 Jadi, hanya memasangkan model-model-model-speaker. Jadi, hanya seperti bagaimana anda akan membuatnya untuk AI. Apabila anda menggunakan AI untuk membuat pilihan, anda sebenarnya perlu memasangkan AI. Jadi, ini adalah apa yang saya lakukan sekarang. Jadi, hari ini saya akan berkongsi tentang TensorFlow.js. Jadi, bagaimana banyak anda menggunakan javascript? Okey, sebarang-barang semua anda, seperti yang saya menunggu. Dan bagaimana anda tahu bagaimana javascript belajar? Okey, bagus. Jadi, tidak banyak anda. Jadi, sangat bagus. Saya bersiap sedikit untuk memberikan sebuah latihan cepat bagaimana. Jadi, bagaimana anda telah mencoba TensorFlow sebelumnya? Baiklah. Jadi, hari ini, saya akan berkongsi dengan anda semua sedikit latihan apa javascript belajar, kerana javascript belajar adalah latihan yang anda gunakan untuk membahas latihan di dalam kota. Jadi, mari kita jemput kepada subjek. Jadi, apa yang besar tentang javascript TensorFlow.js? Jadi, satu perkara yang sangat menarik apabila saya dengar tentang javascript TensorFlow.js, adalah bahawa akhirnya, javascript TensorFlow boleh digunakan dalam javascript. Kerana, latihan yang saya dapat menggunakan javascript javascript 1 tahun lalu, saya melakukan javascript dan Ruby. Saya sangat berminat dalam latihan data, jadi saya betul-betul nak mencoba latihan. Jadi, saya perlu belajar kawasan baru untuk membuat itu, yang adalah latihan. Jadi, perkara yang bagus adalah semua anda yang berminat dalam latihan, anda tidak perlu menghubungi satu bulan lagi hanya untuk belajar latihan untuk membuat latihan. Sekarang anda boleh membuat javascript. Dan juga, salah satu perkara yang sangat menarik adalah bahawa lebih baik daripada membuat javascript dengan latihan. adalah bahawa anda boleh melakukan pembelajaran latihan di dalam untuk membangun AI, mempercayai dan melakukan predikasi semua dalam browser. Jadi, apa maksudnya adalah bahawa anda tidak perlu meletakkan data keadaan, keadaan di mana-mana, keadaan di belakang yang menerima Python, melakukan predikasi untuk anda dan kemudian meletakkan predikasi ke browser anda. Jadi, anda boleh melakukan semua ini dalam browser. Jadi, saya rasa ini sangat kuat. Jadi, jika anda mempunyai masa, saya akan pergi ke demo yang sebenarnya menunjukkan semua ini, seperti ia berlaku semua dalam browser tanpa meletakkan data keadaan di belakang yang menerima. Jadi, untuk faham apa yang penting dalam deep learning, ia sangat penting untuk mengetahui pilihan basis pilihan deep learning. Di dalam kes ini adalah neuron. Jadi, bagaimanapun anda, bagaimanapun anda telah mendengar tentang neuron dalam biologi atau apa-apa saja. Okey. Jadi, neuron adalah sebuah pilihan yang paling mudah yang anda dapat menemukan dalam pilihan manusia. Jadi, perkara yang sama untuk deep learning, pilihan basis pilihan pilihan adalah neuron. Jadi, bagaimanapun anda membeli pilihan tepung bagi dinosaur. Jadi, bagaimanapun neuron adalah seperti pilihan tepung bagi sebuah pilihan sebuah pilihan sebuah pilihan dinosaur. Jadi, dalam neuron anda akan selalu mempunyai 3 pilihan. Satu adalah pilihan. Jadi, di dalam kes ini, pilihan ini menunjukkan sebuah neuron yang mengambil 3 pilihan. Tetapi, neuron dapat mengambil banyak pilihan, sejauh-sejauh lebih banyak pilihan. Jadi, di dalam kes ini, untuk mudah-mudahan, pilihan tepung adalah 3 pilihan. Jadi, anda menunggu pilihan otonoman yang mengambil pilihan. Di dalam kes ini, anda mengambil pilihan pilihan tepung. Jadi, di dalam kes ini, anda akan menunjukkan bagaimanapun semua pilihan yang anda sebenarnya mengambil dari kamera. Ini adalah semua pilihan. Jadi, di dalam kes ini, ini adalah sebuah neuron yang sangat mudah. Anda hanya mengambil 3 pilihan. Kemudian, anda akan mempunyai sesuatu yang dipanggil parameter. Jadi, apa yang parameter berlainan adalah ia memandangkan pengetahuan dari AI. Jadi, apa yang ia belajar dari pengalaman, dari latihan, ia semua mengambil sebuah neuron dalam parameter. Jadi, ia sangat penting untuk mempunyai distingsi yang sangat jelas, apa yang ini dua konsepnya. Jadi, keputusan adalah perkara-kara daripada keadaan, yang anda ingin mempunyai sesuatu prediksi sehingga anda mengambilnya. Jadi, ia seperti pilihan tepung. Pilihan tepung adalah sebenarnya sebuah kisah yang dilengar oleh AI apabila anda mempunyai latihan. Jadi, selepas itu, apa yang anda dapat dengan menggambil ini juga, adalah bahawa anda dapat sebuah keputusan. Jadi, keputusan ini boleh dikatakan, contohnya, kembali ke cari contoh, ia seperti untuk mengambil keadaan, untuk mengambil keadaan, dan keputusan lain. Jadi, di dalam kes ini, ia sangat mudah untuk mempunyai neuron. Ada satu keputusan. Kemudian keputusan lain akan mempunyai sebuah keadaan, bagaimanakah anda ingin mengambil keadaan untuk 10 degree, 20 degree, 40 degree. Jadi, semua neuron mempunyai tiga keputusan ini. Dan dalam kes ini, apabila anda ingin mengingatkan keputusan ini dalam keputusan, dalam keputusan matahari, kemampuan yang sangat mudah adalah ini. Apa yang anda lakukan adalah, anda lakukan, katakan untuk contoh, keputusan 1, termasuk parameter 1, dan kemudian anda mengambil keputusan 2, kemudian anda mengambil keputusan 2, dan kemudian anda membuat sebuah keputusan untuk semua keputusan dan sebuah keputusan. Dan kemudian anda dapat keputusan di sini. Jadi, sebuah sebuah keputusan. Okey, jadi ini tidak benar-benar sangat bergantung dalam keputusan real. Tetapi, anda ingin mengingatkan sebuah neuron untuk sebenarnya beritahu anda parameter sebuah keputusan, terdapat tiga keputusan, kemampuan itu, sebuah keputusan dan kemampuan itu. Jadi, saya bermakna sebuah keputusan beritahu anda bahawa ia tidak mempunyai kemampuan kemampuan sebuah keputusan yang ada di sana. Ia tidak sepatutnya mengingatkan kemampuan itu. Jadi, sebuah neuron akan menjelaskan bahawa ia tidak bergantung, sebuah neuron yang terbaik akan menjelaskan bahawa ia tidak bergantung. Jadi, anda akan memperkalkan dengan 0. Dan anda akan mempunyai untuk kemampuan, kerana setiap keputusan ada dua kemampuan. Jadi, anda akan memperkalkan dengan 2, dan kemudian kemampuan dengan 2 juga, dan kemampuan tidak berjalan, kerana ia tidak membuat perlukan untuk menerima. Kemudian, apa yang ia lakukan, anda akan keluar dengan parameter, kerana kemampuan x2 plus kemampuan x2, dan anda dapat kemampuan. Jadi, ini adalah kemampuan yang sangat mudah, kemampuan kemampuan yang sepatutnya berlaku dengan neuron. Dan dengan kemampuan x2, apa yang anda sebenarnya lakukan adalah, jadi, jika anda melihat satu kemampuan, anda mempunyai sebuah neuron. Jadi, secara tradisional, kerana kemampuan kemampuan, orang hanya membuat satu kemampuan kemampuan ini kerana untuk membuat kemampuan dengan banyak daripada mereka, anda mengambil sebuah hari atau sepanjang bulan untuk melakukan kemampuan. Jadi, kemampuan kemampuan ini adalah, sepatutnya, seperti sebuah kemampuan kemampuan kemampuan ini. Kenapa ia sangat kuat? Kerana jika anda hanya menggunakan satu kemampuan kemampuan, seperti contoh ini, apa yang anda boleh lakukan adalah sebuah kemampuan yang sangat mudah dan kemampuan. Tapi dengan kemampuan kemampuan seperti ini, anda boleh melakukan lebih banyak, anda boleh modulasi lebih banyak kemampuan matematik, seperti kemampuan x2, polinomial, atau kemampuan kemampuan. Jadi, dengan semua kemampuan ini, jika anda mempunyai kemampuan matematik lebih kompleks, anda boleh modulasi untuk AI. Jadi, dalam kemampuan kemampuan, anda biasanya memasukkan kemampuan seperti kemampuan dalam model AI. Jadi, saya akan lakukan dua contoh ini nanti. Jadi, satu adalah kemampuan kemampuan, yang sebenarnya seperti daripada daripada AI. Anda akan melihat ini dalam sepanjang model AI. Yang kedua adalah kemampuan kemampuan. Anda melihat ini digunakan banyak dalam kemampuan. Dan juga kemudian, mereka juga menggunakan kemampuan juga, kemampuan matematik, dan ketiga adalah kemampuan kemampuan. Jadi, ini lebih digunakan untuk kemampuan kemampuan. Contohnya, saya adalah Alvin. Anda harus memasukkan saya sebagai kemampuan m, Alvin. Jadi, untuk kemampuan kemampuan, anda menggunakan kemampuan kemampuan. Dan ada banyak lagi. Jadi, sebab peraturan masa, saya akan bercakap tentang kemampuan dan kemampuan kemampuan, yang sangat kuat. Terutamanya anda ingin lakukan sesuatu dengan kemampuan. Jadi, kemampuan pertama yang saya akan bercakap adalah kemampuan kemampuan, yang sangat seperti dengan yang saya menunjukkan sebelumnya. Jadi, dalam kes ini, ada dua kemampuan kemampuan. Jadi, kemampuan kemampuan bermakna adalah, anda melihat kemampuan, kemudian anda menggunakan kemampuan kemampuan kemampuan, kemampuan kemampuan, kemudian anda mempunyai kemampuan. Jadi, dalam kes ini, hanya ada dua kemampuan, tetapi dalam kemampuan kemampuan kemampuan, anda mungkin melihat lebih daripada 10 kemampuan atau lebih. Baiklah. Jadi, kemudian adalah kemampuan kemampuan. Ini adalah sebab untuk saya, ia mengambil saya sebuah hari untuk memahami seperti apa yang berlaku dengan kemampuan kemampuan. Jadi, anda ingin anda dalam bilik kemampuan. Dan dalam bilik kemampuan, ada ada sebuah kemampuan kemampuan dalam bilik kemampuan. Kemudian anda hanya ada sebuah kemampuan kemampuan. Baiklah. Jadi, anda ingin jika anda ingin menemukan okey, apa, apa sebuah kemampuan dalam bilik kemampuan? Apa yang anda akan lakukan adalah anda anda mengembangkan kemampuan anda. Kemudian anda akan mempunyai kemampuan kemampuan. Kemudian anda akan melihat oh, ini adalah beberapa kemampuan di sini. Kemudian anda akan melihat ada sesuatu yang nampak seperti durian. Kemudian ia berlaku. Oh, ia adalah sebuah kemampuan kemampuan. Jadi, anda akan menyebabkan bahawa sebuah kemampuan adalah sebuah kemampuan sebenarnya. Jadi, sebuah kemampuan kemampuan menggunakan konsep yang sama. Apa yang ia lakukan adalah tanpa memandangkan tanpa memandangkan semua sebuah kemampuan ke dalam bilik kemampuan, anda sebenarnya hanya menggunakan beberapa kemampuan ini untuk menganalyskan apa yang ia tentang dulu. Jadi, sebab satu sebab sebab sebab sebab ia sangat popular adalah bahawa ia menyebabkan sebuah kemampuan anda anda. Memandangkan pembentangan itu sangat besar, anda tidak perlu seperti sebuah kemampuan yang besar memandangkan sebuah kemampuan, hanya untuk membuat senjata tentang apa yang ia tentang. Anda boleh hanya memandangkan kemampuan di atas pembentangan dan kemudian mempunyai informasi di sini di bahagian belakang dan kemudian dan kemudian menyebabkan kemudian. Jadi, ini sebab sebabnya ia sangat kuat. Jadi, dalam kes ini, untuk kemampuan pertama hanya menggunakan tiga kemampuan. Baiklah, kemampuan selanjutnya menggunakan kemampuan selanjutnya dan kemudian untuk mendapat kemampuan kedua. Dan kemampuan terakhir anda tahu jadi ini adalah kemampuan selanjutnya anda akan mendapat kemampuan lain. Kemudian anda akan menghubungi kemampuan terakhir ke dalam sebuah kemampuan untuk melakukan sesuatu yang lain. Jadi, ini adalah apa sebabnya kemampuan selanjutnya ia semua tentang. Jadi, ini sangat popular dalam gambar kerana anda mempunyai gambar yang ada sebuah tukang piksel dalam kemampuan kemampuan. Ia bukan kemampuan dalam kemampuan untuk mempunyai sebuah kemampuan dan model AI yang sangat besar untuk meminjastikan semua piksel bersama-sama untuk untuk memanaliskan sebuah kemampuan. Jadi, selanjutnya mari kita tahu mari kita cari kenapa kenapa GPU sangat besar dalam dalam kemampuan atau dalam kemampuan salah satu adalah kerana kompetiti parallel. Jadi, ingatkan jika anda melihat sebuah network neuro, secara tradisional jika anda ingin menggunakan CPU ialah sebuah tukang piksel ialah ingatkan anda menggunakan CPU bagaimana anda melakukan kalkulasi anda adalah anda melalui setiap alat setiap alat dan kemudian anda melalui kemampuan x parameter plus kemampuan. Baik anda melalui melalui untuk melakukan kalkulasi tetapi dengan GPU untuk melakukan kalkulasi ini anda tidak perlu menunggu untuk ini seperti kemampuan 1 x parameter 1 anda boleh hanya melakukan kemampuan 2 x parameter 2 di parallel. Jadi, dengan GPU anda boleh melakukan semua ini seperti satu perjalanan dalam satu kemampuan lebih daripada untuk menunggu untuk menunggu untuk menunggu kemampuan ini dan kemudian anda boleh melakukan kemampuan ini anda boleh melakukan semuanya parallel Jadi, ini sebab GPU adalah sebuah hal yang besar dan jadi apa yang anda lakukan adalah apa yang anda boleh dengan GPU anda boleh melakukan seperti dalam satu kemampuan anda boleh melakukan kalkulasi pada perjalanan pertama dan kemudian perjalanan kedua dan sebagainya jadi yang sebab kemampuan ini mungkin dengan kuat dengan kemampuan yang kuat dengan GPU sekarang. Jadi, dalam kemampuan ini untuk gambar seperti apa yang saya menyebabkan kanvas saya memandangkan gambar ini foto ini adalah gambar jadi apa yang anda akan lakukan dengan AI dengan perjalanan network adalah anda mempunyai gambar ini memandangkan gambar ini gambar gambar anda akan anda akan memperjalan di luar gambar untuk melakukan kalkulasi dan kemudian perjalanan yang anda dapat anda akan memandangkan gambar yang baru seperti sudo jadi biasanya anda akan mempunyai gambar dan blu sebagai perjalanan kemampuan betul tetapi dengan dengan perjalanan anda akan mempunyai anda hanya akan mempunyai seperti satu perjalanan jadi katakan untuk contoh pada pertama gambar adalah 32x32 anda akan mempunyai dengan perjalanan perjalanan yang 28x28 dengan hanya satu perjalanan betul jadi ini bagaimana bagaimanapun dan kemudian apa yang anda lakukan apa yang anda lakukan apa yang anda lakukan adalah jika anda perlukan lebih banyak seperti perjalanan kerana dengan satu perjalanan anda boleh hanya memandang katakan katakan satu adil adil katakan katakan dalam kes anda boleh ini boleh berdiri katakan bagaimana contohnya seperti bagaimana contohnya jadi dan lainnya boleh berdiri bagaimana bagaimana sortak random adalah distribusi pixel jadi semua layak yang berdiri menurut informasi yang berdiri tentang gambar jadi ia bergabung pada aplikasi yang berdiri bagaimana informasi yang menurut akan berdiri jadi katakan bagaimana anda mahu menemukan bagaimana katakan bagaimana anda mahu memperkenalkan Zibra daripada hos dalam kes ini warna akan bermula besar tetapi jika anda cuba menemukan bagaimana bagaimana bagaimana sofah dan suksa suksa suksa itu berdua berdiri jadi apa yang berdiri adalah contoh seperti perlunan dan perjalanan jadi semua ini layak sortak belaunan yang apa yang penting informasi saya perlu berkotak dan saya perlu menemukan untuk keputusan untuk layak selanjutnya jadi ini adalah bagaimana layak berkotak baiklah jadi katakan bagi contoh jika anda cuba cuba berkotak sortak menurut apakah gambar adalah kerja atau tidak jadi apa yang saya buat adalah seperti layak pertama baiklah apa yang anda akan lakukan adalah anda akan menemukan alias seperti katakan bagi contoh bagaimana perjalanan dan bagaimana randam gambar dan kemudian layak selanjutnya mungkin berkot sesuat sesuat bagi contoh ini sesuatu yang berkot atau ini sesuatu yang yang anda tahu seronok dan kemudian layak selanjutnya saya menurut sesuatu seperti oh ini adalah rambut ini adalah rambut ini adalah rambut jadi sehingga anda berkotak dan berkotak ia seperti rambut seperti analisis jadi layak selanjutnya akan menurut alias dan kemudian menurut layak selanjutnya anda menurut lebih tinggi seperti layak selanjutnya rambut dan sebagainya dan kemudian anda akan menurut pendapat bagaimana bagaimanapun anda fikir ia adalah sebuah kereta jadi ini adalah bagaimana pelajaran masin seperti ini semua tentang untuk gambar baiklah jadi apa yang berkotak jadi anda tahu semua konsep ini tetapi apa jika anda ingin melakukannya dalam kota jadi kotak adalah framework oleh google ia adalah sebuah pilihan jadi saya rasa beberapa bahagannya sebuah python adalah sebuah bahagannya dan c++ untuk flow tensil jadi anda dapat menggunakan CPU jika anda tidak mempunyai CPU di laptop anda anda dapat anda dapat menggunakan CPU untuk melakukan pelajaran masin tetapi ia hanya sangat rendah atau anda dapat menggunakan GPU yang adalah kartan grafis dan semua GPU GPU adalah unit processor tensil jadi ia hanya ada di cloud google jadi mereka mereka hardware ada ada mereka kartan grafis mereka terbuka hanya untuk flow tensil jadi anda tidak dapat menggunakan jika anda tidak memperkenalkan GPU jadi anda dapat membuat tiga penting perjalanan membangun dan mempunyai pembangunan jadi membangun anda anda ingin anima yang memperkenalkan anda anda sort ini saya ingin anima seperti citar jadi ini membangun ia bermaksud membangun cara AI harus menemui kebringannya ia membangunannya dengan data untuk membangunan dan mempunakan apa ia Baiklah. Baiklah. Jadi ini adalah demo. Saya fikir saya menghubungkan masa. Saya akan kembali ke sini nanti. Baiklah. Saya akan menunjukkan satu dengan cepat. Baiklah. Baiklah. Jadi sesiapa yang akan mempunyai untuk bermain game pegman ini? sesiapa? Baiklah. Baiklah. Jadi apa yang ini lakukan? Anda dapat bermain pegman. Jadi biasanya Anda menggunakan joystick untuk bermain pegman. Jadi di sini anda dapat membuat AI belajar apa yang anda mahu ke belakang, apa yang anda mahu ke atas, apa yang anda mahu ke belakang, apa yang anda mahu ke bawah untuk mengawal pegman. Jadi apa nama anda? Jadi anda dapat melihat kembali web dan anda dapat... Baiklah. Jadi sekarang saya mengajar AI untuk... Ini adalah direksi ke belakang. Jadi apa yang anda mahu... Anda dapat cuba sesuatu seperti jika anda meletakkan pegman ke belakang, ke belakang itu adalah belakang. Jadi jika saya meletakkan belakang, anda akan menjadi belakang, kan? Ya. Jadi anda akan lebih dekat. Baiklah. Saya akan klik untuk anda. Baiklah. Jadi sekarang saya mengajar bagi belakang. Belakang anda boleh meletakkan ke belakang. Baiklah. Bergerak ke belakang. Kerana anda belajar apa yang belakang. Baiklah. Baiklah. Bergerak ke belakang. Baiklah. Bergerak ke belakang. Bergerak ke belakang. Bergerak ke belakang. Baiklah. Baiklah. Jadi sekarang saya mengajar bagi belakang. Jadi semua ini berlaku di aplikasi. Jadi anda melihat bahawa keadaan yang hilang berlainan. Jadi sekarang anda boleh bermain. Baiklah. Jadi anda perlu melihat kembali web. Baiklah. Jadi anda harus membantu dia kerana dia tidak dapat melihat kembali. Jadi bergerak ke belakang. Bagaimana banding Politics? Setada bagaimana? Bergerak ke belakang. Bagus bagaimana? Belakang dari belakang. Sudah sedang terlieka. Lek. Baiklah. Baiklah. Lek. Okey, saya rasa saya sudah sedap. Baiklah. Baiklah. Terima kasih untuk bantuan saya, Rai Sen. Jadi ini... Jadi, rasa bersyukur untuk menenangkan permainan ini. Jadi ini adalah... Ini adalah ling. Ya. Saya mempunyai ini pada kembali terakhir. Jadi anda boleh ambil gambar dan mempunyai permainan... ...kalau anda mempunyai anak-anak anda... ...pada permainan Pak Man. Sekarang saya akan menghubungkan dengan jauh... ...kalau saya mempunyai... ...beritahukan... ...apa yang berlaku di belakang permainan... ...yang kita lihat. Yang pertama adalah untuk membuat AI. Jadi, dalam kes ini... ...awak akan mempunyai... ...kalau anak-anak akan bermain permainan. Jadi apa yang anda ada... Apa yang anda ada adalah... ...kelebihan pertama adalah... ...berlaku kelebihan kelebihan. Jadi untuk menghubungkan... ...apakah kelebihan itu... ...dan kelebihan kedua... ...dalam kes ini... ...tidak adalah aplikasi yang mudah. Apa yang anda ada... ...dia adalah... ...apa yang anda ada... ...di sini ada pre-trained. Jadi Google menghubungkan model pre-trained... ...yang dipanggil MobileNet. Sebenarnya, jika anda menghubungkan model pre-trained... ...dengan jika anda mempunyai GPU... ...yang paling kuat untuk menghubungkan GPU... ...awak perlu sekejap untuk menghubungkan model ini. Jadi apa yang mereka lakukan... ...sehingga mereka mendapat... ...punyai model pre-trained ini. Jadi mereka menghubungkan modelnya... ...dan kemudian mempunyai... ...punyai... ...dan kemudian mereka menghubungkan model lain. Dan dalam kes ini... ...punyai kelebihan kelebihan. Jadi apa yang ia lakukan... ...dengan kelebihan kelebihan... ...awak akan keluar dengan... ...awak akan menurut apakah ia berada di belakang tinggi. Jadi ini adalah kelebihan kelebihan. Jadi dengan baik-baik saja... ...sehingga untuk menghubungkan model ini... ...apa yang ia lakukan... ...di dalam kes ini, apa yang saya lakukan dengan Royston... ...saya mengambil banyak gambar, bukan? Jadi menurut saya ada gambar N. Jadi apa yang anda lakukan... ...awak menghubungkan gambar N... ...sehingga neurons di dalam... ...saya dapat membuat kelebihan yang baik... ...untuk berada di bawah dan di atas. Jadi apa yang ia lakukan... ...dalam gambar di tinggi... ...dan apabila ia berlalu menurut... ...saat Royston menguruskan gambar... ...apa yang ia lakukan... ...memperkembangkan apa yang ia lakukan. Jadi di dalam kes ini... ...saya akan menjadikan... ...apa yang saya lakukan... ...yang berlaku. Jadi dalam kes ini... ...dia hanya menjadikan... ...atau apa yang ia lakukan... di antara peraturan dan kemudian anda menurut anda mungkin tinggal, jadi anda pergi tinggal. Jadi ini adalah apa yang anda lakukan dalam esensi. Jadi saya rasa anda ada beberapa minit lagi. Jadi ini adalah kode untuk membangun AI. Jadi ini adalah semua javascript. Jadi apa yang anda lakukan adalah anda memasukannya dari javascript library dan kemudian anda memasukannya. Jadi di dalam kes ini mobil net sepatutnya anda memasuk mobil net. Jadi apa yang anda lakukan adalah anda memasukannya mobil net yang digunakan dari Google. Jadi anda memasukkan javascript network dari Google Cloud. Jadi ini adalah javascript. Apa yang anda lakukan? Anda memasukannya. Dan kemudian kita perlu bergerak ke javascript yang adalah javascript yang kita ingin belajar tentang. Jadi di dalam kes ini adalah javascript model. Maksudnya ada banyak javascript. Sebentar javascript. Jadi javascript pertama adalah javascript. Javascript kedua juga javascript. Saat javascript menyediakan. Jadi ia sebenarnya sangat vehicles ke-can. Tapi banyak orang, Jacques Alban yang jauh saya, sangat idle, tapi jika anda faham periksa konseps yang disuruh, Menulis segala-galanya sedang. Sebelum ketajuan... apa yang anda lakukan sunny, Anda harus menjawab 들어 bierungs. Jadi banyak detail ini saya tidak berbanding-banding dengan ustedes hari grande sebab masa. dalam model seperti yang anda akan lakukan predikasi yang betul. Dan kemudian bagaimana gambar yang anda mahu memasukkan pada satu tinggal dan kemudian anda memasukkan model yang adalah pasukan latihan. Jadi dalam kes ini adalah data set yang anda sebenarnya latihan dan ini adalah label. Maksudnya, apa adalah representasi yang betul dalam gambar? Adakah ia tinggal di atas atau di atas? Jadi anda melakukan itu dan kemudian anda boleh beritahu seberapa lama anda mahu latihan untuk itu. Dan predikasi ini adalah kode. Jadi sangat mudah. Di dalam kes ini, apa yang anda lakukan adalah anda mengambil gambar dari aplikasi web dan kemudian ia membuat predikasi mobile-net yang adalah satu pre-trained dan kemudian ia mengambil aktivasi. Aktivasi adalah segalanya. Untuk satu yang lain yang adalah model yang kita telah memasukkan sebelum dan dapat kelas. Baiklah. Jadi kemudian, itu keadaan saya. Ini adalah keadaan yang anda boleh lihat. Ini adalah beberapa kata-kata lebih popular di sisi yang orang bermula dalam belajar. Jadi anda boleh periksa. Terima kasih. Terima kasih. Ya. Jadi perubahan jaman dan pelot itu juga menggunakan GPU? Ya, itu betul. Jadi anda boleh pilih menggunakan CPU atau GPU. Jadi apa yang sebenarnya anda lakukan di belakang gambar adalah anda menggunakan jalan web di aplikasi web untuk membuat gunung kata-kata. Jadi jalan web您um itu biasanya digunakan untuk lalui gambar di aplikasi jaman. Jadi jalan centers cuba untuk menggabungi dua jalan kegagalanan di disini. Jadi berkata, itu bukan kata-kata, itu bukan menggunakan kata-kata seperti jika anda nak menggunakan Python di GPU, jadi itu sekitar 20%. maksud saya, Python menggunakan menggunakan pengalaman tanah di GPU sekitar 20% lebih cepat tetapi ia tetap menangis sebab sebelumnya, anda tidak dapat melakukan pelajar masyarakat dalam cara praktikal pada aplikasi, tetapi sekarang anda dapat melakukannya Saya ada pertanyaan selepas Ria dan saya sedang menikmati apabila anda melakukannya dan anda juga melakukannya dengan kata-kata anda? Ya, jadi ini kata-kata saya Itu makanan saya yang terbaik 5 tahun lalu Terima kasih Terima kasih lagi