WEBVTT 00:00.510 --> 00:03.060 Bună ziua și bun venit la acest tutorial Python. 00:03.060 --> 00:04.690 Bine, așa că am făcut creierul. 00:04.710 --> 00:06.290 Și acum să facem corpul. 00:06.480 --> 00:11.640 Așa cum ați înțeles corpul este partea în care definim modul în care acțiunile vor fi jucate ca ceea 00:11.640 --> 00:13.550 ce se întâmplă pentru corpul uman real. 00:13.620 --> 00:18.860 Știți că aveți creierul care trimite semnale către corp și apoi corpul dvs. joacă acțiunea. 00:19.030 --> 00:23.060 Ei bine, este același lucru cu semnalele care vin din creier. 00:23.130 --> 00:26.080 Avem semnalul de ieșire cu funcția Ford aici. 00:26.190 --> 00:31.320 Știți mai întâi ce se întâmplă este obținerea imaginilor în care imaginile intră în 00:31.470 --> 00:37.050 ochii rețelei neuronale compuse din cele trei straturi convoluționale și apoi cu straturile complet conectate obținem 00:37.050 --> 00:40.040 semnalul de ieșire din creier care conține valorile. 00:40.170 --> 00:45.690 Dar atunci acest semnal de ieșire ar trebui să fie transmis la corp și corpul va juca acțiunea. 00:45.690 --> 00:48.830 Și așa este exact partea pe care o vom lua acum. 00:48.880 --> 00:55.690 Vom implementa modul în care organismul va juca acțiunea și modul în care o va face este cu o anumită 00:55.690 --> 00:58.350 metodă X exact ca pentru mașina Southron. 00:58.500 --> 01:05.940 Insist că metoda maximă este foarte recomandată pentru a juca în acțiune cu corpul AI și, prin urmare, aceasta este cea 01:05.940 --> 01:07.750 pentru care vom merge. 01:08.310 --> 01:13.620 Dar, spre deosebire de veniturile pe care le vom face în clasă, această 01:13.860 --> 01:21.140 clasă va corespunde, bineînțeles, corpului ochiului și, prin urmare, să începem prin introducerea unei clase aici, pe care o 01:21.330 --> 01:30.240 vom numi moale în continuare, dar așa Nu vreau să-l numesc moale Max doar pentru că Max este o clasă de torta Pi de 01:30.480 --> 01:31.730 la modulul final. 01:31.860 --> 01:33.270 Deci este periculos să o numiți așa. 01:33.270 --> 01:35.660 De aceea o numesc Maxwell. 01:35.820 --> 01:43.560 Este foarte clar că rețeaua neuronală convolutivă CNN este creierul, iar activitatea lui Sephton este 01:43.560 --> 01:44.960 corpul urechii. 01:45.360 --> 01:52.010 Deci, corpul următor și să moștenim de la modulul respectiv. 01:52.050 --> 01:53.580 Nu cred că o vom folosi. 01:53.640 --> 01:56.150 Dar oricum putem moșteni din ea. 01:56.280 --> 02:01.260 Știți, în cazul în care doriți să îmbunătățiți acest lucru maxim de clasă și doriți să utilizați niște instrumente de 02:01.480 --> 02:04.780 la modul Ei bine, veți putea să o faceți cu modulul motorului. 02:04.780 --> 02:08.590 Dar în acest moment nu cred că vom folosi oricare din module. 02:08.700 --> 02:13.130 Atunci, și să intrăm în corp. 02:13.560 --> 02:19.910 În regulă, mai întâi, ca de obicei, vom începe cu funcția noastră înnăscută de a defini variabilele 02:19.920 --> 02:21.030 și viitorul. 02:21.060 --> 02:21.980 Dar. 02:22.160 --> 02:29.040 Acestea sunt organismele AI AI și de fapt cereți unui corp uman un parametru care să poată defini că 02:29.130 --> 02:29.950 este temperatura. 02:30.150 --> 02:32.530 Și de fapt asta va fi singura temperatură. 02:32.640 --> 02:37.060 Deci, este un corp simplu, dar încă folosind acest parametru de temperatură va face multe pentru noi. 02:37.420 --> 02:44.510 OK dar inainte de temperatura sa nu uitam de sine dar obiectele pentru corpuri si acum putem introduce temperatura 02:44.560 --> 02:50.220 vezi care este acelasi parametru ca cel pe care il folosim pentru aceasta masina. 02:50.960 --> 02:51.300 O.K. 02:51.320 --> 02:55.790 Și apoi Cullen și să ne definim variabilele. 02:55.950 --> 03:02.130 Din moment ce moștenim din ADN nu Mudgal, vom folosi din nou superfuncția. 03:02.190 --> 03:09.570 Și să fim eficienți să păstrăm Da și să recunoaștem că este chiar aici. 03:09.660 --> 03:17.300 Și, bineînțeles, să nu uităm să-l înlocuim pe CNN de către un amic. 03:17.430 --> 03:17.880 Acolo te duci. 03:17.880 --> 03:22.420 Acum presupun că ar putea deveni un reflex pentru ca tu să folosești superfuncția în acest stadiu. 03:22.530 --> 03:30.660 Și apoi ce trebuie să facem este, bineînțeles, setat că temperatura este variabilă cu sine și că T va fi 03:30.660 --> 03:37.190 egală cu argumentul care va fi introdus atunci când se creează un obiect la următoarea clasă. 03:37.200 --> 03:42.810 Reamintesc că ori de câte ori creați un obiect al clasei următoare, trebuie să puneți argumentele care 03:42.810 --> 03:49.080 sunt în funcția init și, prin urmare, există t și apoi variabila obiectului atașat la obiectele de sine, 03:49.080 --> 03:54.620 echipa va fi chemată la acest T care este argumentul pe care îl veți introduce. 03:54.700 --> 03:55.090 In regula. 03:55.110 --> 03:58.560 Și acum asta a spus pentru funcția de fapt tot ce avem nevoie. 03:58.720 --> 04:04.110 Deci, credem că suntem gata să trecem la următoarea funcție a clasei suprascrise maxim. 04:04.240 --> 04:09.040 Și aceasta va fi ultima funcție în care există doar două funcții în orice funcție. 04:09.070 --> 04:14.540 Și următorul care va implementa în următoarea toaletă, care va fi funcția înainte și Whiteford. 04:14.620 --> 04:18.920 Asta pentru că acum trebuie să transmitem semnalul de ieșire din creier. 04:19.000 --> 04:24.700 Asta este că știi că Cuno folosește conținutul în neuronii de ieșire ai stratului de ieșire către corpul care 04:24.700 --> 04:25.770 va juca acțiunea. 04:25.810 --> 04:31.920 Așadar, transmitem semnalul de ieșire din creier către corpul care va juca acțiunea înaintează înainte mergeți spre 04:32.020 --> 04:36.000 stânga mergeți la dreapta virați la stânga la dreapta sau trageți. 04:36.070 --> 04:40.220 Bine, deci, să facem asta în următoarea toaletă și apoi pe câteva.