WEBVTT 00:00.420 --> 00:04.730 Bonjour et bienvenue à la toute dernière étape de cette première partie. 00:04.860 --> 00:10.500 Maintenant, la seule chose qui nous reste à faire est de faire de cette fonction la fonction Ford 00:10.500 --> 00:16.650 qui propagera le signal dès le début, lorsque le cerveau produira l’image à la toute fin lorsque je placerai l’action 00:16.650 --> 00:22.260 afin que nous puissions le faire. toute notre fonction et ce sera notre dernière étape avant que 00:22.260 --> 00:26.710 nous passions à la formation de notre IA avec un kulang convolutionnel profond. 00:26.890 --> 00:28.080 Alors faisons ceci. 00:28.080 --> 00:34.470 Nous allons prendre l'appel de fonction qui est en fait similaire à la fonction init, c'est-à-dire qu'il s'agit 00:34.470 --> 00:38.760 d'une fonction existante, mais cette fois-ci, nous l'utilisons pour appeler d'autres fonctions. 00:38.790 --> 00:43.170 Celles que nous avons faites auparavant parce que vous savez que nous allons utiliser la fonction avant 00:43.290 --> 00:45.490 du cerveau et la fonction port du corps. 00:45.630 --> 00:50.270 Et donc nous utilisons cette fonction maintenant pour appeler essentiellement ces fonctions. 00:50.550 --> 00:53.160 Donc, appel va prendre deux arguments. 00:53.160 --> 00:54.330 Le premier est soi. 00:54.330 --> 01:00.220 Bien sûr, l'objet et le deuxième argument qui, selon vous, vont être. 01:00.360 --> 01:02.910 Eh bien, nous faisons toute la propagation cette fois-ci. 01:02.910 --> 01:08.460 Donc, ce que nous voulons prendre comme entrée, ce sont bien sûr les images d’entrée, car c’est bien sûr 01:08.460 --> 01:10.860 le point de départ lorsque l’intelligence artificielle joue. 01:10.860 --> 01:16.080 Il s'agit d'abord de visualiser les images du jeu, puis de propager les signaux dans le cerveau, puis 01:16.080 --> 01:17.180 de jouer l'action. 01:17.190 --> 01:20.130 Par conséquent, le deuxième argument va être des entrées. 01:20.610 --> 01:24.740 Et maintenant nous sommes prêts à faire toute cette propagation. 01:24.810 --> 01:26.220 Alors faisons cela à nouveau. 01:26.220 --> 01:31.900 La première étape consiste donc à recevoir les images d'entrée du jeu. 01:32.190 --> 01:38.010 Et puisque ces images vont entrer dans le réseau de neurones, vous pouvez imaginer que nous devons les formater 01:38.010 --> 01:42.840 dans une structure spéciale et que la structure est bien sûr une structure de torche. 01:42.840 --> 01:48.420 La première chose à faire est donc de convertir ces images en un tableau d’arbitres, puis de 01:48.420 --> 01:55.320 les convertir en un tenseur de torche, puis de placer le tenseur de la torche dans une variable de torche contenant 01:55.500 --> 01:58.260 à la fois le tenseur et le gradient. 01:58.350 --> 02:03.780 C’est pour que nos graphiques dynamiques calculent très efficacement les gradients plus tard plus vite Kattie très bien dans 02:03.780 --> 02:04.460 le sens. 02:04.620 --> 02:06.200 C'est donc notre premier pas. 02:06.270 --> 02:12.130 Et puis, une fois que nous aurons le bon format de nos images, ils pourront entrer dans le réseau de 02:12.360 --> 02:16.320 neurones et c’est alors que nous ferons toute la propagation des signaux. 02:16.380 --> 02:20.340 Commençons donc par convertir l'image au bon format. 02:20.430 --> 02:23.050 Donc, nos images sont tellement pour les entrées. 02:23.220 --> 02:26.780 Maintenant, nous allons créer une nouvelle variable que j'appelle entrée. 02:26.820 --> 02:30.470 Voilà donc la véritable entrée du réseau de neurones et cette entrée. 02:30.510 --> 02:31.760 Où ça va être. 02:31.920 --> 02:34.490 Eh bien, nous devons d’abord prendre nos intrants. 02:34.530 --> 02:36.650 Ce sont nos images originales. 02:36.870 --> 02:42.190 Ensuite, comme nous l’avons dit, nous voulons convertir ces images en matrices Nampa. 02:42.330 --> 02:49.260 Donc, pour ce faire, nous pouvons simplement en prendre aucun, qui comporte un raccourci, puis le tableau de fonctions. 02:49.500 --> 02:52.850 Nous avons donc mis entre parenthèses le tableau de fonctions. 02:52.890 --> 02:53.340 Nous y voilà. 02:53.340 --> 02:55.940 Maintenant, il est converti en quelque chose et par des tableaux. 02:56.190 --> 03:02.790 Mais comme les cellules des tableaux du pavé numérique contiennent les pixels, il est en fait plus sûr de 03:02.790 --> 03:04.230 spécifier le type float. 03:04.310 --> 03:11.040 Il vaut mieux s’assurer que nous avons des flotteurs maintenant pour pouvoir utiliser ce flotteur. 03:11.090 --> 03:12.690 Désolé d'entendre. 03:12.720 --> 03:15.390 D'accord, nous avons toujours un arbitre. 03:15.540 --> 03:17.330 Mais avec la tablette. 03:17.720 --> 03:24.150 Très bien, et c’est aussi une autre raison pour laquelle les tenseurs sont par définition des tableaux d’un seul type. 03:24.270 --> 03:28.060 Nous avons donc choisi le type simple comme étant un flotteur 32. 03:28.060 --> 03:28.350 D'accord. 03:28.350 --> 03:34.440 Maintenant que nous avons notre relance non bio, l'étape suivante consiste à convertir cela en capteur de tortue. 03:34.440 --> 03:37.990 Pour ce faire, nous pouvons utiliser par exemple une torche. 03:38.070 --> 03:45.380 Et puis de souligner la fonction non-pilote qui va convertir cela en un capteur de torche. 03:45.420 --> 03:46.200 Nous y voilà. 03:46.210 --> 03:52.320 Et maintenant, la dernière étape consiste à placer ces capteurs dans une variable contenant à la fois le tenseur 03:52.320 --> 03:53.230 et l'accord. 03:53.400 --> 04:02.010 Et vous savez comment le faire, bien sûr, nous prenons notre classe de variables car en réalité tout ce qui est à l’intérieur de cette 04:02.010 --> 04:05.530 variable est en fait l’entrée de la classe de variables. 04:05.760 --> 04:11.400 Mais je voulais vous le montrer de cette façon parce que vous savez que nous commençons par nos images 04:11.400 --> 04:15.890 d'entrée, puis que nous les convertissons en tableaux numérotés, puis en torpeurs et ensuite demain. 04:16.170 --> 04:17.220 Et maintenant on va bien. 04:17.220 --> 04:23.370 Ils sont autorisés à entrer dans le réseau neuronal qui est d'abord les yeux de l'œil, puis les 04:23.370 --> 04:25.770 couches entièrement connectées pour mener aux prédictions. 04:26.220 --> 04:30.340 Donc, en parlant des yeux, c’est exactement ce que nous allons faire maintenant. 04:30.480 --> 04:37.280 Nous allons maintenant propager ces images autorisées dans les yeux à travers les trois couches 04:37.290 --> 04:38.720 de convolution. 04:38.850 --> 04:41.620 Et pour faire cela, vous allez voir maintenant à quel point c'est si simple. 04:41.640 --> 04:46.290 C'est parce que nous avons déjà notre cerveau dans notre corps à partir de la fonction init. 04:46.320 --> 04:56.190 Nous avons simplement besoin de prendre notre cerveau en charge et d'appliquer ce cerveau aux images d'entrée, ce qui propagera les choses 04:56.190 --> 04:59.830 à la fonction alimentaire à partir du cerveau. 05:00.430 --> 05:06.190 Cela va propager les signaux à l'intérieur du cerveau et puisque la fonction avant du cerveau 05:06.520 --> 05:13.600 renvoie les signaux de sortie que les neurones de la couche de sortie contenant les valeurs Q Eh bien, cette 05:13.610 --> 05:19.030 entrée du cerveau ici retournera ce signal de sortie et nous allons donc mettre 05:19.090 --> 05:26.120 Ici, qu’il soit converti en variable et que nous l’appelions très simplement, cette sortie est le signal de sortie du 05:26.120 --> 05:26.690 cerveau. 05:26.930 --> 05:31.970 Et maintenant que nous avons le signal de sortie du cerveau, nous devons propager ce signal 05:31.970 --> 05:37.990 de sortie au corps. Pour ce faire, nous allons utiliser la deuxième fonction de transfert du corps et le faire. 05:38.030 --> 05:46.370 Nous devons simplement prendre notre corps et l’appliquer bien sûr à la sortie car la fonction Ford du corps 05:46.370 --> 05:50.600 prend en entrée les signaux de sortie du cerveau. 05:50.660 --> 05:55.880 Donc, c'est exactement ce que la sortie est en ce moment et retourne les actions. 05:56.000 --> 05:58.080 Et donc depuis il retourne les actions. 05:58.380 --> 06:03.530 Eh bien, ici, nous allons ajouter des actions pour générer ce même résultat. 06:03.920 --> 06:09.380 Bon, maintenant vous pouvez voir que très simplement, nous avons propagé les signaux à l'intérieur du cerveau, 06:09.380 --> 06:15.410 puis du cerveau au tout-premier en utilisant la fonction de forme du cerveau qui nous prend et met les 06:15.410 --> 06:19.830 images d'entrée puis les propage dans le cerveau pour conserver les valeurs clés. 06:20.240 --> 06:25.400 Et ensuite, nous propagons ce signal de sortie dans le corps où la fonction avant de notre corps 06:25.520 --> 06:26.900 obtient l'action à jouer. 06:26.900 --> 06:32.300 Et maintenant, il ne nous reste plus qu’à faire, c’est la toute dernière ligne de code de 06:32.300 --> 06:34.510 cette première partie qui construit le. 06:34.760 --> 06:39.370 Nous devons retourner l'action à jouer et ce sont des actions. 06:39.530 --> 06:45.020 Cependant, pour le moment, les actions doivent coder en format et nous devons les reconvertir de plein 06:45.260 --> 06:51.660 droit. Pour ce faire, nous allons prendre la structure de données de ces actions, puis ajouter ici la fonction 06:51.890 --> 06:53.840 non pilote, puis nous poursuivons. 06:53.840 --> 06:56.780 Maintenant, nous avons les actions que nous avons tournées dans le bon format. 06:56.780 --> 06:58.040 Alors félicitations. 06:58.040 --> 07:00.660 Nous avons maintenant terminé avec cette première partie 1. 07:00.770 --> 07:03.410 Nous construisons l'IA en trois étapes. 07:03.410 --> 07:06.860 Nous avons d'abord créé le cerveau, puis le corps. 07:06.860 --> 07:13.430 Et troisièmement, nous assemblons le cerveau dans le corps et nous avons propagé l’ensemble du signal des yeux au moment 07:13.430 --> 07:15.130 où nous jouons l’action. 07:15.560 --> 07:17.100 C'est donc un premier pas fait. 07:17.120 --> 07:22.200 C’était un grand pas en avant, mais comme vous l'avez compris, nous avons construit une AI, mais c'est toujours stupide. 07:22.220 --> 07:24.110 Nous devons le former pour être intelligent. 07:24.170 --> 07:29.030 Nous devons donc le former pour faire ce que nous voulions faire. Pour ce faire, nous allons 07:29.030 --> 07:34.100 utiliser le terme «environnement contraint», car il faut apprendre du monde en le renforçant lorsqu'il obtient une bonne 07:34.100 --> 07:34.690 récompense. 07:34.760 --> 07:40.610 Et en étant puni ou affaibli quand il reçoit un mauvais mot, c’est là que l’apprentissage de la mémoire va 07:40.610 --> 07:41.670 entrer en jeu. 07:41.690 --> 07:47.510 Et c’est donc exactement ce que nous ferons dans cette partie pour s’entraîner dans les yeux avec un apprentissage Q convolutionnel profond. 07:47.510 --> 07:50.270 J'ai hâte de commencer et jusque-là.