 Tidak bekerja di sini. Awak memilihnya? Tak mengapa. Jadi saya perlu menggunakan mic ini. Ya. Okey. Jadi, kita mempunyai imaj kita. Jadi, imaj kita akan mempunyai menjadi imaj kentang. Kita boleh mengambil gambar-gambar yang kita mahu dan kita boleh meletakkan gambar-gambar hanya untuk periksa bahawa semuanya bekerja. Jadi, perkara yang kita akan lakukan adalah membuat gambar-gambar dan gambar-gambar dan meletakkan gambar-gambar bersama menjadi satu gambar-gambar. Jadi, satu cara, saya akan menunjukkan satu cara untuk membuatnya sekarang. Kemudian kemudian di pejabat model, kita akan mempunyai cara lain yang saya rasa lebih mudah. Tapi ini satu cara yang anda boleh lakukan. Jadi, lagi, dari tengah-kebunan tengah. Jadi ini akan mengambil gambar-gambar. Jadi, awalnya kita telah mengambil gambar-gambar dan kemudian kita memasukkan dengan gambar-gambar. Sekarang apa yang kita akan lakukan adalah mengambil gambar-gambar. L techniques apabila anda meletakkan gambar-gambar dan kemudian kita akan mengembangkan ber到a kembali menjadi gambar-gambar. Jadi kita mempunyai gambar-gambar dan gambar-gambar kita. Untuk mengambil gambar-gambar kita boleh memasak mereka bersama dalam format ZIP data set. Jadi, kita mempunyai ZIP data set dengan imaj kita yang kita sudah mempunyai dan memasak. 160x160, 3-channel imaj dan label kita. Jadi, ini adalah prosesi pre-processing bagi imaj. Jadi, sejauh sejauh sejauh, jika kita mempunyai listan folder dan labelnya, kita boleh memasak mereka bersama dalam format ZIP data set ini. Dan kemudian kita boleh memasak mereka menjadi model. Jadi, sejauh sejauh sejauh untuk menunjukkan bahawa ia berfungsi. Jadi, kita mempunyai imaj dan label ZIP data set. Untuk memasak mereka menjadi model, kita mahu mereka menjadi dengan baik memasak. Dan kemudian kita mahu memasak data set kita. Jadi, memasak dan memasak sangat cepat lagi. Jadi, kita boleh memasak data set dengan memasak. Kemudian kita boleh memasak dan kita boleh memasak. Jadi, semua ini membuat saya sangat cepat. Sebelumnya, kita memasak dan memasak data set dan memasak dan memasak data set. Dan kemudian kita memasak dan memasak dan memasak data set. Jadi, ia membuat komputasi lebih mudah. Jadi, jika kita tidak memasak dan memasak, kata CPU adalah memasak dan kemudian ketika kita memasak data dan memasak, GPU adalah idle dan ketika GPU adalah idle, CPU adalah menggunakan sesuatu ketika CPU adalah idle dan GPU adalah menggunakan sesuatu. Jadi, anda mengambil masa untuk membuat prosesi. Tapi jika anda memasak, semuanya akan terlalu rendah sebelumnya. Mereka memasakkan masa idle. Memasak. Memasak. Memasak. Saya sebenarnya tidak memasak. Apabila anda melihat di pejabat model saya, saya tidak pasti mengapa penjualan yang saya sebenarnya memasak. Adakah sesiapa yang berkenal dengan fungsi ini tahu apa yang digunakan untuknya? Ya, saya berfikir, saya boleh melihatnya dan mungkin anda tahu. Saya tidak menggunakan. Jadi, apa yang memasak dan memasak adalah perkara yang penting yang kita akan menggunakan. Sebenarnya, itu cukup untuk tawaran transpor. Sekarang, kita mempunyai label image-label. Anda dapat memasak dan memasak dengan satu fungsi yang membantu. Anda tidak perlu memasak mereka secara separat. Sebenarnya, anda dapat memasak label image-label. Anda dapat memasak dan memasak mereka. Sekarang, untuk memasak data-set dan model, ia cukup cepat. Jadi, tf.carers.applications.mobile.net v2. Itu yang kita akan gunakan untuk memasak. Ini adalah sebuah segmen model kerja. Jadi, ini hanya sebuah preview. Dan hanya untuk menunjukkan anda bahawa anda dapat memasak model. Ini adalah yang kita akan menggunakan. Jadi, mobile.net v2. Dan kemudian kita memasak. Jadi, setelah itu, saya akan menyebabkan kenapa anda ingin memasak. dan memasak. Untuk memasak. Jadi, tf.carers.applications.mobile.net ini akan memasak. Jadi, tf.carers.applications.mobile.net ini akan memasak. dan memasak. Anda dapat melihat, kemudian apabila kita memasak model kerja, anda dapat melihat bagaimana sebenarnya e-mode e-mode sangat kuat untuk sebab ini. Anda dapat memasak data ke dalam model. Dan kemudian anda dapat melihat bagaimana ia memasak kawasan data. Ada sebuah pertanyaan untuk priprosesinya? Sejauh ini? Ya. Pada akhirnya, bagaimana anda memasak data? Bukan lagi. Jadi, jika anda ingin memasak data, apa yang anda boleh lakukan adalah, kita akan katakan bahawa anda memasak data. Jadi, ini model yang anda dapat memasak model tersebut. Anda dapat memasak kawasan image ke dalam model anda. Dan kemudian, kita akan katakan bahawa saya memasak kawasan 32. Anda dapat memasak kawasan. Dan kemudian, model anda akan memasak kawasan image anda. Dan kemudian, anda dapat memasak kawasan 160 dan 3 kawasan image. Kawasan 32. Anda dapat memasak kawasan model. Anda dapat memasak kawasan 32. Dan kemudian, anda dapat memasak 5x5x1280 kawasan. Jadi, kemudian, anda dapat memasak kawasan dan kemudian, kemudian, kemudian di sini. Jadi, saya akan bercakap tentang ini sebenarnya di dalam kawasan model. Ada apa-apa pertanyaan untuk transformasi? Ya. Jadi, jika data memasak kawasan, anda akan belajar, untuk pakaian ini, saya hanya mencari akurasi untuk model ini. Jika ia berkembang, ia akan mengalami peraturan anda. Jadi, itu masih berkembang. Jika ia berkembang, atau... Jika anda belum sampaikan, tolong pergi ke pakaian untuk pakaian kita. Jika anda belum sampaikan, tolong sampaikan. anda boleh mendapat pakaian untuk pejabat ini. Pakaian untuk pejabat ini hanya untuk hari ini? Saya rasa beberapa hari. Pakaian untuk pejabat ini akan terakhir tentang bulan-bulan atau bulan-bulan? Saya tidak pasti. Saya rasa ia mengikuti GTX, soalan London. Selepas hari ini, anda masih boleh balik dan bermain dengan pakaian pejabat anda. Saya rasa bersyukur untuk mengedit apa-apa pun. Jadi, itu hal pre-processing. Selepas hari ini, pakaian pejabat itu adalah kelasifikasi pakaian. Ada sesiapa yang perlukan pakaian sebelum itu? Okey, jadi kami akan memodelkan. Bagaimana-bagaimana pakaian akan mengambil masa untuk memodel? Dan kemudian saya rasa kita boleh mempunyai pakaian pakaian untuk memodelkan pakaian. Untuk memodelkan pakaian kita, kami akan mulakan dari pakaian ini. Pakaian pakaian untuk memodelkan pakaian. Jadi, pakaian pejabat ini adalah pakaian pakaian. Pakaian pakaian untuk memodelkan pakaian. Jadi, pakaian kita adalah untuk membuat kelasifikasi pakaian. Seperti yang anda lihat tadi, saya sudah menyebabkan cara yang boleh membuat kelasifikasi pakaian. Kita mengambil kelasifikasi pakaian, kelasifikasi pakaian. Kemudian kita memodelkan mereka bersama menjadi kelasifikasi pakaian. Jadi, saya sebenarnya menyebabkan cara yang berbeda untuk membuat kelasifikasi pakaian dengan kelasifikasi pakaian. Jadi, kelasifikasi yang sama, anda memodelkan semua kelasifikasi pakaian. Di sini, kelasifikasi pakaian GPU dalam mode yang lebih baik. Jadi, saya sudah mempunyai kelasifikasi pakaian dalam github yang anda sudah menyebabkan. Jadi, kita boleh memodelkan kelasifikasi pakaian. Kemudian, lagi-lain, kita akan mengambil kelasifikasi pakaian. Sebelum mengambil kelasifikasi pakaian, kita dapat kelasifikasi pakaian. Semua kelasifikasi pakaian. Jadi, kita mahu mengambil kelasifikasi pakaian untuk mengambil kelasifikasi pakaian. Jadi, membuat kelasifikasi pakaian untuk mengambil kelasifikasi pakaian. Jadi, itu adalah kelasifikasi yang sama. Kemudian, kita akan melihat kelasifikasi pakaian pertama sekali lagi. Jadi, kelasifikasi neutral. Ya, saya tidak mengikuti bahawa kelasifikasi pakaian sebenarnya cukup akar. Lalu, kelasseveran kedua memnampakingly untuk saya. Tetapi, ini adalah kelasifikasi neutral. Jadi, kita dapat nama kelasifikasi, kita memasak kelasifikasi pakaian kelasifikasi pakaian kelasifikasi pakaian. Kemudian, kita menikmati kelasifikasi. Kita mengambil kelasifikasi pakaian. Jadi, kita akan buat kelasifikasi. Jadi, kita memasakkan kelasifikasi pakaian dan kelasifikasi di saat kita guna Kami akan menggunakan map untuk menggunakan kode untuk mempercepatkan semua gambar ini. Jadi, di sini saya menyebabkan, ini adalah bahagian yang sedikit berbeda. Jadi, setelah mengambil gambar dan labu bersama, jadi apa yang saya akan lakukan adalah untuk mengambil pasangan dukungan. Saya mengambil gambar dan labu bersama untuk mengambil pasangan dukungan. Jadi, anda boleh langsung mengambil pasangan dukungan. Saya menggunakan fungsi helper untuk mengambil pasangan dukungan. Saya akan menggunakan fungsi map untuk mengambil semua gambar ini. Kemudian, saya akan mengambil pasangan dukungan dan labu bersama. Saya akan mengambil pasangan dukungan dan labu bersama untuk mengambil pasangan dukungan. Jadi, anda boleh mengambil pasangan dukungan. Di sini, kami menggunakan pasangan dukungan. Jadi, kita mengambil beberapa gambar dan mengambil pasangan dukungan. Mereka akan menyebabkan dengan baik untuk mengambil pasangan dukungan. Di sini, saya mengambil pasangan dukungan dan labu bersama. Untuk pasangan dukungan, saya mengambil pasangan dukungan dan labu bersama. Kemudian, jika anda mengambil satu gambar dari 3 gambar, jadi ia mempunyai gambar 32 gambar. Ia adalah gambar 160 x 160 x 3 gambar. Sebelumnya, kami akan mengambil pasangan dukungan. Jadi, kami ingin mengambil pasangan dukungan yang kita ada dengan model yang kita ada. Jadi, ada sesiapa yang telah membuat pasangan dukungan sebelumnya? Jadi, hanya membuat perasaan tentang keadaan. Jadi, siapa yang tidak telah membuat pasangan dukungan? Ok, terutama. Jadi, siapa yang tidak telah membuat pasangan dukungan? Bukan pasti apa yang telah anda telah membuat pasangan dukungan? Bukan. Ya, jadi, ini adalah perjalanan di Google. Ia adalah perjalanan di Google Colab. Mereka ada beberapa perjalanan yang anda dapat menemukan di Colab juga untuk mengambil pasangan dukungan. Jadi, saya mengambil pasangan dukungan. Tapi, saya mengubah itu untuk mengambil pasangan dukungan yang kita fikir akan lebih menarik. Jadi, kami akan mengambil pasangan dukungan di MobileNet V2. Ya, maaf. Ya, Neil. Jadi, saya akan mengambil pasangan dukungan. Okey, jadi, kami akan mengambil pasangan dukungan di MobileNet V2. Sebabnya, ia sangat sedap. Dan sejak ia adalah data untuk menggunakan perjalanan, MobileNet V2 harus menjadi model yang kita akan menggunakan. Jadi, kami ingin mengambil pasangan dukungan supaya kami dapat mengambil pasangan dukungan dan kemudian mengambil pasangan untuk mengambil pasangan dan kemudian mengambil pasangan dukungan pada pasangan dukungan sendiri. Jadi, kami fikir ia akan sangat sedap. Tapi, saya tidak pasti jika Sam bercakap tentangnya sekarang. Jadi, ada masalah dengan ini. Jadi, kembali dari model selamat anda kembali ke TfLite yang anda ingin mengambil pasangan dukungan, ia tidak benar-benar bekerja untuk TensorFlow 2 sekarang. Tapi, sejak kami ingin mengambil pasangan dukungan 2.0 dan mengambil pasangan kemudian untuk mengambil pasangan, kemudian ada masalah kompetibili. Model selamat yang anda... Kami akan tetap mengambil pasangan dukungan untuk mengambil pasangan dukungan ke TfLite. Tetapi, pasangan dukungan seperti sekarang tidak boleh digunakan untuk pasangan. Jadi, pasangan dukungan adalah... pasangan kontak adalah pasangan yang ada masalah pada saat ini. Tapi, kami fikir bahawa, jika kita bergerak, ini akan adalah pasangan yang kita menggunakan. Jadi, pasangan dukungan semuanya akan dipakai oleh pasangan TfLite segera. Kemudian anda boleh menggunakan pasangan ini dan mengambil pasangan untuk mengambil pasangan dan mengambil pasangan untuk mengambil pasangan untuk mengambil pasangan untuk mengambil pasangan. Sekarang, kembali kembali. Jadi, kembali kembali yang anda lakukan sebelumnya adalah mengambil model pre-trained di TfLite Mobile Net V2 yang telah mengambil pasangan yang besar. Jadi, di TfLite Mobile Net V2, ada 1.4 juta pasangan dari 1,000 kelas yang berbeza. Jadi, kami memiliki pasangan yang besar yang telah mengambil pasangan yang besar dan memiliki pasangan yang besar yang dapat mengambil pasangan希望 di setiap franchise phenomide. Ia memiliki pasangan yang harga kejadian pihak bank yang harganya dan dive besar kek datang kepada erasangan kom dinosaurs, dan membuat kelasifikasi dan detektif pada perkara yang berlainan. Sekarang kita mahu membuat pilihan yang sudah dipercaya, bermaksud ia telah mempunyai banyak kawasan yang sudah ditunjukkan dan tidak dapat membuat kelasifikasi. Kemudian kita ambil model itu, kita mengambil kelasifikasi, jadi kita mengambil kelasikasi yang lebih di atas, kita ingin membuat kelasifikasi kelasikasi, kita memberi alat kelasikasi kita untuk membuat kelasikasi untuk berlainan. Kemudian membuat kelasifikasi kelasikasi di kelasikasi kita. Jadi, kelasikasi kelasikasi kita besarkan adalah untuk mengambil model kelasikasi, anda perlu memawakannya supaya kamu membuat kelasikasi kelasikasi yang lebih di atas kelasikasi yang anda membuat sendiri. Pada masalah pertama, ia adalah masalah kelasifikasi. Kita akan mengambil model basi yang adalah model B2 di mobil. Kita akan mengambil top, kerana false ini akan mengambil top kelasifikasi di image. Jadi kita tidak mahu kelasifikasi 1,000 kelasi yang berbeda. Kita hanya mahu menghidupkan kelasifikasi 7 kita. Jadi kita mengambil top kelasifikasi dari image. Jadi ia akan mengambil masa untuk mengambil model basi di sini. Sekarang anda boleh mengambil model basi dengan image yang telah dipersiapkan di stap C4. Lepas modelnya. Kemudian anda dapat melihat bahawa ini adalah kelasifikasi. Ini adalah kelasifikasi 5x5 dan 1,280 kelasifikasi. Kita mengambil model yang dapat dipersiapkan di false. Jadi kita mahu mengambil kelasifikasi untuk kelasifikasi kelasifikasi. Kita mahu mengambil kelasifikasi yang kita nama embadings. Sejak model telah dipersiapkan di kelasifikasi kelasifikasi kelasifikasi, kelasifikasi anda rasa model telah dipersiapkan di kelasifikasi kelasifikasi. Tidak ada yang lebih baik pada 31. 31. Sebelumnya, banyak orang memasukkan kelasifikasi yang telah dipersiapkan di kelasifikasi kelasifikasi. Ah, okey. Jadi anda dapat kelasifikasi kelasifikasi kelasifikasi. Itu adalah untuk berfungsi dengan masin. Jadi bimben yang anda ada. Jadi saya dapat itu kadang-kadang. Jadi jika anda hanya melakukan sebab anda sudah membuat sebuah notebook sebelumnya. Jadi saya rasa kelasifikasi sudah dilakukannya. Jadi anda mahu menghentikan sebuah notebook yang terbelakang. Jadi menghentikan semua notebook dulu. Jadi jika anda mahu menghentikan, anda akan mencari klik di notebook. Dan kemudian menghentikan. Jadi menghentikan model ini dan menghentikan juga... ...dalam notebook yang telah dipersiapkan di kelasifikasi kelasifikasi. Dan kemudian apabila anda memulai notebook anda, anda harus dapat menghentikan. Jadi saya rasa, ya, kerana kami sudah menghentikan kelasifikasi kelasifikasi tadi. Jadi seharusnya semua orang harus menghentikan kelasifikasi ini. Tapi ini adalah... Ya, anda dapat menghentikan itu. Jika anda baru ke Kanser Flow API, saya akan meminta anda untuk menghentikan sesuatu untuk memulai. Saya akan cuba mencari... Jika anda ada pertanyaan, anda boleh tanya. Saya beritahu di atas. Anda sudah berkenal dengan API dan... ...saya mungkin tak mengapa. Sebelum kemudian, ia akan lebih menarik. Okey, jadi... ...untuk menghentikan kelasifikasi ini, ...yang sebenarnya... ...saya ada setelah... ...kelasifikasi yang... ...mulai telah dipersiapkan di semua kelasifikasi ini. Ia mengalami... ...saya membuat semua kelasifikasi ini... ...mengembangkan mereka menjadi... ...kelasifikasi kelasifikasi yang terbiasa di dunia visual. Jadi kelasifikasi kelasifikasi kelasifikasi ini... ...saya mengadakan embadings. Jadi kita membuat ini... ...kita membebaskan model ini... ...dengan membaikkan kelasifikasi untuk dilatih. Kemudian, kita mahu menggunakan model ini... ...untuk... ...biasa saja... ...sebab apa yang kita lakukan... ...mencari kelasifikasi ini... ...dengan model ini... ...dan... ...menget... ...untuk kelasifikasi ini... ...yang... ...semua kelasifikasi... ...semua kelasifikasi... ...dapat menjadi kelasifikasi ini... ...kelasifikasi yang terbiasa, bukan? Jadi jika kita lihat kelasifikasi model ini... ...dia akan melihat... ...dia akan membuat kelasifikasi ini... ...160, 160, 3-channel. Itu yang kita lakukan... ...kita membuat kelasifikasi ini... ...untuk... ...dapat banyak... ...klasifikasi ini. Dan kelasifikasi ini... ...5x5x1280... ...saya itu yang kita lihat. Dan sejak kita memasukkan semua parameter... ...tetika 2 juta mereka... ...tidak ada kelasifikasi di masa ini. Semua model ini sekarang... ...membuat kelasifikasi ini... ...dan memasukkan kelasifikasi ini... ...tidak berubah. Baiklah. Kemudian, apa yang kita akan lakukan... ...sebelum kita memasukkan kelasifikasi kita sekarang... ...sejak kita sudah memasukkan kelasifikasi ini. Kita mahu memasukkan kelasikasi global... ...tidak berubah global Tf.carus.layas... ...tidak berubah global Average Pulling 2D. Jadi, apa yang kita lakukan... ...awak dapat melihat kelasikannya dengan cepat. Selepas membuat kelasikannya ini... ...awak dapat melihat kelasikannya dengan cepat... ...dan dapat melihat kelasikannya dengan kelasikannya dengan cepat. Jadi, kelasikannya menjadi kelasikannya menjadi kelasikannya tanpa 1280. Jadi, kita kita mempersyukurkan... ...ketika kita mempunyai peraisan dengan 5X5... ...sebenarnya dengan satu jumlah. Jadi, kelasikannya adalah 5X5X1280... ...dan kelasikannya kita membuat berita-tiga kelasikannya. Sekarang, jika kita ambil lagi, kita akan menambahkan layar terakhir yang akan membuat kelasifikasi. Selepas menghubungkan, kita ada 1-280. Kita akan menambahkan layar 10, dengan 7 kelas. Sejak kita mempunyai 7 kelas, kemudian dengan aktivasi softmax. Sekarang, jika kita menghubungkan layar terakhir dengan kelas, kita akan melihat bahawa kita membuat kelas dengan 7 kelas. Jadi, model selanjutnya adalah model terakhir yang membuat kelas terakhir untuk kami. Kemudian, layar terakhir untuk kami membuat kelas terakhir untuk kami. Jadi, kita perlu menghubungkan model untuk membuat kelas terakhir. Jadi, kita menghubungkan model dengan permainan RMS Prop Optimizer. Kemudian, kelas terakhir dengan antropi sejak kita mempunyai 7 kelas. Lama output kita adalah kelas terakhir, seolah-olah untuk kami membuat kelas terakhir. Jika anda mempunyai kelas terakhir, anda boleh menggunakan kelas terakhir dengan antropi. Tapi jika anda mempunyai kelas terakhir, anda patut menggunakan kelas terakhir dengan kelas terakhir. Kemudian, jika anda melihat sumber model ini, ini adalah sebuah kelas terakhir. Kemudian, anda mempunyai tidak ada permainan RMS. Dan kelas terakhir, iaitu kelas terakhir dengan tantangan 8,962 periumat yang dapat ditajukan. Jadi, model anda hanya mempunyai sebuah kelas terakhir dengan tantangan 9,000 periumat. Jadi, itu adalah 1, 2, 8, 0 x 7 plus 7. Jadi, ini adalah... Jadi, mari kita lihat kelas terakhir. Jadi, saya hanya akan mengajar kelas terakhir yang kita ada. Jadi, kelas terakhir, kelas terakhir dan kelas terakhir. Kemudian, mari kita lihat kelas terakhir dengan kelas terakhir. Jadi, mari kita lihat kelas terakhir. Saya mengajar kelas terakhir dengan tantangan 10. Jadi, kita mempunyai sebuah kelas terakhir dengan tantangan 11. Jadi, kita akan mengajar model ini. Jadi, kami mengajar kelas terakhir dengan tantangan 10. Jadi, ini adalah kelas terakhir dengan tantangan 10. Dan kelas terakhir. Jadi, ia akan mengambil masa untuk model untuk mengajar kelas terakhir. Saya rasa di sebuah kelas terakhir dengan 15 minit atau sebagainya. Jadi, anda mungkin harus melihat kelas terakhir. Saya bermakna anda akan melihat kelas terakhir, tetapi anda mungkin tidak akan terlalu tinggi. Sebenarnya, kelas terakhir dengan 30 peratus. Itu semua yang saya dapat. Itu tidak tidak menunggu. Okey, maksudnya kelas terakhir. Kita menggunakan hanya 500 kelas di perlasa. Jadi, itu adalah salah unggaran yang small. freedom mobil PowerNetㅋㅋㅋ Saya mengajar bahagian-bahagian perut, perut, perut manusia, perut-perut lain. Jadi, ini semua adalah perkara yang berbeda. Jadi, untuk mempelajari kesempatan dan emosi, saya tidak fikir ia akan mempunyai akurasi yang baik, atau sebabnya kita mempunyai model simpelistik yang sangat baik, kita hanya mengambil beberapa layar di atas. Jadi, ia mungkin akan menjadi akurasi yang anda akan dapatkan sekurang-kurangnya 30% atau sebagainya. Jadi, saya rasa model akan mengambil masa untuk menerangkan. Jadi, mungkin sebelum saya pergi ke perut lain, di mana kita mengawal model dan melakukan pasukan yang baik. Jadi, mungkin kita patut mempunyai kopi? Tidak mengapa? Ya? Okey, mari kita mengambil kopi semasa model mempunyai tawar, atau tepung tawar, dan kemudian kita akan kembali sekitar 10 minit untuk melihat keputusan model. Okey, mari kita lanjut dengan mencari model anda dan mengawal akurasi. Jadi, hanya untuk mengambil apa yang anda baru lakukan sekarang adalah membuat sebuah fitur model. Dan kemudian anda mengambil pasukan tawaran dan mengawal akurasi. Jadi, ini adalah tawaran tawar. Anda mengambil pasukan model, menggabungkan, dan kemudian menjelaskan keadaan. Jadi, itu adalah cara yang sangat berguna untuk anda mengawal pasukan keadaan nanti. Jadi, menggunakan pasukan keadaan, anda dapat menggabungkan pasukan keadaan dan mengawal akurasi dan kehilangan. Jadi, akurasi, seperti saya katakan, tidak terlalu bagus. Jadi, untuk mengawal, anda dapat dapatkan sekitar 45% akurasi. Dan kemudian untuk mengawal, anda dapatkan sekitar 30% akurasi. Ada sesiapa yang dapat lebih daripada itu? Tidak. Ya, saya tidak fikir begitu. Jadi, mengawal pasukan keadaan di sebuah banyak keadaan, seperti 1,000 keadaan yang berbeza, tidak sama seperti mengawal pasukan keadaan manusia. Dan keadaan data saya sangat kecil. Jadi, kami akan menunggu, tidak terlalu bagus akurasi, tetapi 30% adalah okey. Mungkin pada keadaan daripada anak-anak, anda merupakan emosi manusia dengan lebih daripada akurasi. Jadi, kami telah mengawal 10 Epox dan itu yang kami dapat. Jadi, modelnya masih belajar sesuatu, tidak terlalu bagus, tetapi okey, itu masih okey. Tapi sekarang, jika kita mengawal keadaan keadaan, setelah anda mengawal pasukan keadaan basic, adalah untuk mengawal pasukan keadaan. Jadi, pasukan keadaan mengawal anda untuk mengawal sebuah akurasi untuk lebih sedikit, biasanya lebih sedikit, daripada apa yang anda dapat dengan pasukan keadaan basic, yang sebenarnya hanya mengawal keadaan terbaik yang telah diadakan, model pasukan keadaan yang telah diadakan. Pada mengawal keadaan, jika anda mempunyai bahagian besar, anda akan mahu mengawal keadaan dan anda akan mengawal beberapa lagi keadaan. Dan kemudian anda dapatkan keadaan yang telah diadakan. Jadi, hanya sebuah akurasi, anda hanya harus melakukan ini selepas anda membuat keadaan basic dulu. Jadi, anda memperkenalkan keadaan keadaan terbaik, kemudian anda tidak memperkenalkan keadaan dan kemudian anda membuat keadaan baik untuk memperkenalkan keadaan. Jika tidak, anda hanya cuba mengawal keadaan dengan secara rendam. Dan anda mahu memikirkan keadaan yang telah diadakan dan kemudian anda dapat mempunyai keadaan yang terbaik yang anda akan memperkenalkan. Jadi, kemudian kita akan mengawal model base untuk sekarang. Jadi, kita memasang model base terbaik untuk sekarang. Dan kemudian anda akan berkata, saya akan mengajar suara 100 barang. Jadi, anda melihat model base yang telah ada sebuah barang yang sangat kecil. Kita akan mulakan dari 100 barang kemudian untuk setiap barang di model base terbaik. dan anda mahu membuat keadaan untuk menggantikan Jadi, sebaiknya anda mempergantikan semua kerajaan ke kerajaan 100 ia sudah tidak mempergantikan dan sekarang anda mempergantikan kerajaan pertama Jadi dari 100 kemudian anda akan dapatkan kerajaan yang dapat dipergantikan termasuk kerajaan yang anda mempunyai di atas Jadi anda mempergantikan kerajaan lagi, menggunakan kerajaan yang sama dan keadaan dan kerajaan, kemudian sekarang kerajaan kerajaan akan berikan anda sebarang kerajaan yang lebih besar, anda akan mempergantikan kerajaan 1.8 milion kerajaan Jadi, kerajaan ini akan dipergantikan dan mempergantikan ke kerajaan emosi anda Jadi, kami akan mempergantikan kerajaan kami lagi dan kali ini, ia akan mempergantikan kerajaan untuk kerajaan emosi yang lain dan ia akan mengambil masa Jadi, kami tidak akan menunggu untuk masa yang penting, kami tidak akan menunggu untuk menunggu saya akan menunjukkan keadaan dulu kemudian kita boleh pergi untuk makan tengah hari dan kemudian anda boleh kembali dan bermain dengan kerajaan anda Jadi, setelah 10 lebih banyak kerajaan emosi anda mempergantikan anda mempergantikan kerajaan 30% yang lebih ke 37% Jadi, itu sedikit lebih baik Jadi, ini adalah kerajaan kami Jadi, ini adalah kerajaan pertama di mana kita tidak mempergantikan model Jadi, setelah itu, kami mulakan mempergantikan model dan kemudian anda dapat melihat bahawa akurasi bergerak hanya sedikit Dan di sini, kerajaan sebenarnya mempergantikan jalan memulangkan keadaan dari kerajaan dengan banyak Kami dapatkan 80% dan 90% akurasi di kerajaan anda Jadi, apalagi, ia mempergantikan emosi yang sangat baik di kerajaan anda di kerajaan anda Jadi, kami segera mempergantikan data di sini Kami mempunyai 1.8 juta parameter dan kami mempergantikan keadaan 500 keadaan per kerajaan Jadi, tidak membuatnya bagus Tapi, jika anda mempunyai kerajaan yang lebih besar kemudian ini adalah sesuatu yang lebih bergantikan untuk mendapatkan beberapa perasaan akurasi di atas Jika anda mempunyai kerajaan yang besar kemudian anda mahu pertama mempergantikan model anda pertama membuat keadaan keadaan keadaan dan kemudian mempergantikan keadaan keadaan keadaan keadaan untuk mendapatkan lebih banyak akurasi Jadi, sekarang kita akan membuat keadaan keadaan kita Mari kita lihat keadaan keadaan kita Jadi, kami mempunyai emosi yang berbeda atau tidak. Saya mempertimulakan Jadi, saya mempergunakan model untuk membuat keadaan keadaan keadaan saya dan ini adalah metrik yang terkenal yang saya dapat Jadi, keadaan keadaan tiga adalah yang yang dikatakan dengan baik-baik jadi, gembira adalah emosi yang menerimanya dengan model Semua emosi tidak membuat terlalu baik Sebenarnya, keadaan keadaan Jadi, keadaan keadaan mungkin sangat susah untuk menerimanya Mungkin, ia menerimanya bagaimana orang melihat keadaan Saya tidak tahu, mungkin tidak terlalu mudah untuk menerimanya tetapi, gembira adalah salah satu perkara pertama untuk menerimanya dan saya tahu sebagai perempuan baru bahawa perempuan baru menerimanya keadaan keadaan anda dengan baik-baik anda menerimanya keadaan keadaan keadaan dengan baik-baik, ia menerimanya keadaan keadaan keadaan anda perkara lain tidak terlalu cepat Kemudian, untuk perkara lain, saya akan beritahu 5 perkara anda melihat semuanya di sini Jadi, banyak perkara lain semuanya membuat keadaan keadaan keadaan Jadi, anda dapat melihat perkara lain di sampel kami yang kita akan cuba Jadi, ia mungkin menarik untuk anda memasukkan keadaan keadaan keadaan selepas anda mengarut model anda Jadi, anda dapat melihat keadaan keadaan keadaan di web dan melihat banyak sebuah ajak pengibatan atau sebuah kerajaan memasukkan keadaan keadaan keadaan di sampel kami Jika anda melihat keadaan keadaan keadaan keadaan saya akan memasukkan sebuah gambar untuk anda untuk anda meletakkan, anda boleh mengambil gambar anda, hanya dengan klik di bawah sini. Jadi mengambil gambar anda yang anda meletakkan dari web. Kemudian anda meletakkan segmen ini, yang akan mengambil semua gambar anda ke bahagian dan kemudian ke transformasi. Jadi di sini adalah gambar saya yang saya meletakkan dari web. Jadi ini adalah pembentangan Poblo Escobar, saya rasa saya telah mendapatkan gambar di sini. Jadi anda akan mengambil gambar ini adalah Jekman. Kemudian saya ada Mona Lisa dan kemudian Grand Piquet. Jadi mari kita lihat apa model yang digunakan. Jadi ia telah dibuat dan kemudian saya dapat bahagian, kemudian bahagian, kemudian bahagian. Jadi bahagian adalah seperti saya katakan banyak emosi, ia dapat memasakkan bahagian. Tapi saya dapat kemudian bahagian dan kemudian bahagian. Bahagian adalah, okey, bahagian adalah baik. Bahagian, tidak terlalu seronok, tetapi ia seorang anak-anak, jadi saya, no, ini adalah. Jadi saya dapat, pada satu rancangan latihan saya, anda dapat mengenali ini sebagai peningkatan. Jadi saya fikir itu sangat menarik. Jadi model ini dapat menjadikan emosi yang berbeza dan sebagainya. Kemudian Jekmanto ini adalah bahagian, sepatutnya bahagian. Yang terdapat beberapa kemungkinan mungkin dikatakan, betul? Saya bermakna, ia boleh menjadi sebuah krim yang terdesak atau sesuatu, betul? Jadi ia juga bergantung kepada bagaimana kemungkinan kemungkinan kemungkinan kemungkinan kemungkinan. Kemudian anda dapat kemungkinan di sini dan kemudian kemungkinan kemungkinan kemungkinan kemungkinan kemungkinan. Jadi itu adalah sesuatu yang anda boleh bermain dengan selepas model anda dilatihkan. Jadi ini adalah bahagian yang kita bercakap tentang. Jadi anda boleh melatihkan model anda selepas anda selesai mengejar. Anda hanya melakukan sebuah model tf.saf.saf. Itu adalah sebaik-baik saja untuk melatihkan model anda ke sebuah tf.saf.saf. Anda juga boleh melakukan model.saf dan hanya melatihkan ke model tf.saf. Kemudian untuk kemungkinan kemungkinan kemungkinan anda boleh melakukan perangkatan dari fawal emosion saya. Kemudian anda boleh melakukan tf.saf kemungkinan kemungkinan kemungkinan dan hanya melatihkan untuk tf.saf. Jadi ini boleh digunakan untuk melatihkan perangkatan. Tapi ini juga sebuah bahagian yang saya cakap adalah untuk tf.saf dan tf.saf seperti kemungkinan kemungkinan. Sebenarnya, perkara ini belum berjalan. Pada masa ini, ia akan berjalan dengan baik pada tf.saf 1.13. Tapi jika anda menggunakan tf2, ia mungkin tidak akan berjalan dengan perangkatan anda. Jadi anda boleh cuba mencari segala hal lagi di tf.saf 1.13. Mungkin anda perlu meletihkan sedikit cara yang anda melakukan model.saf. Kemudian anda meletihkan perangkatan. Kemudian ini sepatutnya dapat berjalan dengan perangkatan anda. Jadi di sini anda boleh melakukan perangkatan. Meletihkan kepada perangkatan anda dan kemudian meletihkan perangkatan. Jadi di sumber ini, kita telah melakukan perangkatan kemungkinan. Jadi perangkatan kemungkinan anda ada dua perangkatan. Pada perangkatan pertama, anda meletihkan segala-galanya di model terbaik dan meletihkan beberapa perangkatan kemungkinan. Sebenarnya untuk meletihkan perangkatan kemungkinan terbaik untuk tf.saf. Kemudian anda meletihkan kemungkinan kemudian dengan meletihkan beberapa perangkatan kemungkinan dan meletihkan model untuk membangunkan akurasi beberapa perangkatan. Jadi ada dua perangkatan kemungkinan untuk meletihkan perangkatan. Pada perangkatan anda, jika anda mempunyai sedikit data, kemudian anda akan sepatutnya menjadikan. Tetapi model sepertinya anda juga dapat mengalami kemungkinan lain. Jadi ia akan menarik untuk melihat apa yang anda cuba meletihkan model nanti. Jadi jika anda mahu meletihkan kemungkinan anda, 1.1.3 adalah cara untuk meletihkan kemungkinan sekarang. Tetapi 2.0, kita harap dalam beberapa bulan lagi, ia akan digunakan. Kemudian anda dapat meletihkan model tf.saf ke dalam kemungkinan anda. Jadi kemungkinan untuk anda, anda akan meletihkan kemungkinan lain dan melihat jika anda dapat meletihkan kemungkinan yang lebih baik daripada 37% dengan mungkin menjadikan beberapa perangkatan dan mempunyai kemungkinan yang lebih terkenal di atas model nanti. Jadi anda dapat mencuba untuk meletihkan beberapa beberapa perkara dan melihat jika anda dapat meletihkan kemungkinan yang lebih baik. Jadi itu anggap kemungkinan model. Ada apa-apa pertanyaan?