CNN: Convolutional Neural Networks Explained - Computerphile Computerphile Turkish Thai

CNN: Convolutional Neural Networks Explained - ComputerphileYouTube↗ IA↗(long shot)
Education 718K views 11.2K likes 142 dislikes 20 May 2016 Show Contributors 2

Computerphile 2.6M subscribers N/A YouTube↗

Contributed subtitles

English Taylor The Warlock

Thai ytuaeb sciencemath

Click to Play Video

Bu, Brais'in derin öğrenme konusundaki videolarına bir tür takip

นี้เป็นการเพิ่มเติมวิดีโอของ Brais ในเรื่องการเรียนรู้ลึก(deep learning)

Yani derin öğrenme şu anda büyük bir şey

การเรียนรู้ลึกเป็นสิ่งที่ยิ่งใหญ่ในตอนนี้

ve bunun olup olmayacağı üzerine araştırma arasında bazı anlaşmazlıklar var - bu, bu * o *

และมีความขัดแย้งระหว่างการวิจัยมากว่ามันจะคือเป็น สิ่งนี้หรือไม่

Her şeyi değiştirecek en büyük şey bu

สิ่งที่ยิ่งใหญ่ที่ทุกอย่างจะเปลี่ยนแปลง

ya da bu tavada başka bir flaş olup olmadığı gibi, yapay sinir ağları 80'lerde idi

หรือไม่ว่าจะเป็นเปลวไฟในกระทะ เช่นเครือข่ายประสาทเทียม (artificial neural networks) ในยุค 80

Herkes çok heyecanlandı ve oldukça iyi sonuçlar aldı.

ทุกคนได้ตื่นเต้นมาก และพวกมันได้ผลค่อนข้างเป็นผลดี

ve onlarla tüm sorunları çözemediklerini anladıklarında, bilmiyorum

และเมื่อพวกเขาตระหนักว่าพวกมันไม่สามารถแก้ปัญหาทั้งหมดให้กับพวกเขา ผมไม่ทราบว่า

Buna değer, bunlar önemli, sanırım.

อะไรคือสิ่งที่คุ้มค่า เหล่านี้เป็นเรื่องใหญ่ ผมคิดนะ

[ekran dışı] Convoluted sinir ağları hakkında konuşalım, öyle mi dedim?

[Offscreen] มาพูดคุยเกี่ยวกับ convoluted neural networks ผมพูดถูก ใช่มั้ย?

Konvolüsyonel sinir ağları.

Convolutional neural networks (CNN)

[ekran dışı] Ah, tamam, tamam

[Offscreen] อ๋อ โอเค

Her iki derin sinir ağını birleştiriyorlar, yani Brais'in konuştuğu şey.

มันรวมถึงเครือข่ายประสาทลึก(deep neural networks) ซึ่งเป็นสิ่งที่ Brais ได้พูดถึง

ve önceki bir videoda bahsettiğim şey olan çekirdek kıvrımları.

และ kernel convolution ซึ่งเป็นสิ่งที่ผมได้พูดถึง ในวิดีโอก่อนหน้า

İnsanlara bu videoyu izlemelerini tavsiye ederim

ผมแนะนำให้ผู้คนดูวิดีโอนั้น

Eğlenceli bir ev sahibi var, değil mi?

คุณจะรู้ว่ามันมีผู้ดำเนินรายการที่สนุกสนาน ใช่มั้ย?

* ekrandan gülmek *

* หัวเราะจาก Offscreen *

Öyleyse, ama, ama, çünkü, bir çekirdek evriminin ne olduğunu bilmiyorsanız, bu sizin için pek bir anlam ifade etmeyecektir.

แต่ แต่เพราะ ถ้าคุณไม่ได้รู้จัก kernel convolution นี่จะไม่ให้ความกระจ่างมากนักแก่คุณ

Öyleyse önce o videoyu izle

ดูวิดีโอนั่นก่อน อย่างแรกเลย

[ekran dışı] Demek grafikte yaptığımız çekirdek çevrimleri ve sobel op-

[Offscreen] ดังนั้นที่ kernel convolutions ที่เราทำในกราฟิกและสิ่งต่างๆ อย่าง เอ่อ sobel op-

Evet, Sobel operasyonları, Gauss bulanıkları ve bunun gibi şeyler.

ใช่ การดำเนินการ Sobel การทำให้เบลอแบบ Gaussian และสิ่งพวกนี้

Özellikle sobel işlemleri ve kenar tespiti

โดยเฉพาะ การดำเนินการของโซเบล และ การหาขอบภาพ (edge detection)

Yani, geleneksel bir yapay sinir ağını düşünürsek

ดังนั้น ถ้าเราคิด กลับไปที่เครือข่ายประสาทเทียม (artificial neural network) แบบดั้งเดิม

Tamam, elimizde olan, öğrenmeye çalıştığımız bir tür girişimiz var.

ตกลง สิ่งที่เรามีคือเราได้มี input ข้อมูลบางอย่างที่เรากำลังพยายามที่จะเรียนรู้, OK

bazı gizli katmanlarımız var, tamam ve sonra bazı çıktı katmanlarımız var.

เราได้มีชั้นซ่อน (hidden layers) เอาล่ะ แล้วเราได้มีการส่งออกไปชั้น output

belki sadece bu, bilmiyorum

อาจจะแค่หนึ่ง ผมไม่ทราบ

Bunlar tamamen bağlantılı, bu yüzden buradan birçok bağlantımız var.

และเหล่านี้เชื่อมต่อแบบเต็ม เพื่อให้เรามีการเชื่อมต่อจำนวนมากจากที่นี่

ve burada ve burada ve bunlar buraya bağlı

และนี่ และที่นี่ และเหล่านี้จะเชื่อมต่อกับที่นี่

ve böylece, sadece bir kaçına çizim yapıyorum.

และอื่นๆ ผมแค่ร่างภาพไม่กี่อย่างของพวกมัน

ve sonra bunların hepsi sona bağlıdır.

และแล้วเหล่านี้ทั้งหมดที่เชื่อมต่อไปยังจุดสิ้นสุด

Tamam, şimdi Brais'in analojisini kullanarak, ev fiyatları hakkında konuşuyorduk.

ตกลง ตอนนี้ใช้ความคล้ายคลึงกันของ Brais เราได้พูดคุยเกี่ยวกับราคาบ้าน

Tamam, bu, yatak odası sayısı gibi bir şey olacak

ตกลง ดังนั้นนี้จะเป็นอย่างจำนวนห้องนอน

ve bu "havuza sahip" gibi bir şey olurdu

และนี้จะเป็นอย่าง "มีสระว่ายน้ำมั้ย"

ve bu, bildiğiniz gibi, hangi alandır?

และนี่จะเป็น แบบว่า พื้นที่แต่ละชั้นเป็นยังไง

ve iyi bir bahçeye sahipti.

และมันมีสวนที่ดี และอื่น ๆ

Bunlardan birçoğu, tamam, özellikle de umursayacağımız bir sürü iç düğüm, yoksa umrumda değil.

เหล่านี้จำนวนมาก ตกลงโหนดจำนวนมากของภายในที่เราไม่ได้สนจริงๆ หรือที่ผมไม่ได้สน

Ah, doğru, vb., Ve sonra ve sonunda sonunda bir ev fiyatımız var.

เอ่อ, และอื่น ๆ และอื่น ๆ และแล้วในที่สุด ในตอนท้ายเรามีราคาบ้าน

Şimdi bu ev fiyatı nedir, bu girdilerin karmaşık bir işlevidir.

ตอนนี้ ราคาบ้านหลังนี้เป็นฟังก์ชั่นที่มีความซับซ้อนของ input เหล่านี้

Karmaşık çünkü

มันซับซ้อนเพราะ

Bu düğüm burada bazı doğrusal ya da doğrusal olmayan şimdi

โหนดนี้ ที่นี่ บางส่วนเป็นเชิงเส้น หรือไม่เชิงเส้น ตอนนี้

bunlar. tamam, bundan biraz

การรวมกันของสิ่งเหล่านี้ ตกลง โน่นนิด

artı biraz, artı biraz, artı biraz

บวกนี่หน่อย บวกนี่อีกนิด บวกนี้อีกเล็กน้อย

Bazı doğrusal olmayan fonksiyonlar sayesinde.

ผ่านฟังก์ชั่นที่ไม่เป็นเชิงเส้นบางอย่าง

Bu, bunların farklı bir birleşimidir.

นี้ เป็นชุดการรวมกันที่แตกต่างของพวกเหล่านี้

Bu, yine, bunların farklı birleşimi, vb.

นี้ อีกครั้ง ชุดการรวมกันที่แตกต่าง และต่อไปเรื่อยๆ ใช่มั้ย

Ve sonra bu, bunların farklı bir kombinasyonu

แล้วนี้ ชุดการรวมที่แตกต่างของสิ่งเหล่านี้

Görüyorsun, burada bir çeşit soyutlama yaratıyorsun.

ดังนั้นจะเห็นได้ว่า คุณกำลังสร้างอะไรบางอย่างระดับของนามธรรม ที่นี่

kombinasyon kombinasyonlarının bulunduğu yer

ที่คุณได้มีการรวมกันของการรวมกัน

Ve bu işlev çok karmaşık

และฟังก์ชั่นที่มีความซับซ้อนมาก

Brais kara kutu hakkında konuştuğunda, bazı yönlerden aynen olduğu gibi

เมื่อ Brais พูดเกี่ยวกับกล่องดำ ในทางที่ว่า นี่คือสิ่งที่มันเป็น

çünkü bu bireysel ağırlıklara bakamıyoruz ve “peki bunun 2'si var, bu demek olmalı” diyemiyoruz.

เพราะเราไม่สามารถมองน้ำหนักของแต่ละอันเหล่านี้ และพูดว่า "อืม มี 0.2 ของหนึ่งในนี้ งั้นต้องหมายถึงนี่"

çünkü ne anlama geldiğini bilmiyoruz, değil mi?

เพราะเราก็ไม่ทราบว่ามันหมายถึงอะไร ใช่มั้ย

Genel şemada, bu ağın tamamında, bireysel ağırlığın ne anlama geldiğini bilmiyoruz.

ในโครงใหญ่ของสิ่งที่อยู่ในเครือข่ายทั้งหมดนี้ เราไม่ทราบว่าน้ำหนักของแต่อันหมายความว่าอะไร

Ve dürüst olmak gerekirse, o kadar umurunda bile olmayabiliriz.

และเอาตรงๆ นะ เราอาจไม่ได้สนใจมันมาก

Gerçekten umursadığımız şey, ev fiyatını ne kadar iyi tahmin edeceği, buna dayanarak ne kadar doğru olduğu.

สิ่งที่เราสนใจ คือมันคาดการณ์ราคาบ้านได้ถูกต้อง ความแม่นยำจากสิ่งเหล่านั้นตะหาก

farklı bir giriş için, bunu değiştiririz, çıktıyı okuruz - iyi mi?

สำหรับการป้อนข้อมูล input ที่แตกต่างกัน ดังนั้นเราจึงเปลี่ยนนี่ อ่าน output - ดีมั้ยล่ะ?

ใช่? ยอดเยี่ยม!

Tamam, şimdi, görüntüler için, bu benim zamanımın çoğunu harcadığım şey.

ตกลง ตอนนี้สำหรับภาพซึ่งจะเห็นได้ชัดว่า สิ่งที่ผมใช้เวลาส่วนใหญ่ของผมไปกับมัน

bu bir başlangıç, ama benim için pek kullanışlı değil.

นี้คือจุดเริ่มต้น แต่ก็ไม่ได้มีประโยชน์มากกับผม

Bunun bizim girdilerimiz olduğunu düşünüyorsanız, tamam, ve size bir evin resmini veririm ve derim ki "doğru, bu evin ne kadar değerli olduğunu söyle"

หากคุณคิดว่านี่เป็น input ของเรา ตกลง และผมให้ภาพของบ้านแก่คุณและบอกว่า "บอกฉันว่าบ้านหลังนี้มีค่าเท่าไหร่"

tamam, peki, ne?

ok อืม อะไรนะ?

Peki nasıl, tamam, yapabileceğim iki şey var, doğru

ผมทำได้อย่างไร, OK จึงมีสองสิ่งที่ผมทำได้ ใช่มั้ย

her şeyden önce, görüntüye dayanarak, yatak odası sayısı gibi şeyleri hesaplamayı deneyebilirim.

อันแรกคือผมอาจจะลองและคำนวณสิ่งต่างๆ เช่น จำนวนห้องนอน และสิ่งต่างๆ ที่อยู่บนภาพ

ve onları buraya koy.

และใส่ไว้ในที่นี่

Bir şekilde bazı özellikleri hesaplıyordum

ในบางทาง ผมจะคำนวณคุณสมบัติ (features) บางอย่าง

ve sonra onları buraya koyup bu özellikleri öğreniyor olurdum.

แล้วผมจะวางไว้ในที่นี่ และการเรียนรู้เกี่ยวกับคุณลักษณะเหล่านั้น

Bunu yapmanın akıllıca bir yolu, çünkü bunun dışında oldukça zor.

ค่อนข้างเป็นวิธีที่ฉลาดในการทำมัน เพราะ นอกจากนี้ เห็นได้ชัดว่าค่อนข้างยาก

Akıllı, çünkü o kadar fazla nörona sahip olmak zorunda değiliz.

อืม มันเป็นฉลาด เพราะเราไม่จำเป็นต้องมี โหนดเซลล์ประสาทอื่น ๆ อีกมากมาย

Her şeyde, aslında modelimiz için daha önce kullandığımız ağları kullanabiliriz.

ในทุกสิ่ง เราสามารถใช้เครือข่ายเดียวกับที่เราใช้มาก่อนสำหรับโมเดลของเรา

Evimizde tek yapmamız gereken, görüntü analizini yapan kod parçasını çözmek.

ในบ้านของเรา ทั้งหมดที่เราต้องทำคือการเขียนโค้ดที่จะวิเคราะห์ภาพ

Şimdi, sadece evin dışına ait bir resmi temel alan bir odadaki oda sayısını bulmaya çalışan herkes bana bunun yapılamayacağını söyleyecektir.

ตอนนี้ ใครที่พยายามที่จะหาจำนวนของห้องพักในบ้านที่อยู่เฉพาะในหนึ่งภาพของนอกบ้าน

จะบอกว่าที่ไม่สามารถทำได้ ใช่มั้ย นั่นล่ะที่ยาก

Tamam, saf bir şekilde düşünebilirsin, bunun yerine ne yapabiliriz?

ตกลง ดังนั้นคุณอาจคิดอย่างไร้เดียงสาว่า สิ่งที่เราสามารถทำแทน

sadece görüntüyü buraya koy.

เป็นเพียงการใส่ภาพในที่นี่

Bunu ilk piksel yap,

ทำให้นี่เป็นพิกเซลแรก

ve bu ikinci piksel,

และนี่พิกเซลสอง

ve bu üçüncü piksel,

และนี่พิกเซลที่สาม

ve diğerleri, tamam.

และอื่น ๆ , OK

Öyleyse, bu ihtiyaç duyabileceği tüm bilgilere sahip.

จากนั้น นี้ได้มีข้อมูลทั้งหมดที่มันต้องการ ใช่มั้ย

Ama o, ama sorun bu

แต่มัน แต่ ที่เป็นปัญหา

7 megapiksel görüntü, bu 7 milyon giriş düğümü, diyelim ki bir sonraki katmanda 7 milyon düğüm var.

ภาพ7 ล้านพิกเซล นั่น 7 ล้านโหนดข้อมูล input เลย สมมติว่าเรามี 7 ล้านโหนดในชั้นถัดไป

her biri birbirine bağlanırsa, bunun bilgisayarımı eriteceğini görebilirsiniz.

แต่ละคนเชื่อมต่อกับแต่ละคนอื่น ๆ ที่คุณจะเห็นได้ว่าคอมพิวเตอร์ของผมรับไม่ไหว

denemeyi ve yaratmayı bile deneyecek, çok fazla bilgi

ก็ไม่อยากแม้แต่จะพยายามและสร้างมันขึ้นมา มันเป็นข้อมูลที่มากเกินไป

Bu yüzden alanımızı biraz örnekliyoruz.

นั่นเป็นเหตุผลที่หาทางเราลดข้อมูล (down sample) ในพื้นที่ของเรานิด ๆ หน่อย ๆ

Genelde yapacağımız şey, bazı küçük özellik alt kümelerini hesaplamaktır.

สิ่งที่เรามักจะทำคือการคำนวณบางเซตย่อยเล็ก ๆ ของคุณสมบัติ(features)

ve sonra onları bu tarafa koyardık.

และจากนั้นเราจะใส่พวกมันในตอนท้ายนี่

Yani bu oldukça önemli. Yani, geleneksel makine öğrenimi biraz böyle yapılır.

เป็นสิ่งสำคัญมาก ดังนั้น การเรียนรู้ในแมชชีนแบบดั้งเดิมจะทำแบบนั้น

Yani Michel bu konuda bazı videolar yaptı. Birinin yüzüyle ilgili bazı özellikleri hesapla

Michel ทำวิดีโอบางส่วนเกี่ยวกับเรื่องนี้ คำนวณ features บางอย่างเกี่ยวกับใบหน้าใครบางคน

ve bunu bazı makine öğrenme algoritmasına dahil edin.

และใส่อัลกอริธึมการเรียนรู้ของแมชชีนบางอย่าง

Yapmadığın şey, sadece öğrenme yüzüne makine öğrenme algoritmasını koymaya çalışmak.

สิ่งที่คุณไม่ได้ทำ คือพยายามและใส่อัลกอริธึมการเรียนรู้ของแมชชีนแค่บนใบหน้าตรงๆเลย

çünkü orada çok fazla bilgi var

เพราะมันมีข้อมูลที่มากเกินไป

Şimdiye kadar, tamam mı? Konvolüsyonel sinir ağlarının devreye girdiği yer orasıdır.

จนถึงขณะนี้ โอเคใช่มั้ย? นั่นคือสิ่งที่ convolutional neural networks เข้ามาทำ

Böylece, evrişimsel sinir ağları bu düğümlerin her birini bir çekirdek evrişimi ile değiştirir.

ดังนั้น convolutional neural networks ได้ใส่แต่ละโหนดเหล่านี้ด้วย kernel convolution

Yani, bir Sobel kenar dedektörü gibi

ดังเช่น ตัวตรวจจับขอบภาพของโซเบล (Sobel edge detector)

Şimdi, daha önce yapmam gerekenin yerine, bir şeyin üzerinde bir Sobel kullanıldı ve sonra makine bunu öğrendi.

ตอนนี้ แทนที่สิ่งที่ผมจะได้ทำมาก่อนหน้า ซึ่งได้เรียกรันโซเบลบนบางอย่างแล้วต่อด้วยบางสิ่ง แล้ว แมชชีนเรียนรู้สิ่งนั้นต่อ

Buna sadece hangi özelliklerin ilginç olduğunu öğrenme fırsatı veriyorum.

ผมเพียงให้นี้มีโอกาสที่จะเรียนรู้ว่าคุณสมบัติ(features) ไหนที่น่าสนใจ

belki bir kenar algılama, belki bir köşe algılama

บางที มันอาจจะเป็นการตรวจหาขอบ บางทีมันอาจจะคือการตรวจหามุม

belki resmin ortasında ne varsa vurgulayan bir şey

บางที มันอาจจะเป็นสิ่งที่เน้นสิ่งที่อยู่ตรงกลางของภาพ

Veya sol üst köşeyi vurgulayan bir şey

หรือสิ่งที่เน้นที่มุมบนด้านซ้าย

bu gerçekten önemli değil ve asıl mesele ne olduklarını bilmiyorum.

มันไม่ได้สนจริงๆ และที่จริงคือ ผมไม่ทราบว่าสิ่งที่พวกมันเป็นคืออะไร

haklısın, sana bilirsin, iki bin ev resmi

เอาล่ะ, ถ้าผมให้คุณ ภาพของบ้านสองพันภาพ

ve sizden resimlere dayanarak konut fiyatlarını tahmin etmenizi isteyin

และขอให้คุณที่จะคาดการณ์ราคาบ้านบนพื้นฐานของภาพ

Kesin olarak bilmiyorum, tahmin edebilirim, ama olabilir - kaç tane penceresi olduğu ve bunun gibi şeyler olabilir.

ผมไม่ทราบว่า ผมสามารถทำนายราคาได้มั้ย แต่มันอาจจะเป็น - หน้าต่างมีเท่าไหร่ และสิ่งที่ต้องการนี้

ama kesin olarak bilmiyorum.

แต่ผมไม่รู้แบบแน่นอนจริงๆ

Ve bir bilgisayar benden çok daha hızlı bir şekilde bu şeyleri zorlayarak yapabilir ve bana söyler.

และคอมพิวเตอร์สามารถทำแบบถึก(brute-force)ผ่านสิ่งเหล่านั้นได้เร็วกว่าที่ผมทำได้ ผมบอกเลย

Sonra gidebilirim, ikisini de tahmin edebilirim ve arkama bakıp "ah, sonuçta pencerelerdi" diyebilirim.

แล้วผมจะทั้งคาดการณ์มันและสามารถมองย้อนกลับไปและพูดว่า "โอ้ มันเป็นเพราะที่หน้าต่างเลย ราคาทั้งหมดนี้"

Öyleyse, sahip olduğumuz şeyin imajımız olduğunu hayal edelim, tamam mı?

ดังนั้น ขอให้คิดว่าเรามีภาพของเรา ตกลง ดังนั้น

Şimdi ev benzetmesinden uzaklaşacağım çünkü çok sayıda ev resmi çizmem gerekecek

ผมจะละความคล้ายคลึงบ้านในขณะนี้ เพราะผมจะต้องวาดภาพของบ้านจำนวนมาก

eğer bunu yaparsam. Tamam, peki CNN işleri hakkında konuşalım.

ถ้าผมทำอย่างนั้น ตกลง ดังนั้นมาคุยเกี่ยวกับว่า CNN ทำงานอย่างไร

Um, ve neden faydalı. Öyleyse, bir şeyin görüntüsüne sahibiz.

อืม และทำไมมันมีประโยชน์ เรามีภาพของบางสิ่งบางอย่าง

Şimdi, imgesel olmayan görüntüler için kullanılan evrimsel sinir ağlarını gördüm.

ตอนนี้ ผมได้เห็น convolutional neural networks ใช้สำหรับสิ่งที่ไม่ใช่ภาพ

ama şimdilik, sadece resimlerden bahsedeceğiz.

แต่ตอนนี้ เราจะพูดแค่เกี่ยวกับภาพ

Bu bir resim, diyelim bana. Bu, bilirsin, büyük bir benzerlik değil ama ben buna sadık kalacağım

นี่คือภาพของ ฉัน มันไม่ได้เป็นเป็นที่ชื่นชอบนัก แต่ผมจะใช้มัน

Şimdi, burada üç kanal var, tamam.

ขณะนี้ มีสามแชนแนล ที่นี่, OK

Yani bu aslında bir anlamda bir 3D hacmi

ดังนั้น นี้เป็นปริมาณ 3D จริงในบางแง่

3D görüntüler hakkında konuştuğumuzu hatırla.

จำได้มั้ย เมื่อเราได้พูดคุยเกี่ยวกับภาพ 3 มิติ,

RGB'yi bir anlamda 3D olarak görüntüleyebilirsiniz.

คุณสามารถดู RGB เป็นในบางแง่เป็น 3D

Yani, ilk uçak bizim R, G ve B, ya da tam tersi

ดังนั้น ระนาบแรกคือ R, G, และ B หรือ ในทางกลับกัน

Yaptığımız şey, bunun üzerine bir Sobel kenarı tespiti yaparsak,

สิ่งที่เราทำคือ ถ้าเราดำเนินการตรวจจับขอบภาพแบบโซเบลในเรื่องนี้

ne yapacağı, bundan biraz daha küçük olan başka bir görüntü üretmek.

สิ่งที่มันจะทำคือการผลิตภาพที่มีขนาดเล็กกว่านี้เล็กน้อย

ve sadece bir derin.

และมีเพียงความลึกหนึ่ง

Yani varsayımsal olarak, yatay kenarları vurgulayalım, kenarların vurgulandığı başka bir resim olurdu.

ดังนั้นสมมุติฐาน ก็จะเป็นภาพอื่นที่ขอบ สมมติว่าขอบแนวนอนเป็นส่วนเน้น

Yani, öyle bir şey olurdu, ya da bilmiyorum, bilmiyorum

ดังนั้น จึงค่อนข้างจะมีลักษณะเช่นนั้นหรือบางสิ่ง ผมไม่ทราบ

yatay kenarların vurgulandığı yüzümün bir kısmı tamam

บางส่วนครึ่งของใบหน้าของผมที่ขอบแนวนอนจะถูกเน้น, OK

Harika bir diyagram değil

มันไม่ได้เป็นแผนภาพที่ดี

Ama sadece bir çıktı olacaktı, çünkü Sobel sadece ölçeklendirir etmez hemen 0 ile 255 arasında bir sayı çıkardı, tamam

แต่จะเป็นเพียงหนึ่ง input เพราะโซเบลให้ค่าเพียงตัวเลขระหว่าง 0 และ 255 เมื่อคุณสเกลมัน โอเค

Şimdi sorun şu ki, bu iş için Sobel'in en iyi şey olduğunu bilmiyorum, tamam

ตอนนี้ปัญหาคือว่า ผมไม่ทราบว่าโซเบลเป็นสิ่งที่ดีที่สุดสำหรับงานนี้ ตกลง

Doğru olabilir, evlerdeki kenarları tespit etmek, fiyatlarının ne olduğunu hesaplamak faydalı olabilir.

มันอาจจะถูกต้องก็อาจจะมีประโยชน์ในการตรวจสอบขอบบ้านที่จะคิดออกว่าราคาบ้านคืออะไรก็ได้

veya yüzleri algılamak, yüzün boyutunu algılamak istiyorsanız, bu mantıklı

หรือถ้าคุณต้องการที่จะตรวจสอบขนาดของใบหน้า นั่นก็เข้าท่า

Öte yandan, çok fazla hatalı bit üretecek

ในทางกลับกัน ก็จะผลิตบิตที่ผิดพลาดจำนวนมาก

Bir ağacın önünde oturuyor olsaydım, orada umursamadığım birçok şey olacak.

ถ้าผมนั่งอยู่หน้าต้นไม้ มันจะมีขอบที่เกิดขึ้นมากมายที่ผมไม่สนใจมัน

Konvolüsyonel bir sinir ağında yaptığımız şey, diyelim ki, bunlardan 60'ını ilk katman üzerinde yapalım.

ใน convolutional neural network สิ่งที่เราทำ คือ สมมติว่า สิ่งเหล่านี้จำนวน 60 ในชั้นแรก

Yani bir tane var, ve ardında bir tane daha var ve onun arkasında bir tane daha var ve onun arkasında bir tane daha var, ve böyle devam ediyor.

ดังนั้นเราจึงมีแล้วหนึ่ง ที่อยู่เบื้องหลังมันเรามีอีกหนึ่ง ที่อยู่เบื้องหลังมันเรามีอีกหนึ่ง ที่อยู่เบื้องหลังมันแล้วเรามีอีกหนึ่ง และอื่น ๆ ไปเรื่อยๆ

Dolayısıyla, ilki bu görüntünün tümüne uygulanan bazı evrişim süreci olacak.

ดังนั้นก่อนจะนำกระบวนการ convolution บางอย่าง ไปใช้กับภาพทั้งหมดนี้

bu üç giriş kanalını alır ve bir çıkış kanalını çıkarır

นั่นใช้ 3 แชนแนล input และ 1 แชนแนล output

Bir sonraki, farklı bir çekirdek evriş operasyonu olacak

อันต่อไป จะมีการดำเนินการของ kernel convolution ที่แตกต่างกัน

yani bunların her birinin farklı bir çekirdeği olacak

เพื่อให้แต่ละอันเหล่านี้จะมี kernel ที่แตกต่างกัน

bunlar bizim ağırlıklarımız, buradaki değerler

นั่นคือน้ำหนัก (weights) ของเรา ค่าเหล่านี้ ที่นี่

Analojimizden normal öğrenmeye geri dönelim

ในความคล้ายคลึงของเราได้กลับไปสู่การเรียนรู้แบบปกติ

Diyelim ki, bunlardan 60'ımız veya 64'ümüz var

อืม พูดได้ว่าเรามี เหล่านั้น 60 หรือ เหล่านั้น 64

Biri kenarları, biri de köşeleri tespit ediyor olabilir.

หนึ่งในนั้นอาจจะมีการตรวจสอบขอบ หนึ่งของพวกมันอาจจะมีการตรวจสอบมุม

Sonra bunları öğrenme için özelliklerimiz olarak kullanıyoruz.

อืม แล้วเราใช้พวกมันเป็นคุณสมบัติ (features) ของเรา สำหรับการเรียนรู้

Şimdi bu bir başlangıç, ama biz - bu şimdi derin öğrenme, tamam, peki şimdi ne yapacağız

ตอนนี้ที่เริ่มต้น แต่เรา - นี่คือคือการเรียนรู้ลึก (deep learning) ตอนนี้ เราจะทำในอะไรขณะนี้

peki, şimdi yaptığımız şey, bu özelliklere dayanarak daha fazla özellik yapmak.

ดี สิ่งที่เราทำคือการที่เราทำคุณสมบัติอื่น ๆ เพิ่มขึ้นจากคุณสมบัติเหล่านี้

Bu yüzden ilginç bir şeyler yapan köşelerden oluşan kombinasyonlar, kenarlardan oluşan kombinasyonlar buluyoruz

ดังนั้นเราจึงหา การรวมกันของมุม การรวมกันของขอบที่ทำให้เกิดสิ่งที่น่าสนใจ

Yüzüm sadece kenarlardan oluşan bir çember değil, bir dizi köşeden ve kenarlardan ve doku parçalarından

ใบหน้าของฉันไม่ได้เป็นเพียงวงกลมของขอบ มันคืออะไรคือจำนวนของมุม และขอบและพื้นผิวเล็กน้อย และสิ่งต่างๆ

hepsi kesinlikle bir insan yüzüne özgü, hatta bana özgü olan belirli bir biçimde

ทั้งหมดในรูปร่างเฉพาะที่เป็นเอกลักษณ์ เอ่อ ใบหน้าของมนุษย์อย่างแน่นอน แต่ที่เป็นเอกลักษณ์กับผม

Doğru, çünkü farklı insanları ayırt edebiliyoruz.

ใช่มั้ย เพราะเราสามารถแยกความแตกต่างระหว่างผู้คนที่แตกต่างกัน

Böylece bu çekirdek penceresi bu pikselin altına düşecek

ดังนั้น หน้าต่างเคอร์เนลนี้จะลงไปที่พิกเซลที่นี่

tamam, bu yüzden bu görüntüde kayar ve bu görüntüyü oluşturur

ตกลง นี้จะเปลี่ยนไปเกี่ยวกับภาพนี้ และผลิตภาพแสดงผลนี้

ve sonra bir sonraki aynı şeyi yapacak ve bir sonraki aynı yapacak

และจากนั้นต่อไปจะทำเช่นเดียวกัน และต่อไปจะทำเช่นเดียวกัน

Sonra da aynı şeyi yapıyoruz.

แล้วเราจะทำสิ่งเดียวกันในนี้

daha iyi görebilmemiz için farklı bir kalemle yapmama izin verin.

ให้ผมทำมันในปากกาที่แตกต่าง เพื่อให้เราสามารถมองเห็นได้ดีขึ้น

İşte benim kırmızı çekirdek evrim

นี่คือ kernel convolution สีแดงของผม

ve bu kayarak kayar ve başka bir görüntü oluşturur,

และนี่เปลี่ยนไปและผลิตภาพอีกอันหนึ่ง

bu, belki köşe ve kenarların hafif bir birleşimidir.

ซึ่งเป็นการรวมกันเล็กน้อยของ มุมและขอบ บางทีนะ

ya da başka birşey. Demek istediğim, bu ikinci seviye çok soyut olmayacak, ama biz fikir edeceğiz

หรือบางสิ่งบางอย่าง. ผมหมายถึงระดับที่สองนี้ก็ไม่ได้จะเป็นนามธรรมเกินไป แต่เราจะได้ไอเดีย

Demek bir çeşit şekil olacak.

ดังนั้นจึงเป็นรูปร่างบางอย่างที่เป็นแบบ ...

Bize pek bir şey ifade etmeyecek, ancak bu makineye bir anlam ifade edecek.

มันไม่ได้ให้เราเข้าใจ แต่มันให้บางอย่างแก่แมชชีนให้เข้าใจได้

Ve bunlardan başka bir set olacak, bu yüzden bunlardan bir sürü olacak, doğru, geri dönecek

และจะมีชุดของเหล่านี้อีก ดังนั้นจะมีเหล่านี้จำนวนมาก ที่กลับไป

Bunların hepsi farklı görünecek ve bir şekilde dönüştürülmüş yüzümün farklı bir temsili olacak, faydalı olacak

ทั้งหมดเหล่านี้จะมีลักษณะที่แตกต่างกัน และมีบางการแสดงที่แตกต่างกันของใบหน้าของผมเปลี่ยนในทางหนึ่งที่เป็นประโยชน์

Ve yine, bunları toplamadım, bunlar normal bir derin öğrenme algoritması gibi öğrenildi.

และอีกครั้งที่ผมไม่ได้เลือกสิ่งเหล่านี้ มันได้รับการเรียนรู้เช่นเดียวกับอัลกอริธึมการเรียนรู้ลึกปกติ

Bu yüzden, "Kesinlikle bunun için kenarların önemli olduğunu düşünüyorum" demedim.

ดังนั้นผมจึงไม่ต้องพูดว่า "ผมคิดว่าขอบมีความสำคัญสำหรับเรื่องนี้แน่นอน "

çünkü emin değilim.

เพราะผมไม่ได้รู้แน่ชัด

Böylece bu devam ediyor ve bunu yapmaya devam ediyoruz ve bazen bu görüntülerin boyutunu da örnekliyoruz,

ดังนั้น เราทำเช่นนี้และบางครั้งเรายังทำการลดขนาดข้อมูล (downsample) ขนาดของภาพเหล่านี้

sadece hafızadan tasarruf etmek için, tamam, ama bunun üzerinde fazla durmayacağız.

เพียงเพื่อประหยัด memory, ตกลง, แต่เราจะไม่พูดถึงในที่นี้มากเกินไป

Ve, aşağı örneklememiz ve bazen bu evrişim işlemlerinin görüntüyü biraz küçültmesi nedeniyle,

และเพราะวิธีการที่เรา downsample และวิธีการดำเนินการหดภาพเหล่านี้เล็กน้อยบางครั้ง,

çünkü sonuna kadar gitmiyorlar, değil mi?

ทำให้ที่พวกมันไม่ได้ไปที่ขอบตลอด ใช่มั้ย

5'e 5 bir çekirdeğiniz varsa, 2 piksel kenara gidemezsiniz çünkü kenardan çıkıyorsunuz

หากคุณมี kernel 5x5 คุณไม่สามารถไปที่ขอบ 2 พิกเซล นั่นทำให้คุณกำลังจะตกขอบ

bu yüzden endişelenmiyoruz, sadece biraz küçülüyoruz

ดังนั้นเราจึงไม่ต้องกังวลเกี่ยวกับการที่เราเพิ่งได้ขนาดเล็กกว่าเล็กน้อย

Sonunda, çok daha küçük bir görüntü elde ediyoruz ve birçok özellik geri dönüyor.

ในท้ายที่สุด เราจบลงด้วยภาพที่มีขนาดเล็กมาก และคุณสมบัติจำนวนมากไปตลอดทางย้อนกลับมา

Yani bunlar benim değişik evirimler, evirimler, evirimler

ดังนั้น เหล่านี้เป็น convolutions ของ convolutions ของ convolutions ของ convolutions ที่แตกต่างกันของผม

Ve her biri farklı görünecek ve farklı bir şeyi temsil edecek

และแต่ละอันจะมีลักษณะที่แตกต่าง และเป็นตัวแทนของบางสิ่งบางอย่างที่แตกต่างกัน

ve bunun ne olduğunu bilmiyoruz.

และเราไม่ทราบว่ามันคืออะไร

Yani bu, ortasında bir yüz olduğunda vurgulanabilir veya olmadığında karanlık olabilirdi

ดังนั้น หนึ่งนี้อาจจะมีการเน้นเมื่อมันมีใบหน้าที่อยู่ตรงกลาง หรือมันอาจจะมืดเมื่อไม่มี

Bu, belirli bir pozisyonda bir kulak varken, vurgulanabilir.

หนึ่งนี้อาจจะมีการเน้นเมื่อมีหูที่ตำแหน่งใดตำแหน่งหนึ่ง และอื่น ๆ

Sonunda, bunlar sadece bir piksel olmaktan çıkacak ve çok çok uzun

ในที่สุดเหล่านี้จะได้เป็นเพียงแค่หนึ่งพิกเซลและยาวมากๆๆๆ

Yani esasen orada yaptığımız şey mekansal boyutu tamamen kaldırdık.

สิ่งหลักที่เราทำคือ เราเอามิติเชิงพื้นที่ออกอย่างสมบูรณ์

Artık uzamsal bilgi kalmadı, hiçbir şeyin nerede olduğunu bilmiyoruz. Ama ne olduğunu biliyoruz, çünkü tüm bu özelliklerde listeleniyor.

ไม่มีข้อมูลเชิงพื้นที่เหลือ เราไม่ทราบว่าเป็นอะไร แต่เรารู้ว่ามันคืออะไร เพราะมันระบุไว้ในคุณสมบัติทั้งหมดเหล่านี้

Bunlar şimdi sonunda nöronlarımız.

มีโหนดเซลล์ประสาทของเราในตอนท้าย

Yani bunlara işaret eden birkaç katman daha var, ve sonunda, sonunda şunu söylüyor:

ดังนั้น เราจึงมีชั้นอื่น ๆ อีกนิดหน่อยที่ชี้ไปที่เหล่านี้ และแล้วในที่สุดเรามีหนึ่ง output ในตอนท้ายที่ระบุว่า

“Bu, Mike'ın yüzünün resmi mi?”

"นี่คือภาพของใบหน้าของไมค์?"

Ve eğer öyleyse 1, eğer değilse 0 üretir. Ve sonra yaptığımız şey, normal bir ağ gibi, onu eğitiyoruz.

และจะผลิต 1 ถ้ามันเป็น และ 0 ถ้ามันไม่ได้เป็น และแล้วสิ่งที่เราทำคือ เช่นเดียวกับเครือข่ายปกติ เราฝึกมัน

Bu yüzden, "işte benim bir resmim" diyoruz, tamam, öyleyse bu 1 olmalı. Ve diyelim ki 0.5.

ดังนั้นเราจึงพูดว่า "นี่คือภาพของฉัน" ตกลง ดังนั้นนี้ควรจะเป็น 1 และขอบอกว่ามันเป็น 0.5

çünkü bu biraz rastgele. Böylece bu ağırlıkları ayarlıyoruz ve tüm bu çekirdek kıvrımlarının içindeki ağırlıkları ayarlıyoruz.

ทำให้เกิดเป็นแบบสุ่ม ดังนั้นเราจึงปรับน้ำหนักเหล่านี้ และเราปรับน้ำหนักภายใน kernel convolutions ทั้งหมดนี้

[ekran dışı] Peki bu ayar manuel olarak mı oluyor?

[Offscreen] ดังนั้นการปรับเกิดขึ้นด้วยมือ?

Hayır, a, eh, eh, eh, kodlanır, um, ama genellikle bir kütüphane tarafından gerçekleştirilir ve geri yayılım adı verilen bir işlem kullanır.

ไม่ มันเกิดขึ้นโดยใช้ เอ่อ ก็เขียนโค้ดไว้ แต่ก็มักมีในคลัง library และจะใช้กระบวนการที่เรียกว่า back propagation

Öyleyse yaptığımız şey temel olarak çıktılarımızı iyileştirmek için ağırlıkları hangi yöne kaydırmamız gerektiğini tahmin etmemiz,

ดังนั้น สิ่งที่เราทำคือ เราก็คาดการณ์ทิศทางที่จะย้ายเพื่อปรับปรุงน้ำหนักเพื่อ output ที่ดีขึ้น

ve sonra onları bu yönde hafifçe hareket ettiririz.

และจากนั้นเราย้ายพวกมันในทิศทางนั้นเล็กน้อย

Ve bunu ters sırada yapmak zorundayız, çünkü bunlar

และเราจะต้องทำในลำดับที่กลับเพราะพวกเหล่านี้

bunlara bağlı, bunlara bağlı, ve tam tersi, biz ne diyoruz,

ขึ้นอยู่กับสิ่งเหล่านี้ขึ้นอยู่กับสิ่งเหล่านี้ และในทางกลับกัน สิ่งที่เราทำคือเราพูดว่า

Bak, Mike'ın 0,5 şansı olduğunu söylediğimden beri, 1 tane istiyoruz.

อืมม ดูสิ ผมได้ว่ามันมีโอกาส 0.5 เป็นไมค์และเราต้องการที่ 1

Bu ağırlıkları 1'e biraz yaklaşmak için nasıl değiştirebilirim?

ผมจะเปลี่ยนน้ำหนักเหล่านี้ ที่นี่ จะได้ใกล้ชิด 1 ขึ้นเล็กน้อย ?

ve ben yapıyorum. Ve sonra, "Bunları daha iyi yapmak için nasıl tekrar değiştiririm?" Dedim. ve bunun gibi

และผมทำมัน แล้วผมพูดว่า "ผมจะเปลี่ยนเหล่านี้อีกครั้งเพื่อทำให้ดียิ่งขึ้น?" เป็นต้น

ve sonra geri döndüm, tamam, girmeyeceğimiz türden matematik, doğru.

และจากนั้นผมทำงานทางย้อนกลับ, OK, เป็นคณิตศาสตร์ที่เราไม่อยากเข้าไปอธิบายลึกมาก ใช่มั้ย

Bunların çoğu kütüphanelerde uygulanmaktadır.

สิ่งเหล่านี้จำนวนมากเป็นแบบนี้ ถูกเขียนโค้ดไว้ในคลัง libraries

Bir araştırmacı olarak demek istediğim, bunlardan bazılarını uygulamak istediğim kadar uzun sürüyor.

ดังนั้น ในขณะที่นักวิจัย หมายถึง ผมต้องการที่จะจัดเตรียมสิ่งเหล่านี้มากแค่ไหน ก็จะใช้เวลาค่อนข้างนาน

programlamanın biraz zaman alması, doğru ve

เพียงเพราะการเขียนโปรแกรมใช้เวลา ใช่มั้ย และ

Ve, sadece bunları uygulamak ve iyi sonuçlar elde etmek benim için daha iyi.

และมันจะดีกว่าสำหรับผม เพียงที่จะใช้สิ่งเหล่านี้และได้รับผลดี

Herkes aynı şeyi tekrar tekrar programlıyorsa, tekerleği her zaman yeniden icat etmemden daha,

ดีกว่าคือสำหรับผมไม่ต้องผลิตอีกครั้งตลอดเวลา ถ้าทุกคนเขียนเขียนโปรแกรมสิ่งเดียวกันซ้ำแล้วซ้ำอีก

kimse bir şey yapamaz

ไม่มีใครที่จะทำอะไรได้เสร็จสักที

Öyleyse, elde etmek, elde etmek için yapabileceğimi iddia etmiyorum, bu yüzden Linux programlayarak başlamak zorunda kalacağım.

ดังนั้น ผมจะต้องเริ่มต้นด้วยการเขียนโปรแกรมลินุกซ์ขึ้น ที่จะได้รับ ผมไม่ได้อ้างว่าผมสามารถ ยังไงก็ตาม

ve, vb. Yani, bilirsin, tekerleği yeniden icat etmeyelim.

และอื่น และอื่น ๆ ดังนั้น คุณจะรู้ว่าให้ไม่ต้องสร้างล้อขึ้นมาเอง

Ben de bunu yapıyorum, gönderirim, diyelim ki 500 tanesi benim, 1000 resim

อืม ผมจึงทำเช่นนี้ ผมส่ง สมมติว่า 1,000 ภาพ ซึ่ง 500 ภาพเป็นผม

bilirsin, o yüzden fotoğraf çekmeye falan gittim, değil mi?

ผมเคยไปถ่ายภาพหรืออะไรแบบนี้

ve bunların 500'ü değil.

และ 500 ภาพซึ่งไม่ได้เป็นผม

Ve ben bunu eğitiyorum, böylece konvolüsyonlar ve çıktıdaki bu ağırlıklar öyle

และฉันฝึกมันเพื่อให้ convolutions และน้ำหนักเหล่านี้ ส่ง output ออก กล่าวว่า

O benim resmim olduğunda 1, olmadığında 0 alır.

จะได้รับ 1 เมื่อมันภาพของผมและ 0 เมื่อมันไม่ได้เป็นภาพผม

Ve sonra bu konvolüsyonlara bakabilir ve "benimle ilgili özel olan nedir?" Diyebilirim.

แล้วผมสามารถดู convolutions เหล่านี้ และพูดว่า "มันคืออะไรเกี่ยวกับผมที่โดดเด่นเป็นพิเศษ"

Muhtemelen yüzümde tuhaf şekiller bulmaya başlayacak, değil mi?

และก็อาจจะเป็นหา เอ่อ รูปทรงแปลก ๆ บนใบหน้าของผม ใช่มั้ย

çünkü bu biraz garip bir şekil, bu yüzden - bana özgü olan şeyler

ทำให้เกิดเป็นรูปร่างแปลกเล็กน้อย ดังนั้น มัน - สิ่งที่เป็นเอกลักษณ์ของผม

Şimdi daha genel bir durumda, ImageNet adında büyük bir veritabanı var.

ตอนนี้อยู่ในสถานการณ์ทั่วไปมากขึ้น มีฐานข้อมูลใหญ่ที่เรียกว่า ImageNet

Her yıl bu görüntüleri kimin en iyi şekilde sınıflandırabileceğini görmek için bir yarışması var.

พวกเขามีการแข่งขันเป็นประจำทุกปี เพื่อดูว่าใครสามารถแบ่งภาพเหล่านี้ที่ดีที่สุด

Yani köpekler, kediler, uçaklar, ağaçlar vb.

ดังนั้นสุนัข, แมว, เครื่องบิน, ต้นไม้, และอื่น ๆ

Tamam, hepsi orada, ve binlerce resim var

ตกลง พวกมันทั้งหมดในนั้น มีเป็นพัน หรือ ภาพของแต่ละคน

Doğru, yani, çizdiğim bu küçük ağlardan çok daha büyük olan gerçekten büyük bir ağımız var.

ใฃ่มั้ย เพื่อให้เรามีเครือข่ายใหญ่จริงๆ ที่ใหญ่กว่าอันเล็ก ๆ ที่ผมร่างไว้

ve "doğru, buna milyonlarca görüntü atalım" diyoruz, doğru, binlerce kedi, binlerce köpek

และเราพูดว่า "เอาละ มาโยนภาพล้านภาพใส่นี่" เอาล่ะ หลายพันภาพของแมว หลายพันภาพของสุนัข

ve biz sadece bir taneden daha fazla çıktımız var.

และเรามี output จำนวนมากกว่าเพียงแค่หนึ่ง

ve biz de "bu nedir?" diyoruz. ve "Bu bir köpek" diyor ve öyle. *köpek havlaması*

และเราพูดว่า "มันคืออะไร?" และกล่าวว่า "มันเป็นสุนัข" และมันก็เป็น *หมาเห่า*

Konvolüsyonel sinir ağları bir süredir buralarda

Convolutional neural networks ได้มีอยู่มาชั่วขณะเวลาหนึ่ง

ancak 2012'de, biri geldiğinde, bunlardan birini ImageNet'e uyguladıktan ve inanılmaz sonuçlar aldıklarında, gerçekten büyük olmaya başladılar.

แต่พวกมันได้เริ่มต้นยิ่งใหญ่จริงๆ เป็นประมาณ 2012 เมื่อมัน - เมื่อมีคนมาพร้อมนำไปใช้อย่างใดอย่างหนึ่งเหล่านี้เพื่อ ImageNet และได้ผลลัพธ์ที่น่าทึ่ง

Ve diğerleri ve diğerleri. Ve şimdi bu büyük itişme var ve herkes daha da iyi sonuçlar almaya ve hatta daha iyi sonuçlar almaya çalışıyor.

และอื่น ๆ และอื่น ๆ และตอนนี้มีนี้การผลักดันขนาดใหญ่และทุกคนพยายามที่จะได้รับผลดียิ่งขึ้นและยิ่งขึ้น

Şimdi, bilgisayar biliminin uygulamalı sonu hakkında daha fazla çalışıyorum, bu yüzden bunun bitki bilimini ve bunun gibi şeyleri nasıl etkilediği ile ilgileniyorum.

ตอนนี้ ผมทำงานเกี่ยวกับประยุกต์การใช้วิทยาการคอมพิวเตอร์ ดังนั้นผมสนใจในวิธีการนี้ มีผลต่อสาขาพืชศาสตร์อย่างไร และสิ่งที่ต้องการนี้

Demek üzerinde çalışıyoruz.

นั่นคือสิ่งที่เรากำลังทำงานอยู่

Ama gördüğümüz sonuçlar gerçekten etkileyici.

อืม แต่ผลที่เราเห็นน่าประทับใจจริงๆ

Yani, kasıtlı olarak, yaptım, bazı kök ucu algılamaları yaptım, bu yüzden görüntülerde kök uçlarının tespiti, doğru, bitkilerin

ดังนั้น ผมหมายถึงกรณีในจุดที่ผมได้ทำ ผมได้ทำการตรวจสอบปลายรากบางอย่างเพื่อให้การตรวจสอบของปลายรากในภาพของพืช

ve, um, zaten programladığım bazı yazılımlarım var

และเอ่อ ผมมีซอฟแวร์บางอย่างที่ผมเคยตั้งโปรแกรมแล้ว

ve kök uçlarını algılamak için düşük seviyeli bir özellik dedektörü yaklaşımı yaptım

และผมได้วิธีการตรวจจับคุณสมบัติระดับต่ำเพื่อตรวจสอบปลายราก

ve% 70 civarında, tamam, beklediğiniz gibi, çünkü bazı kök kıllarının kök ucu ile ilgili olarak kafaları karışır.

และก็ถูกต้องประมาณ 70%, OK, ซึ่งเป็นสิ่งที่คุณคาดหวังเพราะบางทีบางรากขนสับสนกับปลายราก

ya da biraz leke, ya da belki birbirine çok yakın iki kök ipucu var ve kafası karışıyor

หรือตุ่มของสิ่งสกปรกเล็กน้อยหรืออาจจะมีเพียงแค่สองปลายรากมันใกล้กันและจะสับสน

Bu, benim eğittiğim CNN,% 98 doğrudur

นี้ CNN ที่ผมได้ฝึกฝน เอ่อ มีความถูกต้อง 98%

Ve onları% 99 doğrulukla bulur.

และก็พบว่าพวกมันมีความแม่นยำ 99%

Çok fazla hata yapmaz.

มันไม่ได้ทำผิดพลาดมาก

Ve bu binlerce görüntünün üzerinde.

และมากกว่าหลายพันภาพ

[ekran dışı] Bu, yaptığınız işin henüz pencereden çıktığı anlamına mı geliyor?

[Offscreen] ดังนั้นหมายความว่า งานที่คุณได้ทำมาแล้วเพียงแค่ไปออกไปนอกหน้าต่าง?

Evet. Uh, hayır, bir ölçüde, evet ve bir ölçüde, hayır.

อ๋อ เอ่อ ไม่ มีขอบเขต ใช่ และมีขอบเขต ไม่

Bir ağ oluşturmak ve eğitmek ve görüntüleri hazırlamak için uzmanlığa ihtiyacınız var.

คุณต้องมีความเชี่ยวชาญเพื่อให้สามารถประดิษฐ์เครือข่ายและการฝึกมัน และเตรียมความพร้อมภาพ

Ve belli ki yapılması gereken işler var ve bir evrimsel sinir ağıyla ne kadar problem çözebileceğinize dair bazı anlaşmazlıklar var.

และเห็นได้ชัดว่างานทำได้ และมีความขัดแย้งว่าเท่าใดของปัญหาคุณสามารถแก้ด้วย convolutional neural network

Yani, ipucu bulmanın ötesinde köklerle yapabileceğiniz daha birçok şey var.

ดังนั้น มีสิ่งจำนวนมากที่คุณสามารถทำอะไรได้กับรากเกินกว่าหาปลายราก

Hepsini bir evrişimsel sinir ağı ile yapabilir misiniz?

คุณสามารถทำทั้งหมดของพวกมันที่มี convolutional neural network (CNN)?

Bilmiyorum, göreceğiz. Deniyoruz, göreceğiz.

ผมไม่ทราบว่า เราจะได้เห็นกัน พวกเราจะพยายาม แต่เราจะเห็น

Belki de değil. Belki de yaptığınız şey, diğer makine öğrenme algoritmaları gibi, başka birçok şeyi de yapan bir paket içinde bir araç olarak kullanmanızdır.

อาจจะไม่. ดังนั้น บางที สิ่งที่คุณทำคือการที่คุณใช้เป็นเครื่องมือเช่นเดียวกับอัลกอริธึมการเรียนรู้ของแมชชีนอื่น ๆ ที่อยู่ในแพคเกจที่ได้ทำสิ่งอื่น ๆ จำนวนมาก เช่นกัน

Öte yandan, sadece kedi ve köpek tespiti yapıyorsanız, bir CNN de kullanabilirsiniz, çünkü her şeyden daha iyi yapar. Botnet'in parçalarını kullanabilmesinin başka bir amacı dağılan bilgisayarlardır. [kaybolur] Şimdi, belli ki bazı nesneler diğerlerine nazaran buna daha uygun, fakat ne kadar çok resim çekersek o kadar iyidir. Burada hiçbir derinlik yok, tamam

ในทางตรงกันข้าม ถ้าคุณแค่ทำการตรวจสอบแมวและสุนัข คุณอาจใช้ CNN เพราะมันจะทำได้ดีกว่าสิ่งอื่น บรรยายไทยโดย ytuaeb sciencemath

Similar videos:

Password Cracking - Computerphile
Computerphile
3M views 60.3K likes 1K dislikes 13 Jul 201632% match

Problems with Zero - Numberphile
Numberphile
5.2M views 72.9K likes 1.5K dislikes 25 Oct 201230% match

How to Choose a Password - Computerphile
Computerphile
1M views 21.1K likes 235 dislikes 20 Jul 201629% match

Adventures In BASH: WEATHER INTRNTL | Kumputer Kar

28.4K views 1.1K likes 1 dislikes 04 Nov 202029% match

Data Types
CS50
61.8K views 185 likes 7 dislikes 07 Oct 201529% match

Adventures In BASH: WEATHER PRGM | Kumputer Kar

29.6K views 1K likes 2 dislikes 05 Nov 202029% match

Cheap Bike Vs. Super Bike | What's The Difference?
Global Cycling Network
11.1M views 64.2K likes 5.7K dislikes 22 Oct 201729% match

The Enforcer | Ark: Extinction #4
Bemo Guinness
689 views 28 likes 5 dislikes 05 Oct 202028% match

Microsoft CEO Summit Innovation in Education
Khan Academy
76K views 820 likes 23 dislikes 30 May 201228% match

CSS
CS50
10.2K views 51 likes 2 dislikes 26 Oct 201528% match

The nightmare videos of childrens' YouTube — and what's wrong with the internet today | James Bridle
TED
4.6M views 189.3K likes 5.6K dislikes 13 Jul 201828% match

Viruses
Khan Academy
999.3K views 5.9K likes 202 dislikes 03 Oct 200927% match

✅ Xenum VRX500 ¿QUE LLEVA DENTRO? Aditivo [CERAMICO]
La Taberna del Motor
16.5K views 795 likes 12 dislikes 17 Dec 202027% match

Can we create new senses for humans? | David Eagleman
TED
1.5M views 54.4K likes 719 dislikes 18 Mar 201527% match

But what is a neural network? | Chapter 1, Deep learning
3Blue1Brown
10.1M views 260.2K likes 2.3K dislikes 05 Oct 201727% match

📦 HAUL + Unboxing + FIRST IMPRESSIONS perfume NICHE | Smarties Reviews
Smarties Reviews
2.5K views 214 likes 4 dislikes 26 Jul 202027% match

Looking into the skills and ways to defeat him - Raid Shadow Legends (Doom Tower Part 2)
Manibal Gaming
2.7K views 115 likes 4 dislikes 24 Nov 202027% match

The Abandoned Heaven Mansion in Spain | Designed by Gaudí (CAUGHT BY OWNER)
Explomo
100K views 5K likes 95 dislikes 09 Jan 202127% match

Новый электродвигатель в BMW седан
Игорь Негода
3M views 77K likes -1 dislikes 22 Mar 202027% match

GRAND MANAN ISLAND Travel Guide 🦞 | MUST-VISIT Island in ATLANTIC CANADA! 🇨🇦 (New Brunswick)
Samuel and Audrey - Travel and Food Videos
40.8K views 643 likes 15 dislikes 12 Sep 202027% match

Classical Singer First Time Reaction- So Hyang | Everyone. She's Incredible!! Vocal Gold Medalist!!
SingerDad Reacts
43.8K views 2.3K likes 29 dislikes 18 Aug 202027% match

The HOUSE of the MAYA | World travelers left their home abandoned for good
Explomo
37.1K views 1.9K likes 37 dislikes 13 Jan 202127% match

Classical Singer Reaction - Morissette Amon | Secret Love Song. Powerful!! See New Logo!
SingerDad Reacts
8.9K views 858 likes 8 dislikes 04 Dec 202027% match

Paper towns and why learning is awesome | John Green
TED
1.8M views 63.7K likes 601 dislikes 22 Jul 201527% match

Semiconductores SMD - Curso de Reparación de Móviles
MovilOne Mobile repair
4.6K views 303 likes 4 dislikes 09 Nov 202027% match

Let's use video to reinvent education | Salman Khan
TED
1.3M views 16.5K likes 206 dislikes 09 Mar 201127% match

The mind behind Linux | Linus Torvalds
TED
3.9M views 89.6K likes 951 dislikes 03 May 201627% match

100 Advanced Tips for Eve Echoes. English Guide
JCF
21.4K views 754 likes 23 dislikes 11 Sep 202027% match

DETECTOR DE METALES: ¡ 9 HISTORIAS QUE NO TE PUEDES PERDER !
Adventure Detection
5.3K views 256 likes 7 dislikes 07 Nov 202027% match

Onion Routing - Computerphile
Computerphile
1.1M views 24.4K likes 255 dislikes 31 May 201727% match

Settings Privacy About Contact Donate