WEBVTT 00:00.510 --> 00:02.990 Halo dan selamat datang di tutorial Python ini. 00:03.240 --> 00:08.400 Baiklah sekarang kita akan membuat fungsi maju yang akan menyebarkan sinyal output otak kita 00:08.400 --> 00:13.550 ke tubuh AI sehingga akan memainkan tindakan yang tepat untuk mencapai rompi. 00:13.770 --> 00:20.100 Tetapi belum ada reaksi karena belum ada pelatihan bahwa kami belum melatih AI, tetapi inilah tepatnya yang 00:20.100 --> 00:25.920 akan kami lakukan sebagian untuk diterapkan dalam curin convolutional yang mendalam yang dengan cara saya akan 00:25.920 --> 00:29.720 mengubah nama melatih AI dengan Kill convolutional yang mendalam. 00:29.940 --> 00:35.340 Tetapi sekarang kita perlu meneruskan sinyal dari lapisan keluaran otak ke tubuh. 00:35.370 --> 00:40.170 Dan itulah tepatnya yang akan kita lakukan dengan fungsi maju ini yang merupakan fungsi terakhir tubuh 00:40.170 --> 00:40.670 kita. 00:41.420 --> 00:42.860 Jadi mari kita lakukan ini. 00:42.860 --> 00:50.140 Kami mulai dengan Teff maju dan menurut Anda apa argumen yang akan diambil 00:50.330 --> 00:55.030 Yah itu akan mengambil kekuatan diri pertama dan kemudian apakah ada yang lain. 00:55.220 --> 00:56.740 Ya ada. 00:56.870 --> 00:58.140 Dan apa yang akan terjadi. 00:58.310 --> 01:04.700 Yah sangat alami kami ingin meneruskan sinyal output dari otak ke tubuh dan oleh karena itu input 01:04.700 --> 01:07.470 akan menjadi sinyal output dari otak. 01:07.850 --> 01:10.480 Jadi sekarang kita perlu memberi nama pada sinyal-sinyal luar ini. 01:10.610 --> 01:14.390 Jadi saya akan menambahkan di sini argumen put out. 01:14.460 --> 01:21.200 Baiklah sehingga sesuai dengan sinyal output otak setelah gambar input disebarkan melalui semua otak untuk 01:21.200 --> 01:26.540 mencapai output nanti yang X di sini kembali oleh fungsi maju 01:26.540 --> 01:27.170 otak. 01:27.380 --> 01:32.480 Dan sekarang sinyal output otak ini akan diteruskan ke tubuh dengan fungsi maju 01:32.480 --> 01:35.410 baru yang kita buat di kelas berikutnya. 01:35.460 --> 01:41.760 Jadi mari kita lakukan ini, mari kita tambahkan beberapa warna di sini dan sekarang setelah Anda memahaminya kita akan menggunakan metode 01:41.870 --> 01:43.940 berikutnya yang soughed untuk memainkan aksinya. 01:43.940 --> 01:49.820 Itu berarti bahwa tubuh AI kita setelah menerima sinyal output dari otak akan memainkan tindakan 01:49.820 --> 01:51.440 dengan teknik selanjutnya. 01:51.440 --> 01:56.510 Jadi pada dasarnya sekarang apa yang harus kita lakukan adalah persis sama dengan apa yang kita lakukan untuk mobil. 01:56.600 --> 01:59.390 Kami akan mendapatkan distribusi probabilitas kami. 01:59.540 --> 02:05.960 Itu langkah pertama dan kemudian kita akan mengambil sampel tindakan sesuai dengan distribusi probabilitas ini. 02:05.960 --> 02:11.510 Jadi pada dasarnya apa yang bisa kita lakukan sekarang adalah mendapatkan file mobil self-driving kami dan salin tempel apa 02:11.510 --> 02:14.570 yang kami terapkan untuk fungsi pilih sebenarnya di mobil self-driving. 02:14.810 --> 02:15.700 Tapi mari kita lakukan lagi. 02:15.710 --> 02:19.710 Ini akan menjadi latihan yang bagus dan sebenarnya Anda bisa mencoba mengetiknya sebelum saya. 02:20.150 --> 02:23.870 OK jadi pertama-tama apa yang akan kita lakukan adalah mendapatkan probabilitas kita. 02:23.870 --> 02:29.930 Jadi saya ingatkan ini adalah distribusi probabilitas untuk masing-masing nilai q yang bergantung pada gambar 02:29.960 --> 02:31.790 input dan setiap tindakan. 02:31.790 --> 02:38.120 Jadi kami memiliki satu nilai kunci untuk masing-masing dari enam atau tujuh tindakan yang mungkin dan oleh karena itu 02:38.120 --> 02:43.600 kami mendapatkan distribusi tujuh probabilitas dan kemudian 7 karena saya pikir ada tujuh tindakan, bukan enam. 02:43.670 --> 02:50.010 Karena selain bergerak untuk kiri kanan atau memotret, kami juga dapat menjalankan yang membuat tujuh tindakan yang 02:50.420 --> 02:57.260 mungkin dan oleh karena itu kami mendapatkan distribusi tujuh probabilitas satu untuk setiap nilai q yang terkait dengan setiap tindakan. 02:57.260 --> 02:58.930 Jadi Propst sama dengan. 02:59.040 --> 03:00.670 Dan sekarang ingat apa yang harus kita lakukan. 03:00.860 --> 03:06.650 Yah pada dasarnya kita harus menggunakan fungsi max soughed dari modul fungsional. 03:06.680 --> 03:13.010 Itu sangat sederhana, kami mengambil modul fungsional kami terlebih dahulu kemudian melakukan itu dan kemudian kami mengambil fungsi 03:13.130 --> 03:13.700 berikutnya. 03:13.700 --> 03:14.480 Ini dia. 03:14.570 --> 03:22.430 Kami menekan enter dan sekarang kami menempatkan argumen fungsi berikutnya yang saya ingatkan adalah elemen yang 03:22.430 --> 03:25.290 ingin Anda buat distribusi probabilitas. 03:25.550 --> 03:30.560 Dan itu tentu saja nilai q yang merupakan output dari jaringan saraf. 03:30.680 --> 03:35.830 Itulah output dari jaringan saraf yang Anda inginkan untuk membuat distribusi probabilitas. 03:35.990 --> 03:41.270 Sekarang ingatkan kami bahwa kami ingin membuat distribusi probabilitas ini untuk dapat mengeksplorasi berbagai 03:41.270 --> 03:45.760 tindakan alih-alih memilih secara langsung tindakan yang memiliki nilai Q maksimum. 03:46.010 --> 03:51.020 Jika kita langsung memilih yang memiliki nilai Q maksimum di mana kita tidak banyak mengeksplorasi tindakan lain dan 03:51.350 --> 03:52.650 kita mungkin kehilangan sesuatu. 03:52.880 --> 03:58.760 Tetapi dengan metode berikutnya yang telah kita lakukan ini, kita dapat melakukan lebih banyak eksplorasi dan karena itu mungkin menemukan beberapa 03:58.760 --> 04:01.520 solusi tersembunyi dalam pola yang mungkin jauh lebih baik. 04:01.850 --> 04:08.060 Jadi sekali lagi saya sangat merekomendasikan hal-hal Nax dan kemudian mulai sekarang apa yang harus kita lakukan adalah memasukkan nilai-nilai yang 04:08.060 --> 04:09.560 merupakan keluaran kita di sini. 04:09.560 --> 04:13.860 Keluaran otak kita jadi keluaran yang kita tuju. 04:13.970 --> 04:21.710 Tetapi kemudian kita memiliki parameter suhu ini yang dapat kita gunakan yang dapat kita konfigurasi untuk menyesuaikan eksplorasi. 04:21.710 --> 04:28.130 Ingatlah bahwa semakin tinggi kita mengatur suhu, semakin sedikit eksplorasi tindakan lain akan dilakukan karena tindakan 04:28.130 --> 04:33.260 terbaik akan dipilih dengan probabilitas lebih tinggi dibandingkan dengan tindakan lain yang 04:33.260 --> 04:35.910 akan dipilih dengan probabilitas lebih rendah. 04:35.930 --> 04:42.620 Itu persis seperti dengan di dalam mobil dan oleh karena itu kita harus melipatgandakan output di 04:43.010 --> 04:51.800 sini dengan parameter suhu kita sehingga kita menjadi sempurna sekarang kita mendapatkan sedikit peringatan karena kita belum menggunakan preps tetapi kita 04:51.810 --> 04:53.220 akan menggunakannya sekarang. 04:53.260 --> 04:55.540 Dan itu membawa kita ke hal berikutnya yang harus kita lakukan. 04:55.540 --> 04:57.750 Bagaimana kita akan menggunakan probabilitas ini. 04:57.910 --> 05:04.390 Kita akan mengambil sampel aksi terakhir untuk dimainkan dari distribusi probabilitas ini dan oleh karena itu 05:04.990 --> 05:10.960 yang harus kita lakukan sekarang adalah menggunakan fungsi multinomial untuk mengambil sampel aksi berdasarkan distribusi 05:10.960 --> 05:12.080 probabilitas ini. 05:12.370 --> 05:15.030 Jadi sekarang kita siap untuk mengambil tindakan kita. 05:15.190 --> 05:20.500 Jadi saya membuat Voivode baru di sini karena itu akan menjadi tindakan yang akan dimainkan oleh tubuh 05:20.500 --> 05:21.490 AI kami. 05:21.520 --> 05:31.480 Dan sekarang kita mengambil distribusi probabilitas probabilitas yang kita tambahkan titik dan metode multi normal. 05:32.220 --> 05:38.030 Baiklah dan sekarang kita mendapatkan aksi terakhir kita untuk bermain di sana yang dikumpulkan dari distribusi alat peraga kita. 05:38.430 --> 05:39.570 Oke, sempurna. 05:39.570 --> 05:42.300 Jadi sekarang kami siap untuk mengembalikan apa yang kami inginkan. 05:42.360 --> 05:44.450 Itu adalah aksi untuk dimainkan. 05:44.670 --> 05:48.720 Dan ini tentu saja tindakan dan sekarang peringatan itu harus hilang. 05:48.840 --> 05:50.440 Kami menggunakan semua yang kami inginkan. 05:50.460 --> 05:51.270 Itu dia. 05:51.270 --> 05:52.020 Sempurna. 05:52.210 --> 05:53.950 Jadi sekarang fungsi maju sudah siap. 05:54.080 --> 05:55.740 Dan selamat. 05:55.800 --> 05:57.300 Tubuh juga siap. 05:57.540 --> 05:59.070 Jadi sekarang kita punya otak kita. 05:59.190 --> 06:05.760 Kami memiliki tubuh kami dan oleh karena itu kami siap untuk mengumpulkan mereka untuk membuat masa depan AI kami masa depan 06:05.760 --> 06:08.900 saya akan terdiri dari tidak lain dari otak dan tubuh. 06:08.970 --> 06:14.160 Dan itulah yang memiliki kecerdasan dan tubuh untuk memainkan tindakan yang akan menjadi tindakan 06:14.160 --> 06:16.610 yang tepat untuk bermain berkat kecerdasannya. 06:16.620 --> 06:22.060 Tapi ingat sebelum kita harus melatih kecerdasannya dan itulah yang akan kita lakukan sebagian 06:22.070 --> 06:25.180 untuk melatih mata dengan pembelajaran keren yang konvolusional. 06:25.200 --> 06:25.500 Baiklah. 06:25.500 --> 06:28.470 Jadi mari kita buat AI di jerat berikutnya. 06:28.490 --> 06:31.810 Ini lagi akan menjadi kelas dua fungsi yang saya pikir. 06:31.950 --> 06:34.510 Dan yang ini membutuhkan dua atau tiga tutorial. 06:34.680 --> 06:35.660 Jadi saya tidak sabar. 06:35.670 --> 06:36.780 Ini akan menyenangkan. 06:36.780 --> 06:37.930 Dan sampai saat itu aku.