WEBVTT 00:00.210 --> 00:05.730 Hallo en welkom bij het eerste deel van deze implementatie, deel één, het oog bouwen. 00:05.910 --> 00:11.760 En zoals je kunt zien, heb ik al een dimensie toegevoegd aan de structuur van deze implementatie met de drie 00:11.760 --> 00:16.310 secties die er een vormen die duidelijk laten zien hoe we dit oog gaan bouwen. 00:16.500 --> 00:20.580 Eerst gaan we de hersenen maken die niets anders zijn dan het neurale netwerk. 00:20.830 --> 00:25.140 Dan gaan we het lichaam maken, dat zal bepalen hoe de acties zullen worden gespeeld. 00:25.410 --> 00:31.260 En als we eenmaal de hersenen en het lichaam hebben, zullen we ze samenvoegen om de A te maken. L. , die in het laatste deel 00:31.260 --> 00:33.210 van dit eerste deel zal staan. 00:33.690 --> 00:37.510 U kunt nu dus al een goed beeld hebben van de opbouw van deze implementatie. 00:37.740 --> 00:42.440 Eerst maken we de hersenen, dan maken we het lichaam, en dan assembleren we de twee om de lucht te maken. 00:42.870 --> 00:48.220 En dan gaan we zo beginnen met het eerste deel dat gaat over het maken van de hersenen. 00:48.660 --> 00:51.240 En dit gaat ons voor tutorials brengen. 00:51.240 --> 00:54.730 Je kunt je voorstellen dat het maken van een brein niet hetzelfde is als het maken van een cake. 00:54.750 --> 00:56.840 Dit vereist dus meer dan één tutorial. 00:57.120 --> 01:03.630 En natuurlijk, zoals gewoonlijk, gaan we dat brein vertegenwoordigen met een klas omdat we verschillende functies nodig 01:03.630 --> 01:04.230 hebben. 01:04.530 --> 01:10.950 En om een structuur te hebben van verschillende functies die in een soort instructies zullen worden georganiseerd. 01:11.190 --> 01:12.780 Natuurlijk hebben we een klas nodig. 01:13.050 --> 01:18.660 En dat is perfect, want als we die klasse eenmaal goed hebben gemaakt, kunnen we zoveel hersens creëren als we 01:18.660 --> 01:21.570 willen door slechts enkele objecten van deze klasse te maken. 01:21.930 --> 01:27.930 Dus nogmaals, klassen in Python en in het algemeen en objectgeoriënteerde programmeertalen zijn erg praktisch omdat je je model 01:28.050 --> 01:33.450 maakt van iets dat je wilt bouwen en dan kun je zoveel objecten maken als je wilt 01:33.450 --> 01:37.560 en ze zullen alle functies hebben die u in de klas definieert. 01:37.830 --> 01:40.360 En voor onze hersenen zullen de kenmerken dat natuurlijk zijn. 01:40.380 --> 01:45.600 Allereerst de architectuur van het neurale netwerk, waarvan ik veronderstel dat het op CNN zal zijn 01:45.600 --> 01:50.790 en natuurlijk de verschillende functies, zoals bijvoorbeeld het doorgeven van de signalen van de inputneuronen 01:51.030 --> 01:52.100 naar de outputneuronen. 01:52.260 --> 01:55.020 Dus dat wordt natuurlijk de vierde functie die we gaan maken. 01:55.770 --> 01:56.790 Dus laten we dit doen. 01:56.790 --> 01:58.620 Laten we beginnen met het maken van de hersenen. 01:58.800 --> 02:00.300 Dit gaat best spannend worden. 02:00.500 --> 02:04.440 Het is een van mijn favoriete onderdelen en daarom gaan we er meteen op in. 02:04.770 --> 02:10.770 Dus we beginnen natuurlijk met het introduceren van een klas, en we gaan deze klas noemen. 02:10.800 --> 02:18.060 Ik aarzelde om het hersenen te noemen, maar laten we directer zijn en het CNN noemen, want eigenlijk 02:18.300 --> 02:22.140 is het brein een CNN-netwerk, een convolutioneel neuraal netwerk. 02:22.390 --> 02:24.180 Dus dat is wat je hersenen kunt noemen als je wilt. 02:24.480 --> 02:27.240 Maar nu weten we tenminste wat we aan het bouwen zijn. 02:28.520 --> 02:34.790 En CNN, wat betreft het netwerk van de zelfrijdende auto, gaat erven van de Annand-module. 02:35.060 --> 02:42.590 Dus onthoud, de motormodule is wat we hier hebben geïmporteerd, en we willen alle tools van deze motormodule 02:42.590 --> 02:43.760 kunnen gebruiken. 02:43.940 --> 02:49.670 En daarom willen we deze techniek gebruiken in objectgeoriënteerd programmeren, wat overerving is, en waarmee 02:49.880 --> 02:54.950 we, je weet wel, alle tools van een bovenliggende klasse kunnen gebruiken. 02:55.190 --> 02:59.030 En deze klas zal in die module zitten. 02:59.810 --> 03:00.550 Daar gaan we. 03:00.740 --> 03:04.850 En nu kunnen we alle gereedschappen en objecten van de engine, die module, gebruiken. 03:05.330 --> 03:05.860 Oke. 03:06.140 --> 03:11.800 Dus nu we onze erfenis hebben, kunnen we naar de klas gaan om onze eerste functie te maken. 03:11.960 --> 03:18.260 En zoals je waarschijnlijk al vermoedt, is de eerste functie de init-functie die alle variabelen van de toekomstige 03:18.530 --> 03:20.970 hersenobjecten in de toekomst zal definiëren. 03:20.990 --> 03:23.120 CNN-objecten die worden gemaakt. 03:23.540 --> 03:31.190 Oké, dus laten we dit def doen, dan twee op deze cursus erin naar de weer en nu moeten we wat variabelen 03:31.190 --> 03:31.660 plaatsen. 03:31.940 --> 03:34.400 Dus eerst en vooral zou ik mezelf zijn. 03:35.180 --> 03:37.120 Dat is natuurlijk om naar het object te verwijzen. 03:37.340 --> 03:39.290 Nu denk ik dat je je hier redelijk comfortabel bij voelt. 03:39.740 --> 03:45.050 Vervolgens gaan we nog een variabele toevoegen, namelijk het aantal acties in de omgeving. 03:45.350 --> 03:49.790 Dus we gaan het aantal acties noemen, aantal acties. 03:50.390 --> 03:54.050 En eigenlijk is deze variabele niet verplicht voor de init-functie. 03:54.300 --> 03:59.120 Het is alleen zo dat als je het idee wilt testen dat we op 03:59.390 --> 04:05.780 andere Dhume-omgevingen gaan bouwen, dit heel praktisch zal zijn omdat we dit aantal acties zullen invoeren, variabel vanuit 04:05.780 --> 04:08.090 de doom-omgeving, rappers met twee discrete. 04:08.360 --> 04:13.660 En als we dat doen, zullen we, je weet wel, de naam van de omgeving invoeren, V0 doen. 04:13.970 --> 04:19.940 En dus als je wilt, weet je, hiermee experimenteren in andere DUME-omgevingen en andere games spelen, nou, 04:19.940 --> 04:25.670 dan heb je niets te doen omdat dit aantal acties direct het aantal acties in de 04:25.670 --> 04:28.250 omgeving krijgt die je' mee zal spelen. 04:28.940 --> 04:32.460 OK, dus dat is het voor de twee argumenten van deze init-functie. 04:32.600 --> 04:36.080 Dus nu kunnen we naar binnen gaan en ons herinneren wat we moeten doen. 04:36.410 --> 04:41.050 Het eerste dat we moeten doen, is de overerving activeren met de superfunctie. 04:41.480 --> 04:43.610 Dus dat is precies hetzelfde als voor de zelfrijdende auto. 04:43.820 --> 04:50.450 We nemen de superfunctie, dan beginnen we met het invoeren van de klasse die het neurale netwerk 04:50.450 --> 04:52.790 zal definiëren en dat is CNN. 04:53.540 --> 04:56.720 Dan moeten we zelf invoeren om naar het object te verwijzen. 04:57.080 --> 05:02.090 Maar onthoud, dat is niet alles wat we hier bij DOT moeten toevoegen en dan de init-functie. 05:03.680 --> 05:09.500 Met wat haakjes, en door dat te doen, activeren we de overerving en nu kunnen we alle tools van 05:09.500 --> 05:10.700 die module gebruiken. 05:11.360 --> 05:11.810 Oke. 05:11.810 --> 05:16.800 Dus nu denk ik dat het tijd is om de architectuur van het neurale netwerk te bouwen. 05:17.090 --> 05:23.300 En dus, zoals je je herinnert, gaan we een CNN convolutief neuraal netwerk bouwen, simpelweg omdat de 05:23.300 --> 05:30.230 AI deze keer ogen zal hebben en de ogen van de AI de convolutionele lagen van dit convolutionele neurale 05:30.230 --> 05:30.910 netwerk. 05:31.340 --> 05:38.150 En dan na de A. L. visualiseert de beelden met de convolutionele lagen, het 05:38.180 --> 05:40.790 zal de signalen doorgeven aan een klassiek kunstmatig neuraal netwerk. 05:41.060 --> 05:44.230 Dus dat is degene die we eerder hadden met volledig verbonden lagen. 05:44.480 --> 05:50.060 En dat is waar het zal proberen de kernwaarden te voorspellen voor elke mogelijke actie die we kunnen spelen. 05:51.140 --> 05:53.330 Dus je hebt de architectuur in gedachten. 05:53.600 --> 05:58.700 Eerst zullen we enkele convolutionele lagen hebben en dan enkele volledig verbonden lagen, en dit 05:58.700 --> 06:06.740 zal het brein zijn van onze A. L. Dus waar we gaan doen om een stap terug te 06:06.740 --> 06:11.240 kunnen doen waar we goed in zijn, laten we deze architectuur maken met de variabelen die we willen creëren. 06:11.690 --> 06:18.740 Dus eigenlijk, over deze architectuur gesproken, we gaan een CNN bouwen met drie convolutionele lagen. 06:18.750 --> 06:24.200 En dan na die ene verborgen laag, dat betekent dat we drie convolutionele verbindingen en twee 06:24.200 --> 06:25.780 volledige verbindingen nodig hebben. 06:26.030 --> 06:29.480 En over verbindingen gesproken, dat is precies wat we gaan definiëren. 06:29.480 --> 06:32.330 Dat zijn de variabelen van onze CNN-klasse. 06:32.330 --> 06:37.160 En daarom ga ik nu vijf variabelen definiëren, drie voor de convolutionele verbindingen en twee 06:37.280 --> 06:38.890 voor de volledige verbindingen. 06:39.200 --> 06:40.040 Dus laten we dit doen. 06:40.050 --> 06:42.350 We beginnen met de convolutieverbindingen. 06:42.650 --> 06:47.840 Dus ik ga ze zelf die convolutie noemen. 06:48.380 --> 06:50.510 Ik ga dat kopiëren en. 06:52.370 --> 07:00.410 Neem ze hieronder en daar gaan we, zelfcontradictie twee en zelfconvolutie drie die convolutieverbindingen zijn met deze eerste 07:00.410 --> 07:07.280 convolutie, één hier zal enige convolutie toepassen op de invoerafbeeldingen om de eerste convolutionele laag 07:07.280 --> 07:08.740 te krijgen. 07:09.170 --> 07:14.840 Dan zal de tweede conclusie tot hier de eerste convolutionele laag als invoer nemen. 07:15.020 --> 07:19.340 En door opnieuw wat convolutie toe te passen, zal het een tweede convolutionele laag creëren. 07:19.670 --> 07:25.620 En in deze convolutionele daar zullen we een aantal nieuwe afbeeldingen krijgen, die elk een specifiek kenmerk detecteren. 07:25.880 --> 07:28.640 Dus we zullen deze nieuwe afbeeldingen daar in een convolutie krijgen. 07:29.030 --> 07:36.500 Vervolgens passen we deze convolutie hier toe om deze nieuwe afbeeldingen van deze eerste convolutionele laag te verbinden met 07:36.500 --> 07:40.060 enkele nieuwe afbeeldingen van een tweede convolutionele laag. 07:40.220 --> 07:45.890 En deze nieuwe afbeeldingen zullen opnieuw enkele kenmerken detecteren in de afbeeldingen van de eerste convolutionele laag. 07:46.070 --> 07:52.010 Dus het is alleen om de functiedetectie te versterken en dan naar de afbeeldingen van de tweede convolutie. 07:52.010 --> 07:59.360 Daar passen we de derde convolutie hier toe om voor elk van hen wat meer afbeeldingen te krijgen die nog meer 07:59.360 --> 08:01.550 functies in de invoerafbeeldingen detecteren. 08:01.880 --> 08:06.970 Dus hoe meer we dit doen, hoe meer we enkele windingen toepassen op de verschillende lagen van afbeeldingen. 08:07.370 --> 08:10.010 Welnu, hoe meer we in staat zijn om sommige functies te detecteren. 08:10.310 --> 08:15.470 En dat is hoe het oog door de kenmerken te detecteren, zal begrijpen waar de monsters zijn, waar het moet 08:15.470 --> 08:18.190 schieten om ze te doden en waar het naartoe moet. 08:18.320 --> 08:24.560 Het zal ook de muren detecteren, de obstakels, nou ja, letterlijk waar het heen moet, en dat is 08:24.710 --> 08:29.450 te danken aan wat al deze convolutionele lagen detecteren in de originele invoerbeelden. 08:30.290 --> 08:30.650 Oke. 08:30.650 --> 08:34.750 Dus dat is voor het convolutiegedeelte van de CNN. 08:34.910 --> 08:42.350 Maar onthoud dan dat we na de convolutionele lagen alle pixels moeten afvlakken die zijn verkregen door de verschillende 08:42.350 --> 08:44.600 reeksen convoluties die zijn toegepast. 08:44.690 --> 08:51.320 En door alle arrays van pixels af te vlakken, krijgen we deze enorme vector die de invoer wordt van een 08:51.320 --> 08:53.060 klassiek kunstmatig neuraal netwerk. 08:53.300 --> 08:58.020 En daar krijgen we onze volledig verbonden spelers en dus onze volledige verbindingen. 08:58.520 --> 09:04.910 Wat we nu moeten doen, is twee nieuwe variabelen creëren, want we krijgen één Hillaire in dit klassieke 09:04.910 --> 09:07.250 kunstmatige neurale netwerk dat hierna komt. 09:07.370 --> 09:13.160 En daarom hebben we één volledige verbinding nodig van deze enorme afgeplatte vector naar deze hier en 09:13.370 --> 09:19.220 daar, en een tweede volledige verbinding tussen deze hier en daar en de outputlaag die bestaat uit de 09:19.220 --> 09:21.220 outputneuronen die de kernwaarden zijn. 09:21.800 --> 09:26.620 Dus laten we deze twee eerste verbindingen maken en dan zullen we al deze verbindingen definiëren. 09:27.110 --> 09:35.300 Dus wat betreft de zelfrijdende auto, we gaan ze zelf die ene noemen en dan zelf die F. C. naar. 09:36.050 --> 09:36.560 Oke. 09:36.570 --> 09:38.290 Dus nu hebben we al onze variabelen. 09:38.300 --> 09:43.600 En dus moeten we ze nu natuurlijk definiëren met de klassen van de motormodule. 09:44.150 --> 09:48.860 Dus dat betekent dat we in feite de architectuur van het neurale netwerk zullen creëren en dat zullen we 09:48.860 --> 09:51.050 tot die tijd in de volgende tutorial doen. 09:51.050 --> 09:51.850 En ik.