WEBVTT 00:00.270 --> 00:06.230 Bonjour et bienvenue sur ce tuyau et sur Torro, nous devons maintenant définir les cinq variables de cette 00:06.240 --> 00:09.560 fonction, à savoir les trois circonvolutions et les connexions temporelles. 00:09.810 --> 00:11.100 Commençons donc par le premier. 00:11.250 --> 00:18.690 Convolutionnel applique la convolution aux images d'entrée de manière à ce que ce soit les images d'origine. Vous allez maintenant 00:18.690 --> 00:22.710 voir comment tout deviendra si simple pour créer cette convolution. 00:22.770 --> 00:29.070 Ce que nous devons faire, c'est créer un sujet d'une classe spécifique. Cette classe 00:29.070 --> 00:38.800 est prise à partir de là, puis les classes arrivent à l'adresse car nous travaillons avec des images 2D et, comme vous 00:38.800 --> 00:40.930 pouvez le constater, arguments. 00:40.930 --> 00:43.140 Le premier est dans les canaux. 00:43.190 --> 00:45.910 Mettons-le dans les canaux. 00:45.970 --> 00:49.210 Le second est hors des canaux. 00:49.330 --> 00:57.070 Le troisième est la taille de Kerno et les autres sont en train de rembourrer les groupes de dilatation et les biais. 00:57.130 --> 00:59.120 Et nous avons des valeurs différentes pour tous ceux-ci. 00:59.260 --> 01:02.290 Donc, nous n'allons pas mais nous allons conserver les valeurs par défaut. 01:02.470 --> 01:08.500 Mais ce qui est important, ce sont ces trois arguments dans les canaux et les canaux et la taille du noyau. Je suppose donc 01:08.500 --> 01:09.740 à quoi ils correspondent. 01:09.880 --> 01:15.730 Bien très simplement en général correspondent à l'entrée de la convolution et tous les canaux correspondent à 01:15.730 --> 01:17.900 la sortie de la conclusion. 01:17.920 --> 01:19.940 Alors qu'est-ce que ça va être. 01:20.110 --> 01:24.460 Eh bien très simplement, cela va être le nombre de canaux dans nos images. 01:24.610 --> 01:30.460 Et en fait, nous allons travailler avec des images en noir et blanc, car au fond, nous ne colorons pas 01:30.460 --> 01:31.360 les monstres. 01:31.450 --> 01:35.310 L'intelligence artificielle est totalement capable de reconnaître les monstres en noir et blanc. 01:35.440 --> 01:39.200 Nous ne voyons donc pas les couleurs du tout, nous les reconnaissons simplement par leur forme. 01:39.250 --> 01:44.380 Par conséquent, nous allons utiliser un canal, donc un canal correspond aux images en noir 01:44.380 --> 01:46.820 et blanc et trois canaux, aux images. 01:46.930 --> 01:51.320 Et par conséquent, puisque nous travaillons avec des images en noir et blanc 01:51.340 --> 01:59.730 dans des canaux, cela équivaut à un, puis à nos canaux, de sorte que nos canaux soient égaux aux images que vous souhaitez obtenir dans la 01:59.730 --> 02:02.970 convolution qui est le résultat de cette constitution. un. 02:02.970 --> 02:08.820 En gros, cela correspond au nombre de caractéristiques que vous souhaitez ajouter au texte de vos images d'origine, 02:09.240 --> 02:15.040 car qui créera une image par caractéristique que nous souhaitons détecter, car vous savez comment cela fonctionne. 02:15.120 --> 02:21.390 Nous avons appliqué un détecteur de caractéristiques à l'image d'entrée pour détecter une caractéristique spécifique dans l'image d'entrée. Par conséquent, 02:21.390 --> 02:26.450 le nombre d'images en sortie ici correspond au nombre de caractéristiques que nous souhaitons détecter. 02:26.460 --> 02:30.110 Alors maintenant, la question est de savoir combien de fonctionnalités voulons-nous détecter. 02:30.240 --> 02:38.730 La pratique courante est de commencer avec 32 détecteurs de caractéristiques, ce qui nous amène à 32% d'images dans cette première couche 02:38.820 --> 02:46.170 convolutive, de sorte que l'entrée est une image en noir et blanc, une image réelle et que la sortie 02:46.170 --> 02:53.010 dans la première convolution contient 32 images traitées. et par traitement, je veux dire bien sûr que la 02:53.380 --> 02:59.750 conclusion a été appliquée à l'image d'entrée pour obtenir 32 nouvelles images avec des caractéristiques détectées. 03:00.240 --> 03:06.990 Ensuite, nous devons spécifier une taille de noyau qui n’est autre que les dimensions du 03:07.080 --> 03:09.450 carré qui traversera l’image originale. 03:09.600 --> 03:15.350 Et dans la pratique courante, nous achetons deux ou trois larges trois ou cinq par cinq. 03:15.660 --> 03:22.170 Et pour le premier, nous allons utiliser un détecteur de caractéristiques cinq par cinq, qui est un détecteur de 03:22.170 --> 03:24.580 fonctions qui aura cinq moteurs sur dix. 03:24.810 --> 03:29.290 Et ensuite, nous allons réduire la taille de ce noyau pour les prochaines couches convolutives. 03:29.340 --> 03:32.320 Et en parlant de cela, c'est exactement ce que nous allons faire maintenant. 03:32.390 --> 03:40.860 Nous allons copier ceci pour définir la deuxième convolution et par conséquent, je pars du principe que c’est très drôle et 03:40.890 --> 03:43.370 très facile, c’est comme un domino. 03:43.500 --> 03:49.260 Le canal d'entrée de la deuxième couche de convolution est le canal de sortie de la première 03:49.260 --> 03:49.810 convolution. 03:49.950 --> 03:55.300 Donc, ce nombre de sortie 32 Voici le même nombre d’entrées 32 ici. 03:55.420 --> 04:01.290 Et c'est parce que nous avons 32 images dans la couche convolutionnelle de la seconde convolution. 04:01.440 --> 04:09.830 Ainsi, la deuxième convolution est appliquée à cette deuxième couche de convolution pour renvoyer une troisième couche de 04:09.830 --> 04:10.340 convolution. 04:10.530 --> 04:13.280 Et maintenant, la question est de savoir combien de nouvelles images voulons-nous. 04:13.410 --> 04:19.820 Bien que le même qui crée 32 nouvelles images 32 est en réalité un nombre très commun dans les réseaux de neurones convolutionnels 04:19.830 --> 04:23.710 si vous regardez les architectures que vous trouverez 32 dans beaucoup d'entre elles 04:24.030 --> 04:29.910 Et puis pour la taille du noyau Eh bien, nous devons réduire la taille du noyau qui correspond aux dimensions de notre détecteur 04:29.910 --> 04:30.610 de caractéristiques. 04:30.780 --> 04:37.680 Et donc maintenant nous allons passer de cinq à quatre voire même trois et ensuite nous irons encore plus petit. 04:37.920 --> 04:40.790 Très bien, notre deuxième convolution est prête. 04:40.830 --> 04:43.830 Il prend en entrée 32 images de processus. 04:43.890 --> 04:51.130 Chacun dans une première fonctionnalité de l'image d'entrée d'origine et crée 32 nouvelles images. 04:51.270 --> 04:54.990 Grâce à ces dimensions réduites du détecteur de caractéristiques. 04:55.120 --> 04:57.250 Et alors maintenant, poussons cela encore plus. 04:57.300 --> 05:05.450 Donc, je copie ceci et le colle ici pour créer une troisième convolution afin de détecter certaines caractéristiques. 05:05.470 --> 05:08.010 Et maintenant, c'est la même chose pour les canaux d'entrée. 05:08.010 --> 05:13.800 Voici le nombre d'images d'entrée à gauche de la connexion par déconvolution et le nombre d'images précédentes 05:13.800 --> 05:17.740 qui sont passées à droite des connexions par convolution précédentes. 05:17.740 --> 05:18.710 C'est 32. 05:18.750 --> 05:20.030 Par conséquent, nous restons désolés d'entendre. 05:20.030 --> 05:20.990 C'est parfait. 05:21.220 --> 05:25.220 Et maintenant, la question est de savoir combien de nouvelles images voulons-nous détecter. 05:25.310 --> 05:31.130 Nous allons prendre maintenant 64 et donc 64 images de précession de sorties. 05:31.260 --> 05:36.800 Et bien sûr, nous prenons une taille de noyau plus petite et nous allons en prendre deux. 05:36.800 --> 05:42.660 Il s’agit là d’une architecture très classique de convolution et il est très efficace d’avoir un niveau 05:42.660 --> 05:45.840 élevé de détection des caractéristiques dans les images. 05:46.200 --> 05:53.010 Très bien et maintenant que nous avons nos trois convolution, il y en a trois de nos connexions de convolution 05:53.010 --> 05:53.510 ici. 05:53.640 --> 05:59.970 Eh bien, le moment est venu d’obtenir nos bonnes relations. Je rappelle que nous prendrons cet énorme 05:59.970 --> 06:07.710 vecteur que nous obtenons après avoir aplati les 64 fois 32 fois encore 32 les images que nous avons obtenues 06:08.160 --> 06:13.920 de toutes ces circonvolutions. nous pouvons un seul vecteur énorme qui deviendra l’entrée d’un nouveau 06:14.190 --> 06:16.590 réseau de neurones entièrement connecté. 06:16.860 --> 06:22.230 Et c’est donc à ce moment-là que nous devons établir ces connexions entre cet énorme vecteur et une 06:22.470 --> 06:27.710 couche cachée, puis une deuxième connexion complète entre la couche cachée et la sortie composée des neurones de 06:27.730 --> 06:28.270 sortie. 06:28.320 --> 06:31.940 Chacun correspondant à une valeur de cube des actions possibles. 06:31.980 --> 06:33.960 Faisons donc ces deux connexions. 06:33.960 --> 06:35.220 Tu sais comment faire ça. 06:35.220 --> 06:37.550 C'est exactement ce que nous avons fait pour la voiture autonome. 06:37.560 --> 06:38.800 Faisons-le à nouveau. 06:39.000 --> 06:46.890 D'abord, nous prenons notre Maggio, puis nous prenons le Lynnie, notre classe, car encore une fois, la connexion que nous créons est un 06:46.920 --> 06:49.060 objet de la classe dirigeante. 06:49.260 --> 06:50.550 Et puis entre parenthèses. 06:50.670 --> 06:58.620 Eh bien, c’est la même chose pour mettre les entités en entrée, c’est leur nombre, puis les entités en sortie. 06:58.850 --> 07:03.110 Et donc les fonctionnalités d'entrée pour la première connexion complète qu'est-ce que ça va être. 07:03.340 --> 07:10.300 Cela va être égal au nombre de pixels de cet énorme changement de vecteur après l’aplatissement de toutes 07:10.480 --> 07:13.830 les images de processus après les trois circonvolutions. 07:13.830 --> 07:15.110 Et alors qu'est-ce que ce nombre. 07:15.220 --> 07:17.350 En fait, il y a un truc ici. 07:17.380 --> 07:19.620 Ce nombre est en réalité difficile à obtenir. 07:19.660 --> 07:22.770 Nous devons créer une fonction pour calculer ce nombre. 07:22.960 --> 07:25.570 Nous n'avons pas de variable qui nous donnera ce nombre. 07:25.570 --> 07:29.040 Nous devons le calculer et donc ce que nous allons faire maintenant. 07:29.150 --> 07:34.780 Et maintenant, il est très important de comprendre l'état d'esprit de la programmation que nous devons 07:35.200 --> 07:40.930 avoir et d'essayer de vous apporter l'état d'esprit que vous devez être en train de penser maintenant 07:41.110 --> 07:45.690 pour surmonter cet obstacle avoir ce nombre de neurones dans le vecteur Flaten. 07:45.730 --> 07:46.650 Que devrais-je faire. 07:46.660 --> 07:47.600 Je suis coincé ici. 07:47.800 --> 07:55.720 Eh bien non, en fait, car ce que vous pouvez faire maintenant est simplement de saisir ici un nom qui représente le nombre 07:55.720 --> 08:01.690 de neurones si peu commun que nombre de neurones nombre de neurones et nous allons simplement créer une 08:01.690 --> 08:05.130 fonction qui reviendra et ce nombre de neurones variable. 08:05.180 --> 08:07.100 Ce nombre de pixels que nous recherchons. 08:07.330 --> 08:12.760 Donc, nous pouvons totalement faire cela, nous pouvons totalement mettre cela très au clair bien sûr, nous aurons un 08:12.760 --> 08:17.090 avertissement car cela n'existe pas encore mais nous le créerons après avec une fonction. 08:17.350 --> 08:21.140 Et nous sommes totalement autorisés à le faire même si la fonction vient après. 08:21.170 --> 08:25.970 C’est une programmation typique à penser lorsque vous rencontrez ce type d’obstacle. 08:26.020 --> 08:29.710 Eh bien, vous pouvez créer une fonction pour obtenir ce qui vous manque. 08:29.740 --> 08:32.640 Très bien, puis nos caractéristiques et notre avenir. 08:32.650 --> 08:37.830 C'est le nombre de neurones dans une couche cachée et ce temps vous appartient. 08:37.870 --> 08:41.230 Cela dépend de l'architecture du nouveau réseau que vous souhaitez créer. 08:41.230 --> 08:44.230 Et si un bon nombre ne serait pas un petit nombre. 08:44.230 --> 08:46.960 Ainsi, par exemple, 40 neurones pourraient convenir. 08:46.960 --> 08:48.660 Nous pouvons essayer d'augmenter cela. 08:48.790 --> 08:51.280 Si l'entraînement n'est pas trop lent, vous pouvez essayer de l'augmenter. 08:51.340 --> 08:56.750 Cela améliorera peut-être les prévisions, mais commençons par 40. Peut-être que nous augmenterons cela par la suite. 08:57.130 --> 09:04.690 Très bien, c'est tout pour la première connexion complète, puis nous allons copier cette pâte ici pour la deuxième connexion complète qui 09:04.710 --> 09:09.300 est la connexion entre la couche masquée et la couche de sortie. 09:09.370 --> 09:15.720 Ainsi, les caractéristiques deviennent les caractéristiques de sortie de la couche précédente, à savoir 40. 09:15.790 --> 09:18.020 Nous pouvons donc mettre 40 ici. 09:18.190 --> 09:20.500 C'est bien sûr le nombre de neurones dans une couche. 09:20.860 --> 09:27.280 Et notre avenir va être égal au nombre de neurones de sortie, il ne devrait pas y avoir de réseau de neurones. 09:27.340 --> 09:33.360 Et comme chaque neurone de sortie correspond à une nouvelle valeur et à une cuvée et à une 09:33.370 --> 09:38.440 réponse à une action, le nombre de neurones de sortie est ici bien sûr 09:38.740 --> 09:47.320 le nombre d’actions et nous avons une variable pour cela qui est le nombre d’actions et donc ici le nombre d’actions et voilà les félicitations. 09:47.390 --> 09:53.850 Nous avons trouvé l'architecture de notre réseau de neurones. Notre réseau de neurones est composé de trois couches 09:53.850 --> 09:55.960 convolutives et d'une couche cachée. 09:56.130 --> 10:03.020 Tout cela dans un seul grand CNN et ce CNN détectera les caractéristiques du jeu afin que l’intelligence artificielle sache où elle 10:03.020 --> 10:06.550 doit aller, où elle doit aller et où elle doit tirer. 10:06.900 --> 10:08.240 Alors on passe à cette étape. 10:08.340 --> 10:10.720 C'est une première étape très importante faite. 10:10.720 --> 10:16.020 Nous allons maintenant passer à l'étape suivante, qui consiste bien entendu à obtenir le nombre de 10:16.020 --> 10:17.010 neurones manquant. 10:17.010 --> 10:21.930 C'est en fait pourquoi nous avons l'avertissement ici et les neurones de numéro de téléphone mais pas de soucis. 10:21.960 --> 10:26.970 Nous allons maintenant créer une fonction qui renverra le nombre de neurones dans cet énorme vecteur et nous mettrons 10:26.970 --> 10:30.210 ce nombre dans une variable qui appellera un nombre de neurones. 10:30.270 --> 10:32.070 Faisons cela dans le prochain tutoriel. 10:32.070 --> 10:33.130 C'est notre prochaine étape. 10:33.180 --> 10:34.790 Et jusque-là, profitez de l'IA.