WEBVTT 00:00.510 --> 00:03.060 Olá e bem vindo a este tutorial do Python. 00:03.060 --> 00:04.690 Tudo bem, então acabamos de fazer o cérebro. 00:04.710 --> 00:06.290 E agora vamos fazer o corpo. 00:06.480 --> 00:11.640 Então, como você entendeu, o corpo é a parte em que definimos como as ações serão jogadas como o 00:11.640 --> 00:13.550 que acontece com o corpo humano real. 00:13.620 --> 00:18.860 Você sabe que você tem o cérebro que envia sinais para o corpo e, em seguida, seu corpo desempenha a ação. 00:19.030 --> 00:23.060 Bem, isso é o mesmo, nós temos nossos sinais vindos do cérebro. 00:23.130 --> 00:26.080 Obtemos o sinal de saída com a função Ford aqui. 00:26.190 --> 00:31.320 Você sabe primeiro o que acontece é que recebemos as imagens que as imagens vão aos 00:31.470 --> 00:37.050 olhos da rede neural composta pelas três camadas convolutivas e, em seguida, com as camadas totalmente conectadas, obtemos 00:37.050 --> 00:40.040 o sinal de saída do cérebro que contém os valores. 00:40.170 --> 00:45.690 Mas, então, este sinal de saída deve ser encaminhado para o corpo e o corpo executará a ação. 00:45.690 --> 00:48.830 E assim é exatamente a parte que vamos tomar agora. 00:48.880 --> 00:55.690 Nós vamos implementar a forma como o corpo irá desempenhar a ação e a maneira como ele vai fazer é com um certo 00:55.690 --> 00:58.350 método X exatamente como para o carro de Southron. 00:58.500 --> 01:05.940 máximo é altamente recomendado para jogar em ação com o corpo da AI e, portanto, esse é o que vamos procurar. 01:05.940 --> 01:07.750 Eu insisto que o método 01:08.310 --> 01:13.620 Mas em oposição ao tipo de renda que vamos fazer na aula e esta 01:13.860 --> 01:21.140 classe, naturalmente, corresponderá ao corpo do olho e, portanto, vamos começar apresentando uma aula aqui que vamos chamar de 01:21.330 --> 01:30.240 suave próximo, mas assim Eu não quero chamar isso de suave Max apenas porque o Max suprimido é uma classe de tocha Pi 01:30.480 --> 01:31.730 do módulo final. 01:31.860 --> 01:33.270 Por isso, é perigoso chamá-lo dessa maneira. 01:33.270 --> 01:35.660 Por isso, eu estou chama isso Maxwellian sugado. 01:35.820 --> 01:43.560 que nossa rede neuronal convolucional da CNN é o cérebro e a atividade de Sephton é o corpo da orelha. 01:43.560 --> 01:44.960 Agora é muito claro 01:45.360 --> 01:52.010 Então, Soft next body e vamos herdar do módulo. 01:52.050 --> 01:53.580 Eu não acho que vamos usá-lo. 01:53.640 --> 01:56.150 Mas, de qualquer forma, ainda podemos herdar disso. 01:56.280 --> 02:01.260 Você sabe se quiser melhorar essas coisas de forma máxima e quer usar algumas ferramentas do 02:01.480 --> 02:04.780 módulo. Bem, você poderá fazê-lo com o módulo do motor. 02:04.780 --> 02:08.590 Mas neste ponto, não acho que vamos usar qualquer um dos módulos. 02:08.700 --> 02:13.130 Então, dentro e vamos dentro do corpo. 02:13.560 --> 02:19.910 Tudo bem, primeiro, como de costume, vamos começar com nossa função inata para definir as variáveis 02:19.920 --> 02:21.030 ​​e o futuro. 02:21.060 --> 02:21.980 Mas. 02:22.160 --> 02:29.040 São os corpos da AI AI e, na verdade, pedem um corpo humano, um parâmetro que pode defini-lo é 02:29.130 --> 02:29.950 a temperatura. 02:30.150 --> 02:32.530 E na verdade, essa será a única temperatura. 02:32.640 --> 02:37.060 Então é um corpo simples, mas ainda usar este parâmetro de temperatura vai fazer muito para nós. 02:37.420 --> 02:44.510 e agora podemos inserir a temperatura, veja qual é o mesmo parâmetro que o que usamos para este carro. 02:44.560 --> 02:50.220 OK, mas antes da temperatura não vamos esquecer o auto, mas os objetos para os corpos 02:50.960 --> 02:51.300 ESTÁ BEM. 02:51.320 --> 02:55.790 E depois Cullen e vamos definir nossas variáveis. 02:55.950 --> 03:02.130 Então, como herdamos do DNA, não Mudgal, vamos usar o superfunction novamente. 03:02.190 --> 03:09.570 E então, vamos ser eficientes, vamos manter Sim e vamos encarar isso aqui. 03:09.660 --> 03:17.300 E, claro, não vamos esquecer de substituir a CNN aqui pelo próximo amigo. 03:17.430 --> 03:17.880 Ai está. 03:17.880 --> 03:22.420 Agora, suponho que isso possa se tornar um reflexo para você usar o superfunction neste estágio. 03:22.530 --> 03:30.660 E, então, o que temos que fazer é, claro, definir são variáveis ​​de temperatura com auto que T e 03:30.660 --> 03:37.190 isso será igual ao argumento que será inserido ao criar um objeto na próxima classe. 03:37.200 --> 03:42.810 Eu lembro que sempre que você criar um objeto da próxima classe suave, você deve colocar os 03:42.810 --> 03:49.080 argumentos que estão na função init e, portanto, há t e, em seguida, a variável do seu objeto anexado 03:49.080 --> 03:54.620 aos objetos, a equipe será chamada para este T que é o argumento em que você entrará. 03:54.700 --> 03:55.090 Tudo bem. 03:55.110 --> 03:58.560 E agora, isso dizia pela função que é realmente tudo o que precisamos. 03:58.720 --> 04:04.110 Então, acho que estamos prontos para passar para a próxima função da classe máxima suprimida. 04:04.240 --> 04:09.040 E esta será a última função, existem apenas duas funções em qualquer função. 04:09.070 --> 04:14.540 E o próximo que irá implementar na próxima toile que será a função de frente e Whiteford. 04:14.620 --> 04:18.920 Isso é porque agora temos que encaminhar o sinal de saída do cérebro. 04:19.000 --> 04:24.700 Isso é que você conhece o Cuno usar conteúdo nos neurônios de saída da camada de saída para o corpo 04:24.700 --> 04:25.770 que executará a ação. 04:25.810 --> 04:31.920 Então, estamos encaminhando o sinal de saída do cérebro para o corpo que jogará a ação para avançar para a 04:32.020 --> 04:36.000 esquerda, vá para a direita, vire à esquerda, vire à direita ou atire. 04:36.070 --> 04:40.220 Tudo bem, então vamos fazer isso no próximo de toile e, em seguida, Some Then I.