WEBVTT 00:00.510 --> 00:03.060 Hola y bienvenidos a este tutorial de Python. 00:03.060 --> 00:04.690 Está bien, así que acabamos de hacer el cerebro. 00:04.710 --> 00:06.290 Y ahora hagamos el cuerpo. 00:06.480 --> 00:11.640 Entonces, al entender que el cuerpo es la parte donde definimos cómo se van a jugar las acciones, como lo 00:11.640 --> 00:13.550 que sucede con el cuerpo humano real. 00:13.620 --> 00:18.860 Sabes que tienes el cerebro que envía señales al cuerpo y luego tu cuerpo juega la acción. 00:19.030 --> 00:23.060 Bueno, es lo mismo, tenemos nuestras señales provenientes del cerebro. 00:23.130 --> 00:26.080 Aquí obtenemos la señal de salida con la función Ford. 00:26.190 --> 00:31.320 En primer lugar, lo que sucede es que obtenemos las imágenes que las imágenes entran en los 00:31.470 --> 00:37.050 ojos de la red neuronal compuesta de las tres capas convolucionales y luego con las capas completamente conectadas obtenemos 00:37.050 --> 00:40.040 la señal de salida del cerebro que contiene los valores. 00:40.170 --> 00:45.690 Pero luego esta señal de salida debe enviarse al cuerpo y el cuerpo ejecutará la acción. 00:45.690 --> 00:48.830 Y esa es exactamente la parte que vamos a tomar en este momento. 00:48.880 --> 00:55.690 Vamos a implementar la forma en que el cuerpo ejecutará la acción y la forma en que lo hará es con un cierto 00:55.690 --> 00:58.350 método X exactamente igual al del coche de Southron. 00:58.500 --> 01:05.940 es muy recomendable para jugar en acción con el cuerpo de la IA y, por lo tanto, es a lo que nos dirigiremos. 01:05.940 --> 01:07.750 Insisto en que el método máximo 01:08.310 --> 01:13.620 Pero a diferencia del tipo de ingreso que vamos a hacer en clase y 01:13.860 --> 01:21.140 esta clase, por supuesto, se corresponderá con el cuerpo del ojo y, por lo tanto, vamos a empezar presentando una 01:21.330 --> 01:30.240 clase aquí que vamos a llamar suave siguiente, pero así No quiero llamarlo "suave" Max, solo porque Max alterado es una clase de antorcha 01:30.480 --> 01:31.730 Pi del módulo final. 01:31.860 --> 01:33.270 Entonces es peligroso llamarlo de esta manera. 01:33.270 --> 01:35.660 Por lo tanto, lo estoy llamando succionado Maxwellian. 01:35.820 --> 01:43.560 que nuestra red neuronal convolucional CNN es el cerebro y la actividad de Sephton es el cuerpo del oído. 01:43.560 --> 01:44.960 Ahora está muy claro 01:45.360 --> 01:52.010 Así que el siguiente cuerpo es suave y heredemos del de ese módulo. 01:52.050 --> 01:53.580 No creo que vamos a usarlo. 01:53.640 --> 01:56.150 Pero de todos modos todavía podemos heredar de eso. 01:56.280 --> 02:01.260 Ya sabes, en caso de que quieras mejorar este tipo de clase al máximo y quieras usar 02:01.480 --> 02:04.780 algunas herramientas del módulo, podrás hacerlo con el módulo del motor. 02:04.780 --> 02:08.590 Pero en este momento no creo que vayamos a utilizar ninguno de los módulos. 02:08.700 --> 02:13.130 Entonces entra y entremos al cuerpo. 02:13.560 --> 02:19.910 De acuerdo, primero, como de costumbre, vamos a comenzar con nuestra función innata para definir las variables 02:19.920 --> 02:21.030 y el futuro. 02:21.060 --> 02:21.980 Pero. 02:22.160 --> 02:29.040 Ese es el cuerpo de la AI AI y realmente pide un cuerpo humano, un parámetro que puede definirlo es 02:29.130 --> 02:29.950 la temperatura. 02:30.150 --> 02:32.530 Y en realidad esa va a ser la única temperatura. 02:32.640 --> 02:37.060 Por lo tanto, es un cuerpo simple, pero seguir utilizando este parámetro de temperatura será de gran utilidad para nosotros. 02:37.420 --> 02:44.510 los cuerpos y ahora podemos ingresar la temperatura, que es el mismo parámetro que utilizamos para este automóvil. 02:44.560 --> 02:50.220 Está bien, pero antes de la temperatura no olvidemos el yo, sino los objetos para 02:50.960 --> 02:51.300 DE ACUERDO. 02:51.320 --> 02:55.790 Y luego Cullen y definamos nuestras variables. 02:55.950 --> 03:02.130 Entonces, como heredamos del ADN y no de Mudgal, vamos a usar la superfunción de nuevo. 03:02.190 --> 03:09.570 Y seamos eficientes, sigamos con el Sí y enfrentémoslo, eso está justo aquí. 03:09.660 --> 03:17.300 Y, por supuesto, no nos olvidemos de reemplazar CNN aquí por amigo siguiente afilado. 03:17.430 --> 03:17.880 Ahí tienes. 03:17.880 --> 03:22.420 Ahora supongo que puede convertirse en un reflejo para que uses la superfunción en esta etapa. 03:22.530 --> 03:30.660 Y luego, lo que tenemos que hacer es, por supuesto, configurar la temperatura variable con el yo que es T y 03:30.660 --> 03:37.190 que será igual al argumento que se ingresará al crear un objeto en la próxima clase. 03:37.200 --> 03:42.810 Recuerdo que cada vez que creas un objeto de la siguiente clase blanda tienes que poner los argumentos 03:42.810 --> 03:49.080 que están en la función init y, por lo tanto, hay t y luego la variable de tu objeto unida 03:49.080 --> 03:54.620 a los objetos, el equipo se llamará a esta T que es el argumento que usted ingresará. 03:54.700 --> 03:55.090 Todo bien. 03:55.110 --> 03:58.560 Y ahora eso dijo para la función que en realidad es todo lo que necesitamos. 03:58.720 --> 04:04.110 Así que supongo que estamos listos para pasar a la siguiente función de la clase maximizada al máximo. 04:04.240 --> 04:09.040 Y esta va a ser la última función; solo hay dos funciones en cualquier función. 04:09.070 --> 04:14.540 Y el siguiente que implementará en el próximo toile que será la función de reenvío y Whiteford. 04:14.620 --> 04:18.920 Eso es porque ahora tenemos que reenviar la señal de salida del cerebro. 04:19.000 --> 04:24.700 Es decir, usted sabe que Cuno usa el contenido en las neuronas de salida de la capa de salida para el cuerpo 04:24.700 --> 04:25.770 que ejecutará la acción. 04:25.810 --> 04:31.920 Así que estamos enviando la señal de salida del cerebro al cuerpo que ejecutará la acción avanzar hacia la izquierda ir 04:32.020 --> 04:36.000 hacia la derecha girar a la izquierda girar a la derecha o disparar. 04:36.070 --> 04:40.220 Está bien, así que hagámoslo en el siguiente to toile y luego algo Entonces yo.