WEBVTT 00:00.300 --> 00:06.120 Witam i zapraszam do super ekscytującej części naszego stworzenia, części, w której sprawiamy, że jest inteligentna. 00:06.270 --> 00:08.540 Tak właśnie dzieje się podczas treningu w powietrzu. 00:08.590 --> 00:13.200 Będę trenować jego inteligencję, aby osiągnąć cel, który chcieliśmy osiągnąć. 00:13.350 --> 00:18.870 Aby to zrobić, zamierzamy po prostu wyszkolić sieć neuronową, aby generowała prawidłowe prognozy. 00:19.110 --> 00:24.360 A potem wszystko jest już gotowe, ponieważ te sygnały wyjściowe z mózgu mają już właściwą 00:24.360 --> 00:27.300 transmisję do organizmu, aby odegrać ostatnie działania. 00:27.660 --> 00:32.130 Więc w zasadzie teraz to, co zamierzamy zrobić, jest czymś, co już zrobiliśmy wcześniej. 00:32.280 --> 00:37.680 Po prostu weźmiemy kilka losowych partii z pamięci, uzyskamy dane wejściowe z tych próbek, uzyskamy 00:37.680 --> 00:42.930 dane wyjściowe, uzyskamy cel, uzyskamy prognozy, obliczymy ostatni błąd między przewidywaniami a celem, a 00:42.930 --> 00:48.360 następnie wykonamy propagację wsteczną aby uzyskać spadek gradientu, aby zaktualizować wagi w zależności od tego, 00:48.360 --> 00:51.430 jak bardzo przyczyniły się do tego ostatniego błędu. 00:51.900 --> 00:53.040 Więc zróbmy to wszystko. 00:53.040 --> 00:58.020 Zobaczysz, jak to będzie takie łatwe, ponieważ mamy już wszystkie narzędzia do implementacji. 00:58.200 --> 01:04.230 Nie tylko mamy ścieżkę do narzędzi takich jak optymalizator i funkcje strat, ale także mamy wszystkie 01:04.440 --> 01:09.600 klasy, które stworzyliśmy wcześniej, jak oczywiście nasz mózg, których będziemy używać do uzyskiwania 01:09.600 --> 01:10.290 prognoz. 01:10.620 --> 01:17.970 Następnie nasze doświadczenie, śledzenie kwalifikowalności wdrożenia powtórek i wszystkie te narzędzia połączone z pilotem, które narzędzia 01:17.970 --> 01:23.790 sprawią, że szkolenie będzie super wydajne, a zatem ostatecznie otrzymamy super potężne 01:23.790 --> 01:26.250 A. JA. Zróbmy więc to szkolenie. 01:26.400 --> 01:28.110 Sprawmy, by nasze oczy były inteligentne. 01:28.290 --> 01:33.380 Pierwszą rzeczą, którą teraz zrobimy, jest pobranie ostatniej funkcji, której użyjemy podczas szkolenia 01:33.390 --> 01:36.200 podczas obliczania błędu i zoptymalizowanie jej. 01:36.540 --> 01:37.680 To pierwsza rzecz, którą zrobimy. 01:37.980 --> 01:40.590 Stwórzmy więc zmienną dla ostatniej funkcji. 01:40.590 --> 01:42.150 Nazwiemy to stratą. 01:42.810 --> 01:50.340 A to będzie równe funkcji strat MSE z modułu końcowego. 01:50.850 --> 01:52.470 A potem ten Mercilus. 01:52.740 --> 01:56.940 To ostatnia funkcja, której użyjemy, ponieważ w zasadzie nasze przewidywania są wartościami. 01:56.940 --> 01:59.940 Wiesz, przewidujemy podstawowe wartości różnych działań. 01:59.940 --> 02:05.970 A zatem, ponieważ są to liczby rzeczywiste, cóż, robimy coś w rodzaju sieci neuronowej w celu regresji, 02:05.970 --> 02:08.910 a zatem funkcja straty jest środkiem do błędu. 02:09.120 --> 02:11.880 To jest funkcja straty, której używamy ogólnie do regresji. 02:12.450 --> 02:12.960 W porządku. 02:13.080 --> 02:18.180 Więc teraz, gdy mamy naszą ostatnią funkcję, pobierzmy tutaj nasz optymalizator. 02:18.180 --> 02:21.240 To jest zmienna, którą tworzymy dla niego optymalizator. 02:21.270 --> 02:23.940 I będziemy postępować jak zwykle. 02:23.940 --> 02:30.750 Jeśli chodzi o samojezdny samochód, optymalizator atomów, to bardzo potężny optymalizator, który zdziała cuda podczas 02:30.930 --> 02:31.710 treningu. 02:32.130 --> 02:35.820 Więc przenieśmy ten do tego atomu. 02:36.810 --> 02:42.720 I pamiętajcie, że właśnie to auto jeżdżące musimy wprowadzić dwa zasadnicze argumenty. 02:43.080 --> 02:49.200 Pierwsza to ta, która połączy optymalizator z parametrami naszej sieci neuronowej, 02:49.200 --> 02:52.650 czyli wagami neuronów naszego mózgu. 02:53.040 --> 02:56.640 Aby to zrobić, bierzemy mózg, który nazwaliśmy CNN. 02:57.030 --> 02:59.040 To obiekt, który stworzyliśmy dla naszego mózgu. 02:59.280 --> 03:05.860 A więc CNN, które pamiętają parametry, które idziemy i kilka nawiasów. 03:06.270 --> 03:11.970 To tworzy związek między optymalizatorem a wagą neuronów w mózgu 03:11.970 --> 03:18.630 naszego A. JA. A następnie drugim argumentem jest współczynnik uczenia się, który jest określony przez l. R. 03:18.990 --> 03:24.510 Więc tutaj musimy przyjąć mniejszy współczynnik uczenia się, ponieważ nie chcemy zbieżności zbyt szybko i chcemy mieć trochę 03:24.510 --> 03:29.370 eksploracji, a zatem dobry sposób uczenia się, który możemy tutaj powiedzieć, jest mały, który ma cztery 03:29.370 --> 03:33.150 punkty lub taki, który wynosi 0. 01 proc. 03:33.390 --> 03:36.270 Myślę, że tego samego używaliśmy w przypadku samochodu autonomicznego. 03:37.320 --> 03:43.410 W porządku, więc mamy teraz optymalizator utraconych funkcji, więc jesteśmy prawie gotowi do rozpoczęcia pełnej pętli. 03:43.470 --> 03:45.890 Cóż, właściwie zaczniemy teraz pełną pętlę. 03:46.140 --> 03:52.100 Ale tuż przed tym, zanim to zrobimy, zdecydujemy o liczbie epok, w które 03:52.100 --> 03:58.170 będziemy się przekształcać, i stworzymy tutaj nową zmienną, która będzie odpowiadać tej liczbie epok. 03:59.320 --> 04:02.140 Ustawmy to na sto. 04:02.530 --> 04:08.350 To wystarczy, aby wytrenować powietrze, a nawet założę się, że powietrze zdoła dotrzeć na najlepszą drogę 04:08.500 --> 04:11.140 przed setką, na przykład dwadzieścia lub trzydzieści. 04:11.500 --> 04:12.000 Zobaczmy. 04:12.010 --> 04:13.750 Ale na razie weźmy sto. 04:13.990 --> 04:15.940 A jeśli tego będziemy potrzebować, zwiększymy go. 04:16.090 --> 04:17.710 Ale nie sądzę, żeby to było konieczne. 04:18.370 --> 04:22.660 OK, więc teraz, gdy mamy naszą liczbę lotnisk, możemy zacząć robić pełną pętlę, 04:22.840 --> 04:26.680 wiesz, tę główną pełną pętlę treningu, kiedy trenujemy nad lotniskami. 04:27.010 --> 04:31.530 Więc wtedy cała siatkówka będzie w pracy. 04:31.540 --> 04:34.240 Właśnie to wybieramy z powrotem. 04:34.990 --> 04:42.310 Teraz oczywiście użyjemy funkcji zakresu, aby powiedzieć, że chcemy przejść od pierwszej 04:42.670 --> 04:44.500 do liczby ok. 04:47.120 --> 04:52.730 Plus jeden, ponieważ pamiętaj, że górna granica zakresu nie jest uwzględniana, a zatem, 04:52.730 --> 04:58.730 jeśli chcesz podnieść do 100, cóż, musimy określić i być dodatnim, aby wzrosnąć do 100. 04:59.390 --> 04:59.840 W porządku. 04:59.840 --> 05:00.800 Więc, Colin. 05:00.980 --> 05:02.800 A teraz przejdźmy do pętli. 05:03.620 --> 05:03.980 W porządku. 05:03.980 --> 05:08.300 Więc pierwszą rzeczą, którą zamierzamy zrobić, jest wykonanie 200 przebiegów po dziesięć kroków. 05:08.660 --> 05:13.630 Tak więc każda epoka będzie trwała 200 biegów, jeden po drugim po 10 kroków. 05:13.940 --> 05:19.550 Aby to zrobić, mamy tę jednoetapową funkcję z naszej klasy doświadczenia i dlatego używamy tej 05:19.550 --> 05:24.770 funkcji, która jest w rzeczywistości metodą, ponieważ otrzymamy ją z naszego obiektu 05:24.770 --> 05:30.080 pamięci, który jest obiektem z klasy zastępczej, aby wygenerować te dwa przebiegi dziesięciu kroków. 05:30.320 --> 05:36.020 Cóż, musimy wziąć nasz obiekt pamięci, który przypominam, że stworzyliśmy tutaj. 05:36.170 --> 05:40.400 Pamięć jest celem odtworzenia klasy pamięci z Insteps. 05:40.400 --> 05:43.300 To jest 10 kroków i pojemność dziesięciu tysięcy. 05:43.910 --> 05:52.370 Stworzyliśmy ten obiekt i z tego obiektu bierzemy dobrze, ta funkcja Rundstedt wykonuje kroki i 05:52.370 --> 06:00.430 określamy dwieście kolejnych rund po dziesięć kroków, abyśmy po prostu wykonali 200 kroków. 06:00.860 --> 06:08.060 A teraz, gdy mamy te 200 kroków uruchomionych w każdym apoc, cóż, czas na pobranie próbek z 06:08.060 --> 06:10.630 tych serii i pobranie próbek. 06:10.640 --> 06:16.700 Mamy inną funkcję z naszej pamięci, która jest próbką, która dokładnie wygeneruje kilka partii 06:16.700 --> 06:18.910 z tych 200 uruchomień. 06:19.400 --> 06:26.720 Ale pamiętaj, te partie są tym razem partiami serii przejść, które stanowią serię dziesięciu kroków, w przeciwieństwie 06:27.020 --> 06:31.630 do wcześniejszych, gdzie partie były tylko partiami pojedynczych przejść tutaj. 06:31.640 --> 06:37.040 Tym razem będą to partie dziesięciu kroków, dziesięciu przejść, a zatem teraz nadszedł czas, 06:37.040 --> 06:41.870 aby wydobyć z naszej pamięci te losowe partie i je pobrać. 06:41.870 --> 06:48.320 Skorzystaliśmy z prostej funkcji wsadowej, do której musimy zastosować wielkość partii, i do wielkości partii, gdzie możemy 06:48.320 --> 06:53.480 wziąć trzydzieści dwie lub nawet sześćdziesiąt cztery lub nawet sto dwadzieścia osiem. 06:54.080 --> 06:57.830 Pamiętaj, że przy tym rozmiarze często używa się trzydziestu dwóch. 06:58.070 --> 07:03.470 To właśnie zobaczysz ogólnie w architekturach sieci neuronowych podczas uczenia wsadowego. 07:03.740 --> 07:05.470 Ale tym razem jest zupełnie inaczej. 07:05.660 --> 07:11.530 My, pobieramy tylko kilka partii po 10 kroków, więc lepiej jest wziąć partie o większych rozmiarach. 07:11.690 --> 07:14.710 Tak więc możemy wziąć sześćdziesiąt cztery, sto dwadzieścia osiem. 07:15.170 --> 07:16.940 Więc weźmiemy sto dwadzieścia osiem. 07:17.150 --> 07:25.130 I faktycznie będzie to wewnątrz pętli, ponieważ chcemy wziąć kilka partii i bierzemy je w tym, co 07:25.130 --> 07:28.870 jest zwracane przez tę prostą funkcję wsadową. 07:29.420 --> 07:36.020 Więc ta pełna pętla dla partii w pamięci próbki, sto dwadzieścia osiem, oznacza, że co 07:36.020 --> 07:41.720 sto dwadzieścia osiem kroków, cóż, nasza pamięć da nam partię rozmiaru, sto dwadzieścia 07:41.720 --> 07:47.210 osiem, która będzie zawierać ostatnią sto dwadzieścia osiem kroków, które właśnie pokonaliśmy. 07:47.960 --> 07:53.060 Otrzymujemy tylko sześć, sto dwadzieścia osiem partii i uczenie się będzie odbywać się na 07:53.210 --> 07:54.080 tych partiach. 07:54.320 --> 07:58.910 Poza tym w tych partiach będziemy mieć uruchomione tacki kwalifikacyjne, aby uczyć się co 10 07:58.910 --> 07:59.480 kroków. 08:00.230 --> 08:00.620 W porządku. 08:00.620 --> 08:06.950 Więc teraz w tej pętli, która wciąż dzieje się w jednej epoce, ale teraz jesteśmy w określonej 08:06.950 --> 08:07.360 partii. 08:07.790 --> 08:14.060 Więc teraz pierwszą rzeczą, którą zamierzamy zrobić, jest oddzielne uzyskanie naszych danych wejściowych i celu. 08:14.570 --> 08:16.610 A to, jak ci powiedziałem, jest bardzo łatwe. 08:16.610 --> 08:21.290 Możemy to zrobić za pomocą jednego z wdrożonych przez nas narzędzi, jakim jest śledzenie uprawnień. 08:21.620 --> 08:27.950 Jak widać tutaj, ta funkcja śledzenia uprawnień przyjmuje jako dane wejściowe, a teraz mamy partię i 08:28.310 --> 08:32.060 zwroty jako dane wyjściowe, dane wejściowe i cele. 08:32.420 --> 08:37.490 Teraz możemy po prostu stworzyć dwie nowe zmienne, które będą wejściami i 08:37.490 --> 08:38.300 celem. 08:38.690 --> 08:48.080 I czy te dane wejściowe dochodzą do celów, równa się dokładnie temu, co zwraca tę funkcję śledzenia kwalifikowalności stosowaną do 08:48.080 --> 08:48.610 partii. 08:49.010 --> 08:51.950 Więc zastosujemy tę funkcję do wsadu naszej pętli. 08:52.280 --> 08:55.160 Więc to, co zrobimy, to tylko kwalifikowalność. 08:56.460 --> 09:00.110 Ślad zastosowany do partii naszej nadziei. 09:00.660 --> 09:07.110 W porządku, więc to daje nam dane wejściowe i cele, ale w przypadku ciosów zawsze jest coś więcej, co 09:07.110 --> 09:07.850 musimy zrobić. 09:08.100 --> 09:13.530 I oczywiście ma to na celu konwersję danych wejściowych sieci neuronowej, a także celu, na pewne zmienne 09:13.530 --> 09:14.030 tahj. 09:14.340 --> 09:16.170 Ale nie ma też nic nowego. 09:16.200 --> 09:17.310 Wiemy, jak to zrobić. 09:17.490 --> 09:18.450 Możemy to zrobić w ten sposób. 09:18.460 --> 09:24.930 Bierzemy nasze dane wejściowe, potem nasze cele i cóż, będą one równe słowom. 09:25.820 --> 09:26.510 Wejścia. 09:27.750 --> 09:30.210 To na wejście i werbalne. 09:31.150 --> 09:33.580 Cele, a to dla celów. 09:34.090 --> 09:42.250 W porządku, więc dane wejściowe mózgu są zamieniane na pewne zmienne tahj, a cele również są przekształcane w 09:42.250 --> 09:43.900 niektóre zmienne tahj. 09:44.320 --> 09:48.320 Więc teraz możemy uzyskać dane wejściowe do sieci neuronowej. 09:48.640 --> 09:50.530 I dlaczego musimy to zrobić? 09:50.530 --> 09:55.270 Ponieważ następnym krokiem jest uzyskanie prognoz, mamy dane wejściowe, które musimy namierzyć. 09:55.540 --> 09:59.980 Teraz oczywiście potrzebujemy naszych przewidywań, ponieważ wtedy obliczymy stratę między 10:00.190 --> 10:02.120 przewidywaniami a celami. 10:02.890 --> 10:06.350 Więc pobierzmy te prognozy, aby je uzyskać. 10:06.640 --> 10:07.930 Cóż, znowu, to takie proste. 10:07.930 --> 10:14.650 Teraz musimy tylko wziąć nasz mózg, którym jest CNN, nasza konwolucyjna sieć neuronowa, i zastosować go 10:14.830 --> 10:16.730 do naszych danych wejściowych. 10:17.320 --> 10:17.950 No to jedziemy. 10:18.320 --> 10:23.320 Dane wejściowe trafiają do sieci neuronowej, a sieć neuronowa generuje prognozy. 10:24.170 --> 10:29.270 Idealnie, więc teraz mamy prognozy, mamy cele, abyśmy mogli uzyskać prawa i to 10:29.270 --> 10:34.640 jest następny krok, wprowadzimy nowy, więcej, ponieważ teraz otrzymamy ostatni błąd, który jest inny 10:34.790 --> 10:39.660 niż ostatnia funkcja, ponieważ używamy jej jako funkcji do uzyskania ostatniego błędu. 10:40.100 --> 10:50.570 Tak więc mniej błędów tutaj i otrzymamy go z mniejszą liczbą funkcji zastosowanych do naszych prognoz, a cele, do których 10:50.570 --> 10:54.860 idziemy, zobaczą, jak wszystko jest teraz gładkie. 10:55.070 --> 10:56.170 Wszystko jest logiczne. 10:56.180 --> 11:00.590 Najpierw otrzymujemy dane wejściowe, cele, a następnie dzięki danym wejściowym otrzymujemy prognozy. 11:00.590 --> 11:03.800 A potem dzięki przewidywaniom i otrzymanym celom mniej błędów. 11:05.070 --> 11:08.850 Tak bardzo logiczne i płynne, a teraz jaki jest następny krok? 11:09.150 --> 11:14.940 Cóż, ta sama ścieżka logiczna teraz, gdy mamy ostatnią, możemy z powrotem propagować ten mniejszy błąd z powrotem 11:14.940 --> 11:16.890 do nowej sieci, aby zaktualizować wagi. 11:17.190 --> 11:21.540 Robimy to ze stochastycznym zejściem w gradiencie i aby wykonać stochastyczne zejście w gradiencie. 11:21.540 --> 11:24.010 Potrzebujemy naszego optymalizatora, ale już go mamy. 11:24.030 --> 11:26.040 Oto Adam Optimizer. 11:26.430 --> 11:29.010 Ale teraz w tym miejscu pamiętaj, co musimy zrobić. 11:29.370 --> 11:32.380 Musimy go zainicjalizować i zainicjować. 11:32.400 --> 11:40.620 Pamiętaj, bierzemy nasz obiekt optymalizatora, a następnie stosujemy metodę zerowego gradientu. 11:41.440 --> 11:48.220 Idziemy, nie zapominamy o nawiasach, które go inicjalizują, a teraz następnym krokiem jest cofnięcie propagacji 11:48.220 --> 11:55.630 ostatniego błędu z powrotem do nowej sieci i zrobienie tego, w którym bierzemy nasz ostatni błąd 11:55.630 --> 11:58.950 i stosujemy na nim metodę wsteczną. 11:58.960 --> 12:01.800 Więc to jest dokładnie w celu zastosowania propagacji wstecznej. 12:02.110 --> 12:06.380 I wreszcie, teraz, gdy ostatni błąd powrócił, przenieś go do nowej sieci. 12:06.610 --> 12:09.610 Cóż, możemy zaktualizować wagi za pomocą gradientu Cassiego. 12:10.300 --> 12:16.950 Aby to zrobić, pamiętaj, bierzemy nasz optymalizator, a następnie stosujemy metodę krokową. 12:17.500 --> 12:18.210 No to jedziemy. 12:18.400 --> 12:19.900 Wagi są teraz zaktualizowane. 12:20.200 --> 12:25.500 Jak już mówiłem, nie tylko już to zrobiliśmy, ale teraz wydaje się to takie proste i naturalne. 12:26.200 --> 12:28.440 Więc teraz zrobimy coś fajnego. 12:28.600 --> 12:31.650 Zamierzamy wydrukować średnią nagrodę na każdy apoc. 12:31.840 --> 12:35.830 Więc wiesz, możemy śledzić, jak A. JA. idzie, jak idzie szkolenie. 12:36.190 --> 12:40.420 Chcemy zobaczyć, jak średnia nagroda rośnie wraz z krokami, ponad pudełkiem. 12:40.630 --> 12:44.070 Na początku jest oczywiście faza eksploracji. 12:44.080 --> 12:49.690 Więc średnia nagroda może nie wzrosnąć na początku, ale potem, gdy osiągnie fazę eksploatacji, 12:49.690 --> 12:56.050 zobaczymy, że średnia nagroda zdecydowanie wzrośnie i wzrośnie do pewnego poziomu, czyli wtedy, gdy dotrze na 12:56.290 --> 12:58.740 zachód tak szybko, jak możliwy. 12:59.380 --> 13:01.210 Zacznijmy więc od druku. 13:02.200 --> 13:07.660 Wiesz, robimy to w jednym, więc musimy wrócić do bardziej zapętlonego wydruku, 13:07.660 --> 13:12.610 a potem wypisujemy dobrze, najpierw około kolumny, potem procent. 13:12.610 --> 13:18.850 S, ponieważ zamierzamy przekształcić wszystko w ciąg, który jest lepszy, a następnie 13:18.850 --> 13:21.100 dodamy średnią nagrodę. 13:22.490 --> 13:27.620 Następnie dodajemy również procent, a następnie zamykamy wycenę. 13:28.890 --> 13:35.220 A potem dodajemy procent, a po drugiej stronie, wiesz, wprowadzamy zmienne, które będą pierwszą 13:35.220 --> 13:41.430 osobą, ponieważ jest to epicka tutaj i druga zmienna odpowiadająca średniej nagrodzie, która zostanie 13:41.610 --> 13:42.840 obliczona teraz. 13:43.020 --> 13:45.560 Więc średnia zmienna nagrody jeszcze nie istnieje. 13:45.780 --> 13:47.600 Stworzymy go teraz. 13:48.120 --> 13:51.930 Więc zamierzamy używać ETR w pracy. 13:52.470 --> 13:55.440 Nawet jeśli Époque jest liczbą, zamienimy ją na ciąg. 13:55.440 --> 13:57.090 Tak jest lepiej i. 13:58.110 --> 14:03.150 Dodamy, Estie, czy to będzie średnia nagroda, więc utworzymy 14:03.150 --> 14:09.810 zmienną, którą nazwiemy dużą nagrodą, a teraz utworzymy tę zmienną i obliczymy ją ? 14:10.560 --> 14:12.430 OK, więc zróbmy to. 14:12.450 --> 14:13.980 To jedyna rzecz, którą musimy zrobić. 14:13.980 --> 14:15.900 Tak więc Époque już mamy. 14:16.170 --> 14:20.040 Teraz obliczmy średni świat i musimy obliczyć go tutaj. 14:20.130 --> 14:27.090 Wciąż w pętli, ale poza pętlą, ponieważ teraz mamy próbkowanie partii i nasze szkolenie odbywa się 14:27.090 --> 14:28.050 w serii. 14:28.350 --> 14:31.940 Ale teraz propagacja do przodu plus propagacja do tyłu jest wykonywana w partii. 14:32.190 --> 14:39.900 Więc wracamy do pętli i możemy teraz obliczyć skumulowane nagrody, które możemy zrobić z naszym 14:39.900 --> 14:41.100 obiektem insteps. 14:41.430 --> 14:47.910 Ponieważ nasz obiekt insteps zawiera tę funkcję, moglibyśmy wykonać kroki, które pozwolą nam uzyskać skumulowane nagrody, które mają 14:47.910 --> 14:51.250 miejsce w tych krokach, wiesz, podczas wykonywania kroków. 14:51.660 --> 14:57.330 Więc zamierzamy go teraz użyć, aby zaktualizować nowe nagrody za kroki. 14:57.660 --> 15:05.640 Następnie zaktualizujemy obiekt średniej ruchomej, dodając skumulowane nagrody do poruszającego się obiektu codziennego użytku, a 15:05.640 --> 15:07.770 następnie ponownie obliczymy średnią. 15:07.780 --> 15:09.910 W ten sposób otrzymamy średnią nagrodę. 15:10.590 --> 15:11.510 Więc zróbmy to. 15:11.520 --> 15:14.640 Pierwszą rzeczą, której potrzebujemy, są dane dotyczące nagród DARABA. 15:14.970 --> 15:16.950 Nazwijmy je więc nagrodami. 15:18.100 --> 15:27.700 Kroki, a następnie, jak powiedzieliśmy, bierzemy nasz obiekt kroków końcowych, który, przypominam, został tutaj stworzony jako obiekt klasy 15:27.700 --> 15:33.310 natychmiastowego postępu z naszego doświadczenia, który zrażamy tak wrażliwym podmiotem. 15:34.000 --> 15:39.410 Następnie dodajemy nagrody, kroki i kilka nawiasów. 15:39.760 --> 15:40.150 W porządku. 15:40.180 --> 15:43.690 To zapewni nam nowe skumulowane nagrody za kroki. 15:43.990 --> 15:44.500 W porządku. 15:45.310 --> 15:50.800 Ale potem musimy dodać te nowe skumulowane nagrody do naszych ruchomych średnich obiektów. 15:50.980 --> 15:57.760 Aby to zrobić, tym razem mamy metodę w klasie średniej ruchomej, która jest bardzo prostą metodą 15:57.760 --> 15:58.210 reklam. 15:58.220 --> 16:03.190 Bierzemy naszą średnią ruchomą obiekt, który stworzyliśmy tutaj w stu krokach. 16:03.790 --> 16:11.710 Następnie użyjemy naszej metody ADD, a następnie w atmosferze wprowadzimy nasze kroki nagrody, a to doda 16:11.710 --> 16:15.130 nagrody za kroki do średniej ruchomej. 16:15.970 --> 16:16.360 W porządku. 16:16.360 --> 16:21.960 Wreszcie możemy obliczyć średnią nagrodę i dobrze, wiesz, to jest ta sama zmienna. 16:22.690 --> 16:26.440 Więc to będzie równe średniej nagrodzie. 16:26.860 --> 16:33.250 Aby to uzyskać, musimy tym razem użyć metody średniej z naszego obiektu średniej ruchomej. 16:33.700 --> 16:41.470 I to jest robimy i średnia kropkowa tak po prostu, ponieważ nasza średnia ruchoma została już zaktualizowana o nowe 16:41.710 --> 16:45.520 kroki nagród, które właśnie dodaliśmy do metody ADD. 16:46.430 --> 16:46.890 Wspaniały. 16:46.960 --> 16:52.990 Więc teraz mamy naszą średnią nagrodę, więc to jest naprawdę popularne i to będzie drukowane każdego roku. 16:53.420 --> 16:54.990 W porządku, więc skończyliśmy. 16:55.030 --> 16:57.170 Tak więc nie mogę się doczekać wyników. 16:57.170 --> 17:01.670 I faktycznie, w następnym samouczku będę miał dla Ciebie niespodziankę, oglądając wyniki. 17:01.700 --> 17:03.380 Więc to będzie całkiem ekscytujące. 17:03.650 --> 17:06.740 Więc teraz chyba pora pobawić się powietrzem i dobrze się bawić. 17:07.610 --> 17:08.060 W porządku. 17:08.060 --> 17:11.240 Dlatego przygotuj sobie dobrą kawę lub dobrą herbatę. 17:11.480 --> 17:17.410 Teraz nadszedł czas, aby usiąść wygodnie w naszym fotelu i obejrzeć kilka bardzo fajnych filmów o naszym samolocie, aby zobaczyć, o czym 17:17.430 --> 17:18.760 mowa w następnym samouczku. 17:18.770 --> 17:20.160 I do tego czasu baw się dobrze.