WEBVTT 00:00.360 --> 00:06.030 Hola y bienvenidos a la primera parte de la implementación de AI. Parte uno construyendo la IA. 00:06.120 --> 00:12.570 Y como pueden ver, ya agregué una dimensión en la estructura de esta sangría con estas tres secciones que componen 00:12.660 --> 00:16.620 la Parte 1, que muestran claramente cómo vamos a construir esta IA. 00:16.620 --> 00:18.750 Primero vamos a hacer el cerebro. 00:18.840 --> 00:23.760 No hay nada más que la red neuronal, entonces vamos a hacer el cuerpo que definirá cómo 00:23.760 --> 00:25.400 se van a jugar las acciones. 00:25.590 --> 00:31.620 Y una vez que tengamos el cerebro y el cuerpo, los reuniremos para hacer la IA que estará en 00:31.620 --> 00:33.840 la última sección de esta primera parte. 00:33.840 --> 00:37.890 Entonces, ahora ya puede tener una buena visión de la estructura de esta implementación. 00:37.890 --> 00:42.760 Primero hacemos el cerebro, luego hacemos el cuerpo y luego armamos los dos para hacer la IA. 00:43.050 --> 00:48.520 Y luego, esto es todo lo que vamos a comenzar con la primera sección que trata de hacer el cerebro. 00:48.810 --> 00:51.330 Y esto nos va a llevar a tutoriales. 00:51.360 --> 00:54.810 Puedes imaginar que hacer un cerebro no es como hacer un pastel. 00:54.900 --> 00:57.100 Entonces esto requerirá más de un tutorial. 00:57.270 --> 01:03.690 supuesto como de costumbre vamos a representar ese cerebro con una clase porque necesitaremos varias funciones 01:03.690 --> 01:10.200 y para tener una estructura de varias funciones que se organizarán en algún tipo de instrucciones. 01:10.200 --> 01:11.160 Y por 01:11.310 --> 01:16.010 Bueno, por supuesto, necesitamos una clase y esa es Berkeley porque una vez que hicimos esa clase. 01:16.080 --> 01:22.080 Bueno, podremos crear tantos cerebros como queramos creando solo algunos objetos de esta clase. 01:22.080 --> 01:28.050 Así que de nuevo las clases en Python y, en general, los lenguajes de programación orientados a objetos son muy 01:28.200 --> 01:33.510 prácticos porque usted hace un modelo de algo que desea construir y luego puede crear tantos objetos 01:33.510 --> 01:37.820 como desee y tendrán todas las características que usted necesita. definir en la clase. 01:38.010 --> 01:40.470 Y para nuestro cerebro, las características serán, por supuesto. 01:40.500 --> 01:45.930 de entrada a las neuronas de salida que serán, por supuesto, la función de Ford que hará. 01:45.930 --> 01:51.780 Bueno, ante todo la arquitectura de la red neuronal que recuerdo será de CNN y, por supuesto, dos 01:51.780 --> 01:55.520 funciones diferentes, como por ejemplo transmitir las señales de las neuronas 01:55.920 --> 01:58.940 Entonces, hagamos esto, comencemos a hacer el cerebro. 01:58.950 --> 02:00.600 Esto va a ser muy emocionante. 02:00.650 --> 02:02.380 Es una de mis partes favoritas 02:02.520 --> 02:04.860 Y, por lo tanto, vamos directo a eso. 02:04.890 --> 02:10.880 Así que vamos a comenzar presentando la clase por supuesto y vamos a llamar a esta clase. 02:10.950 --> 02:18.570 pero seamos más directos y llamémoslo CNN porque en realidad el cerebro es una red de CNN. 02:18.570 --> 02:20.570 Bueno, dudé en llamarlo cerebro, 02:20.580 --> 02:22.510 Red neuronal convolucional. 02:22.530 --> 02:27.440 Así que mientras miras puedes llamar al cerebro si quieres, pero al menos ahora sabemos lo que estamos construyendo. 02:28.710 --> 02:35.040 Y CNN En cuanto a la red del auto sin conductor heredará desde el final de Mudgal. 02:35.220 --> 02:42.870 Así que recuerda que el final del módulo es lo que ponemos aquí y queremos poder usar todas las herramientas 02:42.870 --> 02:49.050 de este y un módulo y, por lo tanto, queremos utilizar esta técnica en la programación 02:49.050 --> 02:55.870 orientada a objetos que es herencia y que nos permite conocerte usar todas las herramientas de una clase 02:55.900 --> 02:59.970 para padres y esta misma clase va a estar en ese módulo. 02:59.970 --> 03:00.830 Aquí vamos. 03:00.930 --> 03:05.510 Y ahora podemos usar todas las herramientas y objetos al final de ese módulo. 03:05.510 --> 03:12.100 Muy bien, ahora que tenemos nuestra herencia, podemos ingresar a la clase para realizar nuestra primera función. 03:12.150 --> 03:18.360 Y como probablemente adivine, la primera función es la función final que definirá todas las variables de 03:18.720 --> 03:20.330 los futuros objetos cerebrales. 03:20.370 --> 03:23.440 Usted sabe el futuro y los objetos que se crearán. 03:23.700 --> 03:24.890 Está bien, así que hagámoslo. 03:24.900 --> 03:29.800 Def luego dos subrayados en los puntajes de nuevo. 03:29.910 --> 03:31.910 Y ahora tenemos que poner algunas variables. 03:32.100 --> 03:37.460 Entonces, antes que nada, iba a ser yo mismo, por supuesto, para referirme al objeto. 03:37.490 --> 03:42.380 Ahora supongo que estás bastante cómodo con esto, entonces vamos a agregar otra variable que será 03:42.380 --> 03:45.310 el número de acciones en el entorno de Dumah. 03:45.500 --> 03:48.900 Entonces vamos a llamar a esas acciones numéricas. 03:49.010 --> 03:50.380 Cantidad de acciones 03:50.570 --> 03:54.390 Y en realidad esta variable no es obligatoria para la función. 03:54.500 --> 03:59.360 Es solo que si quieres probar la idea, vamos a construir en otros entornos. 03:59.540 --> 04:06.100 Bueno, esto será muy práctico porque importaremos este número de acciones horribles de los contenedores Doom 04:06.120 --> 04:12.290 y Varman con dos discretos y cuando lo hagamos sabremos ingresar el nombre del entorno 04:12.510 --> 04:13.980 haciendo el cero. 04:14.180 --> 04:21.050 Entonces, si quieres saber experimentar con esto en otros entornos y jugar bien a otros juegos, no tendrás nada 04:21.050 --> 04:26.300 que hacer porque este número de acciones obtendrá directamente el número de acciones en el 04:26.300 --> 04:27.470 entorno de Dumor. 04:27.470 --> 04:28.650 Estarás jugando con. 04:29.110 --> 04:32.710 OK, así que eso es todo por los dos argumentos de esta función. 04:32.780 --> 04:36.500 Entonces ahora podemos entrar y recordar lo que tenemos que hacer. 04:36.530 --> 04:41.560 Lo primero que tenemos que hacer es activar la herencia con la superfunción. 04:41.570 --> 04:43.840 Así que eso es exactamente como para el auto sin conductor. 04:43.970 --> 04:50.940 Tomamos la superfunción y luego adentro comenzamos ingresando la clase que definirá la red neuronal 04:51.470 --> 04:53.330 y que es CNN. 04:53.690 --> 04:56.950 Luego tenemos que ingresar a uno mismo para referirnos al objeto. 04:57.190 --> 05:05.230 Pero recuerde que no es todo lo que necesitamos agregar aquí en DOT y luego la función init con algunos paréntesis. 05:05.270 --> 05:07.880 Y al hacerlo, activamos la herencia. 05:07.950 --> 05:11.470 Y ahora podemos usar todas las herramientas desde el final y el módulo. 05:11.510 --> 05:17.070 Está bien, así que ahora creo que es hora de construir la arquitectura de la red neuronal. 05:17.270 --> 05:23.330 Y para que lo recuerden vamos a construir una red neuronal convolucional de CNN simplemente porque 05:23.330 --> 05:30.290 esta vez la IA tendrá ojos y los ojos del ojo serán las capas convolucionales de esta red 05:30.290 --> 05:31.220 neuronal convolucional. 05:31.520 --> 05:38.240 Y luego, después de que ai ai visualice las imágenes con las capas convolucionales, pasará las señales a 05:38.330 --> 05:41.040 un clásico de nuestra red neuronal visual. 05:41.180 --> 05:44.510 Así que ese es el que teníamos antes con capas completamente conectadas. 05:44.660 --> 05:50.730 Y ahí es donde intentará predecir los valores del cubo para cada posible acción que podamos ejecutar. 05:51.290 --> 05:56.930 Para tener en cuenta la arquitectura, primero tendremos algunas capas convolucionales y luego algunas 05:56.930 --> 06:01.270 capas completamente conectadas, y este será el cerebro de nuestra IA. 06:01.550 --> 06:07.530 Entonces, ¿qué vamos a hacer para poder dar un paso atrás en lo que estamos haciendo? 06:07.670 --> 06:11.840 Bueno, vamos a hacer esta arquitectura con las variables que queremos crear. 06:11.840 --> 06:18.890 Entonces hablando de esta arquitectura vamos a construir una CNN con tres capas convolucionales. 06:18.920 --> 06:24.530 Y luego de esa capa oculta que significa que necesitaremos tres conexiones convolucionales 06:24.530 --> 06:26.020 y dos conexiones completas. 06:26.180 --> 06:31.340 Y hablando de conexiones, eso es exactamente lo que vamos a definir que serán las variables para la 06:31.370 --> 06:35.030 clase CNN y, por lo tanto, ahora mismo voy a definir cinco variables. 06:35.150 --> 06:39.100 Tres para las conexiones convolucionales y dos conexiones políticas. 06:39.350 --> 06:40.100 Entonces, hagamos esto. 06:40.100 --> 06:42.570 Vamos a comenzar con las conexiones de convolución. 06:42.770 --> 06:47.250 Así que los llamaré convolución autodidacta. 06:47.540 --> 06:53.620 Uno va a copiar eso y basado en lo bajo. 06:54.020 --> 07:01.640 convolucional y luego esta convolucional obtendrá algunas nuevas imágenes cada una de ellas detectando una característica específica. 07:01.640 --> 07:08.450 Y luego vamos a la autoconvicción y la autoconvicción tres que son conexiones de convolución a 07:08.460 --> 07:15.860 esta primera conclusión. Aquí aplicaremos algo de convolución a las imágenes de entrada para obtener una primera 07:15.860 --> 07:21.180 capa convolucional, luego la segunda contribución aquí tomará la primera convolucional. capa 07:21.180 --> 07:25.920 como entrada y aplicando de nuevo alguna convolución creará una segunda 07:26.030 --> 07:32.840 Así que obtendremos estas nuevas imágenes en forma convolucional y luego aplicaremos esta convolución aquí para conectar 07:32.870 --> 07:39.740 estas nuevas imágenes de esta primera capa convolucional a algunas imágenes nuevas de una segunda capa de 07:39.740 --> 07:40.300 convolución. 07:40.430 --> 07:46.120 Y estas nuevas imágenes nuevamente detectarán algunas características en las imágenes del primer convolucional allí. 07:46.220 --> 07:52.100 Entonces es solo para reforzar la detección futura y luego para la aparición del segundo convolucional 07:52.100 --> 07:52.650 allí. 07:52.790 --> 07:57.000 Aplicamos el tercer convolucional aquí para obtenerlo para cada uno de ellos. 07:57.050 --> 08:01.900 Algunas imágenes más que detectan aún más características dentro de las imágenes de entrada. 08:02.050 --> 08:07.300 Y así, cuanto más hacemos esto, más aplicamos algunas circunvoluciones a las diferentes capas de imágenes. 08:07.520 --> 08:13.580 Bueno, cuanto más podamos detectar algunas características, así es como mediante la detección de características, el ojo comprenderá 08:13.580 --> 08:18.360 dónde están los monstruos, dónde tiene que disparar para matarlos y hacia dónde debería ir. 08:18.500 --> 08:21.290 También detectará las paredes de los obstáculos. 08:21.440 --> 08:28.100 Bueno, literalmente, donde tiene que ir y eso es gracias a lo que todas estas capas convolucionales detectan 08:28.130 --> 08:29.680 en las imágenes originales. 08:30.450 --> 08:34.980 Está bien así que eso es para la parte de la convolución de la CNN. 08:35.100 --> 08:42.720 Pero recuerde que después de las capas convolucionales tenemos que aplanar todos los píxeles obtenidos por las diferentes series de 08:42.720 --> 08:48.660 convoluciones que se aplicaron y aplanando todas las matrices de píxeles obtenemos este vector enorme que 08:48.810 --> 08:53.260 se convertirá en la entrada de una red neuronal artificial clásica. 08:53.490 --> 08:58.600 Y ahí es donde obtenemos nuestras letras completamente conectadas y, por lo tanto, nuestras conexiones. 08:58.710 --> 09:04.560 y allá y la capa de salida compuesta de las neuronas de salida que son los valores clave. 09:04.810 --> 09:09.330 Y ahora lo que tenemos que hacer es crear dos nuevas variables porque vamos a 09:09.330 --> 09:16.260 tener una aquí y otra en esta red neuronal artificial clásica que viene después y por lo tanto necesitamos una conexión completa de 09:16.260 --> 09:21.620 este enorme vector de Flaten a esta aquí y allí y una segunda conexión completa entre éste aquí 09:21.960 --> 09:27.090 Entonces hagamos estas dos primeras conexiones y luego definiremos todas estas conexiones. 09:27.240 --> 09:36.200 Así que pregunta por la banda sonora del código y vamos a llamarlos uno mismo y luego autodidactas a C también. 09:36.240 --> 09:41.010 Muy bien, ahora tenemos todos nuestros objetos de valor y, por supuesto, saber qué tenemos que 09:41.250 --> 09:44.300 hacer está definido con las clases del módulo del motor. 09:44.310 --> 09:49.110 básicamente crearemos la arquitectura de la red neuronal y eso es lo que haremos el próximo mañana. 09:49.190 --> 09:50.340 Entonces eso significa que 09:50.490 --> 09:51.920 Hasta entonces I.