WEBVTT 00:00.180 --> 00:06.570 Xin chào và chào mừng bạn đến với phần đầu tiên của bài viết này, tôi thực hiện phần một là xây dựng AI và như 00:06.570 --> 00:13.110 bạn có thể thấy, tôi đã thêm một thứ nguyên trong cấu trúc của việc triển khai này với ba phần tạo nên phần một cho thấy 00:13.110 --> 00:15.900 rõ ràng cách chúng ta sẽ xây dựng cái này . 00:15.900 --> 00:20.760 Đầu tiên tôi sẽ tạo ra bộ não không gì khác ngoài mạng nơ-ron. 00:20.760 --> 00:25.320 Sau đó, chúng tôi sẽ tạo phần nội dung sẽ xác định cách các hành động sẽ được thực hiện. 00:25.320 --> 00:31.290 Và sau đó khi chúng ta có bộ não và cơ thể, chúng ta sẽ lắp ráp chúng để tạo thành AI, sẽ có trong 00:31.290 --> 00:33.420 phần cuối cùng của phần đầu tiên này. 00:33.630 --> 00:37.680 Vì vậy, bây giờ bạn đã có thể có một tầm nhìn tốt về cấu trúc của việc triển khai này. 00:37.680 --> 00:42.660 Đầu tiên, chúng tôi tạo ra bộ não, sau đó chúng tôi tạo ra cơ thể, và sau đó chúng tôi tập hợp các bộ phận để tạo ra AI. 00:42.750 --> 00:48.510 Và sau đó là hướng dẫn này, chúng ta sẽ bắt đầu với phần đầu tiên nói về cấu tạo não bộ và phần 00:48.510 --> 00:51.210 này sẽ đưa chúng ta đến với các bài hướng dẫn. 00:51.210 --> 00:54.720 Bạn có thể tưởng tượng rằng việc tạo ra một bộ não không giống như làm một chiếc bánh. 00:54.720 --> 00:57.000 Vì vậy, điều này sẽ yêu cầu nhiều hơn một hướng dẫn. 00:57.000 --> 01:03.630 Và tất nhiên, như thường lệ, chúng tôi sẽ đại diện cho bộ não đó với lớp vì chúng tôi sẽ cần một số chức năng 01:03.630 --> 01:10.140 và để có cấu trúc của một số chức năng sẽ được tổ chức theo một số loại hướng dẫn, tốt, tất nhiên chúng tôi 01:10.140 --> 01:15.300 cần một lớp, và điều đó thật hoàn hảo, bởi vì một khi chúng ta làm tốt lớp đó, chúng 01:15.300 --> 01:21.270 ta sẽ có thể tạo bao nhiêu bộ não mà chúng ta muốn bằng cách chỉ tạo một số đối tượng của lớp 01:21.270 --> 01:21.780 này. 01:21.780 --> 01:28.050 Vì vậy, một lần nữa, các lớp trong Python và nói chung trong các ngôn ngữ lập trình hướng đối tượng rất thực tế bởi vì bạn 01:28.050 --> 01:33.420 tạo mô hình của mình về thứ gì đó bạn muốn xây dựng và sau đó bạn có thể tạo bao nhiêu đối 01:33.420 --> 01:37.710 tượng tùy thích và chúng sẽ có tất cả các tính năng mà bạn xác định trong lớp. 01:37.710 --> 01:40.380 Và đối với bộ não của chúng ta, tất nhiên sẽ có các tính năng. 01:40.380 --> 01:45.870 Trước hết, kiến trúc của mạng nơ-ron mà tôi nhắc nhở sẽ là một CNN và tất nhiên, 01:45.870 --> 01:51.720 các chức năng khác nhau, chẳng hạn như truyền tín hiệu từ các nơ-ron đầu vào đến các nơ-ron đầu 01:51.720 --> 01:52.230 ra. 01:52.230 --> 01:55.290 Vì vậy, đó là những gì chúng tôi tất nhiên, chức năng thứ tư mà chúng tôi sẽ thực hiện. 01:55.680 --> 01:58.770 Vì vậy, chúng ta hãy làm điều này, chúng ta hãy bắt đầu tạo ra bộ não. 01:58.770 --> 02:00.510 Điều này sẽ khá thú vị. 02:00.510 --> 02:04.650 Đó là một trong những phần yêu thích của tôi và do đó chúng ta hãy đi thẳng vào nó. 02:04.650 --> 02:10.740 Vì vậy, chúng tôi sẽ bắt đầu bằng cách giới thiệu một lớp học, tất nhiên, và chúng tôi sẽ gọi lớp học này. 02:10.740 --> 02:18.270 Chà, tôi đã do dự khi gọi nó là não, nhưng hãy thẳng thắn hơn và hãy gọi nó là CNN, bởi vì 02:18.270 --> 02:22.290 thực ra não là một mạng CNN, một mạng nơ-ron phức tạp. 02:22.290 --> 02:24.360 Vì vậy, khi bạn muốn, bạn có thể gọi nó là bộ não nếu bạn muốn. 02:24.360 --> 02:27.450 Nhưng ít nhất bây giờ chúng tôi biết những gì chúng tôi đang xây dựng. 02:28.490 --> 02:34.960 Và CNN về mạng lưới xe tự lái sẽ kế thừa từ mô-đun GN. 02:34.970 --> 02:43.040 Vì vậy, hãy nhớ mô-đun DN là những gì chúng tôi đã nhập ở đây và chúng tôi muốn có thể sử dụng tất cả các công cụ của mô-đun động 02:43.040 --> 02:49.010 cơ này và do đó chúng tôi muốn sử dụng kỹ thuật này trong lập trình hướng đối tượng, đó là 02:49.010 --> 02:55.100 sự kế thừa và cho phép chúng tôi, bạn biết đấy, tốt, sử dụng tất cả các công cụ từ một lớp cha. 02:55.100 --> 02:59.240 Và lớp cha này sẽ là một mô-đun RN DOT. 02:59.810 --> 03:00.710 Chúng ta bắt đầu. 03:00.710 --> 03:05.060 Và bây giờ chúng ta có thể sử dụng tất cả các công cụ và đối tượng của mô-đun ghi chú. 03:05.360 --> 03:06.020 Được rồi. 03:06.020 --> 03:11.990 Vì vậy, bây giờ chúng ta đã có thừa kế của mình, chúng ta có thể đi vào lớp để tạo hàm đầu tiên của chúng ta. 03:11.990 --> 03:18.500 Và như bạn có thể đoán, hàm đầu tiên là hàm init sẽ xác định tất cả các biến của các 03:18.500 --> 03:23.390 đối tượng não bộ trong tương lai, các đối tượng CNN sẽ được tạo ra. 03:23.480 --> 03:30.770 Được rồi, chúng ta hãy làm điều này def sau đó đến khóa học này trong nó để gạch dưới một lần nữa và bây giờ chúng ta cần 03:30.770 --> 03:31.850 nhập một số biến. 03:31.850 --> 03:34.640 Vì vậy, đầu tiên, biến đầu tiên sẽ là self. 03:35.150 --> 03:37.250 Đó là tất nhiên để chỉ đối tượng. 03:37.280 --> 03:39.620 Bây giờ tôi đoán bạn khá thoải mái với điều này. 03:39.620 --> 03:45.260 Sau đó, chúng ta sẽ thêm một biến khác, sẽ là số lượng hành động trong môi trường câm. 03:45.260 --> 03:50.000 Vì vậy, chúng tôi sẽ gọi nó là số hành động, một số hành động. 03:50.300 --> 03:54.230 Và thực ra biến này không bắt buộc đối với hàm init. 03:54.230 --> 03:59.690 Chỉ là nếu bạn muốn kiểm tra API mà chúng tôi sẽ xây dựng trên các môi trường khác, thì 03:59.690 --> 04:06.590 điều này sẽ rất thực tế vì chúng tôi sẽ nhập số lượng biến hành động này từ các trình bao bọc môi trường Dhoom 04:06.590 --> 04:08.270 với hai biến rời rạc. 04:08.270 --> 04:13.880 Và khi làm điều đó, bạn biết đấy, nhập tên của môi trường diệt vong bằng 0. 04:13.880 --> 04:20.990 Và vì vậy nếu bạn muốn thử nghiệm với I này trên các môi trường diệt vong khác và chơi trên các trò chơi khác, thì bạn sẽ 04:20.990 --> 04:26.240 không phải làm gì vì số lượng hành động này sẽ trực tiếp lấy số lượng hành động trong môi 04:26.240 --> 04:28.460 trường diệt vong mà bạn sẽ chơi với. 04:28.940 --> 04:32.600 Được rồi, vậy là xong cho hai đối số của hàm init này. 04:32.600 --> 04:36.290 Vì vậy, bây giờ chúng ta có thể vào bên trong và bây giờ hãy nhớ những gì chúng ta phải làm. 04:36.320 --> 04:41.330 Điều đầu tiên chúng ta phải làm là kích hoạt thừa kế với siêu chức năng. 04:41.480 --> 04:43.730 Vì vậy, điều đó hoàn toàn giống với xe tự lái. 04:43.730 --> 04:45.800 Chúng tôi có chức năng siêu. 04:45.890 --> 04:53.000 Sau đó, bên trong chúng ta bắt đầu bằng cách nhập lớp sẽ xác định mạng nơ-ron và đó là CNN. 04:53.450 --> 04:56.930 Sau đó, chúng ta phải nhập self để tham chiếu đến đối tượng. 04:56.930 --> 05:04.970 Nhưng hãy nhớ rằng, đó không phải là tất cả những gì chúng ta cần thêm vào đây một dấu chấm và sau đó là hàm init với một số dấu ngoặc đơn. 05:04.970 --> 05:10.970 Và bằng cách đó, chúng tôi kích hoạt sự kế thừa và bây giờ chúng tôi có thể sử dụng tất cả các công cụ từ mô-đun cuối. 05:11.330 --> 05:17.000 Được rồi, bây giờ tôi nghĩ đã đến lúc xây dựng kiến trúc của mạng nơ-ron. 05:17.000 --> 05:23.120 Và vì vậy, như bạn nhớ, chúng tôi sẽ xây dựng CNN, một mạng nơ-ron phức hợp, đơn 05:23.120 --> 05:30.230 giản vì lần này AI sẽ có mắt và mắt của AI sẽ là các lớp phức hợp của mạng nơ-ron phức 05:30.230 --> 05:31.130 tạp này. 05:31.220 --> 05:38.150 Và sau khi AI trực quan hóa các hình ảnh với các lớp phức hợp, nó sẽ truyền các tín hiệu 05:38.150 --> 05:41.000 vào một mạng nơ-ron nhân tạo cổ điển. 05:41.000 --> 05:46.310 Vì vậy, đó là cái mà chúng tôi đã có trước đây với các lớp được kết nối đầy đủ và đó là nơi nó sẽ cố 05:46.310 --> 05:50.300 gắng dự đoán các giá trị tín hiệu cho mỗi hành động có thể mà chúng tôi có thể chơi. 05:51.020 --> 05:53.540 Vì vậy, bạn có kiến trúc trong tâm trí. 05:53.540 --> 05:58.700 Đầu tiên, chúng ta sẽ có một số lớp phức hợp và sau đó là một số lớp được kết nối hoàn chỉnh và 05:58.700 --> 06:01.100 đây sẽ là bộ não của AI của chúng ta. 06:01.280 --> 06:07.460 Vậy chúng ta sẽ làm gì để có thể lùi lại một bước với những gì chúng ta đang tạo ra? 06:07.460 --> 06:11.450 Chúng ta hãy tạo kiến trúc này với các biến mà chúng ta muốn tạo. 06:11.600 --> 06:18.740 Vì vậy, thực sự, nói về kiến trúc này, chúng ta sẽ xây dựng một CNN với ba lớp phức hợp và sau đó 06:18.740 --> 06:24.200 là một lớp ẩn, điều đó có nghĩa là chúng ta sẽ cần ba kết nối chập và 06:24.200 --> 06:25.940 hai kết nối đầy đủ. 06:25.940 --> 06:29.480 Và nói về kết nối, đó chính xác là những gì chúng ta sắp xác định. 06:29.480 --> 06:32.330 Đó sẽ là các biến của lớp CNN của chúng tôi. 06:32.330 --> 06:37.250 Và do đó, ngay bây giờ, tôi sẽ xác định năm biến, ba cho các kết nối chập và 06:37.250 --> 06:39.080 hai cho các kết nối đầy đủ. 06:39.080 --> 06:40.010 Vì vậy, chúng ta hãy làm điều này. 06:40.010 --> 06:42.530 Chúng ta sẽ bắt đầu với các kết nối phức tạp. 06:42.530 --> 06:48.080 Vì vậy, tôi sẽ gọi chúng là tích chập tự chấm. 06:48.440 --> 06:50.780 Tôi sẽ sao chép nó và. 06:52.360 --> 06:54.890 Pace chúng bên dưới và chúng ta bắt đầu. 06:54.910 --> 06:58.570 Tự chập hai và tự chập ba. 06:58.810 --> 07:01.150 Đó là kết nối chập của chúng tôi. 07:01.150 --> 07:08.380 Vì vậy, phép chập đầu tiên này ở đây sẽ áp dụng một số phép chập cho các hình ảnh đầu vào để có được lớp tích chập 07:08.380 --> 07:11.020 đầu tiên, sau đó là phép tích chập thứ hai. 07:11.020 --> 07:17.230 Hai ở đây sẽ lấy lớp chập đầu tiên làm đầu vào và bằng cách áp dụng lại một số phép chập, 07:17.230 --> 07:19.540 nó sẽ tạo ra lớp chập thứ hai. 07:19.540 --> 07:25.810 Và trong lớp phức hợp này, chúng ta sẽ nhận được một số hình ảnh mới, mỗi hình ảnh trong số họ phát hiện một tính năng cụ thể. 07:25.810 --> 07:28.870 Vì vậy, chúng tôi sẽ nhận được những hình ảnh mới này trong một lớp phức hợp. 07:28.870 --> 07:36.520 Sau đó, chúng tôi sẽ áp dụng tích chập này vào đây để kết nối các hình ảnh mới này từ lớp tích chập đầu tiên này 07:36.520 --> 07:40.210 với một số hình ảnh mới của lớp tích chập thứ hai. 07:40.210 --> 07:46.030 Và những hình ảnh mới này, một lần nữa, sẽ phát hiện một số đặc điểm trong hình ảnh của lớp chập đầu tiên. 07:46.030 --> 07:52.570 Vì vậy, nó chỉ để củng cố tính năng phát hiện và sau đó là các hình ảnh của lớp phức hợp thứ hai. 07:52.570 --> 08:00.160 Chúng tôi áp dụng phép chập thứ ba ở đây để có thêm một số hình ảnh cho mỗi hình ảnh phát hiện nhiều tính năng hơn bên trong 08:00.160 --> 08:01.780 các hình ảnh đầu vào. 08:01.780 --> 08:07.240 Và do đó, chúng tôi càng làm điều này, chúng tôi càng áp dụng một số phức hợp cho các lớp hình ảnh khác nhau. 08:07.270 --> 08:10.210 Chà, chúng tôi càng có thể phát hiện ra một số tính năng. 08:10.210 --> 08:15.460 Và đó là cách bằng cách phát hiện các tính năng, AI sẽ hiểu được quái vật ở đâu, nơi nó 08:15.460 --> 08:18.280 phải bắn để giết chúng và nó sẽ đi đến đâu. 08:18.310 --> 08:23.110 Nó cũng sẽ phát hiện ra các bức tường, các chướng ngại vật, đúng nghĩa là nơi nó phải đi. 08:23.110 --> 08:29.620 Và đó là nhờ những gì mà tất cả các lớp phức hợp này phát hiện được trong các hình ảnh đầu vào ban đầu. 08:30.290 --> 08:30.650 Được rồi. 08:30.650 --> 08:34.910 Vì vậy, đó là phần tích hợp của CNN. 08:34.910 --> 08:42.350 Nhưng sau đó hãy nhớ sau các lớp chập, chúng ta phải làm phẳng tất cả các pixel thu được bằng các chuỗi 08:42.350 --> 08:44.660 chập khác nhau đã được áp dụng. 08:44.660 --> 08:51.350 Và bằng cách làm phẳng tất cả các mảng pixel, chúng ta có được vectơ khổng lồ này sẽ trở thành đầu vào của một 08:51.350 --> 08:53.270 mạng nơ-ron nhân tạo cổ điển. 08:53.270 --> 08:58.250 Và đó là nơi chúng tôi có được các lớp được kết nối đầy đủ của chúng tôi và do đó là các kết nối đầy đủ của chúng tôi. 08:58.430 --> 09:04.580 Và bây giờ những gì chúng ta phải làm là tạo hai biến mới bởi vì chúng ta sẽ có một lớp ẩn trong 09:04.580 --> 09:07.400 mạng nơ-ron nhân tạo cổ điển này xuất hiện tiếp theo. 09:07.400 --> 09:13.340 Và do đó, chúng ta cần một kết nối đầy đủ từ vector phẳng khổng lồ này đến một lớp ẩn này 09:13.340 --> 09:19.220 và một kết nối đầy đủ thứ hai giữa một lớp ẩn này và lớp đầu ra bao gồm các nơ-ron 09:19.220 --> 09:21.440 đầu ra là các giá trị cue. 09:21.680 --> 09:26.870 Vì vậy, hãy tạo các kết nối 2/1 này và sau đó chúng ta sẽ xác định tất cả các kết nối này. 09:26.990 --> 09:35.510 Vì vậy, đối với xe tự lái, chúng tôi sẽ gọi chúng là tự chấm FC một và sau đó tự chấm FC hai. 09:36.080 --> 09:41.030 Được rồi, bây giờ chúng ta có tất cả các biến của mình và vì vậy bây giờ những gì chúng ta phải làm 09:41.030 --> 09:43.820 tất nhiên là xác định chúng với các lớp của mô-đun RN. 09:44.060 --> 09:48.860 Vì vậy, điều đó có nghĩa là về cơ bản chúng ta sẽ tạo ra kiến trúc của mạng nơ-ron và đó là những gì chúng ta 09:48.860 --> 09:50.260 sẽ làm trong hướng dẫn tiếp theo. 09:50.270 --> 09:51.470 Cho đến lúc đó, hãy tận hưởng. 09:51.470 --> 09:51.890 TÔI.