود را روی آن تست کنید
2812
01:50:33,040 –> 01:50:36,480
بنابراین این هدف از این مجموعه تست و
2813
01:50:36,480 –> 01:50:39,360
هدف از تقسیم
2814
01:50:39,360 –> 01:50:41,520
این در اینجا به دو بخش تنظیم شده است
2815
01:50:41,520 –> 01:50:44,159
اکنون ما یک برنامه کامل داریم که ما
2816
01:50:44,159 –> 01:50:48,000
می تواند اجرا شود و ما می توانیم مدل خود را آموزش دهیم
2817
01:50:48,000 –> 01:50:51,679
و ما می توانیم ببینیم که چقدر خوب عمل می کند
2818
01:50:51,679 –> 01:50:55,280
اعتبار سنجی قطار و مجموعه های آزمایشی، به ما اجازه دهید
2819
01:50:55,280 –> 01:50:58,800
همین الان این کار را بکن، بگذار این را پاک کنم
2820
01:50:58,800 –> 01:51:03,280
و من مثال خود را در اینجا اجرا می کنم
2821
01:51:03,280 –> 01:51:06,800
بنابراین بسته به این ممکن است مدتی طول بکشد
2822
01:51:06,800 –> 01:51:10,000
روی دستگاه شما
2823
01:51:10,960 –> 01:51:13,920
اما معمولاً نباید آنقدر طول بکشد
2824
01:51:13,920 –> 01:51:16,719
خوب در واقع وقتی کدی را که گرفتم اجرا کردم
2825
01:51:16,719 –> 01:51:19,280
به این خطا در اینجا و
2826
01:51:19,280 –> 01:51:21,920
در واقع من می خواستم شما این خطا را ببینید
2827
01:51:21,920 –> 01:51:25,119
زیرا این یک خطای بسیار رایج است و
2828
01:51:25,119 –> 01:51:27,199
اوه من می خواستم از آن استفاده کنم
2829
01:51:27,199 –> 01:51:29,920
به شما توضیح دهد که چرا می خواهید استفاده کنید
2830
01:51:29,920 –> 01:51:32,159
آنتروپی متقاطع طبقه ای
2831
01:51:32,159 –> 01:51:34,880
یا آنتروپی متقاطع پراکنده در واقع این است
2832
01:51:34,880 –> 01:51:37,520
خطا از این می آید
2833
01:51:37,520 –> 01:51:40,000
جزئیات خاص در اینجا
2834
01:51:40,000 –> 01:51:42,400
بنابراین زمانی که شما دارید
2835
01:51:42,400 –> 01:51:45,119
اگر از یک مجموعه داده مانند ما در اینجا استفاده کنید
2836
01:51:45,119 –> 01:51:47,040
آنتروپی متقاطع طبقه ای
2837
01:51:47,040 –> 01:51:48,480
سپس
2838
01:51:48,480 –> 01:51:50,800
در واقع این تابع از دست دادن به
2839
01:51:50,800 –> 01:51:52,719
انتظار
2840
01:51:52,719 –> 01:51:53,840
شما
2841
01:51:53,840 –> 01:51:56,700
برچسب هایی که اینها هستند
2842
01:51:56,700 –> 01:51:57,920
[موسیقی]
2843
01:51:57,920 –> 01:52:00,480
x آموزش y و آزمون y قرار است
2844
01:52:00,480 –> 01:52:04,400
انتظار داشته باشید که آنها یک قلب رمزگذاری شده باشند
2845
01:52:04,400 –> 01:52:06,639
و اگر نمی خواهید از یک قلب استفاده کنید
2846
01:52:06,639 –> 01:52:09,440
رمزگذاری سپس باید از a استفاده کنید
2847
01:52:09,440 –> 01:52:11,920
تابع از دست دادن مختلف که است
2848
01:52:11,920 –> 01:52:15,040
آنتروپی متقاطع طبقه ای پراکنده
2849
01:52:15,040 –> 01:52:18,159
بنابراین این یک جزئیات جزئی است اما بسیار است
2850
01:52:18,159 –> 01:52:19,280
مهم
2851
01:52:19,280 –> 01:52:21,040
بنابراین اگر شما در واقع به
2852
01:52:21,040 –> 01:52:23,920
مستندات
2853
01:52:24,480 –> 01:52:26,639
بنابراین در اینجا در اسناد من فقط
2854
01:52:26,639 –> 01:52:28,560
باز شد
2855
01:52:28,560 –> 01:52:30,880
دو صفحه برای صلیب طبقه بندی
2856
01:52:30,880 –> 01:52:34,159
آنتروپی و برای تلاقی طبقه ای پراکنده
2857
01:52:34,159 –> 01:52:35,360
آنتروپی
2858
01:52:35,360 –> 01:52:38,080
بنابراین برای آنتروپی متقاطع طبقه ای
2859
01:52:38,080 –> 01:52:40,480
اینجا اگرچه اوه
2860
01:52:40,480 –> 01:52:43,760
در اینجا به طور خاص ذکر نشده است
2861
01:52:43,760 –> 01:52:45,760
اما در واقع اگر به مثال نگاه کنید
2862
01:52:45,760 –> 01:52:47,920
می بینید که
2863
01:52:47,920 –> 01:52:50,159
این روشی است که شما از categorical استفاده می کنید
2864
01:52:50,159 –> 01:52:53,360
آنتروپی متقاطع اینها اینگونه است
2865
01:52:53,360 –> 01:52:56,639
برچسب های شما باید در واقع به این ترتیب تنظیم شوند
2866
01:52:56,639 –> 01:52:57,679
این هست
2867
01:52:57,679 –> 01:52:59,840
یک برچسب برای یک تصویر
2868
01:52:59,840 –> 01:53:02,320
که به صورت برداری است
2869
01:53:02,320 –> 01:53:04,080
و در آن بردار
2870
01:53:04,080 –> 01:53:06,320
یکی با حق مطابقت خواهد داشت
2871
01:53:06,320 –> 01:53:08,719
کلاس و صفرها مطابقت دارند
2872
01:53:08,719 –> 01:53:11,840
کلاس های اشتباه، بنابراین اگر شما سه
2873
01:53:11,840 –> 01:53:13,920
کلاس ها پس از آن
2874
01:53:13,920 –> 01:53:16,880
شما باید یک را در کلاس مناسب تنظیم کنید
2875
01:53:16,880 –> 01:53:20,560
و صفر برای بقیه در مورد ما
2876
01:53:20,560 –> 01:53:24,800
اگر میخواستیم یک کدگذاری داغ انجام دهیم
2877
01:53:24,800 –> 01:53:27,599
برای مثال اگر دارید
2878
01:53:27,599 –> 01:53:29,679
اجازه دهید این مثال سریع را در اینجا انجام دهم
2879
01:53:29,679 –> 01:53:30,880
اگر تو داری
2880
01:53:30,880 –> 01:53:32,800
برچسب
2881
01:53:32,800 –> 01:53:34,159
دو
2882
01:53:34,159 –> 01:53:34,610
سپس
2883
01:53:34,610 –> 01:53:36,080
[موسیقی]
2884
01:53:36,080 –> 01:53:38,000
یک کلاه
2885
01:53:38,000 –> 01:53:40,880
رمزگذاری به این صورت خواهد بود
2886
01:53:40,880 –> 01:53:42,719
بردار خواهد بود
2887
01:53:42,719 –> 01:53:44,719
0
2888
01:53:44,719 –> 01:53:46,320
0
2889
01:53:46,320 –> 01:53:47,280
1
2890
01:53:47,280 –> 01:53:50,320
سپس 0 0 0
2891
01:53:50,320 –> 01:53:52,960
و 8 9 10.
2892
01:53:52,960 –> 01:53:56,000
این برچسب مربوط به آن خواهد بود
2893
01:53:56,000 –> 01:53:56,880
که
2894
01:53:56,880 –> 01:53:59,199
برای آن تصویر بنابراین تصویر شامل
2895
01:53:59,199 –> 01:54:01,599
شماره دو اما برچسب شما باید باشد
2896
01:54:01,599 –> 01:54:02,960
مثل این
2897
01:54:02,960 –> 01:54:04,480
و این نامیده می شود
2898
01:54:04,480 –> 01:54:08,000
یک رمزگذاری داغ از برچسب های شما
2899
01:54:08,000 –> 01:54:09,599
حالا اوه
2900
01:54:09,599 –> 01:54:11,920
اگر در مورد
2901
01:54:11,920 –> 01:54:14,080
اوه چگونه ما در واقع از مجموعه داده های خود استفاده می کنیم
2902
01:54:14,080 –> 01:54:15,440
ما استفاده نمی کنیم
2903
01:54:15,440 –> 01:54:17,840
یک رمزگذاری داغ بنابراین برچسب های ما فقط هستند
2904
01:54:17,840 –> 01:54:20,880
به عنوان اعداد رمزگذاری شده است، بنابراین اگر آن دوم است
2905
01:54:20,880 –> 01:54:22,880
اگر شماره دو باشد،
2906
01:54:22,880 –> 01:54:24,800
برچسب مربوطه اگر صفر باشد دو است
2907
01:54:24,800 –> 01:54:26,719
پس از آن صفر است و به همین ترتیب ما هستیم
2908
01:54:26,719 –> 01:54:28,800
عدم استفاده از رمزگذاری نصف
2909
01:54:28,800 –> 01:54:31,119
بنابراین اگر استفاده می کنید
2910
01:54:31,119 –> 01:54:33,199
آنتروپی متقابل طبقه ای
2911
01:54:33,199 –> 01:54:35,599
سپس شما باید از رمزگذاری یک دوم استفاده کنید
2912
01:54:35,599 –> 01:54:38,320
به این معنی که شما باید آن را بگیرید
2913
01:54:38,320 –> 01:54:41,599
y تست کنید و آنها را به یکی تبدیل کنید
2914
01:54:41,599 –> 01:54:44,159
کدگذاری داغ
2915
01:54:44,159 –> 01:54:45,360
برچسب ها
2916
01:54:45,360 –> 01:54:47,040
و اگر نمی خواهید این کار را انجام دهید
2917
01:54:47,040 –> 01:54:49,119
نیاز به اضافه کردن
2918
01:54:49,119 –> 01:54:52,480
به جای آن، آنتروپی طبقه بندی شده پراکنده است
2919
01:54:52,480 –> 01:54:54,000
از طبقه بندی
2920
01:54:54,000 –> 01:54:56,320
متقاطع آنتروپی زیرا اگر به سمت
2921
01:54:56,320 –> 01:54:57,679
مستندات
2922
01:54:57,679 –> 01:55:00,880
شما به طبقه بندی پراکنده نگاه کنید
2923
01:55:00,880 –> 01:55:03,520
متقاطع آنتروپی می بینید که ما اینجا هستیم
2924
01:55:03,520 –> 01:55:06,800
با استفاده از برچسب ها در قالب معمولی
2925
01:55:06,800 –> 01:55:08,000
قالب
2926
01:55:08,000 –> 01:55:11,199
نه کسی که از یک کلاه رمزگذاری استفاده می کند
2927
01:55:11,199 –> 01:55:14,960
بنابراین هنگام انجام این کار
2928
01:55:14,960 –> 01:55:16,960
اگر این را ذخیره کنیم
2929
01:55:16,960 –> 01:55:19,840
اجازه دهید این را دوباره پاک کنم اگر من را اجرا کنم
2930
01:55:19,840 –> 01:55:23,760
به عنوان مثال اکنون ما نباید مشکلی داشته باشیم
2931
01:55:23,760 –> 01:55:26,159
همه چیز باید به آرامی پیش برود
2932
01:55:26,159 –> 01:55:28,320
و همانطور که می بینید آموزش دارد
2933
01:55:28,320 –> 01:55:30,960
از اینجا شروع شد و اجازه دهید من آن را متوقف کنم
2934
01:55:30,960 –> 01:55:33,679
اینجا فقط برای نشان دادن شما
2935
01:55:33,679 –> 01:55:36,000
اگر بخواهید از ضربدر طبقه بندی شده استفاده کنید
2936
01:55:36,000 –> 01:55:38,000
آنتروپی چه چیزی را خواهید داشت
2937
01:55:38,000 –> 01:55:40,880
شما باید متفاوت عمل کنید
2938
01:55:40,880 –> 01:55:42,880
زیرا گاهی اوقات ممکن است داده ای داشته باشید
2939
01:55:42,880 –> 01:55:45,199
مجموعه ای که قبلا داشته است
2940
01:55:45,199 –> 01:55:47,840
یک برچسب رمزگذاری داغ
2941
01:55:47,840 –> 01:55:49,679
در این مورد
2942
01:55:49,679 –> 01:55:51,520
اگر فقط می خواهید از آنها همانطور که هستند استفاده کنید
2943
01:55:51,520 –> 01:55:52,800
شما نمی خواهید
2944
01:55:52,800 –> 01:55:55,280
برچسب های خود را به برچسب های متفاوت تبدیل کنید
2945
01:55:55,280 –> 01:55:57,760
قالب
2946
01:55:57,920 –> 01:55:59,599
در آن صورت شما فقط استفاده می کنید
2947
01:55:59,599 –> 01:56:01,760
آنتروپی متقاطع طبقه ای اما اگر شما
2948
01:56:01,760 –> 01:56:04,159
برچسب هایی مانند این داشته باشید که یکی نیستند
2949
01:56:04,159 –> 01:56:05,840
داغ کدگذاری شده و می خواهید آنها را بچرخانید
2950
01:56:05,840 –> 01:56:07,199
در یک کلاه
2951
01:56:07,199 –> 01:56:08,400
کدگذاری شده است
2952
01:56:08,400 –> 01:56:10,480
آنچه شما می توانید انجام دهید این است
2953
01:56:10,480 –> 01:56:12,800
استفاده کنید
2954
01:56:13,199 –> 01:56:16,800
ابزاری از uh tensorflow
2955
01:56:16,800 –> 01:56:18,890
بنابراین اینجا ما تمرین می کنیم
2956
01:56:18,890 –> 01:56:20,400
[موسیقی]
2957
01:56:20,400 –> 01:56:23,400
tensorflow.keras.utils.2
2958
01:56:28,080 –> 01:56:30,000
طبقه بندی شده
2959
01:56:30,000 –> 01:56:33,119
و سپس آن را می دادی
2960
01:56:33,119 –> 01:56:34,000
y
2961
01:56:34,000 –> 01:56:37,199
همان آرایه uh بنابراین Y آموزش و سپس
2962
01:56:37,199 –> 01:56:39,440
می خواهید به آن بگویید چند کلاس دارید
2963
01:56:39,440 –> 01:56:42,320
دارند بنابراین ما 10 کلاس بین 0 تا داریم
2964
01:56:42,320 –> 01:56:43,199
9
2965
01:56:43,199 –> 01:56:47,520
و شما همین کار را برای تست y انجام می دهید
2966
01:56:47,520 –> 01:56:50,000
کراس تنسورفلو
2967
01:56:50,000 –> 01:56:51,280
جزئیات
2968
01:56:51,280 –> 01:56:52,080
2
2969
01:5