WEBVTT 00:00.360 --> 00:06.030 Ciao e benvenuto nella prima parte di questa implementazione di IA parte prima costruendo l'intelligenza artificiale. 00:06.120 --> 00:12.570 E come puoi vedere ho già aggiunto delle dimensioni nella struttura di questa rientranza con queste tre sezioni che 00:12.660 --> 00:16.620 compongono la Parte 1 che mostrano chiaramente come costruiremo questa IA. 00:16.620 --> 00:18.750 Per prima cosa creeremo il cervello. 00:18.840 --> 00:23.760 Non c'è nient'altro che la rete neurale, quindi faremo il corpo che definirà come 00:23.760 --> 00:25.400 le azioni verranno giocate. 00:25.590 --> 00:31.620 E poi, una volta che avremo il cervello e il corpo, li assembleremo per creare l'IA che sarà 00:31.620 --> 00:33.840 nell'ultima sezione di questa prima parte. 00:33.840 --> 00:37.890 Quindi ora puoi già avere una buona visione della struttura di questa implementazione. 00:37.890 --> 00:42.760 Per prima cosa creiamo il cervello, poi creiamo il corpo e poi assembliamo i due per creare l'intelligenza artificiale. 00:43.050 --> 00:48.520 E poi questo è tutto ciò che inizieremo con la prima sezione che riguarda la creazione del cervello. 00:48.810 --> 00:51.330 E questo ci porterà per esercitazioni. 00:51.360 --> 00:54.810 Puoi immaginare che creare un cervello non è come fare una torta. 00:54.900 --> 00:57.100 Quindi questo richiederà più di un tutorial. 00:57.270 --> 01:03.690 al solito, rappresenteremo quel cervello con una classe perché avremo bisogno di diverse funzioni e 01:03.690 --> 01:10.200 per avere una struttura di diverse funzioni che saranno organizzate in una sorta di istruzioni. 01:10.200 --> 01:11.160 Ovviamente, come 01:11.310 --> 01:16.010 Beh, certo, abbiamo bisogno di una lezione e questo è Berkeley perché una volta abbiamo fatto quella lezione. 01:16.080 --> 01:22.080 Bene, saremo in grado di creare il maggior numero di cervelli che vogliamo semplicemente creando alcuni oggetti di questa classe. 01:22.080 --> 01:28.050 Quindi ancora una volta le classi in Python e in generale i linguaggi di programmazione orientati agli oggetti sono molto pratici perché 01:28.200 --> 01:33.510 si crea un modello di qualcosa che si vuole costruire e quindi si è in grado di creare il 01:33.510 --> 01:37.820 numero di oggetti che si desidera e avranno tutte le funzionalità che si definire nella classe. 01:38.010 --> 01:40.470 E per il nostro cervello le caratteristiche saranno ovviamente. 01:40.500 --> 01:45.930 neuroni di input ai neuroni di output che sarà ovviamente la funzione Ford che realizzerà. 01:45.930 --> 01:51.780 Beh, prima di tutto l'architettura della rete neurale che ricordo sarà della CNN e naturalmente due 01:51.780 --> 01:55.520 funzioni diverse come ad esempio il passaggio dei segnali dai 01:55.920 --> 01:58.940 Facciamo così, iniziamo a fare il cervello. 01:58.950 --> 02:00.600 Sarà molto eccitante. 02:00.650 --> 02:02.380 È una delle mie parti preferite. 02:02.520 --> 02:04.860 E quindi entriamo subito. 02:04.890 --> 02:10.880 Quindi inizieremo con l'introduzione della classe, ovviamente, e chiameremo questa classe. 02:10.950 --> 02:18.570 cervello ma siamo più diretti e chiamiamolo CNN perché in realtà il cervello è una rete della CNN. 02:18.570 --> 02:20.570 Beh, ho esitato a chiamarlo 02:20.580 --> 02:22.510 Rete neurale involutiva. 02:22.530 --> 02:27.440 Quindi mentre guardi puoi chiamare il cervello se vuoi, ma almeno ora sappiamo cosa stiamo costruendo. 02:28.710 --> 02:35.040 E la CNN per quanto riguarda la rete della macchina auto-guida erediterà dalla fine di Mudgal. 02:35.220 --> 02:42.870 Quindi ricorda che la fine del modulo è ciò che mettiamo qui e vogliamo essere in grado di utilizzare tutti 02:42.870 --> 02:49.050 gli strumenti di questo e di un modulo e quindi vogliamo usare questa tecnica nella programmazione 02:49.050 --> 02:55.870 orientata agli oggetti che è ereditaria e che ci consente di sapere bene usa tutti gli strumenti di 02:55.900 --> 02:59.970 una classe genitore e questa stessa classe sarà su quel modulo. 02:59.970 --> 03:00.830 Eccoci. 03:00.930 --> 03:05.510 E ora possiamo usare tutti gli strumenti e gli oggetti alla fine di quel modulo. 03:05.510 --> 03:12.100 Bene, ora che abbiamo la nostra eredità, possiamo andare in classe per fare la nostra prima funzione. 03:12.150 --> 03:18.360 E come probabilmente intuisci la prima funzione è la funzione finale che definirà tutte le variabili 03:18.720 --> 03:20.330 dei futuri oggetti cerebrali. 03:20.370 --> 03:23.440 Conosci il futuro e gli oggetti che verranno creati. 03:23.700 --> 03:24.890 Va bene, facciamolo 03:24.900 --> 03:29.800 Def quindi due underscore in esso per i punteggi di nuovo. 03:29.910 --> 03:31.910 E ora abbiamo bisogno di mettere alcune variabili. 03:32.100 --> 03:37.460 Quindi, prima di tutto, stavo per essere io che ovviamente si riferisce all'oggetto. 03:37.490 --> 03:42.380 Ora credo che tu sia abbastanza a tuo agio con questo, quindi aggiungeremo un'altra variabile 03:42.380 --> 03:45.310 che sarà il numero di azioni nell'ambiente di Dumah. 03:45.500 --> 03:48.900 Quindi chiameremo quelle azioni numeriche. 03:49.010 --> 03:50.380 Numero di azioni 03:50.570 --> 03:54.390 E in realtà questa variabile non è obbligatoria per la funzione. 03:54.500 --> 03:59.360 È solo che se vuoi mettere alla prova l'idea che costruiremo su altri ambienti. 03:59.540 --> 04:06.100 Beh, questo sarà molto pratico perché importeremo questo numero di azioni orribili dal doom e 04:06.120 --> 04:12.290 dai wrapper di Varman con due discreti e quando lo faremo sapremo inserire il 04:12.510 --> 04:13.980 nome dell'ambiente da zero. 04:14.180 --> 04:21.050 Quindi, se vuoi farti sperimentare con questo su altri ambienti e giocare bene con altri giochi, non avrai 04:21.050 --> 04:26.300 nulla da fare perché questo numero di azioni otterrà direttamente il numero di azioni 04:26.300 --> 04:27.470 nell'ambiente di Dumor. 04:27.470 --> 04:28.650 Ti divertirai. 04:29.110 --> 04:32.710 OK, questo è tutto per i due argomenti di questa funzione. 04:32.780 --> 04:36.500 Quindi ora possiamo entrare e ora ricordare cosa dobbiamo fare. 04:36.530 --> 04:41.560 La prima cosa che dobbiamo fare è attivare l'ereditarietà con la superfunzione. 04:41.570 --> 04:43.840 Quindi è esattamente come per l'auto che guida. 04:43.970 --> 04:50.940 Prendiamo la superfunzione, quindi iniziamo inserendo la classe che definirà la rete neurale e 04:51.470 --> 04:53.330 che è la CNN. 04:53.690 --> 04:56.950 Quindi dobbiamo inserire self per riferirsi all'oggetto. 04:57.190 --> 05:05.230 Ma ricorda che non è tutto quello che dobbiamo aggiungere qui al DOT e poi la funzione init con alcune parentesi. 05:05.270 --> 05:07.880 E facendo ciò attiviamo l'eredità. 05:07.950 --> 05:11.470 E ora possiamo usare tutti gli strumenti dalla fine e dal modulo. 05:11.510 --> 05:17.070 Va bene, ora penso che sia tempo di costruire l'architettura della rete neurale. 05:17.270 --> 05:23.330 E così come ricorderai, costruiremo una rete neuronale convoluzionale della CNN semplicemente perché 05:23.330 --> 05:30.290 questa volta l'IA avrà occhi e gli occhi saranno gli strati convoluzionali di questa rete 05:30.290 --> 05:31.220 neurale convoluzionale. 05:31.520 --> 05:38.240 E poi, dopo che i ai visualizzano le immagini con gli strati convoluzionali, passeranno i segnali in 05:38.330 --> 05:41.040 un classico della nostra rete neurale visiva. 05:41.180 --> 05:44.510 Questo è quello che avevamo prima con i livelli completamente connessi. 05:44.660 --> 05:50.730 Ed è qui che proverà a prevedere i valori del cubo per ogni azione possibile che possiamo giocare. 05:51.290 --> 05:56.930 Quindi hai in mente l'architettura, prima avremo alcuni strati convoluzionali e poi alcuni strati 05:56.930 --> 06:01.270 completamente connessi e questo sarà il cervello della nostra intelligenza artificiale. 06:01.550 --> 06:07.530 Quindi, cosa faremo per essere in grado di fare un passo indietro a ciò che stiamo facendo. 06:07.670 --> 06:11.840 Bene, facciamo questa architettura con le variabili che vogliamo creare. 06:11.840 --> 06:18.890 Quindi, parlando di questa architettura, costruiremo una CNN con tre strati convoluzionali. 06:18.920 --> 06:24.530 E poi dopo quello strato nascosto significa che avremo bisogno di tre connessioni convoluzionali 06:24.530 --> 06:26.020 e due connessioni complete. 06:26.180 --> 06:31.340 E parlando di connessioni che è esattamente quello che stiamo per definire saranno le variabili per la classe 06:31.370 --> 06:35.030 CNN e quindi in questo momento ho intenzione di definire cinque variabili. 06:35.150 --> 06:39.100 Tre per le connessioni convoluzionali e due connessioni politiche. 06:39.350 --> 06:40.100 Quindi facciamolo. 06:40.100 --> 06:42.570 Cominceremo con le connessioni di convoluzione. 06:42.770 --> 06:47.250 Quindi li chiamerò convoluzione autodidatta. 06:47.540 --> 06:53.620 Uno andando a copiare quello e basato sul basso. 06:54.020 --> 07:01.640 convoluzionale lì e quindi questo convoluzionale otterrà alcune nuove immagini ognuna di esse rilevando una caratteristica specifica. 07:01.640 --> 07:08.450 E poi passiamo all'autoconcessione e all'autocompattazione tre che sono le connessioni di convoluzione a questa 07:08.460 --> 07:15.860 prima conclusione, qui applicheremo qualche convoluzione alle immagini di input per ottenere un primo strato convoluzionale, 07:15.860 --> 07:21.180 quindi il secondo contributo a qui prenderà il primo convoluzionale strato come 07:21.180 --> 07:25.920 input e applicando di nuovo una convoluzione creerà un secondo 07:26.030 --> 07:32.840 Quindi otterremo queste nuove immagini in modo convoluzionale, quindi applicheremo questa convoluzione qui per connettere queste 07:32.870 --> 07:39.740 nuove immagini da questo primo strato convoluzionale ad alcune nuove immagini di un secondo strato di 07:39.740 --> 07:40.300 convoluzione. 07:40.430 --> 07:46.120 E queste nuove immagini rileveranno ancora alcune caratteristiche nelle immagini del primo convoluzionale lì. 07:46.220 --> 07:52.100 Quindi è solo per rafforzare il rilevamento futuro e quindi per l'emergere del secondo convoluzionale 07:52.100 --> 07:52.650 lì. 07:52.790 --> 07:57.000 Abbiamo applicato il terzo convoluzionale qui per ottenerlo per ciascuno di essi. 07:57.050 --> 08:01.900 Altre immagini che rilevano ancora più funzioni all'interno delle immagini di input. 08:02.050 --> 08:07.300 E così più lo facciamo e più applichiamo alcune convoluzioni ai diversi livelli di immagini. 08:07.520 --> 08:13.580 Bene, più siamo in grado di rilevare alcune caratteristiche ed è così che rilevando le caratteristiche l'occhio 08:13.580 --> 08:18.360 capirà dove sono i mostri dove deve sparare per ucciderli e dove dovrebbe andare. 08:18.500 --> 08:21.290 Rileverà anche i muri gli ostacoli. 08:21.440 --> 08:28.100 Beh, letteralmente dove deve andare e questo è grazie a ciò che tutti questi strati convoluzionali 08:28.130 --> 08:29.680 rilevano nelle immagini originali. 08:30.450 --> 08:34.980 Va bene così è per la parte convoluzione della CNN. 08:35.100 --> 08:42.720 Ma poi ricorda che dopo gli strati convoluzionali dobbiamo appiattire tutti i pixel ottenuti dalle diverse serie di 08:42.720 --> 08:48.660 convoluzioni che sono state applicate e appiattendo tutti gli array di pixel otteniamo questo 08:48.810 --> 08:53.260 enorme vettore che diventerà l'input di una rete neurale artificiale classica. 08:53.490 --> 08:58.600 Ed è qui che riceviamo le nostre lettere completamente collegate e quindi le nostre connessioni. 08:58.710 --> 09:04.560 qua e là e il livello di uscita composto dai neuroni di uscita che sono i valori chiave. 09:04.810 --> 09:09.330 E così ora quello che dobbiamo fare è creare due nuove variabili perché ne 09:09.330 --> 09:16.260 avremo una qua e là in questa classica rete neurale artificiale che verrà dopo e quindi abbiamo bisogno di una connessione completa 09:16.260 --> 09:21.620 da questo enorme vettore Flaten a questo qui e lì e una seconda connessione completa tra questo 09:21.960 --> 09:27.090 Quindi facciamo queste prime due connessioni e poi definiremo tutte queste connessioni. 09:27.240 --> 09:36.200 Quindi chiedi la colonna sonora nel codice che chiameremo sé stesso e poi anche l'autodidatta. 09:36.240 --> 09:41.010 Va bene così ora abbiamo tutti i nostri oggetti di valore e per sapere cosa dobbiamo 09:41.250 --> 09:44.300 fare è definito chiaramente con le classi del modulo motore. 09:44.310 --> 09:49.110 pratica creeremo l'architettura della rete neurale e questo è ciò che faremo nel prossimo domani. 09:49.190 --> 09:50.340 Ciò significa che in 09:50.490 --> 09:51.920 Fino ad allora I.