WEBVTT 00:00.420 --> 00:04.730 Bună ziua și bine ați venit în ultimul pas al acestei părți o clădire. 00:04.860 --> 00:10.500 Acum, singurul lucru pe care trebuie sa-l facem este sa facem ca aceasta functie Ford care va 00:10.500 --> 00:16.650 propaga semnalul de la inceput atunci cand creierul obtine imaginea la sfarsit atunci cand plasez actiunea asa ca 00:16.650 --> 00:22.260 vom face asta o întreagă funcție și asta va fi ultimul nostru pas înainte de a 00:22.260 --> 00:26.710 merge la o parte la instruirea AI cu un culang profund convoluțional. 00:26.890 --> 00:28.080 Deci, să facem asta. 00:28.080 --> 00:34.470 Vom lua apelul funcției care este de fapt similar cu funcția init care este o funcție existentă, 00:34.470 --> 00:38.760 dar de această dată o folosim pentru a apela alte funcții. 00:38.790 --> 00:43.170 Cele pe care le-am făcut înainte, pentru că știți că vom folosi funcția de transmitere din 00:43.290 --> 00:45.490 creier și funcția de port din corp. 00:45.630 --> 00:50.270 Și, prin urmare, folosim acum această funcție pentru a apela aceste funcții. 00:50.550 --> 00:53.160 Deci, apelul va lua două argumente. 00:53.160 --> 00:54.330 Primul este sine. 00:54.330 --> 01:00.220 Bineînțeles obiectul și al doilea argument care, în opinia dvs., va fi ceea ce va fi. 01:00.360 --> 01:02.910 Ei bine, facem această propagare de data asta. 01:02.910 --> 01:08.460 Deci, ceea ce dorim să luăm ca intrare este, desigur, imaginile de intrare, deoarece, desigur, acesta este punctul 01:08.460 --> 01:10.860 de plecare atunci când AI joacă jocul. 01:10.860 --> 01:16.080 Este prima vizualizare a imaginilor jocului, apoi propagă semnalele din creier și apoi 01:16.080 --> 01:17.180 joacă acțiunea. 01:17.190 --> 01:20.130 Prin urmare, al doilea argument va fi o contribuție. 01:20.610 --> 01:24.740 Și acum suntem gata să facem această propagare. 01:24.810 --> 01:26.220 Deci, să facem asta din nou. 01:26.220 --> 01:31.900 Deci, primul pas în cazul în care este primul pas este primirea imaginilor de intrare din joc. 01:32.190 --> 01:38.010 Și din moment ce aceste imagini vor intra în rețeaua neuronală. Ei bine, vă puteți imagina că trebuie 01:38.010 --> 01:42.840 să le formăm într-o structură specială, iar structura este, desigur, o structură de torte. 01:42.840 --> 01:48.420 Deci, primul lucru care se va întâmpla este că vom transforma aceste imagini într-o gamă de 01:48.420 --> 01:55.320 arbitri, apoi vom transforma-o într-un tensor de torță și apoi vom pune tensorul tortei într-o variabilă a torței care va 01:55.500 --> 01:58.260 conține atât tensorul cât și un gradient. 01:58.350 --> 02:03.780 Asta pentru graficele noastre dinamice de a calcula foarte eficient gradientele mai târziu mai repede Kattie mare 02:03.780 --> 02:04.460 în sensul. 02:04.620 --> 02:06.200 Deci asta este primul nostru pas. 02:06.270 --> 02:12.130 Și atunci când obținem formatul corect al imaginilor noastre, ei vor putea intra în 02:12.360 --> 02:16.320 rețeaua neuronală și apoi vom face toată propagarea semnalelor. 02:16.380 --> 02:20.340 Deci, să facem asta mai întâi ca să transformăm imaginea în formatul corect. 02:20.430 --> 02:23.050 Deci imaginile noastre sunt atât de mari pentru inputuri. 02:23.220 --> 02:26.780 Acum vom crea o nouă variabilă pe care o sun de intrare. 02:26.820 --> 02:30.470 Deci, aceasta este intrarea reală a rețelei neuronale și această intrare. 02:30.510 --> 02:31.760 Unde va fi. 02:31.920 --> 02:34.490 Ei bine, mai întâi trebuie să ne luăm contribuțiile. 02:34.530 --> 02:36.650 Acestea sunt imaginile noastre originale. 02:36.870 --> 02:42.190 Apoi, după cum am spus, vrem să convertim aceste imagini în matrice Nampa. 02:42.330 --> 02:49.260 Deci, pentru a face acest lucru, putem pur și simplu să luăm pe nimeni prin care să avem o comandă rapidă și apoi o matrice de funcții. 02:49.500 --> 02:52.850 Așa că am pus în paranteze ale matricei de funcții. 02:52.890 --> 02:53.340 Vom merge acolo. 02:53.340 --> 02:55.940 Acum este convertit în ceva și prin matrice. 02:56.190 --> 03:02.790 Dar atunci când celulele matriceelor ​​numpad vor conține pixeli, este mai sigur să specificați 03:02.790 --> 03:04.230 tipul de float. 03:04.310 --> 03:11.040 Este mai bine să ne asigurăm că avem niște flotoare chiar acum pentru a ne asigura că putem folosi acel flotor. 03:11.090 --> 03:12.690 Imi pare rau sa aud. 03:12.720 --> 03:15.390 Bine, deci avem încă un arbitru. 03:15.540 --> 03:17.330 Dar cu tableta. 03:17.720 --> 03:24.150 În regulă și asta este și un alt motiv pentru care tensorii sunt, prin definiție, tablouri de un singur tip. 03:24.270 --> 03:28.060 Și deci alegem un singur tip de flotor 32. 03:28.060 --> 03:28.350 In regula. 03:28.350 --> 03:34.440 Acum, când avem non-bio raise, următorul pas este să transformăm acest lucru într-un senzor de broască țestoasă și 03:34.440 --> 03:37.990 pentru a face acest lucru putem folosi de exemplu torța. 03:38.070 --> 03:45.380 Și apoi din funcția de subliniere non-pilot care va transforma acest lucru într-un senzor de torță. 03:45.420 --> 03:46.200 Vom merge acolo. 03:46.210 --> 03:52.320 Și ultimul pas este să punem acești senzori de torță într-o variabilă a torței care conține atât tensorul, cât 03:52.320 --> 03:53.230 și acordul. 03:53.400 --> 04:02.010 Si stiti cum sa faceti acest lucru, desigur, luam clasa variabila, deoarece tot ceea ce este in interiorul acestei 04:02.010 --> 04:05.530 variabile este de fapt intrarea clasei variabile. 04:05.760 --> 04:11.400 Dar am vrut să vă arăt acest lucru pentru că știți că începem cu imaginile noastre de intrare, 04:11.400 --> 04:15.890 apoi le transformăm în matrice numerotate, apoi să torționăm tensorii și apoi mâine. 04:16.170 --> 04:17.220 Și acum suntem buni. 04:17.220 --> 04:23.370 Acestea sunt permise să intre în rețeaua neuronală care este mai întâi ochii ochiului și apoi straturile 04:23.370 --> 04:25.770 conectate complet să conducă la predicții. 04:26.220 --> 04:30.340 Deci vorbind despre ochii ochilor, exact ce vom face acum. 04:30.480 --> 04:37.280 Vom propaga aceste imagini permise acum în ochii ochilor care se află prin cele trei 04:37.290 --> 04:38.720 straturi convoluționale. 04:38.850 --> 04:41.620 Și pentru a face asta, veți vedea acum cât de simplu este. 04:41.640 --> 04:46.290 Asta pentru că deja avem creierul în corpul nostru din funcția init. 04:46.320 --> 04:56.190 Trebuie pur și simplu să ne luăm creierul creierul și să aplicăm acest creier imaginilor de intrare și care vor propaga lucrurile 04:56.190 --> 04:59.830 la funcția alimentară de aici din creier. 05:00.430 --> 05:06.190 Aceasta va propaga semnalele din creier și din moment ce funcția forward a creierului returnează semnalele 05:06.520 --> 05:13.600 de ieșire pe care neuronii din stratul de ieșire conțin valorile Q Ei bine, această intrare a creierului aici va 05:13.610 --> 05:19.030 returna acest semnal de ieșire și, prin urmare, vom pune aici dacă se transformă 05:19.090 --> 05:26.120 într-o variabilă și o vom numi pur și simplu ca o ieșire, această ieșire este semnalul de ieșire al 05:26.120 --> 05:26.690 creierului. 05:26.930 --> 05:31.970 Și acum, acum că avem semnalul de ieșire al creierului Ei bine, trebuie să propagăm acest semnal de ieșire 05:31.970 --> 05:37.990 către organism și pentru a face acest lucru vom folosi a doua funcție de transmitere din corp și pentru a face acest lucru. 05:38.030 --> 05:46.370 Pur și simplu trebuie să ne luăm corpul și să îl aplicăm, desigur, producției deoarece funcția Ford a 05:46.370 --> 05:50.600 corpului ia ca semnal de ieșire din creier. 05:50.660 --> 05:55.880 Deci, exact ceea ce este de ieșire este acum și returnează acțiunile. 05:56.000 --> 05:58.080 Și, prin urmare, din moment ce returnează acțiunile. 05:58.380 --> 06:03.530 Ei bine, aici vom adăuga acțiuni care să ducă la sine o ieșire foarte mare. 06:03.920 --> 06:09.380 Așa că acum puteți vedea că foarte simplu am propagat semnalele din interiorul creierului și apoi 06:09.380 --> 06:15.410 de la creier la cel dintâi prin utilizarea funcției de formă din creier care ne duce și pune 06:15.410 --> 06:19.830 imaginile de intrare și apoi le propagăm în creier păstrați valorile cheie. 06:20.240 --> 06:25.400 Și apoi vom propaga acest semnal de ieșire în corpul în cazul în care funcția de transmitere a corpului nostru pentru a 06:25.520 --> 06:26.900 obține acțiunea de a juca. 06:26.900 --> 06:32.300 Și acum, singurul lucru rămas pe care trebuie să-l facem și acesta este ultimul rând al 06:32.300 --> 06:34.510 codului acestei părți care o construiește. 06:34.760 --> 06:39.370 Trebuie să revenim la acțiune pentru a juca și aceasta este o acțiune. 06:39.530 --> 06:45.020 Cu toate acestea, acum acțiunile trebuie să aibă un format torch și trebuie să le convertim înapoi în 06:45.260 --> 06:51.660 ele prin dreapta și pentru a face asta vom lua structura de date a acestor acțiuni și apoi vom adăuga aici 06:51.890 --> 06:53.840 funcția non-pilot și apoi vom merge. 06:53.840 --> 06:56.780 Acum avem acțiunile pe care le-am transformat în formatul potrivit. 06:56.780 --> 06:58.040 Deci, felicitări. 06:58.040 --> 07:00.660 Acum am terminat cu această primă parte 1. 07:00.770 --> 07:03.410 Construim AI în trei etape. 07:03.410 --> 07:06.860 Mai întâi am făcut creierul în al doilea rând pe care l-am făcut corpul. 07:06.860 --> 07:13.430 Și în al treilea rând, asamblează creierul în corp și am propagat întregul semnal din ochi în momentul 07:13.430 --> 07:15.130 în care jucăm acțiunea. 07:15.560 --> 07:17.100 Deci, este un prim pas făcut. 07:17.120 --> 07:22.200 Acesta a fost un pas uriaș, dar acum, după cum ați înțeles, am construit un AI AI, dar este încă proastă. 07:22.220 --> 07:24.110 Trebuie să-l antrenăm pentru a fi inteligent. 07:24.170 --> 07:29.030 Așa că trebuie să-l antrenăm pentru a face ceea ce vrem să facem și pentru a face asta vom 07:29.030 --> 07:34.100 folosi cuvântul trebuie să facem medii pe care le cunoașteți pentru că învață din lume, fiind întărite atunci când primește o 07:34.100 --> 07:34.690 bună răsplată. 07:34.760 --> 07:40.610 Și fiind pedepsit sau slăbit atunci când primește un cuvânt rău, unde învățarea cue va intra 07:40.610 --> 07:41.670 în joc. 07:41.690 --> 07:47.510 Și așa este exact ceea ce vom face în această parte pentru a ne antrena în ochi cu învățare profundă Q convoluțională. 07:47.510 --> 07:50.270 Nu pot să aștept să încep și până atunci.