WEBVTT 00:00.510 --> 00:03.060 Hallo und willkommen zu diesem Python-Tutorial. 00:03.060 --> 00:04.690 Also gut, also haben wir gerade das Gehirn gemacht. 00:04.710 --> 00:06.290 Und jetzt machen wir den Körper. 00:06.480 --> 00:11.640 So wie Sie verstanden haben, ist der Körper der Teil, in dem wir definieren, wie die Handlungen so gespielt werden, wie 00:11.640 --> 00:13.550 dies für den realen menschlichen Körper geschieht. 00:13.620 --> 00:18.860 Sie wissen, Sie haben das Gehirn, das Signale an den Körper sendet, und dann spielt Ihr Körper die Aktion. 00:19.030 --> 00:23.060 Nun, das ist das Gleiche, wie unsere Signale vom Gehirn kommen. 00:23.130 --> 00:26.080 Das Ausgangssignal erhalten wir hier mit der Ford-Funktion. 00:26.190 --> 00:31.320 Sie wissen zuerst, was passiert, wenn wir die Bilder in die Augen des neuronalen 00:31.470 --> 00:37.050 Netzwerks bekommen, das aus den drei Faltungsschichten besteht, und dann mit den vollständig verbundenen Schichten das 00:37.050 --> 00:40.040 Ausgangssignal des Gehirns erhalten, das die Werte enthält. 00:40.170 --> 00:45.690 Dann sollte dieses Ausgangssignal an den Körper weitergeleitet werden und der Körper spielt die Aktion. 00:45.690 --> 00:48.830 Das ist also genau der Teil, den wir jetzt übernehmen werden. 00:48.880 --> 00:55.690 Wir werden die Art und Weise implementieren, in der der Körper die Aktion spielt, und mit einer 00:55.690 --> 00:58.350 bestimmten X-Methode genau wie beim Southron-Auto. 00:58.500 --> 01:05.940 Ich bestehe darauf, dass die max-Methode dringend empfohlen wird, um mit dem Körper der KI in Aktion zu spielen, und deshalb 01:05.940 --> 01:07.750 wollen wir dies tun. 01:08.310 --> 01:13.620 Aber im Gegensatz zu den Einkünften, die wir in der Klasse erzielen werden, 01:13.860 --> 01:21.140 entspricht diese Klasse natürlich dem Körper des Auges. Deshalb wollen wir hier eine Klasse vorstellen, die wir als 01:21.330 --> 01:30.240 nächstes weich bezeichnen werden, aber so Ich möchte es nicht als weich Max bezeichnen, nur weil gesaugter Max eine Klasse von Pi-Fackeln aus 01:30.480 --> 01:31.730 dem Endmodul ist. 01:31.860 --> 01:33.270 Es ist also gefährlich, es so zu nennen. 01:33.270 --> 01:35.660 Deshalb nenne ich es Maxwellian. 01:35.820 --> 01:43.560 Nun ist es sehr klar, dass unser CNN-Faltungsneuralnetzwerk das Gehirn und die Sephton-Aktivität der Körper des 01:43.560 --> 01:44.960 Ohrs ist. 01:45.360 --> 01:52.010 Also Soft next body und lass uns von dem in diesem Modul erben. 01:52.050 --> 01:53.580 Ich glaube nicht, dass wir es benutzen werden. 01:53.640 --> 01:56.150 Aber trotzdem können wir davon erben. 01:56.280 --> 02:01.260 Sie wissen, wenn Sie dieses Zeug maximal verbessern möchten und einige Tools aus dem Modul verwenden 02:01.480 --> 02:04.780 möchten. Nun, Sie werden es mit dem Engine-Modul tun können. 02:04.780 --> 02:08.590 Aber an diesem Punkt glaube ich nicht, dass wir eines der Module in einem Modul verwenden werden. 02:08.700 --> 02:13.130 Also dann rein und lass uns in den Körper gehen. 02:13.560 --> 02:19.910 In Ordnung, so zuerst wie üblich beginnen wir mit unserer angeborenen Funktion, um die Variablen und die Zukunft 02:19.920 --> 02:21.030 zu definieren. 02:21.060 --> 02:21.980 Aber. 02:22.160 --> 02:29.040 Das sind die Körper der KI KI und fragen tatsächlich nach einem menschlichen Körper, dessen Parameter die 02:29.130 --> 02:29.950 Temperatur ist. 02:30.150 --> 02:32.530 Und das ist tatsächlich die einzige Temperatur. 02:32.640 --> 02:37.060 Es ist also ein einfacher Körper, aber die Verwendung dieses Temperaturparameters wird für uns eine Menge bewirken. 02:37.420 --> 02:44.510 OK, aber vor der Temperatur vergessen wir nicht das Selbst, sondern die Objekte für die Körper. Nun können wir 02:44.560 --> 02:50.220 die Temperatur eingeben, die den gleichen Parameter wie den für dieses Auto verwendeten Parameter angibt. 02:50.960 --> 02:51.300 OK. 02:51.320 --> 02:55.790 Und dann Cullen und lassen Sie uns unsere Variablen definieren. 02:55.950 --> 03:02.130 Da wir von DNA und nicht von Mudgal erben, werden wir die Superfunktion wieder verwenden. 03:02.190 --> 03:09.570 Also lasst uns effizient sein, lasst uns auf Ja und lasst uns sehen, dass es hier stimmt. 03:09.660 --> 03:17.300 Und natürlich dürfen wir nicht vergessen, CNN hier durch einen nächsten Kumpel zu ersetzen. 03:17.430 --> 03:17.880 Da gehst du hin. 03:17.880 --> 03:22.420 Nun, ich vermute, das könnte für Sie zu einem Reflex werden, um die Superfunktion in diesem Stadium zu nutzen. 03:22.530 --> 03:30.660 Und was wir tun müssen, ist natürlich eine Temperaturvariable mit self, die T ist und das dem Argument 03:30.660 --> 03:37.190 entspricht, das eingegeben wird, wenn ein Objekt in der nächsten Klasse erstellt wird. 03:37.200 --> 03:42.810 Ich erinnere daran, dass immer, wenn Sie ein Objekt der soft next-Klasse erstellen, die Argumente 03:42.810 --> 03:49.080 in die init-Funktion eingefügt werden müssen. Daher gibt es t und dann die Variable Ihres Objekts, 03:49.080 --> 03:54.620 die an Objekte selbst angehängt ist ist das Argument, das Sie eingeben werden. 03:54.700 --> 03:55.090 Gut. 03:55.110 --> 03:58.560 Und jetzt ist das für die Funktion gesagt, das ist alles was wir brauchen. 03:58.720 --> 04:04.110 Ich denke, wir sind bereit, mit der nächsten Funktion der gesaugten Maximalklasse fortzufahren. 04:04.240 --> 04:09.040 Und dies ist die letzte Funktion, in der nur zwei Funktionen vorhanden sind. 04:09.070 --> 04:14.540 Und die nächste, die in der nächsten toile implementiert wird, sind die Forward-Funktion und Whiteford. 04:14.620 --> 04:18.920 Das liegt daran, dass wir im Moment das Ausgangssignal vom Gehirn weiterleiten müssen. 04:19.000 --> 04:24.700 Das heißt, Sie wissen, dass der Cuno-Inhalt in den Ausgabeneuronen der Ausgabeschicht den Körper verwendet, der 04:24.700 --> 04:25.770 die Aktion ausführt. 04:25.810 --> 04:31.920 Also leiten wir das Ausgangssignal vom Gehirn an den Körper 04:32.020 --> 04:36.000 weiter, der die Aktion spielen wird. 04:36.070 --> 04:40.220 Also gut, machen wir das im nächsten toile und dann ein paar Then ich.