WEBVTT 00:00.270 --> 00:03.890 こんにちは､ そしてモジュール2ドゥームへ再びようこそ｡ 00:03.900 --> 00:07.830 これから､ AIの実装を始める準備をします｡ 00:07.860 --> 00:13.230 そして､ いつものように､ まず､ 正しいフォルダを作業ディレクトリとして設定する必要があります｡ 00:13.350 --> 00:17.310 だから､ もっと面白いことに移るために､ 今これをやっておこう｡ 00:17.310 --> 00:25.380 そこで､ いつものようにデスクトップで起動し､ 人工知能はあれのフォルダ､ モジュール2は今ドゥームと進みます｡ 00:25.380 --> 00:29.190 そして､ これが作業ディレクトリとして設定しなければならないフォルダです｡ 00:29.220 --> 00:30.120 では､ こうしてみましょう｡ 00:30.120 --> 00:35.880 ここでこの2つのボタンをクリックして､ カーネルを再起動し､ そして「はい」をクリックすると､ このようになります｡ 00:35.880 --> 00:38.820 これで､ 正しいフォルダを作業ディレクトリにすることができました｡ 00:39.210 --> 00:42.210 これで､ ご覧の通り､ 4つのファイルが揃いました｡ 00:42.210 --> 00:45.990 この作業ディレクトリのフォルダの中に､ 実際には3001のフォルダがあります｡ 00:45.990 --> 00:47.460 では､ まず1つ目から｡ 00:47.460 --> 00:49.980 まず1つ目はADPです｡ 00:50.010 --> 00:54.270 それはもちろん､ 私たちの人工知能を格納するファイルです｡ 00:54.270 --> 00:56.670 そしてそれは､ ここにあるこのファイル以外にはない｡ 00:56.670 --> 01:08.430 これがADPファイルで､ APIの構築､ 特に深層畳み込み学習モデルによるAIの構築に関連するすべてを実装することになります｡ 01:09.060 --> 01:11.730 だから､ 基本的にはそこで大冒険をすることになる｡ 01:11.970 --> 01:13.330 それから､ 他のファイルもあります｡ 01:13.330 --> 01:17.130 そこで､ ここに2つ目のファイルとして､ πを体験するリプレイを用意しました｡ 01:17.130 --> 01:23.460 それで今回は､ すでに実装しているからということで､ エクスペリエンス・リプレイスを別枠にしました｡ 01:23.460 --> 01:25.740 そして､ 今度は新しいことに注目したいと思います｡ 01:25.740 --> 01:32.280 そして信じてほしいのは､ この新しい人工知能でやるべきことはたくさんあるということです｡ 私たちはAIを作りたいだけでなく､ 01:32.280 --> 01:36.450 『ドゥーム』を倒すAIを作りたいのですから｡ 01:36.450 --> 01:40.920 ですから､ かなり高度なコードが必要になることは想像がつくと思います｡ 01:41.370 --> 01:42.360 だから心配ない｡ 01:42.360 --> 01:46.620 大きなコードが待っていますし､ 新しい技もたくさん学べます｡ 01:46.620 --> 01:53.370 だから､ この経験リプレイのトリックは､ あなたがすでに知っていて､ 私は訓練の多くを向上させることを思い出させることです｡ 01:53.370 --> 01:55.950 まあ､ 今回の体験では別にしておきましょう｡ 01:55.950 --> 02:02.430 そのPIファイルを再生することで､ これから待っている新しいコンセプト､ テクニック､ トリックに集中することができるのです｡ 02:02.880 --> 02:03.300 わかりました｡ 02:03.300 --> 02:06.750 そして､ piファイルを画像前処理しているところです｡ 02:06.750 --> 02:12.270 これはもう一つのPythonファイルで､ 画像の前処理を行います｡ なぜなら､ 02:12.270 --> 02:18.810 今回のAIには目があり､ 入力状態がもはやベクトルによってエンコードされるのではなく､ 02:18.810 --> 02:21.360 入力状態が画像だからです｡ 02:21.360 --> 02:30.210 ですから､ これから作る大きなニューラルネットワークの最初の層は目になり､ それが畳み込みニューラルネットワークの畳み込み層となります｡ 02:30.240 --> 02:36.090 しかし､ これらの画像を畳み込みニューラルネットワークの入力として受け入れられるようにするためには､ まあ､ 02:36.090 --> 02:37.650 前処理が必要なわけです｡ 02:37.650 --> 02:43.920 このファイルでは､ ニューラルネットワークに入れるための画像の前処理を行います｡ 02:43.920 --> 02:48.720 それで､ これはAIとは直接関係ないので､ このファイルを分離しました｡ 02:48.720 --> 02:56.430 そしてまた､ 私たちの脳と記憶と集中力を最大限に生かして､ AIに関連するすべてのことに取り組みたいと考えています｡ 02:56.460 --> 03:03.510 そこで､ これを別に置くことで､ フラッシュライトで画像を前処理して､ 残りのエネルギーを節約できるようにしています｡ 03:03.660 --> 03:05.340 よかったら見てみてください｡ 03:05.340 --> 03:10.350 また､ ディープラーニングのコースもあれば､ まあ､ 実践的なチュートリアルを見ることができますね｡ 03:10.350 --> 03:15.240 画像の前処理の話もありますが､ ここでもやはりAIに注目したいですね｡ 03:15.240 --> 03:17.130 信じてください､ やることがたくさんあるんです｡ 03:17.610 --> 03:21.540 そして最終的には最後のフォルダ､ そう､ ビデオフォルダです｡ 03:21.540 --> 03:24.540 ですから､ 今このフォルダはご覧のように空っぽです｡ 03:24.540 --> 03:31.050 しかし､ このコードを実行すると､ AIがドゥームをプレイしている動画がいくつかこのフォルダに追加されます｡ 03:31.050 --> 03:36.660 そのため､ AIがどの程度機能しているのかを映像で見ることができるので､ 非常に楽しみです｡ 03:36.660 --> 03:41.910 ですから､ 文字通りAIがモンスターを倒し､ ゴールに向かって走り出そうとする姿を見ることができるのです｡ 03:42.090 --> 03:44.310 だから､ これはかなりエキサイティングなことだと思うぞ｡ 03:44.310 --> 03:52.170 もちろん､ 最初の動画はとてもひどいものになるでしょう｡ なぜなら､ AIはまだあまり訓練されていないので､ すぐに殺されてしまうからです｡ 03:52.170 --> 03:58.470 でも､ そうすると､ トレーニングが順調に進んでいるうちに､ AIがどんどん良くなって､ 最終的には今殺されているモンスターもなんとか殺せるようになって､ 03:58.470 --> 04:05.730 うまくいけばゴールまで到達させることができる､ ということが見えてきます｡ 04:06.480 --> 04:06.900 わかりました｡ 04:06.900 --> 04:10.680 では､ 今回のAFLに話を戻しましょう｡ 04:10.680 --> 04:17.820 そして､ ご覧の通り､ Doomをプレイするのに必要なライブラリやパッケージはすべてインポートしておきました｡ 04:17.820 --> 04:19.980 では､ さっそく一つずつ見ていきましょう｡ 04:19.980 --> 04:23.820 もちろん､ 配列を扱うので､ numpyもあります｡ 04:23.820 --> 04:25.440 それは仕方がないことです｡ 04:25.440 --> 04:29.310 それから､ ピトーチでAIを実装しているので､ もちろん拷問もあります｡ 04:29.340 --> 04:34.980 そして､ ニューラルネットワークを実装するためのすべてのツールを含むtorch and inモジュールがあります｡ 04:34.980 --> 04:41.430 例えば､ このモジュールには､ 将来のニューラルネットワークの一部となる畳み込み層が含まれるわけです｡ 04:41.520 --> 04:50.790 それから､ Fというショートカットを持つ関数パッケージには､ ニューラルネットワークで使用されるすべての関数が含まれています｡ 04:50.790 --> 04:59.970 活性化関数としては､ 整流器の活性化関数と､ 畳み込みの最大プーリング関数を使うことになるでしょう｡ 05:00.060 --> 05:03.600 神経ネットワークとこれらの機能はすべて関数に含まれています｡ 05:04.020 --> 05:07.730 次にOptimですが､ これはもちろんOptimizerのことです｡ 05:07.740 --> 05:15.480 アトムオプティマイザーを使うことになると思いますが､ このオプティマイザーはOptimに含まれていて､ さらにPyTorchのベストオブベスト､ 05:15.480 --> 05:20.220 他のgradモジュールから変数クラスが含まれています｡ 05:20.220 --> 05:30.570 PyTorchにはダイナミックグラフがあり､ 勾配や合成関数の勾配を高速に計算することができるのです｡ 05:30.570 --> 05:32.710 だから､ ぜひ使っていきたいと思います｡ 05:32.730 --> 05:37.680 自動運転車については､ しかし､ 運命のために私を信じて､ 我々は非常に悪いことを必要とすることになります｡ 05:38.460 --> 05:40.890 というわけで､ 必須ライブラリの紹介は以上です｡ 05:40.890 --> 05:46.530 次に､ Openai､ gym､ doomに関連するいくつかのパッケージをインポートする必要があります｡ 05:46.530 --> 05:55.260 そこで､ もちろんJimをインポートし､ Jimライブラリのラッパーモジュールをいくつかインポートする｡ そのラッパーの一つがKipラッパーである｡ 05:55.290 --> 05:58.770 つまり､ 基本的にはJimのツールや環境をすべて取り込むことですね｡ 05:59.040 --> 06:04.590 そして最後に､ インポートする必要がある､ doomに直接関連するパッケージがあります｡ 06:04.590 --> 06:11.400 これはアクションスペースとdoomラッパーの2つの分離で､ 基本的にdoomの環境､ より具体的には､ 06:11.400 --> 06:19.470 これからプレイする特定のDoomゲームに対してプレイできるアクション､ アクション数が含まれています｡ 06:19.470 --> 06:21.570 そして､ 6つのアクションがあることを再認識しました｡ 06:21.570 --> 06:24.210 左へ移動､ 右へ移動､ 左折､ 右折｡ 06:24.210 --> 06:25.950 前方に移動して撮影する 06:25.950 --> 06:26.640 攻撃する｡ 06:27.330 --> 06:27.690 わかりました｡ 06:27.690 --> 06:30.470 つまり､ doomのためにインポートする必要があるのは､ 基本的にそういうことなんです｡ 06:30.480 --> 06:37.680 そして最後に､ もちろん､ ゲームをプレイしているときの画面のイメージに他ならない画像を事前に処理するために､ 06:37.710 --> 06:47.130 エクスペリエンス､ リプレイ､ イメージプリプロセシングのパイである2つの内部ファイルをインポートする必要があるのです｡ 06:47.130 --> 06:53.640 そして､ これらの画像は前処理され､ numpyの配列に変換され､ あるフォーマットにリシェイプされた後､ ニューラルネットワーク､ 06:53.640 --> 06:57.420 畳み込みニューラルネットワークに送られます｡ 06:58.160 --> 06:58.610 わかりました｡ 06:58.610 --> 07:12.170 さて､ このIの大きな実装を始める準備ができたと思いますが､ それがこのモジュールの非常に重要なポイントにつながるということをお伝えしたいと思います｡ 07:12.200 --> 07:17.290 それは､ あれから､ ほら､ 大きな実装が待っていると言ったからです｡ 07:17.300 --> 07:21.560 さて､ このように迷子にならないためには､ 良い仕組みが必要です｡ 07:21.650 --> 07:24.860 それで､ すでに構造を強調したのです｡ 07:24.890 --> 07:27.750 2回に分けて実施する予定です｡ 07:27.770 --> 07:30.830 前編では､ AIの構築について説明します｡ 07:30.860 --> 07:34.460 そこで､ AIの頭脳を作ることになるわけです｡ 07:34.460 --> 07:38.130 そして､ 脳は､ あなたが理解したように､ 神経ネットワークに他なりません｡ 07:38.150 --> 07:48.140 この大きなCNNは､ いくつかの畳み込み層と､ やはり手がかりとなる出力を予測するための完全接続層から構成されています｡ 07:48.140 --> 07:50.300 そして､ AIの本体を作っていきます｡ 07:50.300 --> 07:53.180 そして､ それは私がお届けする新しい表現です｡ 07:53.180 --> 07:55.370 そしてそれは､ やはり迷わないことです｡ 07:55.370 --> 08:02.600 コードを進めれば進めるほど､ 構造が見えてきて､ 最後にはすべてが意味を成すことがおわかりいただけると思います｡ 08:02.600 --> 08:06.380 そして､ その意味を確認するために､ AIの表現が必要なのです｡ 08:06.410 --> 08:12.570 そして､ 基本的にこの最初のAIを構築する部分は､ 3つのセクションで構成される予定です｡ 08:12.590 --> 08:17.030 最初のセクションでは､ ニューラルネットワークである頭脳を作ることについて説明します｡ 08:17.180 --> 08:22.580 第2章では､ ボディを作ることになりますが､ ここはAIにアクションを伝える部分なので､ 08:22.580 --> 08:24.980 ボディと呼んでいます｡ 08:24.980 --> 08:30.860 つまり､ まず映像を検知してキュー値を予測する脳があるわけですが､ その後にAIがどのようにアクションを演じるべきか､ 08:30.860 --> 08:37.640 人間の体がやるように体でやるという指定が必要なんです｡ 08:37.820 --> 08:43.790 つまり､ ボディはアクションの再生方法を指定する部分になります｡ 08:43.790 --> 08:51.380 ですから､ 例えば私たちの自動運転車では､ 脳は私たちが作ったニューラルネットワークで､ 身体はアクションをどう演じるかでした｡ 08:51.380 --> 08:53.300 つまり､ ソフトマックス方式だったのです｡ 08:53.420 --> 08:54.650 そして､ ここでもそれは同じです｡ 08:54.650 --> 08:59.000 これから脳を作り､ アクションを演じるボディを作ります｡ 08:59.000 --> 09:00.290 探させます｡ 09:00.290 --> 09:06.140 しかし､ この中で重要なのは､ 一歩下がって何が起こっているかを本当に理解できるだけでなく､ 09:06.140 --> 09:14.870 他の目的のためにAIを作りたいときにいつでもフレームワークとして使えるように､ 非常に構造化されたコードを用意することです｡ 09:15.170 --> 09:15.830 わかりました｡ 09:15.830 --> 09:24.320 そして､ 第1部でAIを構築した後､ 第2部では､ 深層学習､ 畳み込み学習モデルの実装に移ります｡ 09:24.320 --> 09:29.660 そして､ そこにもさまざまなセクションがあり､ そのうちの1つは､ もちろん､ AIのトレーニングです｡ 09:29.960 --> 09:32.030 だから､ 早く飛び込みたいんです｡ 09:32.030 --> 09:38.840 さて､ まずはパート1からですが､ 当然のことながら､ AIの頭脳を作るところから始めます｡ 09:39.050 --> 09:42.170 だから待ち遠しいし､ それまではAIを楽しんでください｡