WEBVTT

00:00.150 --> 00:07.470
สวัสดีเพื่อนๆ ของฉัน ขอต้อนรับสู่ส่วนใหม่นี้เกี่ยวกับการแสดงภาพผลลัพธ์ของรูปแบบการเรียนรู้ที่ลุ่มลึกและบิดเบี้ยว

00:07.710 --> 00:15.830
อย่างแรก ฉันอยากจะแสดงความยินดีเป็นอย่างยิ่งที่ได้ดำเนินการใช้แบบจำลองระบบประสาทส่วนลึกทั้งหมดเสร็จสิ้น

00:15.840 --> 00:22.560
และตอนนี้เราอยู่ในส่วนที่สนุกที่เราจะเห็นภาพผลลัพธ์ของ AI ที่เราสร้างขึ้น

00:22.680 --> 00:27.630
และอย่างที่ฉันพูดไปในตอนท้ายของบทช่วยสอนก่อนหน้านี้ คุณรู้ไหม บทช่วยสอนสุดท้ายของการใช้งาน

00:27.630 --> 00:29.940
ฉันบอกว่าฉันมีเซอร์ไพรส์สำหรับคุณ

00:29.940 --> 00:32.610
และที่น่าประหลาดใจก็คือสิ่งนี้เอง

00:32.610 --> 00:36.090
เราจะเห็นภาพผลลัพธ์ใน Google CoLab

00:36.090 --> 00:38.110
แล้วทำไมมันถึงเซอร์ไพรส์ได้ล่ะ?

00:38.130 --> 00:44.910
เป็นเรื่องที่น่าประหลาดใจมาก เพราะโดยพื้นฐานแล้ว คุณจะไม่มีปัญหาในการรันโค้ด การรันโค้ด

00:44.910 --> 00:46.890
และการแสดงผลลัพธ์

00:47.040 --> 00:49.620
อันที่จริงนี่เป็นคุณสมบัติใหม่ของหลักสูตร

00:49.920 --> 00:56.430
ก่อนหน้านี้ เราเคยเรียกใช้โค้ดบน Spider ใน Python มาก่อน แต่มันยากมากที่จะติดตั้งแพ็คเกจทั้งหมด,

00:56.430 --> 01:02.730
pytorch, การพึ่งพายิม และการพึ่งพาที่แตกต่างกันทั้งหมด

01:02.850 --> 01:08.460
จริงๆ แล้ว นักเรียนจำนวนมากมีปัญหามากมายในการติดตั้งทุกอย่าง และในตอนท้ายพวกเขาส่วนใหญ่ไม่สามารถทำงานได้ดี

01:08.460 --> 01:12.480
โค้ดทั้งหมด และส่วนใหญ่พวกเขาไม่เห็นผลสุดท้าย

01:12.480 --> 01:15.030
ดังนั้นฉันจึงต้องการแก้ไขปัญหานี้อย่างแน่นอน

01:15.030 --> 01:19.830
และทางออกที่ดีที่สุดที่ฉันคิดคือรวมโค้ดทั้งหมด

01:19.830 --> 01:24.180
ดังนั้นคุณจะมีรหัสเดียวกันกับที่เราได้ดำเนินการในส่วนนี้ทุกประการ

01:24.180 --> 01:35.160
แต่ฉันได้รวมโค้ดทั้งหมดไว้ในโน้ตบุ๊ก Google CoLab โดยที่สิ่งเดียวที่คุณจะต้องทำเพื่อเรียกใช้โค้ดและเห็นภาพผลลัพธ์คือการคลิกปุ่มเล่นเหล่านี้ที่นี่

01:35.160 --> 01:42.120
นั่นเป็นสิ่งเดียวที่คุณต้องทำ เพราะความสวยงามของ Google CoLab ก็คือไลบรารีและแพ็คเกจส่วนใหญ่ได้รับการติดตั้งไว้แล้ว

01:42.120 --> 01:47.400
ตัวอย่างเช่น TensorFlow ได้รับการติดตั้งแล้ว PyTorch ได้รับการติดตั้งแล้วในโมดูล Torch ทั้งหมด

01:47.400 --> 01:51.690
ฟังก์ชันและคลาสได้รับการติดตั้งแล้ว ดังนั้นคุณจึงไม่ต้องติดตั้ง

01:51.690 --> 01:56.970
อย่างไรก็ตาม เรายังคงมีการพึ่งพาเล็กน้อยในการติดตั้งเพื่อให้แน่ใจว่าทุกอย่างเชื่อมต่อได้ดี

01:56.970 --> 02:04.620
แต่เราไม่ต้องติดตั้งผ่านเทอร์มินัลหรือผ่านพรอมต์ของ Anaconda เหมือนที่เราทำในรถยนต์ที่ขับด้วยตนเอง

02:04.620 --> 02:10.830
เราจะต้องคลิกปุ่มเล่นนี้ในเซลล์แรกที่ติดตั้งการพึ่งพาระบบเพื่อภูมิปัญญา

02:11.070 --> 02:13.770
ตอนนี้ฉันรู้แล้วว่าพวกคุณบางคนกำลังคิดอะไรอยู่

02:13.770 --> 02:16.700
ทำไมเราไม่ทำเช่นเดียวกันสำหรับรถยนต์ที่ขับด้วยตนเอง?

02:16.710 --> 02:22.950
น่าเสียดายที่เราไม่สามารถทำเช่นเดียวกันได้ เพราะในโมดูลรถยนต์ที่ขับเคลื่อนด้วยตนเอง เรามีการโต้ตอบกับผู้ใช้

02:22.950 --> 02:28.230
คุณรู้ไหม เมื่อเราวางแผนความรู้สึกบางอย่างบนแผนที่เพื่อออกแบบถนนและวางสิ่งกีดขวาง

02:28.230 --> 02:35.730
น่าเสียดายที่ Google CoLab ยังไม่มีฟีเจอร์ดังกล่าวที่อนุญาตให้ผู้ใช้โต้ตอบกับแผนที่บางอันได้

02:35.730 --> 02:38.340
ดังนั้นฉันจึงไม่สามารถทำสิ่งนี้ให้กับรถที่ขับเองได้

02:38.340 --> 02:46.860
ฉันขอโทษสำหรับสิ่งนั้น แต่นั่นเป็นเหตุผลที่ฉันให้คุณทั้งบทของหนังสือของฉันเกี่ยวกับ Crash Course ซึ่งมีคำแนะนำทั้งหมดเกี่ยวกับรถยนต์ที่ขับด้วยตนเอง

02:46.860 --> 02:49.440
ฉันหวังว่าคุณจะสามารถติดตั้งทุกอย่างได้อย่างถูกต้องอยู่แล้ว

02:49.440 --> 02:53.940
ไม่มีอะไรให้ติดตั้งมากนักเมื่อเทียบกับ Doom ดังนั้นฉันหวังว่าทุกอย่างจะผ่านไปด้วยดีสำหรับรถที่ขับด้วยตนเอง

02:53.940 --> 02:55.530
แต่สำหรับการลงโทษที่นี่

02:55.530 --> 02:56.580
ตอนนี้คุณได้รับการคุ้มครอง

02:56.580 --> 03:00.750
คุณจะไม่มีปัญหาในการรันโค้ดและการแสดงภาพผลลัพธ์

03:00.750 --> 03:01.890
นั่นคือความประหลาดใจ

03:01.890 --> 03:03.030
ฉันหวังว่าคุณจะชอบมัน.

03:03.030 --> 03:11.610
และตอนนี้ผมจะแนะนำคุณตลอดการใช้งานทั้งหมดนี้เพื่อแสดงให้คุณเห็นว่าเรามีโค้ดที่เหมือนกันทุกประการกับที่เรานำมาใช้ในส่วนที่สองนี้

03:11.610 --> 03:14.610
สิ่งเดียวคือฉันรวมรหัสสามตัวเข้าด้วยกัน

03:14.610 --> 03:20.370
คุณรู้ไหม นี่คือรหัสที่เรามีในโฟลเดอร์ที่ประกอบด้วยรูปภาพที่กำลังประมวลผลไฟล์ p จากนั้นประสบการณ์จะเล่นไฟล์

03:20.370 --> 03:25.980
p ซ้ำ จากนั้นจึงให้ไฟล์ AI เป็นไฟล์ p ที่มีสองส่วน ส่วนที่หนึ่งสร้าง AI และส่วนที่ 2 ฝึก

03:25.980 --> 03:28.230
AI .

03:28.260 --> 03:34.710
สิ่งที่ฉันทำคือฉันรวมทั้งสามเข้าด้วยกันโดยใส่ภาพก่อนการประมวลผลไฟล์

03:34.740 --> 03:35.460
p

03:35.460 --> 03:37.020
ฉันจะแสดงให้คุณเห็นในสมุดงาน

03:37.020 --> 03:39.090
ประการที่สองประสบการณ์

03:39.090 --> 03:42.020
เล่นซ้ำไฟล์ P และที่สามคือ AI

03:42.050 --> 03:46.290
ตัว P ตกลงไปอยู่ด้านล่างตัวหนึ่งตามลำดับ

03:46.920 --> 03:48.240
ฉันจะแสดงสิ่งนี้ให้คุณดู

03:48.240 --> 03:53.670
แล้วฉันก็แค่ต้องเปลี่ยนสองหรือสามอย่างในโค้ดทั้งหมดนี้ และฉันจะแสดงให้คุณเห็นถึงการเปลี่ยนแปลงอย่างชัดเจน

03:53.670 --> 03:56.700
เพื่อที่คุณจะได้แน่ใจว่าจะจับความแตกต่างได้

03:56.700 --> 04:02.010
โดยพื้นฐานแล้ว ในไฟล์นั้น ทุกอย่างเหมือนกันและไฟล์นั้น ทุกอย่างก็เหมือนกันเช่นกัน

04:02.010 --> 04:04.920
อย่างไรก็ตามไม่มีการเปลี่ยนแปลงอย่างแน่นอนในไฟล์นั้น

04:04.920 --> 04:11.040
ทีนี้ เมื่อเรานำเข้าแพ็คเกจสำหรับ Openai และ Zoom เราไม่ได้ใช้พื้นที่การดำเนินการของแพ็คเกจ P doom wrappers

04:11.040 --> 04:13.410
เพื่อนำเข้าไปยังแบบไม่ต่อเนื่อง

04:13.410 --> 04:14.940
เราไม่ใช้สิ่งนั้นอีกต่อไป

04:14.940 --> 04:16.560
เราจะใช้อย่างอื่นคุณจะเห็น

04:16.560 --> 04:25.230
และฉันยังเปลี่ยนขนาดของเฟรมที่นี่ 80 x 80 ฉันเปลี่ยนเป็น 256 x 256

04:25.230 --> 04:30.960
เพื่อให้คุณได้ผลลัพธ์การสร้างภาพที่ดีขึ้นอย่างแน่นอน เพราะคุณจะมีวิดีโอที่ใหญ่กว่าให้ดู

04:31.260 --> 04:32.460
นั่นเป็นเพียงสิ่งที่ฉันเปลี่ยนไป

04:32.460 --> 04:32.940
ฉันจะแสดงให้คุณเห็น

04:32.940 --> 04:39.420
มาเริ่มกันที่การประมวลผลภาพกันก่อน เพราะอย่างที่ฉันบอกคุณ ฉันเพิ่งรวมไฟล์ทั้งสามเข้าด้วยกัน

04:39.420 --> 04:43.350
ดังนั้นเราจึงเริ่มต้นด้วยอิมเมจโดยกด p y

04:43.350 --> 04:45.870
และอย่างที่คุณเห็น นี่ก็เหมือนกันทุกประการ

04:45.870 --> 04:49.470
เราเริ่มต้นด้วยการนำเข้าไลบรารี ไลบรารีเดียวกันที่นี่

04:49.470 --> 04:56.580
จากนั้นเราประมวลผลภาพล่วงหน้าด้วยคลาสอิมเมจพรีโพรเซสที่ประกอบด้วยวิธี init และวิธีการสังเกต

04:56.580 --> 04:59.670
และอย่างที่คุณเห็น นี่เป็นภาพก่อนกระบวนการที่เหมือนกันทุกประการ

05:00.130 --> 05:02.470
ในนั้นวิธีการและวิธีการสังเกต

05:02.500 --> 05:07.480
เอาล่ะ เราไปต่อกันที่ประสบการณ์เล่นซ้ำที่ซึ่งเรามีความเหมือนกันทุกประการ

05:07.480 --> 05:11.350
อันที่จริง เราใช้ห้องสมุดสองแห่งที่นี่ก่อน ไม่มีชื่อเลย

05:11.370 --> 05:13.060
แตะที่ด้านขวา

05:13.060 --> 05:17.260
จากนั้นเรากำหนดขั้นตอนเดียวกับที่เรามีที่นี่

05:17.260 --> 05:26.770
จากนั้นเราก็สร้างความคืบหน้าในหลายขั้นตอนด้วยคลาส Step Progress ซึ่งเหมือนกับในสมุดงาน

05:26.770 --> 05:27.130
ถูกต้อง.

05:27.130 --> 05:29.200
ฉันเพิ่งคัดลอกวางที่นี่

05:29.200 --> 05:31.300
เรามีวิธี init เหมือนกันทุกประการ

05:31.300 --> 05:34.780
เป็นวิธีการและขั้นตอนการให้รางวัล

05:34.780 --> 05:40.540
แน่นอนว่าเราใช้ประสบการณ์เล่นซ้ำกับคลาสหน่วยความจำเล่นซ้ำ

05:40.540 --> 05:44.140
และอย่างที่คุณเห็น เรามีความเหมือนกันทุกประการในการทำงานร่วมกันของ Google

05:44.140 --> 05:48.660
นอกจากนี้ คุณอาจจะประทับใจกับโครงสร้างนี้มากขึ้น เนื่องจากฉันได้เพิ่มเซลล์ข้อความแล้ว

05:48.670 --> 05:52.720
อย่างที่คุณทราบ การเห็นภาพในสมุดงานนี้อาจจะดีกว่าด้วยซ้ำ

05:52.720 --> 05:53.140
ไม่เป็นไร.

05:53.140 --> 05:58.840
ดังนั้น เล่นซ้ำหน่วยความจำคลาส init วิธีรันชุดตัวอย่าง โดยพื้นฐานแล้วเป็นรหัสเดียวกันทุกประการ

05:58.840 --> 05:59.500
ไม่เป็นไร.

05:59.500 --> 06:06.340
จากนั้นเราไปยังไฟล์ API ที่สาม, API เสรีภาพ, API ที่มีสองส่วน, ส่วนที่หนึ่ง, การสร้าง

06:06.340 --> 06:09.190
AI และส่วนที่สองฝึกอบรม API

06:09.220 --> 06:12.670
ให้ฉันแสดงให้คุณเห็นว่าเรามีเหมือนกันทุกประการในสมุดงานนี้

06:12.670 --> 06:17.950
ดังนั้น I Freedom API อันดับแรก เรานำเข้าไลบรารี อันเดียวกันทั้งหมด

06:17.950 --> 06:19.210
ถูกต้อง อย่างที่คุณเห็น

06:19.210 --> 06:25.030
นั่นคือความแตกต่างที่ฉันเน้นไปแล้วเมื่อนำเข้าแพ็คเกจสำหรับ Openai และ Dhoom

06:25.030 --> 06:31.960
แทนที่จะนำเข้าเครื่องห่อ gem แล้วข้ามเครื่องห่อแล้วแพ็คมันเพื่อนำเข้าไปยังสคริปต์ สิ่งที่เราทำคือเราต้องนำเข้าอัญมณีที่เหมือนกันเท่านั้น

06:31.960 --> 06:37.510
จากนั้นนำเข้าอัญมณีที่ถึงวาระนี้ ซึ่งเป็นสภาพแวดล้อมการลงโทษแบบใหม่ ซึ่งจริงๆ

06:37.510 --> 06:41.770
แล้ว ดีขึ้นมาก

06:41.770 --> 06:44.980
และสุดท้าย ห่อโดย Gem Library

06:44.980 --> 06:45.310
ไม่เป็นไร.

06:45.310 --> 06:51.220
ความแตกต่างตรงนี้เท่านั้น ซึ่งจะทำให้สิ่งนี้ใช้งานได้บน Google CoLab และบน Python หากคุณต้องการเรียกใช้

06:51.220 --> 06:55.960
และที่นี่ แน่นอน ฉันไม่จำเป็นต้องรวมโค้ดนั้นใน Google ยุบ เพียงเพราะที่นี่เรานำเข้าไฟล์อื่นๆ

06:55.960 --> 06:59.410
ที่นี่ เพราะไฟล์เหล่านั้นแยกจากกัน

06:59.410 --> 07:04.360
และเนื่องจากฉันรวมไฟล์สามไฟล์ใน Google CoLab เข้าด้วยกัน ฉันจึงไม่ต้องนำเข้านี้

07:04.360 --> 07:10.510
ดังนั้น เราจึงย้ายไปยังพอร์ตหนึ่งโดยตรง สร้าง API และที่นี่ ตามที่ผมบอกคุณ เรามีโค้ดเหมือนกันทุกประการ

07:10.510 --> 07:13.150
ยกเว้นมิติข้อมูลที่นี่

07:13.150 --> 07:13.750
ถูกต้อง.

07:13.750 --> 07:20.950
ถ้าเราดูที่พอร์ตหนึ่งที่นี่ พอร์ตวันอาคาร II เราเริ่มต้นด้วยการสร้างสมองด้วย C และคลาส

07:20.950 --> 07:25.870
และอย่างที่คุณเห็น เรามีโค้ดที่เหมือนกันทุกประการ ยกเว้นขนาดของเฟรมอินพุต

07:25.870 --> 07:29.110
ซึ่งเกิดขึ้นเมื่อเราใช้โค้ด 80 คูณ 80

07:29.110 --> 07:36.940
แต่ฉันได้เปลี่ยนสิ่งนั้นใน Google CoLab เป็น 256 x 256 เพื่อให้คุณสามารถมีเฟรมที่ดีขึ้นและดังนั้นวิดีโอในการรับชมที่ดีขึ้น

07:36.940 --> 07:40.450
แต่ส่วนที่เหลือทั้งหมดเหมือนกันทุกประการ

07:40.450 --> 07:46.450
ที่นี่เราสร้างสมองด้วยคลาส CNN จากนั้นเราก็สร้างบัดดี้ด้วยคลาสซอฟแม็กซ์บัดดี้

07:46.450 --> 07:49.000
เหมือนกับที่เรามีอยู่ตรงนี้

07:49.000 --> 07:58.090
และสุดท้าย เราก็นำสิ่งทั้งหมดมารวมเข้ากับชั้นเรียนที่มีสมองและร่างกาย รวมทั้งวิธีการบางอย่างในการดำเนินการ

07:58.090 --> 07:59.980
ถูกต้องเหมือนกัน

08:00.040 --> 08:05.350
คลาสที่ประกอบด้วยสมองในร่างกายแล้วใช้วิธีการเดียวกันในการดำเนินการ

08:05.350 --> 08:05.980
ไม่เป็นไร.

08:05.980 --> 08:07.120
เหมือนกันเป๊ะเลย

08:07.120 --> 08:09.670
แค่ขนาดของเฟรมอินพุตที่เปลี่ยนไป

08:09.670 --> 08:13.690
และตอนนี้ มาต่อกันที่ส่วนที่สอง ซึ่งจะเหมือนกันทุกประการ

08:13.690 --> 08:16.630
อันดับแรก เราได้รับสภาพแวดล้อมของการลงโทษที่ถูกต้อง

08:16.630 --> 08:18.610
ให้ฉันแสดงให้คุณเห็นส่วนที่สองที่นี่เช่นกัน

08:18.880 --> 08:25.780
เราได้รับสภาพแวดล้อมของ Doom ก่อนและจำไว้ว่าเนื่องจากเราไม่ได้ใช้แพ็กเก็ตเพื่อนำเข้าสภาพแวดล้อมอีกต่อไป

08:25.780 --> 08:27.940
แต่เป็นการลงโทษนี้แทน

08:27.940 --> 08:31.480
สิ่งเดียวที่เปลี่ยนแปลงในโค้ดนั้นคือที่นี่เท่านั้น

08:31.480 --> 08:35.680
แน่นอนเราได้รับทางเดินปัญญา แต่นี่เป็นสภาพแวดล้อมเดียวกันทุกประการ

08:35.860 --> 08:36.280
ไม่เป็นไร.

08:36.280 --> 08:40.600
และแน่นอน ฉันเปลี่ยนมิติข้อมูลใหม่เหล่านี้ เพื่อให้คุณมีวิดีโอที่ใหญ่ขึ้นที่นี่

08:40.600 --> 08:46.240
เราจึงไม่มี 80 คูณ 80 อีกต่อไป แต่คราวนี้เป็น 256 คูณ 256

08:46.240 --> 08:52.750
แล้วเราก็มีเหมือนกันทุกประการที่เราได้รับการลงโทษและจำนวนของการกระทำที่คุณจะเห็นจะเป็นเจ็ด

08:53.230 --> 08:58.840
จากนั้นเราสร้าง AI ด้วยการสร้างวัตถุสมอง อย่างที่รู้กันว่า CNN จากนั้นวัตถุร่างกาย ร่างกายสูงสุด

08:58.870 --> 09:05.470
และจากนั้น AI ทั้งหมดประกอบด้วยสมองและร่างกายเหมือนกับที่เราใช้งานร่วมกันทุกประการ

09:05.710 --> 09:06.100
ไม่เป็นไร.

09:06.100 --> 09:07.870
จากนั้นเราก็ตั้งค่าการเล่นซ้ำของประสบการณ์

09:07.870 --> 09:09.820
ตรงนี้ก็เหมือนกันหมด

09:09.820 --> 09:14.080
จากนั้นเราก็ใช้การติดตามการมีสิทธิ์เหมือนเดิมทุกประการ

09:14.080 --> 09:15.550
แล้วเราจะทำอย่างไร?

09:15.550 --> 09:19.840
เราสร้างค่าเฉลี่ยเคลื่อนที่สำหรับผู้บริหาร 100 ก้าว

09:19.840 --> 09:20.320
ตรงนี้ก็เหมือนกัน.

09:20.320 --> 09:22.030
นั่นคือรหัสเดียวกันทั้งหมด

09:22.030 --> 09:28.000
โดยพื้นฐานแล้วมีเพียงขนาดของเฟรมและวิธีการนำเข้าสภาพแวดล้อมเท่านั้นที่เปลี่ยนไป

09:28.510 --> 09:33.160
และสุดท้าย เราก็ฝึก AI ด้วยรหัสเดียวกันทุกประการ

09:33.730 --> 09:41.260
จนถึงที่นี่ เรามีโค้ดทั้งหมดที่คุณเห็นในโฟลเดอร์เมื่อคุณดาวน์โหลด นั่นคือชุดข้อมูลในโค้ด

09:41.560 --> 09:45.250
และโดยพื้นฐานแล้ว เรายังมีโค้ดทั้งหมดที่เราใช้งานร่วมกัน

09:45.340 --> 09:53.560
อย่างไรก็ตาม เพื่อให้การแสดงภาพทำงานบน Google Lab ฉันได้เพิ่มโค้ดพิเศษนี้เข้าไป แต่เนื่องจากรหัสพิเศษนี้ใช้เฉพาะกับสมุดบันทึก

09:53.560 --> 09:59.530
CoLab นี้เท่านั้น และเฉพาะสำหรับการแสดงภาพเท่านั้น

09:59.740 --> 10:03.490
เอ. ฉัน. ในสภาพแวดล้อมของการลงโทษจะโปรด

10:03.490 --> 10:08.350
คุณไม่ต้องกังวลกับการทำความเข้าใจรหัสทั้งหมดที่นี่ เพราะคุณรู้ คุณจะเห็นเพียงครั้งเดียวในชีวิตของคุณเมื่อคุณต้องการสร้างและฝึก

10:08.350 --> 10:13.400
AI บางตัวให้เล่นในสภาพแวดล้อมที่เลวร้าย

10:13.420 --> 10:18.340
ฉันหมายถึงว่าคุณไม่จำเป็นต้องใช้รหัสนี้สำหรับแอปพลิเคชันอื่นๆ ที่คุณจะใช้ในการสร้างและฝึกอบรม

10:18.340 --> 10:19.750
AI

10:19.780 --> 10:21.960
ดังนั้นอย่ากังวลมากเกินไปเกี่ยวกับรหัสนี้

10:21.970 --> 10:26.010
ฉันเพิ่งเพิ่มว่าเพื่อให้ทำงานบน Google CoLab ได้ แต่มาดูกันว่าฉันทำอะไรได้บ้าง

10:26.260 --> 10:28.060
ขั้นแรกให้นำเข้าไลบรารี่แน่นอน

10:28.060 --> 10:34.030
จากนั้นฉันได้เพิ่มโค้ดที่ใช้งานได้จริงที่นี่ เพื่อให้คุณสามารถดูจำนวนการกระทำที่คุณมีในสภาพแวดล้อมได้อย่างรวดเร็ว

10:34.030 --> 10:39.310
เช่นเดียวกับการแสดงกรอบของสภาพแวดล้อมเพื่อดูว่ามันเป็นอย่างไร

10:39.310 --> 10:44.980
และเหตุผลที่ฉันเพิ่มเข้าไปนั้นก็เพราะว่าฉันจะแสดงให้คุณเห็นถึงวิธีการเล่นกับสภาพแวดล้อมของ Doom อื่นๆ เพราะจริงๆ

10:44.980 --> 10:46.870
แล้วคุณมีสิ่งเหล่านี้อยู่มากมาย

10:46.870 --> 10:54.070
ดังนั้นสิ่งที่คุณต้องทำคือเปลี่ยนทางเดินปัญญาโดยใช้ชื่อของสภาพแวดล้อมอื่นๆ ที่อยู่ที่นี่

10:54.070 --> 10:57.400
ฉันจะให้ลิงก์ของหน้านั้นแก่คุณจนถึงบทช่วยสอนนี้

10:57.430 --> 11:01.540
แต่ที่นี่ อย่างที่คุณเห็น คุณมีสภาพแวดล้อมที่เลวร้ายมากมายที่คุณสามารถเล่นได้

11:01.540 --> 11:06.250
คุณรู้ไหม Wisdom Basics, Wisdom Corridor ซึ่งเป็นเกมที่เราจะเล่นด้วยตอนนี้

11:06.250 --> 11:11.800
Wisdom Defense Center และอื่น ๆ และยังมีเขาวงกตในร่มและทำตามคำแนะนำที่นี่

11:11.800 --> 11:15.760
คุณจะพบสิ่งเหล่านี้ทั้งหมดในโฟลเดอร์นี้ ในวิธี init นี้

11:15.760 --> 11:17.740
คุณสามารถหาชื่อได้ที่นี่

11:17.740 --> 11:20.710
ความรู้เบื้องต้นเกี่ยวกับภูมิปัญญา, ทางเดินแห่งปัญญา, ศูนย์ป้องกันภูมิปัญญา

11:20.710 --> 11:22.600
และคุณมีจำนวนมาก หลายคน คุณเห็น

11:22.600 --> 11:26.020
ดังนั้นหากคุณต้องการเล่นกับสภาพแวดล้อมที่เลวร้ายอื่น ๆ อย่าลังเลที่จะทำเช่นนั้น

11:26.020 --> 11:29.830
คุณจะต้องเปลี่ยนชื่อของสภาพแวดล้อม

11:29.830 --> 11:34.150
เมื่อใดก็ตามที่คุณเห็นทางเดินแห่งความหายนะที่นี่ในสมุดงานนี้ คุณเพียงแค่แทนที่ด้วยชื่อนั้น

11:34.150 --> 11:39.580
และต้องขอบคุณโค้ดนี้และโค้ดนี้ คุณจะสามารถเห็นได้อย่างรวดเร็วว่าจำนวนการกระทำเป็นเท่าใด

11:39.580 --> 11:45.790
ขนาดของรูปร่างอินพุต และการแสดงเฟรมเพื่อดูว่าสภาพแวดล้อมเป็นอย่างไร

11:45.790 --> 11:47.410
ดังนั้นสิ่งนี้จะค่อนข้างใช้งานได้จริง

11:47.530 --> 11:50.920
จากนั้นฉันก็สร้างฟังก์ชันตัวช่วยนี้สำหรับการแสดงภาพ

11:50.920 --> 11:55.540
จากนั้นฉันก็เรียกใช้ AI ในตอนหนึ่งหลังจากฝึกฝนแล้ว

11:55.540 --> 11:57.760
ดังนั้นเราจะฝึกที่นี่ก่อน

11:57.760 --> 12:02.460
อย่างที่คุณเห็น ฉันลืมบอกคุณว่าฉันได้เปลี่ยนจำนวนยุคจาก 100 เป็น

12:02.460 --> 12:06.730
20 ด้วย และนั่นเป็นเพียงเพราะ คุณรู้ว่าฉันเพิ่มขนาดของเฟรม

12:06.730 --> 12:12.820
และเนื่องจากฉันเพิ่มมิติให้กับเฟรม การฝึกซ้อมจะใช้เวลานานกว่านั้นมาก เพราะแน่นอนว่าการฝึกนั้นยากกว่า

12:12.820 --> 12:17.700
ดังนั้นฉันจึงลดจำนวนยุค 100 ลงเหลือ 20 OC

12:17.740 --> 12:20.950
และไม่ต้องกังวลว่าเราจะได้รับผลตอบแทนที่ดีอยู่แล้ว

12:20.950 --> 12:26.680
แต่แน่นอนถ้าคุณต้องการปรับปรุงประสิทธิภาพและปรับปรุงผลลัพธ์ในท้ายที่สุด อย่าลังเลที่จะเพิ่มจำนวนยุคนั้น

12:26.680 --> 12:32.350
คุณจะได้ผลลัพธ์ที่ดียิ่งขึ้นไปอีก แต่คุณจะเห็นว่าด้วย 20 ยุคแล้ว การฝึกจะใช้เวลาค่อนข้างนาน

12:33.160 --> 12:35.380
ตกลง แล้วฉันอยู่ที่ไหน

12:35.380 --> 12:37.540
ใช่ นั่นช่วยฟังก์ชันสำหรับการแสดงภาพ

12:37.540 --> 12:41.560
จากนั้นฉันก็เรียกใช้ AI ในตอนหนึ่งแน่นอนหลังจากที่ได้รับการฝึกฝน

12:41.560 --> 12:48.550
และสุดท้ายรหัสเซลล์สุดท้ายนี้จะส่งออกวิดีโอของการเล่นเกม คุณรู้ไหม ในตอนเดียวนี้

12:48.550 --> 12:54.490
และคุณจะเห็นว่า AI จะดำเนินการอย่างไรในตอนเดียวนี้ในวิดีโอที่จะส่งออกและคุณจะสามารถ

12:54.490 --> 12:59.920
ดาวน์โหลดเป็นเท็จ คุณรู้ไหม เมื่อเรารันโค้ดนี้

13:00.670 --> 13:01.300
ไม่เป็นไร.

13:01.300 --> 13:03.130
ดังนั้นตอนนี้ถึงเวลาดำเนินการ

13:03.130 --> 13:06.370
ถึงเวลานั่งสบายบนเก้าอี้ของเราจริงๆ

13:06.370 --> 13:08.470
ฉันหวังว่าคุณจะมีกาแฟดีๆ หรือชาดีๆ

13:08.480 --> 13:13.990
ตอนนี้เรากำลังจะกดปุ่มเล่นต่างๆ ในแต่ละเซลล์เพื่อเรียกใช้ผลลัพธ์สุดท้าย

13:14.000 --> 13:14.920
ลองทำสิ่งนี้กัน

13:14.920 --> 13:17.420
แต่ก่อนอื่น และนั่นสำคัญมากที่ต้องเข้าใจ

13:17.420 --> 13:18.460
และ Google CoLab

13:18.460 --> 13:24.760
นี่คือลิงค์ของสมุดงาน Google CoLab ที่คุณทุกคนสามารถเข้าถึงได้ และแน่นอนว่า คุณไม่สามารถแก้ไขอะไรในนั้นได้

13:24.760 --> 13:30.100
เพราะถ้าคุณคนใดคนหนึ่งแก้ไขได้ดี คนอื่นๆ จะเห็นการแก้ไขนั้น

13:30.100 --> 13:34.750
ดังนั้นนี่คือโหมดอ่านอย่างเดียว ดังนั้นสิ่งที่คุณต้องทำเพื่อแก้ไขบางอย่าง

13:34.750 --> 13:38.920
คุณก็รู้ ในกรณีที่คุณต้องการเปลี่ยนชื่อของสภาพแวดล้อมหรือเพิ่มจำนวนยุคหรือแม้กระทั่งปรับแต่ง

13:38.920 --> 13:47.170
AI ของคุณ จะต้องสร้างสำเนาของสมุดงานนี้ซึ่งจะอยู่ใน Google Drive ของคุณเอง

13:47.170 --> 13:52.930
ด้วยเหตุนี้ คุณจะต้องมีที่อยู่ Gmail เพื่อที่จะมี Google ไดรฟ์

13:53.500 --> 13:55.450
เพื่อให้แน่ใจว่ามี

13:55.450 --> 14:01.150
และเมื่อเป็นกรณีนี้แล้ว คุณเพียงแค่คลิกไฟล์ที่นี่ จากนั้นบันทึกสำเนาและไดรฟ์

14:01.150 --> 14:08.620
และนี่จะสร้างสำเนาของสมุดงานนี้ใน Google Drive ของคุณเอง ซึ่งคุณจะสามารถทำการแก้ไขบางอย่างได้

14:08.620 --> 14:09.310
ไม่เป็นไร.

14:09.310 --> 14:12.910
และตอนนี้เราอยู่ที่จุดเริ่มต้นของการดำเนินการนี้

14:12.910 --> 14:18.640
ตอนนี้เรากำลังจะเล่นทุกช่อง และเข้าใกล้ผลสุดท้ายมากขึ้นเรื่อยๆ