[NHẠC] Chúng ta đã thấy các tính năng sâu rất tốt
 cho phân loại hình ảnh như thế nào. Chúng cho phép chúng ta đạt được độ 
chính xác khá cao thậm chí chỉ với một chút dữ liệu huấn luyện trong nhiệm vụ
phân loại cụ thể bằng các tính năng tìm kiếm đầu tiên từ mô hình học sâu
đã chiến thắng cuộc thi ImageNet 2012. Điều đó khá là thú vị. Nhưng nếu bạn còn nhớ động cơ lúc đầu, các ví dụ sử dụng ở
phần đầu của bài học, chúng ta đang nói về việc tìm các hình ảnh
của các sản phẩm mà tôi thích. Bạn biết đấy tôi thích giày, tôi sẽ
tìm giày giống với đôi giày của tôi. Tôi muốn tìm các hình ảnh mà giống với tập sản phẩm tôi quan tâm. Thay vì làm nhiệm vụ phân loại hình ảnh, bây giờ chúng ta sẽ lấy các tính năng sâu và
 thực hiện nhiệm vụ truy xuất hình ảnh. Hãy tiếp tục và làm điều đó, ok? Chúng ta sẽ đặt tên ghi chú của chúng ta, vì thế tôi sẽ đặt là Deep Features for Image Retrieval. Và tôi sẽ ẩn tiêu đề và ẩn thanh công cụ đi, chúng ta có thể tiếp tục và có thêm một chút khoảng trống. Tôi sẽ tạo graphlab và tôi cũng sẽ load the CIFAR-10 dataset, cái mà là tập dữ liệu giống với cái mà chúng ta đã tải. Trong trường hợp này chúng ta đã nói về 
các tính năng sâu hoặc phân tích. Trong trường hợp này tôi sẽ chỉ tải tập huấn luyện bởi vì chúng ta sẽ thực hiện truy xuất tập huấn luyện. Hãy bắt đầu từ điều đó. Tôi sẽ gọi nó là image_train và tôi sẽ sử dụng graphlab.Sframe và sau đó đầu vào tôi sẽ đặt nó là image_train_data/. Và cũng như một lời nhắc, nếu tôi 
nhìn vào tập dữ liệu image_train này, .head trong sframe này chúng ta có id hình ảnh, hình ảnh thực, nhãn cái mà chúng ta sẽ không sử dụng cho việc truy xuất. chúng ta sẽ không sử dụng nhãn đó. Mảng hình ảnh của các điểm ảnh, cái mà 
chúng ta cũng sẽ không sử dụng nhưng nó đã có các tính năng sâu được tính toán. Trong ghi nhớ về các tính năng sâu cho phân loại, chúng ta đã thấy những dòng mà
 bạn cần phải tính cột đó, các tính năng sâu. Ở đây tôi sẽ chỉ sử dụng các tính năng sâu này. [NHẠC]