WEBVTT 00:00.330 --> 00:07.110 Hallo en weer welkom bij Module to Dhoom, we gaan ons nu klaarstomen om te beginnen met de 00:07.110 --> 00:13.050 implementatie van onze A. L. En zoals gewoonlijk is het eerste dat we moeten doen de juiste map instellen als werkmap. 00:13.510 --> 00:16.990 Dus laten we dit nu doen, zodat we verder kunnen gaan met wat interessanter is. 00:17.460 --> 00:22.130 Dus, zoals gewoonlijk, begin ik op mijn bureaublad, dan ga ik naar mijn kunstmatige intelligentie. 00:22.150 --> 00:23.580 Is dat mapje dan? 00:23.580 --> 00:26.390 Module twee doet het nu en daar gaan we. 00:26.400 --> 00:28.960 Dat is de map die we moeten instellen als werkdirectoraat. 00:29.400 --> 00:30.360 Dus laten we dit nu doen. 00:30.360 --> 00:34.230 We klikken op deze knop om hier te klikken, herstart dan de kernel en dan. 00:34.230 --> 00:35.780 Ja, en daar gaan we. 00:35.910 --> 00:38.660 We hebben nu de juiste map als werkmap. 00:39.330 --> 00:42.210 Dus zoals je kunt zien, hebben we vier bestanden. 00:42.210 --> 00:45.770 Nou eigenlijk drieduizend een map in deze werkmapmap. 00:46.110 --> 00:47.370 Dus laten we beginnen met de eerste. 00:47.490 --> 00:49.770 De eerste is nog even. 00:50.130 --> 00:54.090 Dat is natuurlijk het bestand dat onze kunstmatige intelligentie zal bevatten. 00:54.390 --> 00:56.490 En dat is niets anders dan dit bestand hier. 00:56.760 --> 01:03.360 Dat is de A. L. waar ik in ben gevallen, waarbij we alles gaan 01:03.360 --> 01:08.230 implementeren wat te maken heeft met het bouwen van een API en vooral het bouwen van een API met het diepe, convolutionele Q-leermodel. 01:09.030 --> 01:11.490 Dus eigenlijk zullen we daar het grote avontuur beleven. 01:12.090 --> 01:13.370 Dan hebben we nog wat andere bestanden. 01:13.410 --> 01:15.900 We hebben hier het tweede bestand, dat is ervaring. 01:15.900 --> 01:16.880 Zo spelen we. 01:17.280 --> 01:23.880 En dus heb ik deze keer ervaring vervangen apart gezet, gewoon omdat we het al hebben geïmplementeerd en nu willen we ons 01:23.880 --> 01:25.550 concentreren op wat nieuw is. 01:25.770 --> 01:32.100 En geloof me, we hebben veel nieuwe dingen te maken met deze nieuwe kunstmatige intelligentie, omdat we niet alleen een API 01:32.100 --> 01:36.330 willen bouwen, maar we willen een API bouwen om de doom te verslaan. 01:36.540 --> 01:40.680 Je kunt je dus voorstellen dat hiervoor behoorlijk geavanceerde code nodig is. 01:41.460 --> 01:42.420 Dus geen zorgen. 01:42.420 --> 01:46.440 We hebben een grote code die op ons wacht en je zult veel nieuwe trucs leren. 01:46.680 --> 01:52.380 Dat is de reden waarom deze ervarings-replay-truc die je al kent en die ik eraan herinner, verbetert. 01:52.380 --> 01:53.190 Is dat de opleiding? 01:53.520 --> 01:59.490 Laten we het apart zetten in deze ervaring die we spelen die ik voelde, zodat we ons nu kunnen concentreren op alle 01:59.490 --> 02:02.220 nieuwe concepten, technieken en trucs die op ons wachten. 02:02.880 --> 02:03.300 Oke. 02:03.300 --> 02:06.690 En dan hebben we de beeldvoorbewerking die ik voelde. 02:06.780 --> 02:12.450 Dus dat is nog een python-bestand dat voor voorbewerking of afbeeldingen zorgt, want, weet je, deze keer 02:12.450 --> 02:14.400 of ik zal ogen hebben. 02:14.700 --> 02:18.690 En dat komt omdat de invoerstatussen niet langer worden gecodeerd door een vector. 02:18.810 --> 02:21.240 Maar deze keer zijn de invoerstatussen de afbeeldingen. 02:21.420 --> 02:27.150 Dus de eerste laag van het grote neurale netwerk die we zullen maken, zullen de ogen zijn, en dat zullen 02:27.150 --> 02:29.940 de convolutionele lagen van het convolutionele neurale netwerk zijn. 02:30.330 --> 02:36.090 Maar om ervoor te zorgen dat deze afbeeldingen kunnen worden geaccepteerd als invoer van het convolutionele neurale netwerk, moeten 02:36.090 --> 02:37.440 we ze vooraf verwerken. 02:37.710 --> 02:43.680 En dus zorgt dit bestand voor de voorbewerking van deze beelden, zodat ze in het neurale netwerk kunnen gaan. 02:44.070 --> 02:51.030 En dus heb ik dit bestand gescheiden omdat dit niet direct gerelateerd is aan A. L. En nogmaals, we willen het maximale uit ons brein en ons geheugen en 02:51.030 --> 02:57.210 onze focus houden op alles wat met A te maken heeft. L. We plaatsen dit dus apart 02:57.210 --> 03:02.880 zodat we de afbeeldingen in een zaklamp kunnen voorbewerken en wat energie kunnen besparen voor de 03:02.880 --> 03:03.300 rest. 03:03.720 --> 03:05.220 Je kunt er naar kijken als je wilt. 03:05.370 --> 03:10.380 En je hebt ook de deep learning cursus waar je de praktische tutorials kunt bekijken. 03:10.410 --> 03:16.410 We hebben het over beeldverwerking, maar ook hier willen we ons echt op concentreren. Ik geloof me, we hebben veel te 03:16.410 --> 03:16.920 doen. 03:17.670 --> 03:21.420 En uiteindelijk de laatste map, nou ja, dat is de videomap. 03:21.570 --> 03:24.360 Dus op dit moment is deze map leeg, zoals je kunt zien. 03:24.660 --> 03:30.900 Maar wanneer we de code uitvoeren, worden enkele video's van de A. L. playing doom wordt aan deze map toegevoegd. 03:31.140 --> 03:36.540 Dat wordt dus heel spannend want we zullen op sommige video's zien hoe goed de A. L. doet. 03:36.690 --> 03:42.330 Dus we zullen letterlijk de A zien. L. het doden van de monsters en proberen te rennen naar het doel dat 03:42.330 --> 03:42.900 je gaat zien. 03:42.900 --> 03:44.120 Dit zal best spannend zijn. 03:44.460 --> 03:49.890 Dus de eerste video's zullen natuurlijk erg slecht zijn omdat het oog nog niet veel zal worden getraind. 03:50.220 --> 03:52.050 En dus zal het heel snel worden gedood. 03:52.230 --> 03:57.840 Maar dan zul je zien dat naarmate de training goed vordert, de A. L. zal beter en beter worden en 03:58.020 --> 04:04.050 uiteindelijk zal het erin slagen enkele monsters te doden die nu worden gedood en hopelijk zullen we het 04:04.050 --> 04:05.490 doel kunnen bereiken. 04:06.480 --> 04:06.930 Oke. 04:06.930 --> 04:10.470 Dus laten we teruggaan naar onze AFL, dat is gewoon leuk. 04:10.650 --> 04:16.230 En zoals je kunt zien, heb ik al gezorgd voor het importeren van alle essentiële bibliotheken en pakketten die we nodig hebben 04:16.230 --> 04:17.600 om ze af te spelen. 04:17.910 --> 04:19.860 Laten we ze daarom snel een voor een bekijken. 04:20.040 --> 04:23.580 We hebben natuurlijk non-pay omdat we gaan werken met array's. 04:23.940 --> 04:25.200 Dat is onvermijdelijk. 04:25.590 --> 04:29.130 Dan moeten we natuurlijk opletten, want we implementeren de with-methoden. 04:29.430 --> 04:34.680 Dan hebben we de fakkel die eindigt in module, die alle tools bevat om een neuraal netwerk te implementeren. 04:35.070 --> 04:40.440 Zo zal de module bijvoorbeeld de convolutionele lagen bevatten die deel gaan uitmaken van ons toekomstige 04:40.440 --> 04:41.190 neurale netwerk. 04:41.640 --> 04:48.330 Dan hebben we het en dan het functionele pakket, dat de snelkoppelingen F heeft en dat alle functies bevat die 04:48.330 --> 04:50.670 in het neurale netwerk worden gebruikt. 04:50.820 --> 04:57.060 Dus typisch de activeringsfuncties, we zullen enkele activeringsfuncties van de gelijkrichter gebruiken, maar ook 04:57.060 --> 04:59.900 een volgende volfunctie voor de conversie. 05:00.080 --> 05:03.380 Neurale netwerk en al deze functies zijn beperkt en functioneel. 05:04.100 --> 05:07.610 Dan hebben we Optum, dat is natuurlijk voor optimizer. 05:07.760 --> 05:13.250 Ik denk dat we een atom-optimizer zullen gebruiken en deze optimizer zit vervat in uptime. 05:13.970 --> 05:20.020 En dan is het beste van het beste per zaklamp, de variabele klasse uit de handtekeningmodule. 05:20.360 --> 05:26.000 En dat is de kracht van de fakkel, want daarin zitten de dynamische grafieken die het mogelijk maken om 05:26.000 --> 05:30.370 zeer snelle berekeningen van de gradiënten uit te voeren, zelfs de gradiënten van compositiefuncties. 05:30.710 --> 05:32.680 Dus die gaan we zeker gebruiken. 05:32.720 --> 05:37.410 Wat betreft de zelfrijdende auto, maar geloof me, voor Dhume zullen we hem heel hard nodig hebben. 05:38.080 --> 05:41.480 OK, denk dat dat dan alles is voor de essentiële bibliotheken. 05:41.780 --> 05:47.020 We moeten enkele pakketten importeren die verband houden met open gym en dat doen. 05:47.030 --> 05:53.930 Natuurlijk importeren we gym, dan importeren we wat rappers-module van de sportschoolbibliotheek en een van deze rappers 05:53.930 --> 05:55.090 is Kipe-rapper. 05:55.220 --> 05:58.530 Dus dat is eigenlijk om alle tools en omgevingen van de sportschool te importeren. 05:59.060 --> 06:04.160 En tot slot hebben we dit pakket dat we moeten importeren en dat er direct mee te maken heeft. 06:04.310 --> 06:11.390 En dat is de actieruimte en twee discrete van de doom-rapper die in feite de omgeving van doom bevat 06:11.390 --> 06:17.660 en meer specifiek, de acties die kunnen worden gespeeld, het aantal acties voor dit specifieke doom-spel dat 06:17.930 --> 06:19.300 we gingen spelen. 06:19.550 --> 06:21.590 En ik herinner eraan dat er zes acties zijn. 06:21.590 --> 06:26.480 Beweeg naar links, beweeg naar rechts, draai naar links, draai naar rechts, ga vooruit en schiet, val aan. 06:27.280 --> 06:32.590 Oké, dus dat is eigenlijk wat je moet importeren voor onheil, en tot 06:32.590 --> 06:39.970 slot moeten we natuurlijk onze twee interne bestandservaring importeren, die Priefer-ervaring, Freeplay en afbeelding vervangen, voorbewerking om de afbeeldingen voor 06:39.970 --> 06:46.510 te verwerken die zijn niets anders dan de beelden op het scherm tijdens het spelen van het 06:46.510 --> 06:46.990 spel. 06:47.170 --> 06:54.160 En deze beelden worden voorbewerkt, omgezet in getallen, omgevormd tot een bepaald formaat, en dan gaan ze naar 06:54.160 --> 06:57.250 het neurale netwerk, het convolutionele neurale netwerk. 06:58.110 --> 07:07.020 Oké, dus ik denk dat nu we klaar zijn om de grote implementatie hiervan te beginnen, ik en nu is het heel belangrijk voor mij om je 07:07.020 --> 07:12.660 te vertellen dat dat me naar het zeer belangrijke punt van deze module leidt, is dat sinds, 07:12.660 --> 07:17.170 weet je, Ik zei toch dat er een grote implementatie op ons wacht. 07:17.340 --> 07:21.360 Welnu, om hier niet in te verdwalen, hebben we een goede structuur nodig. 07:21.730 --> 07:24.660 En dus heb ik de structuur al benadrukt. 07:25.050 --> 07:27.510 We gaan dit in twee delen implementeren. 07:27.900 --> 07:30.410 Het eerste deel gaat over het bouwen van de. 07:30.990 --> 07:36.850 Dus daar gaan we de hersenen van de A maken. L. En de hersenen zijn, zoals je begreep, niets anders 07:36.850 --> 07:37.880 dan het neurale netwerk. 07:38.190 --> 07:45.330 Weet je, deze grote CNN bestaat uit enkele convolutionele lagen en vervolgens enkele volledig verbonden lagen om de 07:45.330 --> 07:46.620 output te voorspellen. 07:46.630 --> 07:47.940 Er zijn nog steeds de belangrijkste waarden. 07:48.270 --> 07:53.040 En dan maken we het lichaam van de A. L. en dat is een nieuwe representatie en brengt u naar u toe. 07:53.220 --> 07:55.200 En dat is, nogmaals, om niet te verdwalen. 07:55.470 --> 08:01.200 Je zult zien dat hoe verder we met de code vorderen, hoe meer je de structuur zult zien en uiteindelijk 08:01.200 --> 08:02.360 zal alles logisch worden. 08:02.700 --> 08:08.820 En om er zeker van te zijn dat dit logisch is, hebben we een weergave van de A nodig. L. en in feite zal dit eerste 08:08.970 --> 08:12.330 deel van het bouwen van de AI uit drie secties bestaan. 08:12.690 --> 08:16.760 Het eerste deel gaat over het maken van de hersenen die het neurale netwerk vormen. 08:17.310 --> 08:22.140 Het tweede deel gaat over het maken van het lichaam, en ik noem het het lichaam, omdat dit het deel is 08:22.140 --> 08:24.810 dat de A. L. hoe de actie te spelen. 08:25.060 --> 08:30.870 Dus, weet je, eerst heb je het brein dat de beelden detecteert en de belangrijkste waarden voorspelt, maar dan 08:30.870 --> 08:36.870 moet je specificeren hoe de A. L. de actie moet spelen en dat het het met zijn lichaam doet zoals een 08:36.870 --> 08:37.530 menselijk lichaam zou doen. 08:37.890 --> 08:43.510 Dus het lichaam zal het deel zijn waar we de methode voor het spelen van de actie zullen specificeren. 08:43.890 --> 08:49.410 Dus, bijvoorbeeld, met onze zelfrijdende auto, was het brein het neurale netwerk dat we maakten en het lichaam was 08:49.530 --> 08:51.240 hoe de actie werd gespeeld. 08:51.420 --> 08:54.000 Dat was de softmax-methode hier. 08:54.000 --> 08:54.660 Dat is hetzelfde. 08:54.660 --> 08:58.770 We gaan een brein maken en we gaan een lichaam maken dat de actie zal spelen. 08:59.010 --> 09:00.120 Ik zal het je laten weten. 09:00.390 --> 09:06.150 Maar het belangrijkste punt bij dit alles is dat we een zeer gestructureerde code zullen hebben, zodat je niet alleen een stap terug kunt doen 09:06.150 --> 09:11.520 en echt kunt begrijpen wat er aan de hand is, maar je het ook als een raamwerk kunt gebruiken wanneer je maar 09:11.670 --> 09:14.640 wilt bouwen een A. L. voor andere doeleinden. 09:15.210 --> 09:15.800 Oke. 09:15.810 --> 09:21.930 En nadat we de AI in deel één hebben gebouwd, gaan we verder met deel twee, dat gaat over het 09:21.930 --> 09:24.120 implementeren van het diepe, convolutionele leermodel. 09:24.330 --> 09:26.520 En dan hebben we weer verschillende secties. 09:26.730 --> 09:29.460 En een van hen zal natuurlijk zijn om d te trainen. e. A. 09:30.090 --> 09:32.010 Dus ik kan niet wachten om er in te duiken. 09:32.010 --> 09:37.740 Nu gaan we natuurlijk beginnen met deel één, en we beginnen met het maken van het brein van 09:37.800 --> 09:38.610 onze AI. 09:39.180 --> 09:40.230 Dus ik kan niet wachten. 09:40.230 --> 09:42.000 En tot dan, ik.