در این مطلب، ویدئو نحوه پیاده سازی رمزگذارهای خودکار در پایتون و کراس || رمزگذار 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: 00:44:13
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,080 –> 00:00:02,000
سلام به همه و خوش آمدید به یک
2
00:00:02,000 –> 00:00:04,400
رهبر جدید هیجان انگیز در سری تولید صدا
3
00:00:04,400 –> 00:00:08,400
با شبکه های عصبی، آخرین
4
00:00:08,400 –> 00:00:11,200
باری که تئوری و شهود
5
00:00:11,200 –> 00:00:11,759
پشت
6
00:00:11,759 –> 00:00:14,719
رمزگذارهای خودکار را معرفی کردم، امروز
7
00:00:14,719 –> 00:00:16,320
همه این ایده ها را در نظر می گیریم و آنها را
8
00:00:16,320 –> 00:00:17,199
عملی می کنیم
9
00:00:17,199 –> 00:00:20,480
و اکنون شروع به ساخت یک کلاس رمزگذار خودکار می کنیم.
10
00:00:20,480 –> 00:00:23,439
من امروز قصد ندارم
11
00:00:23,439 –> 00:00:24,640
مانند کل
12
00:00:24,640 –> 00:00:27,039
کلاس رمزگذار خودکار بسازم، زیرا
13
00:00:27,039 –> 00:00:28,720
برای یک ویدیو زمان زیادی
14
00:00:28,720 –> 00:00:30,480
میبرد، بنابراین میخواهم
15
00:00:30,480 –> 00:00:32,960
آن را به دو یا سه ویدیوی مختلف تقسیم کنم،
16
00:00:32,960 –> 00:00:35,600
بنابراین به طور خاص امروز روی آن تمرکز خواهیم
17
00:00:35,600 –> 00:00:37,440
کرد. پایه
18
00:00:37,440 –> 00:00:40,719
و اساس خانم برای کل کلاس رمزگذار خودکار
19
00:00:40,719 –> 00:00:43,360
و سپس من بر روی ساخت بخش رمزگذار تمرکز خواهم کرد،
20
00:00:43,360 –> 00:00:45,440
21
00:00:45,440 –> 00:00:47,360
اما قبل از شروع، فقط میخواهم
22
00:00:47,360 –> 00:00:49,039
اشاره کنم که برای
23
00:00:49,039 –> 00:00:51,760
ساختن مانند این رمزگذار خودکار از چه چیزی استفاده
24
00:00:51,760 –> 00:00:53,520
خواهیم کرد، بدیهی است که از آن استفاده خواهیم کرد. python و به
25
00:00:53,520 –> 00:00:54,879
طور خاص ما از
26
00:00:54,879 –> 00:00:55,680
پایتون
27
00:00:55,680 –> 00:00:58,320
3.7 استفاده می کنیم و سپس از
28
00:00:58,320 –> 00:00:59,440
tensorflow
29
00:00:59,440 –> 00:01:02,160
و به طور خاص keras به عنوان یک
30
00:01:02,160 –> 00:01:02,879
31
00:01:02,879 –> 00:01:05,920
Api سطح بالا استفاده می کنیم که تنسورفلو را می پیچد و
32
00:01:05,920 –> 00:01:07,040
آبدار مانند int را در اختیار ما قرار می دهد.
33
00:01:07,040 –> 00:01:09,600
erface هایی که زندگی ما را بسیار
34
00:01:09,600 –> 00:01:11,680
آسان می کنند، دوست دارند مدل های یادگیری عمیق بسازیم،
35
00:01:11,680 –> 00:01:13,680
اما اکنون بیایید نگاهی به
36
00:01:13,680 –> 00:01:15,920
نسخه تنسورفلو بیندازیم که از آن استفاده
37
00:01:15,920 –> 00:01:17,600
خواهم کرد، بنابراین قبلاً آن را نصب کرده ام و در اینجا می
38
00:01:17,600 –> 00:01:19,200
توانید مانند ترمینال من را ببینید،
39
00:01:19,200 –> 00:01:21,600
بنابراین من فقط هستم این کار مانند یک پیپ
40
00:01:21,600 –> 00:01:23,280
فریز انجام می شود
41
00:01:23,280 –> 00:01:26,479
و می توانید اینجا ببینید که
42
00:01:26,479 –> 00:01:30,040
اوه ما از tensorflow 2.3.1 استفاده می کنیم
43
00:01:30,040 –> 00:01:31,520
44
00:01:31,520 –> 00:01:33,920
یک مورد آخر قبل از شروع،
45
00:01:33,920 –> 00:01:35,600
من
46
00:01:35,600 –> 00:01:38,799
بسیاری از مفاهیم اساسی در یادگیری عمیق را بدیهی می دانم،
47
00:01:38,799 –> 00:01:41,399
به عنوان مثال من قصد توضیح دادن
48
00:01:41,399 –> 00:01:43,680
کانولوشن ها را ندارم،
49
00:01:43,680 –> 00:01:46,560
50
00:01:46,560 –> 00:01:48,000
اگر می خواهید درباره
51
00:01:48,000 –> 00:01:49,759
همه این مفاهیم بیشتر بدانید و احساس
52
00:01:49,759 –> 00:01:51,680
می کنید نمی توانید واقعاً این ویدیو را دنبال کنید
53
00:01:51,680 –> 00:01:54,560
نگران نباشید من یک سری کامل دارم، یک فعال سازی relu یا نرمال سازی دسته ای را توضیح نمی دهم. که
54
00:01:54,560 –> 00:01:56,320
مفاهیم اساسی
55
00:01:56,320 –> 00:01:58,000
و کل را معرفی می کند مانند زمینه زندگی یادگیری عمیق
56
00:01:58,000 –> 00:01:59,439
و به
57
00:01:59,439 –> 00:02:01,600
آن یادگیری عمیق برای صدا با
58
00:02:01,600 –> 00:02:03,040
پایتون می گویند، می توانید آن
59
00:02:03,040 –> 00:02:06,320
را در اینجا بررسی کنید، خوب شروع کنیم، بنابراین
60
00:02:06,320 –> 00:02:08,800
همانطور که گفتیم می خواهیم مانند این
61
00:02:08,800 –> 00:02:10,479
کلاس رمزگذار خودکار بسازیم، بنابراین
62
00:02:10,479 –> 00:02:13,440
من فقط کلاس بزار بعد میگم
63
00:02:13,440 –> 00:02:14,560
خودکار
64
00:02:14,560 –> 00:02:17,680
و ربع مانند این است، بنابراین حالا اجازه
65
00:02:17,680 –> 00:02:21,200
دهید مانند یک رشته سند بنویسم خب پس
66
00:02:21,200 –> 00:02:25,360
رمزگذار خودکار نمایانگر
67
00:02:25,360 –> 00:02:30,360
68
00:02:30,360 –> 00:02:33,120
69
00:02:33,120 –> 00:02:37,599
معماری رمزگذار خودکار کانولوشنال عمیق بله شیب دار
70
00:02:37,599 –> 00:02:42,000
با
71
00:02:42,000 –> 00:02:45,040
انکودر آینهای و
72
00:02:45,040 –> 00:02:47,840
اجزای رمزگشا است، به عبارت دیگر
73
00:02:47,840 –> 00:02:49,120
ما میخواهیم مانند
74
00:02:49,120 –> 00:02:52,000
یک رمزگذار خودکار بسازیم. کلاسی که در واقع یک
75
00:02:52,000 –> 00:02:54,000
رمزگذار خودکار کانولوشنال عمیق است و
76
00:02:54,000 –> 00:02:54,560
ما
77
00:02:54,560 –> 00:02:56,879
مانند دو بخش رمزگذار و رمزگشا خواهیم داشت
78
00:02:56,879 –> 00:02:57,920
79
00:02:57,920 –> 00:03:00,319
که شبیه آینه یکدیگر هستند،
80
00:03:00,319 –> 00:03:02,239
بنابراین آنها
81
00:03:02,239 –> 00:03:04,080
مانند یک لایه کانولوشنال از
82
00:03:04,080 –> 00:03:05,599
آنها استفاده می کنند، اما از این پس استفاده خواهند کرد. mirrored بسیار
83
00:03:05,599 –> 00:03:09,280
خوب است، بنابراین بیایید با
84
00:03:09,280 –> 00:03:10,560
سازنده شروع کنیم،
85
00:03:10,560 –> 00:03:13,680
خب، بنابراین ما خودمان def را
86
00:03:13,680 –> 00:03:17,599
انجام می دهیم و در اینجا چند
87
00:03:17,599 –> 00:03:20,080
آرگومان را در سازنده ارسال می کنیم، بنابراین اول از
88
00:03:20,080 –> 00:03:21,599
همه می خواهیم
89
00:03:21,599 –> 00:03:24,959
شکل ورودی را به درستی منتقل کنیم، بنابراین می رویم برای گفتن
90
00:03:24,959 –> 00:03:28,959
شکل ورودی، میخواهیم
91
00:03:28,959 –> 00:03:31,599
مجموعهای از اطلاعات را در
92
00:03:31,599 –> 00:03:33,680
مورد لایههای کانولوشنال که از آنها استفاده خواهیم کرد، ارسال کنیم،
93
00:03:33,680 –> 00:03:34,480
94
00:03:34,480 –> 00:03:37,120
بنابراین با توجه به اینکه کانولوشن
95
00:03:37,120 –> 00:03:38,560
داریم، زیرا در حال ساخت یک
96
00:03:38,560 –> 00:03:39,519
رمزگذار خودکار کانولوشنال عمیق
97
00:03:39,519 –> 00:03:41,920
هستیم. نیاز به ارائه اطلاعاتی در مورد
98
00:03:41,920 –> 00:03:44,319
تعداد فیلترها برای هر
99
00:03:44,319 –> 00:03:45,200
100
00:03:45,200 –> 00:03:49,280
لایه کانولوشن، اندازه هسته برای هر
101
00:03:49,280 –> 00:03:50,799
لایه کانولوشن و همچنین مانند
102
00:03:50,799 –> 00:03:54,879
گامهای هر لایه کانولوشن است،
103
00:03:54,879 –> 00:03:58,840
بنابراین ما فیلترهای conv را میگوییم
104
00:03:58,840 –> 00:04:01,920
سپس
105
00:04:01,920 –> 00:04:05,040
هستههای convolutional و
106
00:04:05,040 –> 00:04:08,879
همچنین میتوانیم بگوییم conf strides
107
00:04:08,879 –> 00:04:12,560
خوب است و همه اینها
108
00:04:12,560 –> 00:04:16,238
لیست هایی در هر لیست یا تاپل ها هستند
109
00:04:16,238 –> 00:04:19,199
و هر آیتم در این لیست به
110
00:04:19,199 –> 00:04:20,000
111
00:04:20,000 –> 00:04:23,120
عنوان مثال در مورد فیلترهای com
112
00:04:23,120 –> 00:04:26,160
تعداد فیلترها برای هر لایه و
113
00:04:26,160 –> 00:04:27,360
114
00:04:27,360 –> 00:04:29,919
همان چیزی مانند هسته ها را نشان می دهد که نشان دهنده
115
00:04:29,919 –> 00:04:30,560
116
00:04:30,560 –> 00:04:33,360
اندازه هسته مانند هر لایه و
117
00:04:33,360 –> 00:04:35,680
همان چیزی که برای گامها
118
00:04:35,680 –> 00:04:39,120
درست است و نکته نهایی در اینجا
119
00:04:39,120 –> 00:04:43,120
یک بعد فضای پنهان است،
120
00:04:43,120 –> 00:04:46,639
بنابراین این اساساً مانند
121
00:04:46,639 –> 00:04:48,800
گردن پایین است، بنابراین آنچه ما میخواهیم
122
00:04:48,800 –> 00:04:49,600
در اینجا مشخص کنیم
123
00:04:49,600 –> 00:04:52,400
ابعاد گلوگاه یا
124
00:04:52,400 –> 00:04:53,840
پنهان است. فاصله
125
00:04:53,840 –> 00:04:57,040
بسیار خوب است، بنابراین
126
00:04:57,040 –> 00:04:59,199
اکنون کاری که باید انجام دهیم این است که
127
00:04:59,199 –> 00:05:00,320
128
00:05:00,320 –> 00:05:03,120
مانند همه این آرگومانها به
129
00:05:03,120 –> 00:05:04,720
ویژگیهای نمونه تخصیص
130
00:05:04,720 –> 00:05:07,840
دهیم، بنابراین ما خود نقطهها uh شکل ورودی را انجام میدهیم
131
00:05:07,840 –> 00:05:11,039
و این برابر است با
132
00:05:11,039 –> 00:05:14,240
شکل ورودی را انجام میدهیم، فیلترهای فیلترهای خود
133
00:05:14,240 –> 00:05:17,520
نقطهای Uh
134
00:05:17,520 –> 00:05:20,560
و
135
00:05:20,560 –> 00:05:24,880
اوه که برابر با فیلترهای کام است،
136
00:05:24,880 –> 00:05:29,840
سپس هستههای self.conf
137
00:05:29,840 –> 00:05:33,280
برابر با هستههای conf و سپس self
138
00:05:33,280 –> 00:05:36,840
dot um conf
139
00:05:36,840 –> 00:05:42,240
گامهایی که برابر با گامهای com است
140
00:05:42,240 –> 00:05:46,400
در نهایت خود نقطههای پنهان انجام میدهیم.
141
00:05:46,440 –> 00:05:49,360
بعد فضا
142
00:05:49,360 –> 00:05:51,759
و این مساوی با بعد فضای پنهان است، بسیار
143
00:05:51,759 –> 00:05:52,880
144
00:05:52,880 –> 00:05:56,560
خوب، ما همچنین به چند
145
00:05:56,560 –> 00:05:59,199
ویژگی دیگر در اینجا برای این کلاس نیاز
146
00:05:59,199 –> 00:06:01,360
داریم، بنابراین بدیهی است که ما به یک رمزگذار خود نقطه نیاز داریم
147
00:06:01,360 –> 00:06:05,199
و این دقیقاً
148
00:06:05,199 –> 00:06:08,000
شبیه یک مدل تنسورفلو مدل keras
149
00:06:08,000 –> 00:06:09,360
خواهد بود.
150
00:06:09,360 –> 00:06:11,919
و اکنون ما فقط دوست داریم که فعلاً آن را روی هیچ تنظیم
151
00:06:11,919 –> 00:06:13,280
152
00:06:13,280 –> 00:06:15,840
153
00:06:15,840 –> 00:06:17,039
154
00:06:17,039 –> 00:06:20,319
کنیم، بنابراین به قطعات رمزگشا نیز نیاز داریم تا self-decoder را انجام دهیم.
155
00:06:20,319 –> 00:06:23,759
156
00:06:23,759 –> 00:06:25,840
و بار دیگر این
157
00:06:25,840 –> 00:06:27,600
برابر با هیچ خواهد بود همانطور که در
158
00:06:27,600 –> 00:06:29,680
ویدیوهای آینده خواهید دید مانند این مدل در
159
00:06:29,680 –> 00:06:32,240
اینجا دقیقاً مانند مدلی است مانند مدل
160
00:06:32,240 –> 00:06:33,440
161
00:06:33,440 –> 00:06:36,560
tensorflow برای
162
00:06:36,560 –> 00:06:38,639
کل رمزگذار خودکار درست است و به نظر
163
00:06:38,639 –> 00:06:40,080
می رسد که
164
00:06:40,080 –> 00:06:41,520
اساساً چنین خواهد شد. از هر دو مانند
165
00:06:41,520 –> 00:06:44,800
رمزگذار و رمزگشا به عنوان روشی برای
166
00:06:44,800 –> 00:06:48,560
ساخت بسیار خوب است، بنابراین اکنون ما
167
00:06:48,560 –> 00:06:50,240
به چند ویژگی خصوصی نیز نیاز داریم،
168
00:06:50,240 –> 00:06:53,759
بنابراین
169
00:06:53,759 –> 00:06:57,360
اجازه دهید یکی را در اینجا قرار دهم
170
00:06:57,360 –> 00:07:00,960
تا لایههای بیحس خود را انجام دهیم
171
00:07:00,960 –> 00:07:04,560
و خب این یکی کاملاً خوب است، اجازه دهید مانند آن قرار دهیم
172
00:07:04,560 –> 00:07:08,000
لایههای تبدیل self numb بسیار خوب است، زیرا
173
00:07:08,000 –> 00:07:09,599
این مانند تعداد
174
00:07:09,599 –> 00:07:11,199
لایههای کانولوشنال است که
175
00:07:11,199 –> 00:07:11,919
176
00:07:11,919 –> 00:07:14,960
177
00:07:14,960 –> 00:07:17,680
ما در معماری خود خواهیم داشت و
178
00:07:17,680 –> 00:07:18,080
بنابراین
179
00:07:18,080 –> 00:07:20,560
چگونه میتوانیم به آن خوبی برسیم که میتوانیم
180
00:07:20,560 –> 00:07:21,680
181
00:07:21,680 –> 00:07:25,520
طول هر یک را انجام دهیم. نه این یکی، بلکه
182
00:07:25,520 –> 00:07:28,720
هر یک از این سه مورد، بنابراین com به
183
00:07:28,720 –> 00:07:30,800
طور همزمان فیلتر می کند. com گام برمی دارد،
184
00:07:30,800 –> 00:07:34,000
بنابراین بیایید مانند فیلترهای com
185
00:07:34,000 –> 00:07:37,520
عمل کنیم، خوب، بنابراین حالا اجازه دهید من فقط
186
00:07:37,520 –> 00:07:38,880
187
00:07:38,880 –> 00:07:42,880
مثل این سه مورد را مانند اینجا روشن کنم،
188
00:07:42,880 –> 00:07:46,160
پس فیلترهای com پس بیا فیلترها همانطور که
189
00:07:46,160 –> 00:07:48,080
گفتم مانند یک لیست یا یک
190
00:07:48,080 –> 00:07:49,440
تاپل هستند و
191
00:07:49,440 –> 00:07:52,800
در اینجا می گویند برای مثال ما دو را برای هشت انجام می دهیم
192
00:07:52,800 –> 00:07:55,199
بنابراین در اینجا اساساً به این معنی است
193
00:07:55,199 –> 00:07:56,160
که اولین
194
00:07:56,160 –> 00:07:57,680
لایه کانولوشنال
195
00:07:57,680 –> 00:07:59,440
مانند دو فیلتر دومی
196
00:07:59,440 –> 00:07:59,919
چهار فیلتر
197
00:07:59,919 –> 00:08:03,039
هشت سوم خواهد بود. در اینجا ما می خواهیم
198
00:08:03,039 –> 00:08:06,319
به t نگاه کنیم اندازه هسته در هر لایه، بنابراین
199
00:08:06,319 –> 00:08:07,440
در اینجا میتوانیم بگوییم
200
00:08:07,440 –> 00:08:10,800
من نمیدانم مانند سه پنج سه
201
00:08:10,800 –> 00:08:13,360
و بگوییم این بدان معناست که اولین
202
00:08:13,360 –> 00:08:14,639
لایه کانولوشن دارای
203
00:08:14,639 –> 00:08:15,360
204
00:08:15,360 –> 00:08:17,520
اندازه هسته مربعی سه در سه خواهد بود،
205
00:08:17,520 –> 00:08:19,120
دومی پنج در پنج
206
00:08:19,120 –> 00:08:21,919
و سومین سه در سه چیز یکسان
207
00:08:21,919 –> 00:08:23,199
یا چیز مشابهی که
208
00:08:23,199 –> 00:08:25,280
در اینجا گام های کانولوشنی دارد می توانیم بگوییم
209
00:08:25,280 –> 00:08:26,879
یک دو
210
00:08:26,879 –> 00:08:29,520
دو پس در گام برای
211
00:08:29,520 –> 00:08:31,599
فیلتر اول فقط یک است سپس دو
212
00:08:31,599 –> 00:08:33,760
داریم و اگر مانند یک گام
213
00:08:33,760 –> 00:08:35,360
دو در یک لایه کانولوشن داشته باشیم به این معنی است
214
00:08:35,360 –> 00:08:36,240
که ما در
215
00:08:36,240 –> 00:08:38,880
حال نمونهبرداری هستیم مانند دادهها در واقع
216
00:08:38,880 –> 00:08:39,679
آن را
217
00:08:39,679 –> 00:08:41,919
نصف میکنیم، بنابراین شما این ایده را دریافت میکنید، بنابراین
218
00:08:41,919 –> 00:08:43,839
شکل ورودی چه میشود، شکل
219
00:08:43,839 –> 00:08:47,200
220
00:08:47,200 –> 00:08:49,600
ورودی در مورد ما اساساً
221
00:08:49,600 –> 00:08:51,680
سه مقدار خواهد داشت، بنابراین یکی برای
222
00:08:51,680 –> 00:08:53,839
عرض یک برای ارتفاع. و سومی
223
00:08:53,839 –> 00:08:55,680
برای تعداد کانالها،
224
00:08:55,680 –> 00:08:57,279
بنابراین میتوانیم چیزی شبیه به
225
00:08:57,279 –> 00:08:59,920
این داشته باشیم 28 در 28 در
226
00:08:59,920 –> 00:09:02,320
یک و این همان چیزی است که در
227
00:09:02,320 –> 00:09:04,320
ابتدا از آن استفاده خواهیم کرد، زمانی که
228
00:09:04,320 –> 00:09:05,040
میخواهیم از مانند
229
00:09:05,040 –> 00:09:08,640
mnist به عنوان مثال
230
00:09:08,640 –> 00:09:12,080
اولیه مانند استفاده کنیم. مانند اساسی تصاویر رقمی
231
00:09:12,080 –> 00:09:14,800
که مانند ارقام هستند، فقط دوست دارند
232
00:09:14,800 –> 00:09:16,720
رمزگذار خودکار را ببینند، مثل اینکه من دارم
233
00:09:16,720 –> 00:09:18,880
کار میکنم، بنابراین در اینجا ما میخواهیم چیزی
234
00:09:18,880 –> 00:09:20,480
شبیه به 28 داشته باشیم، اما پیکسل در
235
00:09:20,480 –> 00:09:24,080
28 در یک کانال
236
00:09:24,080 –> 00:09:25,920
خوب است و این به این دلیل است که
237
00:09:25,920 –> 00:09:28,240
ما اکنون با تصاویری در مقیاس خاکستری روبرو هستیم.
238
00:09:28,240 –> 00:09:30,240
این برای ما بسیار راحت است،
239
00:09:30,240 –> 00:09:31,680
زیرا وقتی از
240
00:09:31,680 –> 00:09:35,600
طیفنگاریهایی استفاده میکنیم که میتوانیم آنها را بهعنوان
241
00:09:35,600 –> 00:09:38,720
تصاویری در مقیاس خاکستری تفسیر کنیم،
242
00:09:38,720 –> 00:09:41,920
اساساً مانند عرض
243
00:09:41,920 –> 00:09:43,839
و ارتفاع و سپس تعداد کانالهایی
244
00:09:43,839 –> 00:09:45,600
خواهیم داشت که روی یک تنظیم میشوند
245
00:09:45,600 –> 00:09:48,880
درست مانند یک تصویر در مقیاس خاکستری
246
00:09:48,880 –> 00:09:51,200
خوب است و برای بعد فضای پنهان
247
00:09:51,200 –> 00:09:53,120
این دقیقاً مانند یک int است و بنابراین ما می
248
00:09:53,120 –> 00:09:53,760
توانیم این
249
00:09:53,760 –> 00:09:55,680
uh را برابر با دو قرار دهیم که اساساً به این معنی است
250
00:09:55,680 –> 00:09:57,600
که گلوگاه ما فقط
251
00:09:57,600 –> 00:09:58,800
مانند دو
252
00:09:58,800 –> 00:10:02,000
محور Uh یا دو بعد خواهد بود
253
00:10:02,000 –> 00:10:04,959
بنابراین بله اینجا مانند من امیدوارم که دوست داشته باشم شما میدانید
254
00:10:04,959 –> 00:10:06,320
که ما
255
00:10:06,320 –> 00:10:08,880
با این کار به کجا میرویم، اما بدیهی است که ممکن
256
00:10:08,880 –> 00:10:09,760
است تعجب کنید، اما
257
00:10:09,760 –> 00:10:11,519
چگونه میتوانیم مانند رمزگذار،
258
00:10:11,519 –> 00:10:12,959
رمزگشا و مدل را بسازیم
259
00:10:12,959 –> 00:10:14,880
همانطور که امروز گفتم، ما فقط
260
00:10:14,880 –> 00:10:16,959
میخواهیم مانند قسمتهای رمزگذار بسازیم،
261
00:10:16,959 –> 00:10:19,760
اما بیایید gr را بگذاریم. کار مانند برای
262
00:10:19,760 –> 00:10:21,440
ساختن مانند همه چیز
263
00:10:21,440 –> 00:10:23,920
در حال حاضر برای ساختن مانند همه چیزهایی که
264
00:10:23,920 –> 00:10:25,120
ما استفاده خواهیم کرد
265
00:10:25,120 –> 00:10:28,320
مانند این
266
00:10:28,320 –> 00:10:32,399
روش ساخت زیرخط است و بنابراین
267
00:10:32,399 –> 00:10:34,640
اکنون هنگامی که ما
268
00:10:34,640 –> 00:10:36,079
مانند یک شی رمزگذار خودکار نمونه سازی را آغاز
269
00:10:36,079 –> 00:10:38,720
می کنیم، مانند این ساخت زیرخط فراخوانی می کنیم
270
00:10:38,720 –> 00:10:40,560
که قرار
271
00:10:40,560 –> 00:10:42,399
است مانند همه رمزگذارها،
272
00:10:42,399 –> 00:10:44,000
رمزگشا و مدل
273
00:10:44,000 –> 00:10:46,720
274
00:10:46,720 –> 00:10:47,760
را بسازیم، بنابراین حالا بیایید این عملکرد ساخت سطح بالا را درست انتخاب کنیم،
275
00:10:47,760 –> 00:10:50,640
نه عملکرد، بلکه در واقع متد،
276
00:10:50,640 –> 00:10:51,760
277
00:10:51,760 –> 00:10:55,040
و اوه، پس از آن می خواهیم
278
00:10:55,040 –> 00:10:59,040
عمیق تر به
279
00:10:59,040 –> 00:11:01,680
یک روش شبیه به آره بپردازیم. با
280
00:11:01,680 –> 00:11:02,800
ساخت زیرخط
281
00:11:02,800 –> 00:11:05,760
که مربوط به قسمتهای رمزگذار است، بنابراین
282
00:11:05,760 –> 00:11:06,959
283
00:11:06,959 –> 00:11:09,839
ما از
284
00:11:09,839 –> 00:11:11,519
سه روش مانند مرحله سه
285
00:11:11,519 –> 00:11:15,519
ساخته میشویم، بنابراین اول از همه رمزگذار را
286
00:11:15,519 –> 00:11:18,880
درست میکنیم، سپس
287
00:11:18,880 –> 00:11:22,079
کاری مشابه انجام میدهیم، اما یک رمزگشا میسازیم
288
00:11:22,079 –> 00:11:23,120
289
00:11:23,120 –> 00:11:26,399
و سپس ما رمزگذار خودکار را
290
00:11:26,399 –> 00:11:29,680
درست می کنیم، بنابراین با ساخت
291
00:11:29,680 –> 00:11:31,440
مانند همانطور که در اینجا می بینید، ما
292
00:11:31,440 –> 00:11:32,880
اساساً مانند تمام
293
00:11:32,880 –> 00:11:34,480
بخش های مختلف معماری می سازیم، بنابراین
294
00:11:34,480 –> 00:11:35,360
295
00:11:35,360 –> 00:11:38,560
رمزگذار رمزگشا و
296
00:11:38,560 –> 00:11:41,839
رمزگذاری خودکار um uh بسیار خوب همانطور که گفتم
297
00:11:41,839 –> 00:11:43,920
در حال حاضر ما فقط مانند مورد اول تمرکز خواهیم
298
00:11:43,920 –> 00:11:45,040
کرد و
299
00:11:45,040 –> 00:11:46,800
در ویدیوهای بعدی روی
300
00:11:46,800 –> 00:11:48,880
رسیور طلایی و رمزگذار خودکار تمرکز خواهیم کرد
301
00:11:48,880 –> 00:11:50,720
اکنون نکته دیگری که می خواهم
302
00:11:50,720 –> 00:11:52,320
در اینجا تأکید کنم این است که واقعاً یک چیز
303
00:11:52,320 –> 00:11:52,959
متفاوت وجود دارد.
304
00:11:52,959 –> 00:11:54,880
می توانم بگویم دو
305
00:11:54,880 –> 00:11:56,079
رویکرد مختلف مانند ساختن
306
00:11:56,079 –> 00:11:58,639
مدل های یادگیری عمیق مانند هویج
307
00:11:58,639 –> 00:11:59,600
برای مثال
308
00:11:59,600 –> 00:12:02,480
و یکی مانند به جای من نمی دانم
309
00:12:02,480 –> 00:12:03,760
مانند علم
310
00:12:03,760 –> 00:12:05,519
داده وجود دارد که روشی مانند دانشمند داده است
311
00:12:05,519 –> 00:12:07,839
که اشکالی ندارد بیایید
312
00:12:07,839 –> 00:12:10,880
مانند کل مدل بنویسیم.
313
00:12:10,880 –> 00:12:12,639
تقریباً مانند دستورالعمل به
314
00:12:12,639 –> 00:12:15,040
دستور در یک اسکریپت طولانی
315
00:12:15,040 –> 00:12:17,440
درست است و سپس یکی دیگر وجود دارد
316
00:12:17,440 –> 00:12:19,519
که احتمالاً توسط افرادی
317
00:12:19,519 –> 00:12:20,639
که بیشتر به
318
00:12:20,639 –> 00:12:22,880
مهندسی نرمافزار و مواردی از این دست علاقه دارند حمایت
319
00:12:22,880 –> 00:12:25,440
میکنند و
320
00:12:25,440 –> 00:12:28,560
321
00:12:28,560 –> 00:12:31,519
اشکالی ندارد. و می
322
00:12:31,519 –> 00:12:32,079
تواند
323
00:12:32,079 –> 00:12:34,480
با هم بسته بندی شود تا شخصاً
324
00:12:34,480 –> 00:12:36,800
مانند یک معماری پیچیده ایجاد شود.
325
00:12:36,800 –> 00:12:39,360
من به شدت پیشنهاد می کنم که
326
00:12:39,360 –> 00:12:41,040
از روش دوم استفاده کنید زیرا
327
00:12:41,040 –> 00:12:41,760
328
00:12:41,760 –> 00:12:43,600
در یک روش بسیار انعطاف پذیرتر است. حس و همچنین
329
00:12:43,600 –> 00:12:45,760
بسیار قابل آزمایش تر است، اشکال زدایی آن آسان تر است
330
00:12:45,760 –> 00:12:47,920
و شجاعت
331
00:12:47,920 –> 00:12:49,600
نیز آسان تر می شود به
332
00:12:49,600 –> 00:12:51,519
درستی بخوانیم و بنابراین مانند چیزی است که امروز از آن استفاده خواهیم کرد،
333
00:12:51,519 –> 00:12:52,639
334
00:12:52,639 –> 00:12:56,079
بنابراین من می خواهم مانند کل چیز را
335
00:12:56,079 –> 00:12:58,240
با استفاده از روش های مشابه بسازم.
336
00:12:58,240 –> 00:12:59,760
روشهای فرعی روشهای فرعی
337
00:12:59,760 –> 00:13:03,120
و اوه شما میبینید خوب است، پس
338
00:13:03,120 –> 00:13:06,079
حالا بیایید با ایجاد مانند
339
00:13:06,079 –> 00:13:08,800
این شروع کنیم، روش رمزگذار ساخته شده زیرخط
340
00:13:08,800 –> 00:13:11,760
خوب است، بنابراین بیایید ساخت زیر خط را تعریف کنیم
341
00:13:11,760 –> 00:13:12,639
342
00:13:12,639 –> 00:13:15,839
و یک چهارم
343
00:13:15,839 –> 00:13:19,040
خوب، حالا
344
00:13:19,040 –> 00:13:20,959
اینجا چه کاری انجام میدهیم، خوب وجود دارد.
345
00:13:20,959 –> 00:13:23,680
از مراحل مختلف در اینجا
346
00:13:23,680 –> 00:13:26,880
و سوئیچ اول مانند ایجاد
347
00:13:26,880 –> 00:13:27,519
348
00:13:27,519 –> 00:13:32,880
ورودی یا فرض کنید ورودی رمزگذار است
349
00:13:32,880 –> 00:13:35,920
و بنابراین ما
350
00:13:35,920 –> 00:13:39,279
مانند ساختار ورودی
351
00:13:39,279 –> 00:13:41,120
رمزگذار ورودی را به
352
00:13:41,120 –> 00:13:44,880
روش دیگری به نام underscore uh build
353
00:13:44,880 –> 00:13:48,800
uh یا بله، فرض کنید ورودی
354
00:13:48,800 –> 00:13:52,399
رمزگذار um فرد را موکول می کنیم.
355
00:13:52,399 –> 00:13:56,000
بنابراین هنگامی که
356
00:13:56,000 –> 00:13:59,519
ورودی رمزگذار را داشته باشیم، چیز بعدی
357
00:13:59,519 –> 00:14:00,079
358
00:14:00,079 –> 00:14:02,480
اساساً ساختن همه لایههای کانولوشنال است
359
00:14:02,480 –> 00:14:03,440
360
00:14:03,440 –> 00:14:07,040
و بنابراین در اینجا ما لایههای conf را انجام میدهیم
361
00:14:07,040 –> 00:14:10,480
که برابر با خود نقطه زیرخط است،
362
00:14:10,480 –> 00:14:14,639
لایههای conf را اضافه میکنیم
363
00:14:14,639 –> 00:14:17,839
okay و wh در اینجا می خواهیم این کار را انجام دهیم این است
364
00:14:17,839 –> 00:14:19,040
که
365
00:14:19,040 –> 00:14:22,160
ورودی رمزگذار uh را به
366
00:14:22,160 –> 00:14:25,120
روش لایه های نتیجه زیرخط ارسال کنیم و به روش لایه های نتیجه زیرخط
367
00:14:25,120 –> 00:14:26,000
368
00:14:26,000 –> 00:14:29,279
اضافه
369
00:14:29,279 –> 00:14:31,519
کنیم، مانند لایه های کانولوشنال
370
00:14:31,519 –> 00:14:32,800
و دقیقاً مانند
371
00:14:32,800 –> 00:14:35,600
این است که کل نمودار مشابه را برای ما ارسال کند.
372
00:14:35,600 –> 00:14:36,160
لایهها
373
00:14:36,160 –> 00:14:38,720
اکنون خواهیم دید که این نمودار
374
00:14:38,720 –> 00:14:40,000
لایهها واقعاً چه
375
00:14:40,000 –> 00:14:41,920
هستند، زیرا ما مانند
376
00:14:41,920 –> 00:14:43,360
api
377
00:14:43,360 –> 00:14:45,680
عملکردی keras استفاده میکنیم و توضیح خواهم داد که
378
00:14:45,680 –> 00:14:46,800
مثل یک ثانیه است،
379
00:14:46,800 –> 00:14:48,880
اما مانند یک ثانیه با من تحمل کنید.
380
00:14:48,880 –> 00:14:50,800
تا زمانی که ما مانند تمام
381
00:14:50,800 –> 00:14:52,720
مراحل سطح بالا برای ساختن
382
00:14:52,720 –> 00:14:53,440
یک سفارش
383
00:14:53,440 –> 00:14:56,560
رمزگذار را طی کنیم، اکنون که لایههای comm را داریم
384
00:14:56,560 –> 00:14:58,959
، مرحله بعدی را به جای
385
00:14:58,959 –> 00:15:00,480
ساختن گلوگاه
386
00:15:00,480 –> 00:15:04,240
خوب داریم، بنابراین در اینجا
387
00:15:04,240 –> 00:15:07,199
گردن بطری را مینویسیم که به عبارت دیگر
388
00:15:07,199 –> 00:15:08,800
مانند خواهد بود. خروجی
389
00:15:08,800 –> 00:15:12,480
به رمزگذار ما و در اینجا ما یک نقطه خود را انجام می دهیم که
390
00:15:12,480 –> 00:15:16,079
یک
391
00:15:16,079 –> 00:15:19,519
گلوگاه مانند این را اضافه می کنیم و
392
00:15:19,519 –> 00:15:21,839
بدیهی است که در اینجا باید در
393
00:15:21,839 –> 00:15:23,680
لایه های کانولوشن
394
00:15:23,680 –> 00:15:26,079
به عنوان ورودی عبور کنیم و سپس bottleneck
395
00:15:26,079 –> 00:15:27,120
را اضافه کنیم و
396
00:15:27,120 –> 00:15:30,320
این را مانند bottleneck اضافه کنیم و باز خواهد
397
00:15:30,320 –> 00:15:33,759
گشت. مانند th گراف کامل لایهها که
398
00:15:33,759 –> 00:15:36,320
اکنون گلوگاه نامیده میشود، زیرا گلوگاه را نیز
399
00:15:36,320 –> 00:15:37,519
دارد،
400
00:15:37,519 –> 00:15:40,800
بنابراین در اینجا مرحله بعدی این
401
00:15:40,800 –> 00:15:44,320
است که در واقع uh، مانند
402
00:15:44,320 –> 00:15:48,560
رمزگذار با استفاده از
403
00:15:48,560 –> 00:15:51,519
یک شی در keras به نام مدل بسازید، بنابراین اکنون
404
00:15:51,519 –> 00:15:51,920
اجازه دهید آن را
405
00:15:51,920 –> 00:15:56,240
اضافه کنیم تا یک کار را انجام دهیم. از
406
00:15:57,160 –> 00:15:58,880
tensorflow.keras
407
00:15:58,880 –> 00:16:02,240
باید مدل را وارد کنیم،
408
00:16:02,240 –> 00:16:06,000
بنابراین در اینجا می گوییم
409
00:16:06,000 –> 00:16:09,040
رمزگذار خود نقطه
410
00:16:09,040 –> 00:16:12,959
برابر است با مدلی که در آن
411
00:16:12,959 –> 00:16:16,720
ورودی های انکودر
412
00:16:16,720 –> 00:16:20,800
و گلوگاه یا خروجی انکودر را منتقل می کند
413
00:16:20,800 –> 00:16:21,759
اگر بخواهید
414
00:16:21,759 –> 00:16:24,880
و در اینجا ما این مدل را صدا
415
00:16:24,880 –> 00:16:28,160
می زنیم say name و ما آن را رمزگذار مینامیم،
416
00:16:28,160 –> 00:16:31,360
بنابراین همانطور که در اینجا میبینید، ما
417
00:16:31,360 –> 00:16:33,120
اساساً از این قرارداد
418
00:16:33,120 –> 00:16:34,639
استفاده میکنیم که در آن یک
419
00:16:34,639 –> 00:16:38,959
مدل keras با عبور دادن
420
00:16:38,959 –> 00:16:43,279
یک لایه مانند ورودی یک لایه و مانند uh
421
00:16:43,279 –> 00:16:47,199
خروجی مدل like i ایجاد میکنیم و همچنین میتوانیم یک مدل را دوست داشته باشیم.
422
00:16:47,199 –> 00:16:49,199
423
00:16:49,199 –> 00:16:51,199
نام دلخواه و ما مانند
424
00:16:51,199 –> 00:16:52,959
این مدل
425
00:16:52,959 –> 00:16:56,480
را صدا می زنیم uh encoder بسیار خوب، بنابراین در اینجا ما یک
426
00:16:56,480 –> 00:16:59,600
مدل UH tensorflow به نام encoder ساخته ایم یا
427
00:16:59,600 –> 00:17:02,399
در self.encoder ذخیره می شود، اما
428
00:17:02,399 –> 00:17:03,040
در واقع ما
429
00:17:03,040 –> 00:17:05,439
واقعاً هنوز آن را دوست نداشته ایم و
430
00:17:05,439 –> 00:17:06,799
دلیل آن این است
431
00:17:06,799 –> 00:17:08,880
که منظورم این است که ما یک دسته داریم مانند
432
00:17:08,880 –> 00:17:10,160
متغیرهایی،
433
00:17:10,160 –> 00:17:12,880
روشهایی مانند افزودن ورودیهای رمزگذار،
434
00:17:12,880 –> 00:17:14,880
لایههای نتیجه را زیر خط میزنند و
435
00:17:14,880 –> 00:17:16,079
گلوگاه را به درستی اضافه میکنند
436
00:17:16,079 –> 00:17:19,280
، بنابراین ما باید در واقع
437
00:17:19,280 –> 00:17:20,480
همه این متغیرها را پیادهسازی
438
00:17:20,480 –> 00:17:22,720
کنیم، اجازه دهید از اول شروع کنیم، بگوییم
439
00:17:22,720 –> 00:17:24,799
ورودی رمزگذار را اضافه
440
00:17:24,799 –> 00:17:28,400
کنیم، بنابراین ما این کار را انجام میدهیم.
441
00:17:28,400 –> 00:17:29,520
442
00:17:29,520 –> 00:17:33,280
بنابراین
443
00:17:33,280 –> 00:17:36,640
چگونه ورودی رمزگذار را
444
00:17:36,640 –> 00:17:37,679
خوب بسازیم، باید
445
00:17:37,679 –> 00:17:41,360
یک لایه ورودی با استفاده از لایه keras
446
00:17:41,360 –> 00:17:43,280
به نام ورودی ایجاد کنیم، بنابراین اول از همه
447
00:17:43,280 –> 00:17:44,640
باید ورودی را وارد کنیم
448
00:17:44,640 –> 00:17:49,280
و بنابراین از
449
00:17:50,760 –> 00:17:52,160
tensorflow.keras.layers
450
00:17:52,160 –> 00:17:55,520
انجام خواهیم داد. ورودی واردات در حال حاضر
451
00:17:55,520 –> 00:17:57,760
ما
452
00:17:57,760 –> 00:17:59,760
در طول این ویدیو و
453
00:17:59,760 –> 00:18:01,280
چند لایه بعدی در مورد این لایه ها چیزهای زیادی یاد خواهیم گرفت زیرا لایه های
454
00:18:01,280 –> 00:18:02,799
زیادی را وارد می کنیم
455
00:18:02,799 –> 00:18:05,600
و لایه ها و کراس ها
456
00:18:05,600 –> 00:18:07,280
بلوک های سازنده ای هستند که می توانیم
457
00:18:07,280 –> 00:18:10,160
برای ایجاد آنها به یکدیگر زنجیره بزنیم. مانند یک
458
00:18:10,160 –> 00:18:11,679
معماری پیچیده
459
00:18:11,679 –> 00:18:14,880
خوب است، بنابراین در اینجا ما
460
00:18:14,880 –> 00:18:17,760
یک کار بسیار ساده انجام می دهیم، بنابراین مستقیماً
461
00:18:17,760 –> 00:18:18,720
462
00:18:18,720 –> 00:18:21,520
و ورودی هایی را که می خواهیم نمونه سازی کنیم
463
00:18:21,520 –> 00:18:22,080
و آنچه
464
00:18:22,080 –> 00:18:24,000
را که می خواهیم در اینجا منتقل کنیم، خوب می خواهیم
465
00:18:24,000 –> 00:18:25,440
یک شکل را منتقل کنیم،
466
00:18:25,440 –> 00:18:28,039
بنابراین شکل i nput و جای
467
00:18:28,039 –> 00:18:29,360
تعجب نیست
468
00:18:29,360 –> 00:18:31,600
که شکل در اینجا برابر با
469
00:18:31,600 –> 00:18:32,400
470
00:18:32,400 –> 00:18:35,520
شکل ورودی خود نقطه خواهد بود، بنابراین
471
00:18:35,520 –> 00:18:36,320
میخواهیم مانند
472
00:18:36,320 –> 00:18:39,760
شکل ورودی که
473
00:18:39,760 –> 00:18:42,320
در سازنده شی رمزگذار خودکار
474
00:18:42,320 –> 00:18:43,280
475
00:18:43,280 –> 00:18:46,880
به عنوان شکل لایه keras ورودی ما ارسال کردیم، استفاده کنیم
476
00:18:46,880 –> 00:18:50,080
و در اینجا نیز هستیم. قرار
477
00:18:50,080 –> 00:18:52,240
است مانند یک نام استفاده شود
478
00:18:52,240 –> 00:18:55,919
تا بتوانیم مانند این لایه را تشخیص
479
00:18:55,919 –> 00:18:56,880
480
00:18:56,880 –> 00:18:59,270
دهیم و این ورودیهای رمزگذار را
481
00:18:59,270 –> 00:19:00,559
[Music] صدا میزنیم،
482
00:19:00,559 –> 00:19:05,280
این ورودی ورودی نیست، اما
483
00:19:05,280 –> 00:19:08,320
خوب است ورودیهای رمزگذار خوب هستند،
484
00:19:08,320 –> 00:19:11,039
بنابراین اکنون ورودیهای افزودن رمزگذار را پیادهسازی
485
00:19:11,039 –> 00:19:11,600
486
00:19:11,600 –> 00:19:14,400
کردهایم، بنابراین مانند آن برمیگردیم. ورودیهای رمزگذار که
487
00:19:14,400 –> 00:19:14,799
488
00:19:14,799 –> 00:19:17,440
یک لایه ورودی است و اکنون
489
00:19:17,440 –> 00:19:18,240
490
00:19:18,240 –> 00:19:21,360
لایه keras ورودی را به لایههای نتیجه
491
00:19:21,360 –> 00:19:24,480
میدهیم، بسیار خوب، پس اکنون زمان ایجاد
492
00:19:24,480 –> 00:19:28,240
لایههای ad conf است، خوب، پس بیایید
493
00:19:28,240 –> 00:19:32,000
ایجاد کنیم، اجازه دهید این روش را تعریف کنیم
494
00:19:32,000 –> 00:19:35,280
و در اینجا فقط از رمزگذار به عنوان آرگومان استفاده
495
00:19:35,280 –> 00:19:35,600
میکنیم.
496
00:19:35,600 –> 00:19:39,440
ورودی بسیار خوب است، بنابراین
497
00:19:39,440 –> 00:19:43,360
ما در اینجا چه کاری باید انجام دهیم خوب این روش
498
00:19:43,360 –> 00:19:47,799
همه
499
00:19:47,799 –> 00:19:50,799
500
00:19:51,280 –> 00:19:55,520
بلوک های کانولوشن را در
501
00:19:55,520 –> 00:19:59,200
یک رمزگذار در رمزگذار ایجاد می کند بسیار خوب
502
00:19:59,200 –> 00:20:02,240
حالا من در اینجا با بلوک های کانولوشن صحبت می کنم
503
00:20:02,240 –> 00:20:04,480
و خواهیم دید که چرا اینطور است
504
00:20:04,480 –> 00:20:06,080
در یک ثانیه اما قبل از این،
505
00:20:06,080 –> 00:20:08,480
اجازه دهید مانند این
506
00:20:08,480 –> 00:20:09,200
507
00:20:09,200 –> 00:20:12,400
روش سطح بالا uh ایجاد کنیم، بگوییم لایههای نتیجه خوب است، بنابراین
508
00:20:12,400 –> 00:20:13,200
در اینجا
509
00:20:13,200 –> 00:20:16,240
ورودی رمزگذار را
510
00:20:16,240 –> 00:20:19,679
به متغیری به نام x اختصاص میدهیم، بنابراین انجام میدهیم
511
00:20:19,679 –> 00:20:22,799
x برابر با ورودی رمزگذار است، اکنون آنچه میخواهیم
512
00:20:22,799 –> 00:20:23,520
513
00:20:23,520 –> 00:20:26,159
انجام دهیم اساساً انجام آن است. همه
514
00:20:26,159 –> 00:20:28,080
لایههای کانولوشنال
515
00:20:28,080 –> 00:20:31,120
و سپس
516
00:20:31,120 –> 00:20:34,400
به
517
00:20:34,400 –> 00:20:37,520
نمودار لایهها اضافه میکنیم، آه هر
518
00:20:37,520 –> 00:20:39,840
لایه کانولوشن، پس چگونه میتوانیم این کار را به
519
00:20:39,840 –> 00:20:40,960
خوبی انجام دهیم،
520
00:20:40,960 –> 00:20:44,320
به یک حلقه for نیاز داریم، بنابراین
521
00:20:44,320 –> 00:20:45,360
522
00:20:45,360 –> 00:20:49,120
مانند همه لایهها گام به گام پیش میرویم و اضافه میکنیم. آنها
523
00:20:49,120 –> 00:20:52,240
خوب هستند، پس چند بار می خواهیم
524
00:20:52,240 –> 00:20:54,000
مانند این حلقه از طریق این حلقه عبور
525
00:20:54,000 –> 00:20:56,640
کنیم، ما می خواهیم به
526
00:20:56,640 –> 00:20:57,600
527
00:20:57,600 –> 00:21:00,240
تعداد لایه های کانولوشنی که
528
00:21:00,240 –> 00:21:01,200
529
00:21:01,200 –> 00:21:03,679
در معماری خود داریم از این حلقه عبور کنیم و بنابراین
530
00:21:03,679 –> 00:21:04,320
531
00:21:04,320 –> 00:21:07,520
می توانیم بگوییم. یک
532
00:21:07,520 –> 00:21:11,440
شاخص لایه
533
00:21:12,080 –> 00:21:16,000
در محدوده و در اینجا از
534
00:21:16,000 –> 00:21:19,039
متغیر خصوصی uh خود استفاده خواهیم کرد که ساختیم
535
00:21:19,039 –> 00:21:22,559
به نام لایههای numcom بسیار خوب است، بنابراین به این ترتیب
536
00:21:22,559 –> 00:21:23,520
537
00:21:23,520 –> 00:21:26,159
538
00:21:26,159 –> 00:21:27,919
مراحلی را طی خواهیم کرد مانند مراحلی که به تعداد
539
00:21:27,919 –> 00:21:29,760
لایههای کانولوشن خواهیم داشت. که داریم و در حال
540
00:21:29,760 –> 00:21:30,880
حاضر مرحله h ما می خواهیم
541
00:21:30,880 –> 00:21:32,799
مانند شاخص لایه ای که به آن علاقه مندیم به دست آوریم،
542
00:21:32,799 –> 00:21:33,919
543
00:21:33,919 –> 00:21:37,760
بنابراین، در اینجا اضافه
544
00:21:37,760 –> 00:21:41,360
کردن واقعی یک
545
00:21:41,360 –> 00:21:42,640
بلوک کانولوشنال جدید را
546
00:21:42,640 –> 00:21:46,240
به روشی به نام افزودن
547
00:21:46,240 –> 00:21:49,440
لایه conf بدون s نهایی موکول می کنیم، بنابراین در اینجا ما ‘
548
00:21:49,440 –> 00:21:50,159
do i
549
00:21:50,159 –> 00:21:53,360
x برابر است با خود
550