WEBVTT

00:00.360 --> 00:06.030
สวัสดีและยินดีต้อนรับสู่ส่วนแรกของการใช้งาน AI ส่วนที่หนึ่งในการสร้าง AI

00:06.120 --> 00:12.570
และอย่างที่คุณเห็นฉันได้เพิ่มมิติในโครงสร้างของการเยื้องนี้ด้วยสามส่วนนี้ประกอบส่วนที่ 1 ซึ่งแสดงให้เห็นอย่างชัดเจนว่าเราจะสร้าง AI

00:12.660 --> 00:16.620
นี้อย่างไร

00:16.620 --> 00:18.750
ก่อนอื่นเราจะทำให้สมอง

00:18.840 --> 00:25.400
ไม่มีอะไรอื่นนอกจากโครงข่ายประสาทแล้วเราจะสร้างร่างกายซึ่งจะกำหนดวิธีการเล่นการกระทำ

00:25.590 --> 00:33.840
จากนั้นเมื่อเรามีสมองและร่างกายเราจะรวมพวกมันเพื่อสร้าง AI ซึ่งจะอยู่ในส่วนสุดท้ายของส่วนแรกนี้

00:33.840 --> 00:37.890
ดังนั้นตอนนี้คุณสามารถมีวิสัยทัศน์ที่ดีเกี่ยวกับโครงสร้างของการดำเนินการนี้

00:37.890 --> 00:42.760
ครั้งแรกที่เราสร้างสมองจากนั้นเราสร้างร่างกายและจากนั้นเราประกอบทั้งสองเพื่อสร้าง AI

00:43.050 --> 00:48.520
และนี่คือทั้งหมดที่เราจะเริ่มต้นด้วยส่วนแรกที่เกี่ยวกับการสร้างสมอง

00:48.810 --> 00:51.330
และนี่จะพาเราไปดูบทเรียน

00:51.360 --> 00:54.810
คุณสามารถจินตนาการได้ว่าการทำสมองนั้นไม่เหมือนกับการทำเค้ก

00:54.900 --> 00:57.100
ดังนั้นจะต้องมีมากกว่าหนึ่งบทช่วยสอน

00:57.270 --> 01:11.160
และแน่นอนตามปกติเราจะนำเสนอสมองด้วยคลาสเพราะเราจะต้องมีฟังก์ชั่นหลายอย่างและเพื่อที่จะมีโครงสร้างของฟังก์ชั่นหลายอย่างที่จะถูกจัดระเบียบในคำสั่งบางประเภท

01:11.310 --> 01:16.010
แน่นอนว่าเราต้องการคลาสและนั่นก็คือ Berkeley เพราะเมื่อเราสร้างคลาสนั้น

01:16.080 --> 01:22.080
เราจะสามารถสร้างสมองได้มากเท่าที่เราต้องการโดยเพียงแค่สร้างวัตถุบางอย่างของคลาสนี้

01:22.080 --> 01:28.050
ดังนั้นคลาสอีกครั้งใน

01:28.200 --> 01:37.820
Python และโดยทั่วไปภาษาการเขียนโปรแกรมเชิงวัตถุนั้นมีประโยชน์มากเพราะคุณสร้างแบบจำลองของสิ่งที่คุณต้องการสร้างจากนั้นคุณสามารถสร้างวัตถุได้มากเท่าที่คุณต้องการและพวกมันจะมีคุณสมบัติทั้งหมดที่คุณต้องการ กำหนดในชั้นเรียน

01:38.010 --> 01:40.470
และสำหรับสมองของเราคุณสมบัติต่างๆนั้นแน่นอน

01:40.500 --> 01:45.930
ก่อนอื่นสถาปัตยกรรมของโครงข่ายประสาทที่ฉันนึกว่าจะเป็นของ

01:45.930 --> 01:55.520
CNN และแน่นอนว่ามีฟังก์ชั่นที่แตกต่างกันสองอย่างเช่นส่งผ่านสัญญาณจากเซลล์ประสาทอินพุตไปยังเซลล์ประสาทขาออกที่แน่นอนว่าเป็นฟังก์ชันของฟอร์ด

01:55.920 --> 01:58.940
งั้นเริ่มทำสมองกันดีกว่า

01:58.950 --> 02:00.600
มันจะน่าตื่นเต้นทีเดียว

02:00.650 --> 02:02.380
มันเป็นหนึ่งในส่วนที่ฉันชอบ

02:02.520 --> 02:04.860
ลองตรงเข้าไปดู

02:04.890 --> 02:10.880
ดังนั้นเราจะเริ่มด้วยการแนะนำคลาสของหลักสูตรและเราจะเรียกคลาสนี้

02:10.950 --> 02:18.570
ฉันลังเลที่จะเรียกมันว่าสมอง แต่มาตรงกันมากกว่านี้และเรียกมันว่า CNN เพราะจริงๆแล้วสมองเป็นเครือข่าย

02:18.570 --> 02:20.570
CNN

02:20.580 --> 02:22.510
โครงข่ายประสาทเทียม

02:22.530 --> 02:27.440
ดังนั้นเมื่อคุณดูคุณสามารถโทรหาสมองถ้าคุณต้องการ แต่อย่างน้อยตอนนี้เรารู้ว่าเรากำลังสร้าง

02:28.710 --> 02:35.040
และซีเอ็นเอ็นสำหรับเครือข่ายของรถยนต์ที่ขับด้วยตัวเองนั้นจะสืบทอดมาจากปลายโคลน

02:35.220 --> 02:59.970
จำไว้ว่าจุดสิ้นสุดของโมดูลคือสิ่งที่เราใส่ไว้ที่นี่และเราต้องการที่จะใช้เครื่องมือทั้งหมดของโมดูลนี้และดังนั้นเราจึงต้องการใช้เทคนิคนี้ในการเขียนโปรแกรมเชิงวัตถุซึ่งเป็นมรดก ใช้เครื่องมือทั้งหมดจากคลาสแม่และคลาสที่ดีนี้จะอยู่ในโมดูลนั้น

02:59.970 --> 03:00.830
เราจะไปที่นั่น.

03:00.930 --> 03:05.510
และตอนนี้เราสามารถใช้เครื่องมือและวัตถุทั้งหมดที่ส่วนท้ายของโมดูลนั้น

03:05.510 --> 03:12.100
เอาล่ะตอนนี้เรามีมรดกของเราแล้วเราสามารถเข้าไปในชั้นเรียนเพื่อทำหน้าที่แรกของเรา

03:12.150 --> 03:20.330
และอย่างที่คุณอาจเดาได้ฟังก์ชันแรกคือฟังก์ชันสุดท้ายที่จะกำหนดตัวแปรทั้งหมดของวัตถุสมองในอนาคต

03:20.370 --> 03:23.440
คุณรู้อนาคตและวัตถุที่จะถูกสร้างขึ้น

03:23.700 --> 03:24.890
เอาล่ะทำสิ่งนี้กัน

03:24.900 --> 03:29.800
Def จากนั้นให้ขีดสองขีดลงในคะแนนอีกครั้ง

03:29.910 --> 03:31.910
และตอนนี้เราต้องใส่ตัวแปรบางตัว

03:32.100 --> 03:37.460
ดังนั้นก่อนอื่นฉันจะต้องเป็นตัวของตัวเองซึ่งแน่นอนว่าหมายถึงวัตถุ

03:37.490 --> 03:45.310
ตอนนี้ฉันคิดว่าคุณค่อนข้างสบายใจกับสิ่งนี้แล้วเราจะเพิ่มตัวแปรอีกตัวซึ่งจะเป็นจำนวนการกระทำในสภาพแวดล้อม Dumah

03:45.500 --> 03:48.900
ดังนั้นเราจะเรียกการกระทำของตัวเลขนั้น

03:49.010 --> 03:50.380
จำนวนการกระทำ

03:50.570 --> 03:54.390
และที่จริงแล้วตัวแปรนี้ไม่ได้บังคับให้ทำ

03:54.500 --> 03:59.360
เป็นเพียงว่าถ้าคุณต้องการทดสอบความคิดที่เรากำลังจะสร้างในสภาพแวดล้อมอื่น ๆ

03:59.540 --> 04:06.100
นี่จะใช้งานได้จริงเพราะเราจะนำเข้าจำนวนการกระทำที่น่าสยดสยองจากหายนะและการห่อหุ้มของ

04:06.120 --> 04:13.980
Varman ด้วยการแยกสองแบบและเมื่อทำเช่นนั้นเราจะรู้ได้ว่าชื่อของสภาพแวดล้อมเป็นศูนย์

04:14.180 --> 04:21.050
ดังนั้นถ้าคุณต้องการที่จะรู้ว่าการทดลองเกี่ยวกับสิ่งนี้ในสภาพแวดล้อมอื่นและเล่นเกมอื่น ๆ ได้ดีคุณจะไม่ต้องทำอะไรเพราะจำนวนการกระทำนี้จะได้รับจำนวนการกระทำโดยตรงในสภาพแวดล้อมของ

04:21.050 --> 04:27.470
Dumor

04:27.470 --> 04:28.650
คุณจะเล่นกับ

04:29.110 --> 04:32.710
ตกลงนั่นเป็นเพราะอาร์กิวเมนต์ทั้งสองของฟังก์ชันนี้

04:32.780 --> 04:36.500
ดังนั้นตอนนี้เราสามารถเข้าไปข้างในและตอนนี้จำสิ่งที่เราต้องทำ

04:36.530 --> 04:41.560
สิ่งแรกที่เราต้องทำคือเปิดใช้งานการสืบทอดด้วย superfunction

04:41.570 --> 04:43.840
นั่นก็เหมือนกับรถขับเคลื่อนด้วยตนเอง

04:43.970 --> 04:53.330
เราใช้ superfunction จากนั้นภายในเราเริ่มต้นด้วยการป้อนคลาสที่จะกำหนดเครือข่ายประสาทและนั่นคือ CNN

04:53.690 --> 04:56.950
จากนั้นเราต้องป้อนข้อมูลตนเองเพื่ออ้างถึงวัตถุ

04:57.190 --> 05:05.230
แต่จำไว้ว่านั่นไม่ใช่ทั้งหมดที่เราต้องเพิ่มที่นี่ที่ DOT แล้วฟังก์ชัน init พร้อมวงเล็บบางตัว

05:05.270 --> 05:07.880
และโดยการทำเช่นนั้นเราเปิดใช้งานการสืบทอด

05:07.950 --> 05:11.470
และตอนนี้เราสามารถใช้เครื่องมือทั้งหมดจากปลายและโมดูล

05:11.510 --> 05:17.070
เอาล่ะตอนนี้ฉันคิดว่าถึงเวลาแล้วที่จะสร้างสถาปัตยกรรมของโครงข่ายประสาท

05:17.270 --> 05:23.330
อย่างที่คุณจำได้เรากำลังจะสร้างโครงข่ายประสาทเทียมของ CNN เพียงเพราะเวลานี้

05:23.330 --> 05:31.220
AI จะมีดวงตาและดวงตาจะเป็นเลเยอร์ Convolutional ของโครงข่ายประสาทเทียมนี้

05:31.520 --> 05:38.240
จากนั้นหลังจากที่ ai ai เห็นภาพด้วยเลเยอร์ convolutional

05:38.330 --> 05:41.040
มันจะส่งสัญญาณไปยังเครือข่ายประสาทเทียมที่มองเห็นได้

05:41.180 --> 05:44.510
นั่นคือสิ่งที่เราเคยมีมาก่อนด้วยเลเยอร์ที่เชื่อมต่ออย่างสมบูรณ์

05:44.660 --> 05:50.730
และนั่นคือที่ที่มันจะพยายามทำนายค่าคิวบ์สำหรับแต่ละการกระทำที่เป็นไปได้ที่เราสามารถเล่นได้

05:51.290 --> 05:56.930
ดังนั้นคุณมีสถาปัตยกรรมในใจก่อนเราจะมีเลเยอร์ convolutional แล้วเลเยอร์เชื่อมต่ออย่างเต็มที่และนี่จะเป็นสมองของ

05:56.930 --> 06:01.270
AI ของเรา

06:01.550 --> 06:07.530
ดังนั้นสิ่งที่เราจะทำเพื่อให้สามารถย้อนกลับไปที่สิ่งที่เราทำ

06:07.670 --> 06:11.840
ทีนี้เรามาสร้างสถาปัตยกรรมนี้กับตัวแปรที่เราต้องการสร้าง

06:11.840 --> 06:18.890
ดังนั้นเมื่อพูดถึงสถาปัตยกรรมนี้เราจะสร้างซีเอ็นเอ็นด้วยสามชั้น

06:18.920 --> 06:26.020
จากนั้นหลังจากนั้นก็มีเลเยอร์ที่ซ่อนอยู่นั่นหมายความว่าเราจะต้องมีการเชื่อมต่อสามแบบและการเชื่อมต่อแบบเต็มสองครั้ง

06:26.180 --> 06:31.340
และเมื่อพูดถึงการเชื่อมต่อนั่นคือสิ่งที่เรากำลังจะนิยามว่าจะเป็นตัวแปรสำหรับคลาส CNN

06:31.370 --> 06:35.030
ดังนั้นตอนนี้ฉันจะนิยามตัวแปรห้าตัว

06:35.150 --> 06:39.100
สามสำหรับการเชื่อมต่อ convolutional และสองการเชื่อมต่อทางการเมือง

06:39.350 --> 06:40.100
ลองทำสิ่งนี้กัน

06:40.100 --> 06:42.570
เราจะเริ่มต้นด้วยการเชื่อมต่อที่เป็นรูปธรรม

06:42.770 --> 06:47.250
ดังนั้นฉันจะเรียกพวกเขาว่าการโน้มน้าวด้วยตนเอง

06:47.540 --> 06:53.620
หนึ่งจะคัดลอกและตามที่ต่ำ

06:54.020 --> 07:01.640
และจากนั้นเราก็เชื่อมั่นในตนเองและเชื่อมั่นในตัวเองสามตัวที่เชื่อมโยงกับข้อสรุปแรกนี้ที่นี่เราจะใช้การโน้มน้าวใจบางอย่างกับภาพอินพุตเพื่อรับเลเยอร์แรกจากนั้นส่วนที่สองที่นี่

07:01.640 --> 07:15.860
เลเยอร์เป็นอินพุทและโดยการใช้การแปลงอีกครั้งมันจะสร้าง convolutional ที่สองที่นั่นและจากนั้น

07:15.860 --> 07:25.920
convolutional จะมีภาพใหม่บางภาพแต่ละอันจะตรวจจับหนึ่งคุณลักษณะเฉพาะ

07:26.030 --> 07:40.300
ดังนั้นเราจะได้ภาพใหม่เหล่านี้ในรูปแบบของคอนโวลูชั่นตรงนั้นจากนั้นเราจะใช้รูปแบบนี้กับที่นี่เพื่อเชื่อมต่อภาพใหม่เหล่านี้จากเลเยอร์แรกในรูปแบบนี้ไปยังรูปใหม่ของชั้นที่สอง

07:40.430 --> 07:46.120
และภาพใหม่เหล่านี้อีกครั้งจะตรวจจับคุณสมบัติบางอย่างในภาพของภาพต้นฉบับครั้งแรกที่นั่น

07:46.220 --> 07:52.650
ดังนั้นจึงเป็นเพียงการเสริมสร้างการตรวจจับในอนาคตและจากนั้นไปที่การเกิดขึ้นของสอง convolutional

07:52.790 --> 07:57.000
เราได้ใช้หลักการที่สามที่นี่เพื่อให้ได้มาสำหรับแต่ละคน

07:57.050 --> 08:01.900
รูปภาพเพิ่มเติมบางอย่างที่ตรวจจับคุณลักษณะเพิ่มเติมภายในรูปภาพอินพุต

08:02.050 --> 08:07.300
และยิ่งเราทำสิ่งนี้มากเท่าไรเรายิ่งใช้ความเชื่อมั่นกับภาพหลาย ๆ ชั้น

08:07.520 --> 08:18.360
ยิ่งเราสามารถตรวจจับคุณสมบัติบางอย่างได้มากขึ้นเท่านั้นและด้วยวิธีการตรวจจับคุณสมบัติดวงตาจะเข้าใจว่ามอนสเตอร์นั้นอยู่ที่ใดที่มันต้องยิงเพื่อฆ่าพวกมันและที่ที่มันควรไป

08:18.500 --> 08:21.290
นอกจากนี้ยังจะตรวจจับสิ่งกีดขวางบนกำแพง

08:21.440 --> 08:29.680
แท้จริงแล้วมันต้องไปที่ไหนและต้องขอบคุณสิ่งที่เลเยอร์ convolutional ทั้งหมดตรวจพบในภาพต้นฉบับ

08:30.450 --> 08:34.980
เอาล่ะนั่นก็เพื่อส่วนของ CNN

08:35.100 --> 08:42.720
แต่จำไว้หลังจากเลเยอร์ convolutional เราจะต้องแบนพิกเซลทั้งหมดที่ได้รับจากชุด

08:42.720 --> 08:48.660
convolutions ต่าง ๆ

08:48.810 --> 08:53.260
ที่ถูกนำมาใช้และโดยการแบนเรย์ทั้งหมดของพิกเซลที่เราได้รับเวกเตอร์ขนาดใหญ่ที่จะกลายเป็นอินพุตของเครือข่ายประสาทเทียมคลาสสิก

08:53.490 --> 08:58.600
และนั่นคือสิ่งที่เราได้รับจดหมายเชื่อมโยงอย่างเต็มที่และดังนั้นการเชื่อมต่อของเรา

08:58.710 --> 09:09.330
ทีนี้สิ่งที่เราต้องทำก็คือสร้างตัวแปรใหม่สองตัวเพราะเราจะมีอันนี้และในโครงข่ายประสาทเทียมคลาสสิกที่มาถัดไปดังนั้นเราต้องเชื่อมต่อแบบเต็มรูปแบบจากเวกเตอร์

09:09.330 --> 09:21.620
Flaten ขนาดใหญ่นี้ ที่นั่นและการเชื่อมต่อเต็มรูปแบบที่สองระหว่างอันนี้ที่นี่กับที่นั่นและชั้นเลเยอร์เอาท์พุทที่ประกอบด้วยเซลล์ประสาทเอาท์พุทที่เป็นค่าสำคัญ

09:21.960 --> 09:27.090
งั้นลองทำการเชื่อมต่อสองอันนี้ก่อนแล้วเราจะกำหนดการเชื่อมต่อทั้งหมดนี้

09:27.240 --> 09:36.200
ดังนั้นขอซาวด์แทร็กในโค้ดเราจะเรียกพวกเขาว่าตนเองแล้วก็สอน C ด้วยเช่นกัน

09:36.240 --> 09:44.300
เอาล่ะตอนนี้เรามีของมีค่าทั้งหมดของเราและรู้ว่าสิ่งที่เราต้องทำคือการกำหนดแน่นอนแล้วกับชั้นเรียนของโมดูลเครื่องยนต์

09:44.310 --> 09:50.340
นั่นหมายความว่าเราจะสร้างสถาปัตยกรรมของโครงข่ายประสาทเทียมและนั่นคือสิ่งที่เราจะทำในวันพรุ่งนี้

09:50.490 --> 09:51.920
จนกว่าจะถึงวันนั้น