WEBVTT 00:00.420 --> 00:04.730 Witam i zapraszam na ostatni krok tej części budynku. 00:04.860 --> 00:10.500 Teraz jedyne, co musimy zrobić, to uczynić z Forda funkcję, która będzie propagować 00:10.500 --> 00:16.650 sygnał od samego początku, kiedy mózg doprowadzi obraz do samego końca, kiedy umieszczę akcję, więc 00:16.650 --> 00:22.260 zrobimy to cała funkcja i to będzie nasz ostatni krok, zanim przejdziemy do 00:22.260 --> 00:26.710 udziału w szkoleniu naszej sztucznej inteligencji z głębokim splotowym kulangiem. 00:26.890 --> 00:28.080 Zróbmy to. 00:28.080 --> 00:34.470 Przejmiemy wywołanie funkcji, które faktycznie jest podobne do funkcji init, która jest istniejącą funkcją, 00:34.470 --> 00:38.760 ale tym razem używamy jej do wywoływania innych funkcji. 00:38.790 --> 00:43.170 Te, które zrobiliśmy wcześniej, ponieważ wiesz, że zamierzamy użyć funkcji do przodu z 00:43.290 --> 00:45.490 mózgu i funkcji portu z ciała. 00:45.630 --> 00:50.270 Używamy teraz tej funkcji, aby w zasadzie wywoływać te funkcje. 00:50.550 --> 00:53.160 Więc połączenie będzie wymagało dwóch argumentów. 00:53.160 --> 00:54.330 Pierwszy to jaźń. 00:54.330 --> 01:00.220 Oczywiście przedmiot i drugi argument, który według ciebie jest tym, czym będzie. 01:00.360 --> 01:02.910 Cóż, tym razem wykonujemy całą propagację. 01:02.910 --> 01:08.460 Więc tym, co chcemy wziąć jako dane wejściowe, są oczywiście obrazy wejściowe, ponieważ oczywiście jest 01:08.460 --> 01:10.860 to punkt wyjścia, kiedy AI gra. 01:10.860 --> 01:16.080 Najpierw wizualizuje obrazy gry, a następnie propaguje sygnały w mózgu, a następnie 01:16.080 --> 01:17.180 odtwarza akcję. 01:17.190 --> 01:20.130 Dlatego drugi argument będzie wejściowy. 01:20.610 --> 01:24.740 A teraz jesteśmy gotowi przeprowadzić tę całą propagację. 01:24.810 --> 01:26.220 Zróbmy to ponownie. 01:26.220 --> 01:31.900 Tak więc pierwszym krokiem, w którym jest pierwszy krok, jest otrzymanie obrazu wejściowego z gry. 01:32.190 --> 01:38.010 A ponieważ te obrazy wejdą do sieci neuronowej, możesz sobie wyobrazić, że musimy je 01:38.010 --> 01:42.840 sformatować w specjalnej strukturze, a struktura jest oczywiście strukturą pochodni. 01:42.840 --> 01:48.420 Tak więc pierwszą rzeczą, która się wydarzy, jest przekonwertowanie tych obrazów na matrycę superarbitrów, a 01:48.420 --> 01:55.320 następnie przekształcimy je w tensor palnika, a następnie w końcu wprowadzimy tensor palnika do zmiennej palnika, która będzie 01:55.500 --> 01:58.260 zawierać zarówno tensor, jak i gradient. 01:58.350 --> 02:03.780 To dla naszych dynamicznych wykresów, aby bardzo wydajnie obliczyć gradienty później Kattie jest wielka w tym 02:03.780 --> 02:04.460 sensie. 02:04.620 --> 02:06.200 To nasz pierwszy krok. 02:06.270 --> 02:12.130 A kiedy już otrzymamy właściwy format naszych obrazów, będą mogli wejść do sieci neuronowej, 02:12.360 --> 02:16.320 a wtedy będziemy mogli przeprowadzić całą propagację sygnałów. 02:16.380 --> 02:20.340 Zróbmy to najpierw, aby przekonwertować obraz na właściwy format. 02:20.430 --> 02:23.050 Więc nasze obrazy są tak na dane wejściowe. 02:23.220 --> 02:26.780 Teraz stworzymy nową zmienną, którą wywołuję input. 02:26.820 --> 02:30.470 To jest prawdziwe wejście sieci neuronowej i tego wejścia. 02:30.510 --> 02:31.760 Gdzie to będzie. 02:31.920 --> 02:34.490 Najpierw musimy wziąć nasze dane wejściowe. 02:34.530 --> 02:36.650 To są nasze oryginalne obrazy. 02:36.870 --> 02:42.190 Następnie, jak powiedzieliśmy, chcemy przekonwertować te obrazy na tablice Nampa. 02:42.330 --> 02:49.260 Aby to zrobić, możemy po prostu nie przyjmować żadnego, za pomocą którego mamy skrót, a następnie tablicę funkcji. 02:49.500 --> 02:52.850 Wstawiamy więc nawiasy w tablicy funkcji. 02:52.890 --> 02:53.340 No to jedziemy. 02:53.340 --> 02:55.940 Teraz jest konwertowany na coś i przez tablice. 02:56.190 --> 03:02.790 Ale ponieważ komórki z tablic numpad będą zawierały piksele, bezpieczniej jest określić 03:02.790 --> 03:04.230 typ float. 03:04.310 --> 03:11.040 Lepiej upewnić się, że mamy teraz trochę spacji, aby upewnić się, że możemy użyć tego float. 03:11.090 --> 03:12.690 Przykro to słyszeć. 03:12.720 --> 03:15.390 W porządku, więc teraz mamy jeszcze sędziego. 03:15.540 --> 03:17.330 Ale z tabletem. 03:17.720 --> 03:24.150 W porządku, a to jeszcze jeden powód, dla którego tensory są z definicji tablicami jednego typu. 03:24.270 --> 03:28.060 Dlatego wybieramy pojedynczy typ jako float float 32. 03:28.060 --> 03:28.350 W porządku. 03:28.350 --> 03:34.440 Teraz, gdy mamy już podbijanie nie bio, kolejnym krokiem jest zamiana tego w czujnik 03:34.440 --> 03:37.990 żółwia, a do tego możemy użyć np. Latarki. 03:38.070 --> 03:45.380 A następnie z niewydajnej funkcji podkreślenia, która zamieni ją na czujnik palnika. 03:45.420 --> 03:46.200 No to jedziemy. 03:46.210 --> 03:52.320 A teraz ostatni krok polega na umieszczeniu tych czujników palnika w zmiennej latarki zawierającej zarówno tensor, jak 03:52.320 --> 03:53.230 i porozumienie. 03:53.400 --> 04:02.010 I wiesz jak to zrobić, oczywiście bierzemy naszą klasę zmiennych, ponieważ właściwie wszystko, co znajduje się wewnątrz tej 04:02.010 --> 04:05.530 zmiennej, jest w rzeczywistości wejściem klasy zmiennej. 04:05.760 --> 04:11.400 Ale chciałem ci to pokazać w ten sposób, ponieważ wiesz, że zaczynamy od naszych obrazów wejściowych, a następnie 04:11.400 --> 04:15.890 przekształcamy je w ponumerowane tablice, a następnie w tace palnika, a następnie jutro. 04:16.170 --> 04:17.220 A teraz jesteśmy dobrzy. 04:17.220 --> 04:23.370 Mogą wejść do sieci neuronowej, która jest najpierw oczami, a następnie w pełni połączone 04:23.370 --> 04:25.770 warstwy, które prowadzą do przewidywań. 04:26.220 --> 04:30.340 Mówiąc o oczach oczu, właśnie to teraz zrobimy. 04:30.480 --> 04:37.280 Zamierzamy teraz rozpowszechniać te dozwolone obrazy w oczach oczu, które przechodzą przez trzy 04:37.290 --> 04:38.720 splotowe warstwy. 04:38.850 --> 04:41.620 I aby to zrobić, zobaczycie teraz, jak to jest takie proste. 04:41.640 --> 04:46.290 To dlatego, że mamy już nasz mózg w naszym ciele z funkcji init. 04:46.320 --> 04:56.190 Musimy po prostu wziąć mózg za ten mózg i zastosować ten mózg do obrazów wejściowych, które będą propagować 04:56.190 --> 04:59.830 rzeczy do funkcji jedzenia z mózgu. 05:00.430 --> 05:06.190 To będzie propagować sygnały wewnątrz mózgu, a ponieważ funkcja przekazania mózgu zwraca 05:06.520 --> 05:13.600 sygnały wyjściowe, że neurony warstwy wyjściowej zawierają wartości Q Cóż, to samo wejście mózgu tutaj 05:13.610 --> 05:19.030 zwróci ten sygnał wyjściowy i dlatego zamierzamy umieścić tutaj czy zostanie 05:19.090 --> 05:26.120 zmieniona w zmienną i będziemy ją nazywać po prostu outwitami, to wyjście jest sygnałem wyjściowym 05:26.120 --> 05:26.690 mózgu. 05:26.930 --> 05:31.970 A teraz, gdy mamy wyjściowy sygnał mózgu Cóż, musimy propagować ten sygnał wyjściowy 05:31.970 --> 05:37.990 do ciała i aby to zrobić, wykorzystamy drugą funkcję do przodu z ciała i zrobimy to. 05:38.030 --> 05:46.370 Musimy po prostu zabrać nasze ciało i zastosować je oczywiście do wyników, ponieważ funkcja Forda ciała 05:46.370 --> 05:50.600 przyjmuje jako sygnał wejściowy sygnały wyjściowe mózgu. 05:50.660 --> 05:55.880 Tak więc właśnie to jest wyjście i zwraca akcje. 05:56.000 --> 05:58.080 I dlatego, że zwraca działania. 05:58.380 --> 06:03.530 Tutaj dodamy działania, które spowodują, że to samo wyjście. 06:03.920 --> 06:09.380 W porządku, teraz widzicie, że po prostu propagowaliśmy sygnały wewnątrz mózgu, a następnie od 06:09.380 --> 06:15.410 mózgu do pierwszego, używając funkcji formy z mózgu, która zabiera nas i umieszcza obrazy wejściowe, 06:15.410 --> 06:19.830 a następnie propaguje je do mózgu, aby zachowaj kluczowe wartości. 06:20.240 --> 06:25.400 A następnie propagujemy ten sygnał wyjściowy w ciele, w którym działa funkcja naszego ciała, aby 06:25.520 --> 06:26.900 uzyskać akcję do odegrania. 06:26.900 --> 06:32.300 A teraz jedyna pozostała rzecz, którą musimy zrobić i to jest ostatnia linia 06:32.300 --> 06:34.510 kodu tej części, która buduje. 06:34.760 --> 06:39.370 Musimy zwrócić akcję, aby grać, i to jest działanie. 06:39.530 --> 06:45.020 Jednak teraz działania muszą mieć format pochodni i musimy je z powrotem przekonwertować z powrotem 06:45.260 --> 06:51.660 na nie, i aby to zrobić, zajmiemy się strukturą danych tych działań, a następnie dodamy tutaj funkcję 06:51.890 --> 06:53.840 niepilotową, a następnie jedziemy. 06:53.840 --> 06:56.780 Teraz mamy działania, które zmieniliśmy we właściwym formacie. 06:56.780 --> 06:58.040 Gratulacje. 06:58.040 --> 07:00.660 Teraz kończymy pierwszą część 1. 07:00.770 --> 07:03.410 Budujemy sztuczną inteligencję w trzech krokach. 07:03.410 --> 07:06.860 Najpierw stworzyliśmy mózg, po którym stworzyliśmy ciało. 07:06.860 --> 07:13.430 Po trzecie, gromadzimy mózg w ciele i propagujemy cały sygnał od oczu do momentu, w 07:13.430 --> 07:15.130 którym wykonujemy akcję. 07:15.560 --> 07:17.100 To pierwszy krok. 07:17.120 --> 07:22.200 To był ogromny krok, ale teraz, kiedy zrozumiałeś, zbudowaliśmy sztuczną inteligencję, ale wciąż jest głupia. 07:22.220 --> 07:24.110 Musimy go wyszkolić, aby był inteligentny. 07:24.170 --> 07:29.030 Musimy więc wyszkolić go do robienia tego, co chcieliśmy, i aby to zrobić, użyjemy 07:29.030 --> 07:34.100 słowa "robić otoczenie", które znasz, ponieważ uczysz się od świata poprzez wzmocnienie, gdy dostajesz dobrą 07:34.100 --> 07:34.690 nagrodę. 07:34.760 --> 07:40.610 A będąc ukaranym lub osłabionym, gdy dostaje złe słowo, w tym miejscu 07:40.610 --> 07:41.670 wkracza nauka. 07:41.690 --> 07:47.510 I właśnie to zrobimy w tej części, aby ćwiczyć w oku z głębokim splotowym uczeniem się Q. 07:47.510 --> 07:50.270 Nie mogę się doczekać rozpoczęcia i do tego czasu.