WEBVTT 00:00.480 --> 00:02.730 مرحبًا ومرحبًا بكم في برنامج Python التعليمي هذا. 00:02.910 --> 00:03.960 لذلك دعونا نفعل هذا. 00:03.960 --> 00:08.370 دعونا نجعل حلقة for هذه ، بدءًا من اليمين وتنتقل إلى اليسار. 00:08.430 --> 00:11.400 وللقيام بذلك ، نضيف أربعة. 00:11.730 --> 00:17.580 إذن هذه المرة ، المتغير المتكرر سيكون خطوتنا لأننا سننتقل من الخطوة الأخيرة 00:17.580 --> 00:21.660 إلى الخطوة الأولى في سلسلة الانتقالات وما إلى ذلك. 00:21.660 --> 00:29.850 والآن ، الحيلة للانتقال من اليمين إلى اليسار هي استخدام أربع خطوات للداخل ، معكوسة ، معكوسة. 00:29.850 --> 00:31.920 والآن نحتاج فقط إلى إدخال تسلسل. 00:31.920 --> 00:35.160 وهذا التسلسل سيكون ، بالطبع ، سلسلتنا. 00:35.160 --> 00:36.930 لذلك قمنا بإدخال سلسلتنا. 00:37.020 --> 00:41.730 لكن كما ترون في الورقة ، ننتقل من T ناقص واحد إلى بداية T. 00:41.730 --> 00:43.890 لذلك نحن لا ننتقل من الخطوة الأخيرة والأخيرة. 00:43.890 --> 00:48.120 هذه هي الحالة النهائية ، لكن الحالة قبل ذلك ، أي t ناقص واحد. 00:48.120 --> 00:50.160 لكن اثنين للبدء فهذه هي الخطوة الأولى. 00:50.160 --> 00:57.930 ولذا ، هنا للانتقال ليس من الحالة الأخيرة بل الحالة السابقة ، نحتاج إلى إضافة قوسين ، العمود 00:57.960 --> 00:58.980 ناقص واحد. 00:59.160 --> 01:03.630 أنا متأكد من أنه بالنسبة لأولئك الذين اتبعوا الآلات ودورة التعلم العميق 01:03.630 --> 01:10.140 ، كما تعلمون ، فإن هذه الحيلة ، كولين ، ناقص واحد ، تعني أنك ستنتقل إلى العنصر قبل العنصر الأخير ، ولكن ليس 01:10.140 --> 01:11.850 إلى العنصر الأخير. 01:11.850 --> 01:14.610 وبالتالي نحصل على التسلسل الذي نريده. 01:14.610 --> 01:20.820 سننتقل من العنصر قبل العنصر الأخير إلى العنصر الأول ، ونقوم بأشياء لعكسه 01:20.820 --> 01:23.790 ، للانتقال من اليمين إلى اليسار. 01:23.940 --> 01:24.330 حسنا. 01:24.330 --> 01:26.850 لذلك نحن جاهزون للدخول في الحلقة الكاملة. 01:26.850 --> 01:29.580 وهكذا داخل حلقة for ، أين سنفعل؟ 01:29.610 --> 01:32.670 حسنًا ، سنفعل تمامًا كما في الورقة. 01:32.670 --> 01:39.300 سنقوم بتحديث المكافأة التراكمية بضربها في جاما وإضافة المكافأة التي تم الحصول عليها في الخطوة 01:39.300 --> 01:42.120 الحالية الموجودة في خطوة الحلقة for. 01:42.480 --> 01:45.330 حسنًا ، لنفعل هذا ، نعود إلى بايثون. 01:45.330 --> 01:52.710 ولذا نريد تحديث مكافأتنا التراكمية بالطريقة التالية أولاً. 01:53.410 --> 01:54.790 ضربها. 01:55.520 --> 01:56.510 وداعا جيما. 01:57.650 --> 01:58.430 هناك نذهب. 01:58.460 --> 02:00.140 هنا نضربها في جيما. 02:00.260 --> 02:03.830 ثم نضيف مكافأة. 02:04.490 --> 02:09.220 الخطوة التي يمكننا الوصول إليها بهذه الطريقة مع الهيكل الخاص. 02:09.230 --> 02:12.890 تذكر أن المكافأة هي سمة من سمات كائن الخطوة. 02:12.890 --> 02:15.710 وهنا ، بالطبع ، نضيف موجب. 02:15.800 --> 02:16.190 حسنا. 02:16.190 --> 02:22.610 إذن المكافأة التراكمية تساوي مكافأة الخطوة التي نحن فيها الآن ، الحلقة بالإضافة إلى أوقات جاما ، 02:22.610 --> 02:25.490 المكافأة التراكمية السابقة قبل تحديثها. 02:25.970 --> 02:26.720 في احسن الاحوال. 02:26.720 --> 02:27.980 لذا أعتقد الآن أننا بخير. 02:27.980 --> 02:30.050 نحن نتابع الخوارزمية بدقة. 02:30.260 --> 02:32.480 والآن حان الوقت للخطوات التالية. 02:32.600 --> 02:34.850 حسنًا ، الآن ستصبح سهلة جدًا. 02:34.850 --> 02:40.890 نعود إلى الحلقة for الأولى ، لأن هذه الحلقة for هي فقط لحساب المكافأة التراكمية التي نعرفها من اليمين 02:41.000 --> 02:45.140 إلى اليسار عن طريق التحديث بهذه الطريقة ، باتباع الخوارزمية. 02:45.680 --> 02:51.950 والآن ، كما تتذكر ، الهدف من القيام بكل هذا هو إعداد مدخلاتنا وأهدافنا جاهزة حتى نتمكن 02:51.950 --> 02:55.670 من تقليل الفرق التربيعي بين الاثنين للتدريب. 02:55.670 --> 03:00.890 والآن ، الشيء الوحيد الذي يتعين علينا القيام به هو تجهيز هذه المدخلات والأهداف. 03:00.950 --> 03:03.170 لذلك دعونا نفعل هذا أولاً. 03:03.170 --> 03:08.330 ما يتعين علينا القيام به هو إضافة الحالة الأولى من السلسلة في قائمة المدخلات الخاصة بنا. 03:08.330 --> 03:14.030 حتى الآن ، حالة الإدخال هذه موجودة في متغير الإدخال هذا ، ولكن كان ذلك فقط لحساب الإخراج. 03:14.030 --> 03:19.340 لذلك سنحصل على حالة الإدخال هذه للخطوة الأولى بشكل منفصل لأن هذا هو بالضبط ما نحتاج إلى إلحاقه 03:19.340 --> 03:21.170 في قائمة المدخلات الخاصة بنا. 03:21.170 --> 03:23.090 لذلك دعونا نحصل على هذا بشكل منفصل. 03:23.120 --> 03:25.520 لذلك ، سوف نسميها حالة. 03:25.760 --> 03:28.100 وهكذا بالضبط نفس الشيء هنا. 03:28.100 --> 03:34.370 يمكننا الحصول عليها بهذه الطريقة بأخذ الفهرس الأول من السلسلة ، والذي يحتوي على الانتقال الأول ، ثم 03:34.370 --> 03:37.880 إضافة تلك الحالة للحصول على حالة هذا الانتقال الأول. 03:38.120 --> 03:40.760 لذلك هذا هو الشيء الذي نحتاجه بعد ذلك. 03:40.760 --> 03:46.580 سنحصل بشكل منفصل على الهدف المرتبط بحالة الإدخال هذه للانتقال الأول. 03:46.580 --> 03:53.330 ولذا فإنني أقدم هنا متغيرًا جديدًا هو الهدف الذي سيكون مساويًا لقيمة Q للخطوة الأولى. 03:53.330 --> 03:58.670 ونظرًا لإرجاع قيمة Q بواسطة الشبكة العصبية ، يتم تضمينها في الإخراج. 03:58.670 --> 04:05.660 ونظرًا لأن الإخراج هو الناتج المرتبط بهذا المدخل الذي يحتوي على العنصر الأول من الانتقال ، حسنًا 04:05.660 --> 04:12.830 ، يمكننا الحصول على قيمة Q هذه للحالة الأولى بمجرد أخذ الإخراج هنا وأخذ الرقم القياسي صفر. 04:12.830 --> 04:20.780 ثم نضيف البيانات النقطية التي ستحصل ببساطة على قيمة Q لحالة الإدخال في الانتقال الأول. 04:20.780 --> 04:22.850 وهذه هي بالضبط قيمة Q المستهدفة. 04:22.850 --> 04:24.740 لهذا السبب نأخذها. 04:25.100 --> 04:31.370 ثم سنقوم بتحديث هذا المتغير الهدف ، ولكن فقط للإجراء الذي تم تحديده في الخطوة الأولى 04:31.370 --> 04:32.900 من السلسلة. 04:32.900 --> 04:39.650 وللوصول إلى هذه الخطوة الأولى من السلسلة ، حسنًا ، نحتاج إلى أخذ السلسلة صفر الأولى لأن هذه 04:39.650 --> 04:42.680 هي بالضبط الخطوة الأولى في السلسلة صفر. 04:42.680 --> 04:47.270 وللوصول إلى الإجراء المقابل لهذه الخطوة الأولى من السلسلة. 04:47.270 --> 04:48.950 حسنًا ، علينا أن نضيف هنا. 04:49.730 --> 04:51.000 عمل نقطي. 04:51.030 --> 04:54.930 مرة أخرى ، هذا هو هيكل السمات الذي نستخدمه. 04:55.290 --> 04:58.740 الإجراء هو سمة من سمات الخطوة الأولى من السلسلة. 04:58.740 --> 05:04.590 هذا هو الانتقال الأول للسلسلة لأن كل انتقال للسلسلة يحتوي على الهيكل التالي ، وعمل 05:04.590 --> 05:08.340 الحالة ، والمكافأة ، والقيام بهذا الإجراء هنا. 05:08.340 --> 05:13.500 يعني إجراء السمة هذا هنا أننا نحصل ببساطة على إجراء هذا التاريخ الأول. 05:14.170 --> 05:21.310 وبالتالي فإن الهدف من هذا الإجراء المحدد من الخطوة الأولى هو بالضبط ما يجب تحديثه بالمكافأة 05:21.310 --> 05:22.540 التراكمية. 05:22.570 --> 05:29.260 لذلك سنكتب هنا بشكل أساسي أن الهدف المرتبط بالإجراء الذي تم لعبه في الخطوة 05:29.260 --> 05:35.560 الأولى من السلسلة هو المكافأة التراكمية التي حسبناها للتو. 05:35.950 --> 05:36.670 حسنا. 05:36.670 --> 05:45.010 والآن نحن مستعدون أخيرًا لتحديث مدخلاتنا من خلال إلحاق حالة الإدخال الأولى هنا وهذا الهدف الأول 05:45.010 --> 05:45.730 هنا. 05:45.730 --> 05:51.130 بالنسبة للخطوة الأولى ، نحتاج فقط إلى تحديث الخطوة الأولى من السلسلة لأننا ، كما تعلم ، نقوم بتدريب 05:51.130 --> 05:55.930 العين على عشر خطوات ، وبالتالي فإن الإدخال هو الخطوة الأولى من الخطوات العشر. 05:55.930 --> 06:01.000 وأيضًا نحصل على الهدف في هذه الخطوة الأولى ، ولكن بعد ذلك لا نحتاج إلى الحصول على أي مدخلات أو 06:01.000 --> 06:06.150 أي أهداف في الخطوات التالية من الخطوات العشر ، لأن التعلم يحدث في الأساس عشر خطوات بعد ذلك. 06:06.160 --> 06:11.110 لهذا السبب نحن الآن نحصل فقط على الحالة والهدف من الخطوة الأولى من السلسلة. 06:11.620 --> 06:13.240 لذلك من المهم أن نفهم ذلك. 06:13.240 --> 06:18.280 وبالتالي ، إذا فهمنا ذلك ، فإننا نفهم الآن أنه يتعين علينا إدخالها في قائمة المدخلات 06:18.280 --> 06:20.170 وقائمة الأهداف الخاصة بنا. 06:20.500 --> 06:22.300 لذلك دعونا نفعل هذا أولاً. 06:22.300 --> 06:25.000 دعنا نلحق الحالات بمدخلاتنا. 06:25.000 --> 06:33.640 لذلك نأخذ قائمة المدخلات الخاصة بنا ونستخدم وظيفة الإلحاق لإضافة الحالة التي تتذكر حالة الإدخال للخطوة 06:33.640 --> 06:35.950 الأولى من السلسلة. 06:36.820 --> 06:42.260 وبعد ذلك سنلحق هدف الخطوة الأولى بقائمة الأهداف. 06:42.280 --> 06:48.340 وللقيام بذلك ، نأخذ قائمة الأهداف الخاصة بنا ونفس الشيء نستخدم وظيفة الإلحاق لإلحاق هذا الهدف 06:48.340 --> 06:49.000 الأول. 06:49.330 --> 06:50.260 هناك نذهب. 06:50.290 --> 06:51.190 يكاد ينتهي. 06:51.190 --> 06:55.990 والآن نحن بحاجة إلى إعادة آخر الأشياء ، والتي هي بالطبع ما نحتاجه. 06:55.990 --> 06:58.300 هذا ما قلناه في بداية الدرس. 06:58.330 --> 07:01.600 المدخلات والأهداف التي تم تحديثها الآن. 07:01.840 --> 07:03.550 لذلك سنضيف هنا العودة. 07:04.000 --> 07:06.280 ثم سنحصل على مدخلاتنا أولاً. 07:06.280 --> 07:07.480 ولكن هذا هو نفسه. 07:07.480 --> 07:14.230 نحتاج إلى تحويلهم إلى مصفوفة عددية أولاً ، ثم إجراء تحويل نوع 07:14.230 --> 07:21.550 للتأكد من أن لدينا نوعًا واحدًا بنوع D يساوي و P يساوي 30 عائمًا. 07:21.640 --> 07:27.940 ثم نقوم بتحويل هذا إلى موتر شعلة لأننا بالطبع نعمل مع PyTorch ، لذلك هذا 07:27.940 --> 07:29.440 إلزامي تمامًا. 07:29.440 --> 07:33.280 ولذا فأنا أستخدم الشعلة من NumPy. 07:33.730 --> 07:36.010 الوظيفة مرة أخرى. 07:36.990 --> 07:38.980 وهذا يعطينا مدخلاتنا. 07:39.000 --> 07:39.510 في احسن الاحوال. 07:39.510 --> 07:42.060 والآن لنفعل الشيء نفسه بالنسبة للهدف. 07:42.330 --> 07:44.440 الآن سنستخدم هذه الحيلة ، وهي أسرع. 07:44.460 --> 07:46.710 سنقوم بتكديس الأهداف معًا. 07:46.710 --> 07:53.730 وللقيام بذلك ، نحتاج أولاً إلى استخدام مكتبة الشعلة الخاصة بنا ، لأننا سنستخدم وظيفة المكدس 07:53.820 --> 07:56.700 بواسطة الكشاف لتكديس الأهداف. 07:57.060 --> 07:57.450 حسنا. 07:57.450 --> 08:03.960 ولذا فإن هذا السطر من الكود يُرجع بشكل أساسي المدخلات والهدف الذي قمنا بتحديثه للتو من خلال 08:03.960 --> 08:09.000 خوارزمية مصدر تتبع الأهلية ، أو يمكننا تسميته والتعلم التدريجي. 08:09.000 --> 08:14.910 والآن تهانينا ، نحن جاهزون لإجراء التدريب النهائي لأن التدريب يتكون 08:14.910 --> 08:20.910 أساسًا من تقليل الفروق التربيعية بين تنبؤات مدخلاتنا والأهداف. 08:20.910 --> 08:22.710 لذلك دعونا نجعل الذكاء الاصطناعي لدينا ذكيًا. 08:22.710 --> 08:25.050 سوف تصبح ذكية في البرنامج التعليمي التالي. 08:25.050 --> 08:26.910 وحتى ذلك الحين ، استمتع بـ i.