WEBVTT 00:00.420 --> 00:04.730 Hallo und herzlich willkommen zum allerletzten Schritt dieses ersten Teils. 00:04.860 --> 00:10.500 Jetzt müssen wir nur noch die Ford-Funktion machen, die das Signal von Anfang an ausbreitet, 00:10.500 --> 00:16.650 wenn das Gehirn das Bild bis zum Ende bringt, wenn ich die Aktion platziere, damit wir dies 00:16.650 --> 00:22.260 tun können ganze Funktion und das wird unser letzter Schritt sein, bevor wir uns 00:22.260 --> 00:26.710 dem Training widmen, um unsere KI mit tiefem Faltungskulang zu trainieren. 00:26.890 --> 00:28.080 Also lass uns das tun. 00:28.080 --> 00:34.470 Wir werden den Funktionsaufruf annehmen, der eigentlich der init-Funktion ähnelt. Es handelt sich dabei um eine vorhandene Funktion, 00:34.470 --> 00:38.760 aber dieses Mal verwenden wir ihn, um einige andere Funktionen aufzurufen. 00:38.790 --> 00:43.170 Die, die wir zuvor gemacht haben, weil Sie wissen, dass wir die Vorwärtsfunktion vom Gehirn 00:43.290 --> 00:45.490 und die Portfunktion vom Körper verwenden werden. 00:45.630 --> 00:50.270 Daher verwenden wir diese Funktion jetzt, um diese Funktionen grundsätzlich aufzurufen. 00:50.550 --> 00:53.160 Der Aufruf wird also zwei Argumente annehmen. 00:53.160 --> 00:54.330 Der erste ist Selbst. 00:54.330 --> 01:00.220 Natürlich das Objekt und das zweite Argument, das nach Ihren Wünschen sein wird. 01:00.360 --> 01:02.910 Nun, wir machen diesmal die ganze Verbreitung. 01:02.910 --> 01:08.460 Was wir als Eingabe nehmen wollen, ist natürlich die Eingabebilder, denn dies ist natürlich der Ausgangspunkt, 01:08.460 --> 01:10.860 wenn die KI das Spiel spielt. 01:10.860 --> 01:16.080 Es visualisiert zuerst die Bilder des Spiels, verbreitet dann die Signale im Gehirn und spielt 01:16.080 --> 01:17.180 dann die Aktion. 01:17.190 --> 01:20.130 Das zweite Argument wird daher Eingaben sein. 01:20.610 --> 01:24.740 Und jetzt sind wir bereit, diese ganze Verbreitung zu machen. 01:24.810 --> 01:26.220 Also machen wir das nochmal. 01:26.220 --> 01:31.900 Der erste Schritt, in dem es der erste Schritt ist, ist das Erhalten der Eingabebilder vom Spiel. 01:32.190 --> 01:38.010 Und da diese Bilder in das neuronale Netzwerk eingehen, können Sie sich vorstellen, dass wir sie 01:38.010 --> 01:42.840 in einer speziellen Struktur formatieren müssen und die Struktur ist natürlich eine Fackelstruktur. 01:42.840 --> 01:48.420 Das erste, was passieren wird, ist, dass wir diese Bilder in ein Umpire-Array 01:48.420 --> 01:55.320 umwandeln, dann in einen Brennerspanner und dann den Brennerspanner in eine Brennervariable, die sowohl den Tensor 01:55.500 --> 01:58.260 als auch einen Gradienten enthält. 01:58.350 --> 02:03.780 Das ist für unsere dynamischen Graphen sehr effizient, um die später schnelleren Kattie Gradienten in dem Sinne sehr effizient 02:03.780 --> 02:04.460 zu berechnen. 02:04.620 --> 02:06.200 Das ist also unser erster Schritt. 02:06.270 --> 02:12.130 Und wenn wir erst einmal das richtige Format unserer Bilder erhalten haben, können sie in das neuronale Netzwerk 02:12.360 --> 02:16.320 eindringen, und dann werden wir die gesamte Ausbreitung der Signale durchführen. 02:16.380 --> 02:20.340 Machen wir dies zuerst, indem wir das Bild in das richtige Format konvertieren. 02:20.430 --> 02:23.050 Unsere Bilder sind also für Eingaben. 02:23.220 --> 02:26.780 Jetzt erstellen wir eine neue Variable, die ich als Eingabe bezeichne. 02:26.820 --> 02:30.470 Das ist also die eigentliche Eingabe des neuronalen Netzwerks und dieser Eingabe. 02:30.510 --> 02:31.760 Wo soll es sein? 02:31.920 --> 02:34.490 Nun, zuerst müssen wir unsere Eingaben nehmen. 02:34.530 --> 02:36.650 Das sind unsere Originalbilder. 02:36.870 --> 02:42.190 Dann wollen wir, wie gesagt, diese Bilder in Nampa-Arrays konvertieren. 02:42.330 --> 02:49.260 Um dies zu tun, können wir einfach keine nehmen, von der eine Verknüpfung und dann das Funktionsarray hat. 02:49.500 --> 02:52.850 Also setzen wir die Klammern des Funktionsarrays ein. 02:52.890 --> 02:53.340 Da gehen wir. 02:53.340 --> 02:55.940 Jetzt wird es in etwas und in Arrays umgewandelt. 02:56.190 --> 03:02.790 Da jedoch die Zellen der Numpad-Arrays die Pixel enthalten, ist es tatsächlich sicherer, den 03:02.790 --> 03:04.230 Typ Float anzugeben. 03:04.310 --> 03:11.040 Es ist besser, sicherzustellen, dass wir jetzt einige Schwimmer haben, um sicherzustellen, dass wir diesen Schwimmer verwenden können. 03:11.090 --> 03:12.690 Tut mir leid das zu hören. 03:12.720 --> 03:15.390 Okay, jetzt haben wir noch einen Schiedsrichter. 03:15.540 --> 03:17.330 Aber mit dem Tablet. 03:17.720 --> 03:24.150 In Ordnung, und das ist auch ein weiterer Grund, dass Tensoren per Definition Arrays eines einzigen Typs sind. 03:24.270 --> 03:28.060 Daher wählen wir den einzelnen Typ als Float-Float 32 aus. 03:28.060 --> 03:28.350 Gut. 03:28.350 --> 03:34.440 Nun, da wir unsere Nicht-Bio-Erhöhung haben, besteht der nächste Schritt darin, diesen in einen Schildkröten-Sensor 03:34.440 --> 03:37.990 umzuwandeln. Dazu können wir beispielsweise eine Fackel verwenden. 03:38.070 --> 03:45.380 Und dann von der Nicht-Pilot-Funktion, die diese in einen Brennersensor umwandelt. 03:45.420 --> 03:46.200 Da gehen wir. 03:46.210 --> 03:52.320 Der letzte Schritt besteht darin, diese Brennersensoren in eine Brennervariable zu setzen, die sowohl den Tensor als auch die 03:52.320 --> 03:53.230 Übereinstimmung enthält. 03:53.400 --> 04:02.010 Und Sie wissen, wie Sie das machen. Natürlich nehmen wir unsere Variablenklasse, denn eigentlich ist alles, was sich in 04:02.010 --> 04:05.530 dieser Variablen befindet, die Eingabe der Variablenklasse. 04:05.760 --> 04:11.400 Aber ich wollte Ihnen das auf diese Weise zeigen, denn Sie wissen, wir beginnen mit unseren Eingabebildern, 04:11.400 --> 04:15.890 konvertieren sie dann in nummerierte Arrays, dann in Fühlerspanner und dann morgen. 04:16.170 --> 04:17.220 Und jetzt geht es uns gut. 04:17.220 --> 04:23.370 Sie dürfen in das neuronale Netzwerk eindringen, das zuerst die Augen des Auges ist, und dann die vollständig verbundenen 04:23.370 --> 04:25.770 Schichten, um zu den Vorhersagen zu führen. 04:26.220 --> 04:30.340 Wenn wir von den Augen der Augen sprechen, werden wir jetzt genau das tun. 04:30.480 --> 04:37.280 Wir werden diese erlaubten Bilder jetzt in die Augen der Augen verbreiten, die durch die 04:37.290 --> 04:38.720 drei Faltungsschichten gehen. 04:38.850 --> 04:41.620 Und um das zu tun, werden Sie jetzt sehen, wie einfach es ist. 04:41.640 --> 04:46.290 Das liegt daran, dass wir unser Gehirn bereits durch die Init-Funktion in unserem Körper haben. 04:46.320 --> 04:56.190 Wir müssen einfach unser Gehirn als das Gehirn nehmen und dieses Gehirn auf die Eingabebilder anwenden, und das wird die 04:56.190 --> 04:59.830 Dinge vom Gehirn zur Nahrungsfunktion hier ausbreiten. 05:00.430 --> 05:06.190 Das wird die Signale im Gehirn ausbreiten und da die 05:06.520 --> 05:13.600 Vorwärtsfunktion des Gehirns die Ausgangssignale zurückgibt, die die Neuronen der Ausgangsschicht mit Q-Werten 05:13.610 --> 05:19.030 enthalten Ob es sich hierbei um eine Variable handelt, 05:19.090 --> 05:26.690 und wir nennen es ganz einfach, dass dieser Ausgang das Ausgangssignal des Gehirns ist. 05:26.930 --> 05:31.970 Und jetzt, da wir das Ausgangssignal des Gehirns haben Nun, wir müssen dieses Ausgangssignal 05:31.970 --> 05:37.990 an den Körper weiterleiten und dazu müssen wir die zweite Vorwärtsfunktion des Körpers verwenden und dies tun. 05:38.030 --> 05:46.370 Wir müssen einfach unseren Körper nehmen und ihn natürlich auf die Ausgabe anwenden, da die Ford-Funktion des 05:46.370 --> 05:50.600 Körpers die Ausgangssignale des Gehirns als Eingabe übernimmt. 05:50.660 --> 05:55.880 Genau das ist also jetzt die Ausgabe und gibt die Aktionen zurück. 05:56.000 --> 05:58.080 Und deshalb gibt es die Aktionen zurück. 05:58.380 --> 06:03.530 Nun, hier werden wir Aktionen hinzufügen, um die Ausgabe selbst zu bewirken. 06:03.920 --> 06:09.380 In Ordnung, so können Sie jetzt sehen, dass wir ganz einfach die Signale im Gehirn und dann vom 06:09.380 --> 06:15.410 Gehirn bis zum allerersten verbreitet haben, indem wir die Formfunktion aus dem Gehirn verwenden, die uns bringt und die 06:15.410 --> 06:19.830 Eingabebilder bringt und sie dann ins Gehirn propagiert bewahren Sie die Schlüsselwerte auf. 06:20.240 --> 06:25.400 Und dann verbreiten wir dieses Ausgangssignal in den Körper, wo die Vorwärtsfunktion unseres Körpers die 06:25.520 --> 06:26.900 Aktion zum Spielen bringt. 06:26.900 --> 06:32.300 Das einzige, was wir jetzt noch tun müssen, und das ist die letzte Codezeile dieses ersten 06:32.300 --> 06:34.510 Teils, in der das erstellt wird. 06:34.760 --> 06:39.370 Wir müssen die Aktion zurückspielen, und das sind Aktionen. 06:39.530 --> 06:45.020 Im Moment müssen die Aktionen jedoch formatiert werden, und wir müssen sie mit Recht wieder 06:45.260 --> 06:51.660 in sie konvertieren. Dazu werden wir die Datenstruktur dieser Aktionen verwenden und dann die Nicht-Pilot-Funktion hinzufügen und 06:51.890 --> 06:53.840 dann gehen wir weiter. 06:53.840 --> 06:56.780 Jetzt haben wir die Aktionen im richtigen Format. 06:56.780 --> 06:58.040 Also herzlichen Glückwunsch. 06:58.040 --> 07:00.660 Mit diesem ersten Teil 1 sind wir nun fertig. 07:00.770 --> 07:03.410 Wir bauen die KI in drei Schritten auf. 07:03.410 --> 07:06.860 Zuerst haben wir das Gehirn gemacht, dann haben wir den Körper gemacht. 07:06.860 --> 07:13.430 Drittens bauen wir das Gehirn im Körper zusammen und verbreiten das gesamte Signal von den Augen bis zu dem Moment, in 07:13.430 --> 07:15.130 dem wir die Aktion ausführen. 07:15.560 --> 07:17.100 Das ist also ein erster Schritt. 07:17.120 --> 07:22.200 Das war ein großer Schritt, aber jetzt, da Sie verstanden haben, haben wir eine KI gebaut, aber es ist immer noch dumm. 07:22.220 --> 07:24.110 Wir müssen es trainieren, um intelligent zu sein. 07:24.170 --> 07:29.030 Also müssen wir es trainieren, um das zu tun, was wir wollten, und um 07:29.030 --> 07:34.100 dies zu tun, verwenden wir das Wort muss, um Umgebungen zu tun, die Sie 07:34.100 --> 07:34.690 kennen. 07:34.760 --> 07:40.610 Und wenn man bestraft oder geschwächt wird, wenn es ein schlechtes Wort bekommt, kommt das Queue-Lernen 07:40.610 --> 07:41.670 ins Spiel. 07:41.690 --> 07:47.510 Das ist genau das, was wir in diesem Teil tun, um mit tiefem Faltungs-Q-Lernen im Auge zu trainieren. 07:47.510 --> 07:50.270 Ich kann es kaum erwarten, bis ich anfangen kann.