WEBVTT 00:00.360 --> 00:06.030 Bonjour et bienvenue dans la première partie de cette première partie de la mise en œuvre de l’IA, qui consiste à construire l’IA. 00:06.120 --> 00:12.570 Et comme vous pouvez le voir, j’ai déjà ajouté une dimension à la structure de cette empreinte avec ces trois sections composant 00:12.660 --> 00:16.620 la partie 1, qui montrent clairement comment nous allons construire cette IA. 00:16.620 --> 00:18.750 Nous allons d'abord faire le cerveau. 00:18.840 --> 00:23.760 Il n'y a rien d'autre que le réseau de neurones alors nous allons faire le corps qui va définir 00:23.760 --> 00:25.400 comment les actions vont être jouées. 00:25.590 --> 00:31.620 Et ensuite, une fois que nous aurons le cerveau et le corps, nous les assemblerons pour créer l'IA qui sera dans 00:31.620 --> 00:33.840 la dernière partie de cette première partie. 00:33.840 --> 00:37.890 Alors maintenant, vous pouvez déjà avoir une bonne vision de la structure de cette implémentation. 00:37.890 --> 00:42.760 Nous fabriquons d'abord le cerveau, puis le corps, puis nous assemblons les deux pour créer l'IA. 00:43.050 --> 00:48.520 Et puis c’est tout ce que nous allons commencer par la première section qui concerne la fabrication du cerveau. 00:48.810 --> 00:51.330 Et cela va nous prendre pour des tutoriels. 00:51.360 --> 00:54.810 Vous pouvez imaginer que faire un cerveau n'est pas comme faire un gâteau. 00:54.900 --> 00:57.100 Donc, cela nécessitera plus d'un tutoriel. 00:57.270 --> 01:03.690 Et bien sûr, comme d'habitude, nous allons représenter ce cerveau avec une classe, car nous aurons 01:03.690 --> 01:10.200 besoin de plusieurs fonctions et afin d'avoir une structure de plusieurs fonctions qui sera organisée en quelque 01:10.200 --> 01:11.160 sorte d'instructions. 01:11.310 --> 01:16.010 Bien sûr, nous avons besoin d’un cours, c’est Berkeley, car jadis, nous avons créé ce cours. 01:16.080 --> 01:22.080 Nous pourrons créer autant de cerveaux que nous le voulons en créant simplement des objets de cette classe. 01:22.080 --> 01:28.050 Encore une fois, les classes en Python et, en général, les langages de programmation orientés objet sont très 01:28.200 --> 01:33.510 pratiques car vous faites un modèle de quelque chose que vous voulez construire, puis vous êtes capable 01:33.510 --> 01:37.820 de créer autant d’objets que vous voulez et définir dans la classe. 01:38.010 --> 01:40.470 Et pour notre cerveau, les caractéristiques seront bien sûr. 01:40.500 --> 01:45.930 Tout d’abord, l’architecture du réseau de neurones que je rappellerai sera celle de CNN et bien entendu de 01:45.930 --> 01:51.780 deux fonctions différentes, telles que, par exemple, la transmission des signaux des neurones d’entrée aux neurones de sortie qui 01:51.780 --> 01:55.520 seront bien entendu la fonction de Ford qui en sera chargée. 01:55.920 --> 01:58.940 Alors faisons ceci, commençons à fabriquer le cerveau. 01:58.950 --> 02:00.600 Cela va être très excitant. 02:00.650 --> 02:02.380 C'est l'une de mes parties préférées. 02:02.520 --> 02:04.860 Et donc allons droit au but. 02:04.890 --> 02:10.880 Nous allons donc commencer par présenter la classe de cours et appeler cette classe. 02:10.950 --> 02:18.570 Eh bien, j’ai hésité à appeler cela cerveau mais soyons plus directs et appelons CNN car en réalité le cerveau 02:18.570 --> 02:20.570 est un réseau CNN. 02:20.580 --> 02:22.510 Réseau neuronal convolutionnel. 02:22.530 --> 02:27.440 Donc, pendant que vous regardez, vous pouvez appeler le cerveau si vous voulez, mais au moins, maintenant, nous savons ce que nous construisons. 02:28.710 --> 02:35.040 Et CNN Quant au réseau de la voiture autonome, il va hériter de la fin de Mudgal. 02:35.220 --> 02:42.870 Donc, rappelez-vous que la fin du module correspond à ce que nous avons mis ici et que nous voulons pouvoir utiliser 02:42.870 --> 02:49.050 tous les outils de ceci et un module. Nous voulons donc utiliser cette technique dans la programmation 02:49.050 --> 02:55.870 orientée objet qui est un héritage et qui nous permet de vous bien utiliser tous les outils d'une 02:55.900 --> 02:59.970 classe parente et cette classe même sera sur ce module. 02:59.970 --> 03:00.830 Nous y voilà. 03:00.930 --> 03:05.510 Et maintenant, nous pouvons utiliser tous les outils et objets à la fin de ce module. 03:05.510 --> 03:12.100 Très bien, maintenant que nous avons notre héritage, nous pouvons entrer dans la classe pour faire notre première fonction. 03:12.150 --> 03:18.360 Et comme vous le savez probablement, la première fonction est la fonction finale qui définira toutes les variables 03:18.720 --> 03:20.330 des futurs objets cérébraux. 03:20.370 --> 03:23.440 Vous connaissez l'avenir et les objets qui seront créés. 03:23.700 --> 03:24.890 Très bien alors faisons ceci. 03:24.900 --> 03:29.800 Def alors deux soulignés dans les scores à nouveau. 03:29.910 --> 03:31.910 Et maintenant, nous devons mettre quelques variables. 03:32.100 --> 03:37.460 Donc tout d’abord, je voulais être moi-même, bien sûr, faire référence à l’objet. 03:37.490 --> 03:42.380 Maintenant, je suppose que vous êtes assez à l'aise avec cela, alors nous allons ajouter une autre 03:42.380 --> 03:45.310 variable qui sera le nombre d'actions dans l'environnement de Dumah. 03:45.500 --> 03:48.900 Nous allons donc appeler ce numéro actions. 03:49.010 --> 03:50.380 Nombre d'actions. 03:50.570 --> 03:54.390 Et en réalité, cette variable n’est pas obligatoire pour la fonction. 03:54.500 --> 03:59.360 C'est juste que si vous voulez tester l'idée, nous allons construire sur d'autres environnements. 03:59.540 --> 04:06.100 Eh bien, ce sera très pratique car nous allons importer ce nombre d’actes horribles de Doom et 04:06.120 --> 04:12.290 de wrappers Varman avec deux discrets et, ce faisant, vous saurez que le nom de 04:12.510 --> 04:13.980 l’environnement saisit zéro. 04:14.180 --> 04:21.050 Et donc, si vous voulez savoir comment expérimenter cela sur d'autres environnements et bien jouer à d'autres jeux, vous 04:21.050 --> 04:26.300 n'aurez rien à faire car ce nombre d'actions obtiendra directement le nombre d'actions dans 04:26.300 --> 04:27.470 l'environnement Dumor. 04:27.470 --> 04:28.650 Tu vas jouer avec. 04:29.110 --> 04:32.710 OK, voilà pour les deux arguments de cette fonction. 04:32.780 --> 04:36.500 Alors maintenant, nous pouvons aller à l'intérieur et maintenant nous rappeler ce que nous devons faire. 04:36.530 --> 04:41.560 La première chose à faire est d'activer l'héritage avec le super-fonctionnement. 04:41.570 --> 04:43.840 Donc, c'est exactement comme pour la voiture autonome. 04:43.970 --> 04:50.940 Nous prenons la superfonction puis à l'intérieur, nous commençons par entrer la classe qui définira le 04:51.470 --> 04:53.330 réseau de neurones: CNN 04:53.690 --> 04:56.950 Ensuite, nous devons entrer self pour faire référence à l'objet. 04:57.190 --> 05:05.230 Mais souvenez-vous que ce n’est pas tout ce que nous devons ajouter ici à DOT, puis la fonction init avec des parenthèses. 05:05.270 --> 05:07.880 Et en faisant cela, nous activons l'héritage. 05:07.950 --> 05:11.470 Et maintenant, nous pouvons utiliser tous les outils de la fin et du module. 05:11.510 --> 05:17.070 Bon maintenant, je pense qu'il est temps de construire l'architecture du réseau de neurones. 05:17.270 --> 05:23.330 Et donc, comme vous vous en souvenez, nous allons construire un réseau de neurones convolutionnels de CNN simplement 05:23.330 --> 05:30.290 parce que cette fois, l'IA aura des yeux et les yeux de l'œil seront les couches convolutionnelles de ce réseau neuronal 05:30.290 --> 05:31.220 de convolution. 05:31.520 --> 05:38.240 Et ensuite, après que ai ai visualisé les images avec les couches convolutives, il transmettra les signaux à 05:38.330 --> 05:41.040 un réseau classique de neurones visuels. 05:41.180 --> 05:44.510 C'est donc celui que nous avions auparavant avec des couches entièrement connectées. 05:44.660 --> 05:50.730 Et c’est là qu’il essaiera de prédire les valeurs du cube pour chaque action possible que nous pouvons jouer. 05:51.290 --> 05:56.930 Vous avez donc l’architecture en tête. Nous aurons d’abord des couches convolutives, puis des 05:56.930 --> 06:01.270 couches entièrement connectées, qui constitueront le cerveau de notre IA. 06:01.550 --> 06:07.530 Donc, ce que nous allons faire pour pouvoir faire un pas en arrière par rapport à ce que nous faisons. 06:07.670 --> 06:11.840 Eh bien, faisons simplement cette architecture avec les variables que nous voulons créer. 06:11.840 --> 06:18.890 Donc, en parlant de cette architecture, nous allons construire un CNN avec trois couches convolutives. 06:18.920 --> 06:24.530 Et puis après cette couche cachée, cela signifie que nous aurons besoin de trois connexions convolutives et 06:24.530 --> 06:26.020 de deux connexions complètes. 06:26.180 --> 06:31.340 Et en parlant de connexions, c’est exactement ce que nous sommes sur le point de définir. Ce sont les 06:31.370 --> 06:35.030 variables de la classe CNN. Par conséquent, je vais maintenant définir cinq variables. 06:35.150 --> 06:39.100 Trois pour les connexions convolutionnelles et deux connexions politiques. 06:39.350 --> 06:40.100 Alors faisons ceci. 06:40.100 --> 06:42.570 Nous allons commencer par les connexions de convolution. 06:42.770 --> 06:47.250 Je vais donc les appeler convolution autodidacte. 06:47.540 --> 06:53.620 On va copier cela et basé sur le bas. 06:54.020 --> 07:01.640 Et puis nous passons à la conviction de soi et à la conviction de soi trois qui 07:01.640 --> 07:08.450 sont des connexions de convolution à cette première conclusion. Nous allons appliquer une certaine convolution 07:08.460 --> 07:15.860 aux images d'entrée pour obtenir une première couche de convolution. couche en entrée et en appliquant 07:15.860 --> 07:21.180 à nouveau une convolution, une seconde convolution est créée et cette convolution 07:21.180 --> 07:25.920 obtient de nouvelles images, chacune détectant une caractéristique spécifique. 07:26.030 --> 07:32.840 Nous allons donc obtenir ces nouvelles images dans une convolution puis appliquer cette convolution à ici pour 07:32.870 --> 07:39.740 connecter ces nouvelles images de cette première couche de convolution à de nouvelles images d'une seconde couche de 07:39.740 --> 07:40.300 convolution. 07:40.430 --> 07:46.120 Et ces nouvelles images détecteront à nouveau certaines caractéristiques des images de la première convolution. 07:46.220 --> 07:52.100 Il s’agit donc simplement de renforcer la détection future, puis l’émergence de la deuxième 07:52.100 --> 07:52.650 convolution. 07:52.790 --> 07:57.000 Nous avons appliqué la troisième convolution ici pour l'obtenir pour chacun d'eux. 07:57.050 --> 08:01.900 Quelques images supplémentaires qui détectent encore plus de fonctionnalités dans les images d'entrée. 08:02.050 --> 08:07.300 Et donc plus nous le faisons, plus nous appliquons des convolutions aux différentes couches d’images. 08:07.520 --> 08:13.580 Plus nous sommes en mesure de détecter certaines caractéristiques, et c’est comme cela que l’œil comprendra où se trouvent les 08:13.580 --> 08:18.360 monstres sur lesquels il doit tirer pour les tuer et où il devrait aller. 08:18.500 --> 08:21.290 Il détectera également les murs des obstacles. 08:21.440 --> 08:28.100 Eh bien, littéralement, il faut y aller et c'est grâce à ce que toutes ces couches convolutives détectent 08:28.130 --> 08:29.680 dans les images d'origine. 08:30.450 --> 08:34.980 D'accord, c'est donc pour la partie convolution de CNN. 08:35.100 --> 08:42.720 Mais rappelez-vous qu'après les couches convolutives, nous devons aplatir tous les pixels obtenus par les différentes séries de 08:42.720 --> 08:48.660 convolutions appliquées et en aplatissant tous les tableaux de pixels, nous obtenons cet énorme 08:48.810 --> 08:53.260 vecteur qui deviendra l'entrée d'un réseau de neurones artificiels classique. 08:53.490 --> 08:58.600 Et c'est là que nous obtenons nos lettres parfaitement connectées et donc nos connexions. 08:58.710 --> 09:04.560 Et maintenant, nous devons créer deux nouvelles variables, car nous allons en avoir une ici et là dans 09:04.810 --> 09:09.330 ce réseau de neurones artificiels classique et nous avons donc besoin d’une 09:09.330 --> 09:16.260 connexion complète de cet énorme vecteur Flaten à celui-ci ici et là et une deuxième connexion complète entre celle-ci ici et 09:16.260 --> 09:21.620 là et la couche de sortie composée des neurones de sortie qui sont les valeurs clés. 09:21.960 --> 09:27.090 Faisons donc ces deux premières connexions et ensuite nous définirons toutes ces connexions. 09:27.240 --> 09:36.200 Alors demandez la bande son dans le code que nous allons appeler eux-mêmes celui-là puis C autodidacte aussi. 09:36.240 --> 09:41.010 Bon maintenant nous avons tous nos objets de valeur et savoir ce que nous devons faire est 09:41.250 --> 09:44.300 bien entendu défini ensuite avec les classes du module moteur. 09:44.310 --> 09:49.110 Cela signifie donc que nous allons créer l’architecture du réseau de neurones et c’est ce que 09:49.190 --> 09:50.340 nous ferons demain. 09:50.490 --> 09:51.920 Jusque là je