WEBVTT 00:00.360 --> 00:06.030 Witam i zapraszam do pierwszej części tej implementacji sztucznej inteligencji, część pierwsza, budując sztuczną inteligencję. 00:06.120 --> 00:12.570 Jak widzicie, dodałem już wymiar w strukturze tego wcięcia za pomocą tych trzech sekcji tworzących część 1, 00:12.660 --> 00:16.620 które wyraźnie pokazują, jak zamierzamy zbudować tę sztuczną inteligencję. 00:16.620 --> 00:18.750 Najpierw zrobimy mózg. 00:18.840 --> 00:23.760 Nie ma nic innego, jak sieć neuronowa, a następnie stworzymy ciało, które określi, w jaki 00:23.760 --> 00:25.400 sposób będą rozgrywane działania. 00:25.590 --> 00:31.620 A potem, gdy już mamy mózg i ciało, połączymy je, aby stworzyć sztuczną inteligencję, która będzie w 00:31.620 --> 00:33.840 ostatniej części tej pierwszej części. 00:33.840 --> 00:37.890 Teraz możesz już mieć dobrą wizję struktury tej implementacji. 00:37.890 --> 00:42.760 Najpierw robimy mózg, potem robimy ciało, a potem montujemy dwa, aby stworzyć sztuczną inteligencję. 00:43.050 --> 00:48.520 I to wszystko, co zamierzamy zacząć od pierwszej części, która dotyczy tworzenia mózgu. 00:48.810 --> 00:51.330 I to zabierze nas do tutoriali. 00:51.360 --> 00:54.810 Możesz sobie wyobrazić, że tworzenie mózgu nie jest jak robienie ciasta. 00:54.900 --> 00:57.100 Będzie to wymagało więcej niż jednego samouczka. 00:57.270 --> 01:03.690 I oczywiście jak zwykle będziemy reprezentować ten mózg w klasie, ponieważ będziemy potrzebować 01:03.690 --> 01:10.200 kilku funkcji i aby mieć strukturę kilku funkcji, które będą zorganizowane w jakieś 01:10.200 --> 01:11.160 instrukcje. 01:11.310 --> 01:16.010 Oczywiście potrzebujemy klasy, a to Berkeley, ponieważ kiedyś zrobiliśmy tę klasę. 01:16.080 --> 01:22.080 Cóż, będziemy w stanie stworzyć tyle mózgów, ile chcemy, po prostu tworząc obiekty tej klasy. 01:22.080 --> 01:28.050 Więc znowu klasy w Pythonie i ogólnie rzecz biorąc języki programowania zorientowane obiektowo są bardzo praktyczne, ponieważ 01:28.200 --> 01:33.510 tworzysz model czegoś, co chcesz zbudować, a następnie jesteś w stanie stworzyć tyle obiektów, ile 01:33.510 --> 01:37.820 chcesz i będą one miały wszystkie funkcje, które ty zdefiniuj w klasie. 01:38.010 --> 01:40.470 I dla naszego mózgu cechy będą oczywiście. 01:40.500 --> 01:45.930 Przede wszystkim architektura sieci neuronowej, którą przypominam, będzie CNN i oczywiście 01:45.930 --> 01:51.780 dwiema różnymi funkcjami, jak na przykład przekazywanie sygnałów z neuronów wejściowych do 01:51.780 --> 01:55.520 neuronów wyjściowych, które będą oczywiście funkcją Forda. 01:55.920 --> 01:58.940 Zróbmy to, zacznijmy tworzyć mózg. 01:58.950 --> 02:00.600 To będzie ekscytujące. 02:00.650 --> 02:02.380 To jedna z moich ulubionych części. 02:02.520 --> 02:04.860 I dlatego przejdźmy od razu do tego. 02:04.890 --> 02:10.880 Zaczniemy od przedstawienia klasy kursu i będziemy ją nazywać. 02:10.950 --> 02:18.570 Cóż, zawahałem się nazwać to mózgiem, ale bądźmy bardziej bezpośredni i nazwijmy to CNN, ponieważ w rzeczywistości 02:18.570 --> 02:20.570 mózg jest siecią CNN. 02:20.580 --> 02:22.510 Konwolucyjna sieć neuronowa. 02:22.530 --> 02:27.440 Kiedy więc patrzysz, możesz zadzwonić do mózgu, jeśli chcesz, ale przynajmniej teraz wiemy, co budujemy. 02:28.710 --> 02:35.040 A CNN Jeśli chodzi o sieć samozasilającego się samochodu, będzie ona dziedziczyć po zakończeniu Mudgala. 02:35.220 --> 02:42.870 Więc pamiętaj, że koniec modułu jest tym, co tutaj umieściliśmy i chcemy móc korzystać ze wszystkich 02:42.870 --> 02:49.050 narzędzi tego i modułu, dlatego chcemy używać tej techniki w programowaniu obiektowym, który 02:49.050 --> 02:55.870 jest dziedziczeniem i który pozwala nam poznać dobrze wykorzystaj wszystkie narzędzia z klasy nadrzędnej, 02:55.900 --> 02:59.970 a ta klasa będzie w tym module. 02:59.970 --> 03:00.830 No to jedziemy. 03:00.930 --> 03:05.510 Teraz możemy używać wszystkich narzędzi i obiektów na końcu tego modułu. 03:05.510 --> 03:12.100 W porządku, więc teraz, gdy mamy nasze dziedzictwo, możemy wejść do klasy, aby pełnić naszą pierwszą funkcję. 03:12.150 --> 03:18.360 Jak zapewne domyślacie się, pierwszą funkcją jest funkcja końcowa, która definiuje wszystkie zmienne 03:18.720 --> 03:20.330 przyszłych obiektów mózgu. 03:20.370 --> 03:23.440 Znasz przyszłość i obiekty, które zostaną stworzone. 03:23.700 --> 03:24.890 W porządku, więc zróbmy to. 03:24.900 --> 03:29.800 Def, a następnie dwa podkreślenia w nim ponownie do wyników. 03:29.910 --> 03:31.910 A teraz musimy wprowadzić kilka zmiennych. 03:32.100 --> 03:37.460 Przede wszystkim zamierzałem być sobą, co oczywiście dotyczy obiektu. 03:37.490 --> 03:42.380 Teraz domyślam się, że czujesz się z tym dobrze, a my dodamy kolejną zmienną, 03:42.380 --> 03:45.310 która będzie liczbą akcji w środowisku Dumah. 03:45.500 --> 03:48.900 Więc nazwiemy te działania liczbowe. 03:49.010 --> 03:50.380 Liczba działań. 03:50.570 --> 03:54.390 I faktycznie ta zmienna nie jest obowiązkowa dla funkcji. 03:54.500 --> 03:59.360 Chodzi o to, że jeśli chcesz przetestować pomysł, który będziemy budować w innych środowiskach. 03:59.540 --> 04:06.100 No cóż, będzie to bardzo praktyczne, ponieważ zaimportujemy tę liczbę działań strasznych z owijki zagłady 04:06.120 --> 04:12.290 i Varmana z dwoma dyskretnymi, a kiedy to zrobimy, będziemy wiedzieć, że wejście do 04:12.510 --> 04:13.980 środowiska powoduje zerowanie. 04:14.180 --> 04:21.050 Jeśli więc chcesz, abyś eksperymentował z tym w innych środowiskach i dobrze grałeś w inne gry, nie będziesz 04:21.050 --> 04:26.300 miał nic do roboty, ponieważ ta liczba akcji bezpośrednio wpłynie na liczbę akcji w 04:26.300 --> 04:27.470 środowisku Dumora. 04:27.470 --> 04:28.650 Będziesz grał. 04:29.110 --> 04:32.710 OK, to tyle dla dwóch argumentów tej funkcji. 04:32.780 --> 04:36.500 Teraz możemy wejść do środka i teraz przypomnieć sobie, co musimy zrobić. 04:36.530 --> 04:41.560 Pierwszą rzeczą, którą musimy zrobić, to aktywować dziedziczenie za pomocą superfunkcji. 04:41.570 --> 04:43.840 Tak samo jest w przypadku samochodu do samodzielnego prowadzenia. 04:43.970 --> 04:50.940 Przyjmujemy superfunkcję, a następnie zaczynamy od wprowadzenia klasy, która zdefiniuje sieć neuronową, 04:51.470 --> 04:53.330 a mianowicie CNN. 04:53.690 --> 04:56.950 Następnie musimy wprowadzić self, aby odnieść się do obiektu. 04:57.190 --> 05:05.230 Ale pamiętaj, że to nie wszystko, co musimy dodać w DOT, a następnie funkcję init z nawiasem. 05:05.270 --> 05:07.880 A przez to aktywujemy dziedziczenie. 05:07.950 --> 05:11.470 A teraz możemy używać wszystkich narzędzi od końca i modułu. 05:11.510 --> 05:17.070 W porządku, więc teraz myślę, że nadszedł czas na zbudowanie architektury sieci neuronowej. 05:17.270 --> 05:23.330 Tak więc, jak pamiętacie, zbudujemy splotową sieć neuronową CNN, ponieważ tym razem 05:23.330 --> 05:30.290 AI będzie miała oczy, a oczy oka będą splotowymi warstwami tej splotowej sieci 05:30.290 --> 05:31.220 neuronowej. 05:31.520 --> 05:38.240 A potem, po tym, jak ai ai wizualizuje obrazy z warstwami splotowymi, przekaże je do 05:38.330 --> 05:41.040 klasycznej naszej wizualnej sieci neuronowej. 05:41.180 --> 05:44.510 To jest ten, który mieliśmy wcześniej z całkowicie połączonymi warstwami. 05:44.660 --> 05:50.730 I właśnie tam spróbuje przewidzieć wartości kostek dla każdej możliwej akcji, którą możemy zagrać. 05:51.290 --> 05:56.930 Więc masz na myśli architekturę najpierw, że będziemy mieli kilka splotowych warstw, a następnie kilka 05:56.930 --> 06:01.270 w pełni połączonych warstw, a to będzie mózg naszej sztucznej inteligencji. 06:01.550 --> 06:07.530 Więc co zrobimy, aby móc cofnąć się o to, co robimy. 06:07.670 --> 06:11.840 Cóż, po prostu stwórzmy tę architekturę ze zmiennymi, które chcemy stworzyć. 06:11.840 --> 06:18.890 Tak więc mówiąc o tej architekturze, zamierzamy zbudować CNN z trzema splotowymi warstwami. 06:18.920 --> 06:24.530 A potem po tej jednej ukrytej warstwie, co oznacza, że będziemy potrzebować trzech połączeń splotowych i 06:24.530 --> 06:26.020 dwóch pełnych połączeń. 06:26.180 --> 06:31.340 Mówiąc o połączeniach, które właśnie zamierzamy zdefiniować, będą to zmienne dla klasy 06:31.370 --> 06:35.030 CNN i dlatego teraz zdefiniuję pięć zmiennych. 06:35.150 --> 06:39.100 Trzy dla splotowych połączeń i dwóch politycznych powiązań. 06:39.350 --> 06:40.100 Zróbmy to. 06:40.100 --> 06:42.570 Zaczniemy od połączeń splotowych. 06:42.770 --> 06:47.250 Więc zamierzam je nazwać samoukiem. 06:47.540 --> 06:53.620 Ktoś zamierza to skopiować i na podstawie niskich. 06:54.020 --> 07:01.640 I wtedy dochodzimy do przekonania i do przekonania, że są to konwergentne powiązania z tym 07:01.640 --> 07:08.450 pierwszym wnioskiem. Tutaj zastosujemy splot do obrazów wejściowych, aby uzyskać pierwszą warstwę splotową, 07:08.460 --> 07:15.860 wtedy drugi wkład do tego zajmie pierwszy splot. warstwa jako dane wejściowe i ponownie nakładając 07:15.860 --> 07:21.180 splot, stworzy tam drugi splot, a następnie ten splot dostarczy nowych 07:21.180 --> 07:25.920 obrazów, z których każdy wykryje jedną konkretną cechę. 07:26.030 --> 07:32.840 Więc dostaniemy te nowe obrazy w splotach, wtedy zastosujemy tę splot, aby 07:32.870 --> 07:40.300 połączyć te nowe obrazy z tej pierwszej warstwy splotowej z nowymi obrazami drugiej warstwy splotu. 07:40.430 --> 07:46.120 Te nowe obrazy ponownie wykryją pewne cechy na obrazach pierwszego splotu tam. 07:46.220 --> 07:52.100 Chodzi więc o wzmocnienie przyszłego wykrycia, a następnie pojawienie się tam drugiego 07:52.100 --> 07:52.650 splotu. 07:52.790 --> 07:57.000 Zastosowaliśmy trzeci splot tutaj, aby uzyskać go dla każdego z nich. 07:57.050 --> 08:01.900 Jeszcze więcej zdjęć, które wykrywają jeszcze więcej funkcji w obrazach wejściowych. 08:02.050 --> 08:07.300 I dlatego im bardziej to robimy, tym bardziej stosujemy zwinięcia na różnych warstwach obrazów. 08:07.520 --> 08:13.580 Cóż, tym bardziej jesteśmy w stanie wykryć niektóre funkcje i tak przez detekcję funkcji oko zrozumie, gdzie 08:13.580 --> 08:18.360 potwory są, gdzie musi strzelać, aby je zabić i dokąd powinno się udać. 08:18.500 --> 08:21.290 Wykryje również przeszkody na ścianach. 08:21.440 --> 08:28.100 Dosłownie, dokąd musi iść, a to dzięki temu, co wszystkie te splotowe warstwy wykrywają 08:28.130 --> 08:29.680 w oryginalnych obrazach. 08:30.450 --> 08:34.980 W porządku, więc to dla splotu części CNN. 08:35.100 --> 08:42.720 Ale pamiętajmy, że po warstwach splotu musimy spłaszczyć wszystkie piksele uzyskane przez różne serie zwojów, 08:42.720 --> 08:48.660 które zostały zastosowane i spłaszczając wszystkie tablice pikseli otrzymujemy ten ogromny wektor, 08:48.810 --> 08:53.260 który stanie się wejściem klasycznej sztucznej sieci neuronowej. 08:53.490 --> 08:58.600 I tu dostajemy nasze w pełni połączone listy, a więc nasze połączenia. 08:58.710 --> 09:04.560 Teraz musimy stworzyć dwie nowe zmienne, ponieważ będziemy je mieć tu i tam w tej 09:04.810 --> 09:09.330 klasycznej sztucznej sieci neuronowej, która będzie następna i dlatego potrzebujemy jednego 09:09.330 --> 09:16.260 pełnego połączenia z tego ogromnego, płaskiego wektora do tego tutaj i tam i drugie pełne połączenie między tym 09:16.260 --> 09:21.620 tu i tam, a warstwą wyjściową złożoną z wyjściowych neuronów, które są wartościami kluczowymi. 09:21.960 --> 09:27.090 Zróbmy więc te dwa pierwsze połączenia, a następnie zdefiniujemy wszystkie te połączenia. 09:27.240 --> 09:36.200 Poproszę więc o ścieżkę dźwiękową w kodzie, którą nazwalibyśmy "ja" tym, a potem samemu nauczałem C. 09:36.240 --> 09:41.010 W porządku, więc teraz mamy wszystkie nasze kosztowności i wiemy, co musimy zrobić, 09:41.250 --> 09:44.300 to oczywiście zdefiniowane w klasach modułu silnika. 09:44.310 --> 09:49.110 Oznacza to, że zasadniczo stworzymy architekturę sieci neuronowej i to zrobimy w 09:49.190 --> 09:50.340 następnym jutro. 09:50.490 --> 09:51.920 Do tego czasu I.