[NHẠC] Chúng ta đã học về mạng lưới rất thú vị, công cụ có tính chính xác cao nhưng chúng
 cũng khá là khó để xây dựng và học và đòi hỏi nhiều dữ liệu. Tiếp theo chúng ta sẽ nói về cái mà được gọi là các đặc tính thực sự
 cho phép bạn xây dựng mạng lưới, thậm chí khi bạn không có nhiều dữ liệu. Nếu bạn quay lại với đường phân loại dữ liệu hình ảnh, nơi mà chúng ta bắt đầu với một hình ảnh,
 chúng ta phát hiện một số đặc điểm và các hiển thị khác, và chúng ta đã có một bộ phân loại đơn giản
 như là bộ phân loại tuyến tính. Câu hỏi ở đây là chúng ta có thể sử dụng các đặc điểm mà chúng ta học qua mạng lưới bằng cách nào? Công cụ này mới ở các góc, các cạnh thậm chí 
là khuôn mặt để đưa vào bộ phân loại đó? Chúng ta có thể làm khác không? Ý tưởng ở đây là bạn có các đặc tính cái mà được gọi là nghiên cứu chuyền. Nghiên cứu chuyền là một ý tưởng khá cũ, nó có khá lâu rồi nhưng đã có rất nhiều tác động trong những năm gần đây
 trong lĩnh vực về mạng lưới. Ý tưởng ở đây là tôi huấn luyện mạng lưới trong trường hợp tôi có rất nhiều dữ liệu. Ví dụ trong nhiệm vụ về tìm sự khác nhau giữa mèo và chó. Tôi đã học được tám tầng, 16 triệu thông số mạng lưới phức tạp. Và tôi nhận được độ chính xác trong nhiệm vụ này. Bây giờ nếu tôi có một chút dữ liệu, không phải là cả tấn dữ liệu cho các nhiệm vụ mới,
 thì tôi sẽ khám phá ra ghế và con voi, xe ô tô, camera trong hàng trăm mục. Chúng ta có thể sử dụng các tính năng mà
 chúng ta đã học được ở ví dụ chó và mèo để kết hợp cho bộ phân loại đơn giản và nhận được
 độ chính xác cao trong 101 danh mục mới. Đó là ý tưởng về nghiên cứu chuyền. Các tính năng mà tôi đã học từ ví dụ mèo và chó đã cung cấp tính chính xác trong nhiệm vụ mới, cái mà
 phát hiện voi, camera và vân vân. Để hiểu mạng lưới về nghiên cứu chuyền hãy xem lại ý tưởng về mạng lưới đã học. Đây là mạng lưới của ví dụ cho và mèo. Hãy xem chúng ta có độ chính xác cao ở đó với nhiệm vụ, một nhiệm vụ trong ví dụ cho và mèo. Nếu bạn nhìn vào các tầng trước, chúng tập trung nhiều vào nhiệm vụ. Chúng rất cụ thể. Giống như tôi đã cho bạn thấy, có một ví dụ nơi mà có sự khám phá các màu sắc bên trong tầng cuối cùng đó. Bây giờ cái ở giữa là chung chung. Chúng có thể biểu thị những thứ như là 
các góc, các cạnh và các vòng tròn và các mô hình, những thứ mà có thể khái quát từ nhiệm vụ chó và mèo với nhiệm vụ chung trong 101 danh mục này. Hãy nói về cách chúng ta có thể giải quyết 
nhiệm vụ thứ hai, 101 danh mục. Chúng ta học về mạng thần kinh với ví dụ 
cho và mèo có thể ứng dụng trong nhiệm vụ số 2. Bây giờ nếu bạn nghĩ về điều đó, phần cuối của mạng thần kinh rất cụ thể với ví dụ mèo và chó, có lẽ nó không phải là hữu ích để khám phá các ghế. Cái mà chúng ta có thể làm là cắt bỏ 
các tầng cuối, tầng cuối cùng cho phép thấy nó trong mạng và giữ trọng lượng cân bằng với các tầng đầu. Bởi vì những điều này đã được khám phá các tính năng tốt. Tầng cuối này với bộ phân tích tuyến tính đơn giản rất đơn giản, vì thế tôi chỉ có thể huấn luyện một ít dữ liệu mà tôi có về ghế, ô tô, voi và camera. Quay trở lại với ví dụ mà chúng ta đã mô tả lúc trước, nơi mà chúng ta có ba tầng. Tầng đầu tiên khám phá các đường chéo và các cạnh. Tầng thứ hai khám phá các mẫu và các góc. Trong khi đó tầng thứ ba là về màu sắc và khuôn mặt, chúng ta có thể sử dụng các tầng cho nhiệm vụ mới, 
nhưng chúng ta cần phải cẩn thận một chút. Tầng ba có thể là quá cụ thể nhưng tầng một và hai khá là hữu ích. Bây giờ chúng ta đã học về khái niệm nghiên cứu chuyền, hãy xem lại chuỗi nghiên cứu sâu, nhưng sử dụng các tính năng sâu này. Tôi sẽ bắt đầu với một số dữ liệu đã được
 dán nhãn, chỉ cần một chút là đủ. Và sau đó tôi sẽ xuất các tính năng sử dụng mạng thần kinh đó giống như chúng ta đã mô tả. Tôi sẽ chia tập dữ liệu thành tập huấn luyện và kiểm tra. Tôi sẽ học bộ phân loại đơn giản như là bộ phân loại tuyến tính, hỗ trợ các máy vecto, những thứ đơn giản. Như là tôi đã xác nhận, bởi vì nó là bộ phân loại đơn giản, không có nhiều thông số để điều chỉnh. Khá là dễ làm. Có thể học với một ít dữ liệu và làm khá tốt. Thực tế chúng ta thấy sự ứng dụng nơi mà ý tưởng này hoạt động cực kì tốt, và chính là ý tưởng 
mà tôi đã chỉ cho bạn trong ví dụ, ở phần đầu của bài học khi mà tôi chỉ cho bạn cách mua chiếc váy mới. Chúng ta không có nhiều dữ liệu về những bộ váy mô tả 
trực quan, nhưng chúng ta đã sử dụng cái gì đó mà đã được đào tạo trên imagenet để cung cấp cho bạn
 trải nghiệm mua sắm một bộ váy đẹp. Bây giờ bạn có thể hỏi các tính năng sâu nói chung là như thế nào? Chúng thực sự được sử dụng cho các nhiệm vụ
 thú vị, khác thường phải không? Vâng thực sự bạn sẽ rất ngạc nhiên. Thực tế hãy nói về chúng. Một công ti tên là compology. Nó là một công ty khá thú vị. Họ đang cố gắng để tái tạo cách thu thập rác đã được làm. Thông thường xe chở rác đi từ nhà này tới nhà khác, 
từ công ty này tới công ty khác và thu thập rác hằng ngày, mỗi tuần một lần và vân vân. Họ muốn thay đổi rằng sự tối ưu hóa các xe tải và rác đã được thu thập để làm giảm tối đa thời gian như thế nào. Cách mà họ làm là bằng việc đặt máy camera trên các thùng rác để tìm ra trong đó có gì và nó đầy như thế nào. Chúng ta không có cả tấn dữ liệu đã được dán nhãn về
 những hình ảnh tìm kiếm các thùng rác đầy, nhưng khi họ làm điều này, sử dụng các tính năng sâu và
 một chút dữ liệu huấn luyện từ con người, đánh dấu độ sâu của thùng rác để nghiên cứu máy dò rác và có thể tối ưu hóa con đường của xe tải, đẻ phục vụ tốt hơn. Để giảm thời gian xe tải cần để thu thập rác. Các tính năng sâu rất hữu ích với điều này. [NHẠC]