WEBVTT 00:02.310 --> 00:04.620 Luka : Bonjour à tous et bienvenue. 00:04.620 --> 00:05.453 Dans cette vidéo, 00:05.453 --> 00:07.710 nous allons parler de ChatGPT et de la manière 00:07.710 --> 00:11.370 de l'utiliser pour mettre en œuvre le même algorithme pour Doom que celui 00:11.370 --> 00:13.350 que nous allons utiliser dans le cours, 00:13.350 --> 00:16.290 l'apprentissage convolutionnel profond. 00:16.290 --> 00:17.790 Dans les prochaines 00:17.790 --> 00:22.440 minutes, nous allons donc voir comment j'ai indiqué et demandé 00:22.440 --> 00:26.190 à ChatGPT d'obtenir notre modèle. 00:26.190 --> 00:29.580 Je vais donc vous aider à comprendre comment j'ai procédé et 00:29.580 --> 00:33.720 pourquoi j'ai fait certaines questions de la manière dont je l'ai fait. 00:33.720 --> 00:38.460 L'invitation initiale était donc plutôt bien conçue de mon côté. 00:38.460 --> 00:39.293 J'ai dit : "Vous êtes 00:39.293 --> 00:41.527 un expert senior en apprentissage automatique "avec 00:41.527 --> 00:43.717 des années d'expérience dans des projets "appliquant 00:43.717 --> 00:47.550 l'apprentissage automatique aux simulations et à la robotique". Il s'agit de la première partie, qui consiste à planter le décor, à 00:47.550 --> 00:48.750 leur donner un rôle. 00:48.750 --> 00:51.330 Ainsi, l'espace vectoriel de l'ensemble du ChatGPT 00:51.330 --> 00:55.410 sera davantage axé sur les sujets liés à l'apprentissage automatique. 00:55.410 --> 00:59.310 Je voudrais maintenant évoquer le contexte de Doom. 00:59.310 --> 01:04.310 En fait, pour en arriver là, j'ai dit : " D'accord, je t'ai engagé pour 01:04.500 --> 01:06.600 m'aider à mettre en œuvre un algorithme 01:06.600 --> 01:08.887 Convolutional Deep Q-Learning 01:08.887 --> 01:12.457 pour l'environnement Doom ". 01:12.457 --> 01:14.407 "L'objectif est de disposer d'un algorithme d'apprentissage 01:14.407 --> 01:15.337 par renforcement entièrement 01:15.337 --> 01:18.457 fonctionnel capable de jouer à Doom, un environnement de jeu. 01:18.457 --> 01:22.327 J'ai mis en place des classes "pour l'expérience_replay et la mémoire 01:22.327 --> 01:24.187 et le traitement de l'image". 01:24.187 --> 01:27.903 "Je vous fournirai cela afin que vous puissiez l'incorporer 01:28.777 --> 01:30.337 dans le code final. 01:30.337 --> 01:34.800 Il s'agit d'un point très important, que la plupart des gens ignorent. 01:34.800 --> 01:37.893 Vous devez avoir un moyen de lui dire, ou de dire à ChatGPT, 01:38.790 --> 01:42.120 que vous avez déjà quelque chose et que vous voulez utiliser 01:42.120 --> 01:43.860 ce code dans l'implémentation 01:43.860 --> 01:45.720 finale. 01:45.720 --> 01:50.720 Ainsi, si je ne fournissais pas ce contexte, cela générerait un code, 01:50.910 --> 01:54.390 une implémentation de l'apprentissage convolutif 01:54.390 --> 01:57.240 profond qui n'envisagerait pas d'utiliser 01:57.240 --> 02:01.140 experience_replay et notre fonction de traitement 02:01.140 --> 02:06.330 d'image, mais c'est ce que nous voulons. 02:06.330 --> 02:07.323 Je poursuis donc en 02:08.250 --> 02:10.537 disant : "Votre objectif est d'implémenter 02:10.537 --> 02:14.107 la solution complète en utilisant Python, Torch pour le modèle, et d'optimiser 02:14.107 --> 02:16.717 le code pour qu'il soit exécuté dans Google Colab, 02:16.717 --> 02:21.187 afin que les étudiants qui parcourent le code puissent l'exécuter avec des ordinateurs 02:21.187 --> 02:23.167 moins puissants". Il s'agit en fait 02:23.167 --> 02:28.167 d'indiquer au ChatGPT le format de la solution 02:28.260 --> 02:33.060 finale que vous souhaitez obtenir. 02:33.060 --> 02:35.190 Enfin, le fait de "poser des questions de clarification 02:35.190 --> 02:37.200 si nécessaire" lui fournira davantage de contexte. 02:37.200 --> 02:40.050 Et "Eh, si vous ne savez pas, si vous n'avez pas assez de contexte, 02:40.050 --> 02:42.060 n'hésitez pas à me demander". Enfin, il a demandé : "Vous avez compris ? Je voulais confirmer que c'était le cas. 02:42.060 --> 02:44.197 C'est une façon intelligente de lui permettre de réfléchir à la 02:44.197 --> 02:47.580 situation et de ne pas se contenter de générer les prochains messages, les prochaines réponses. 02:47.580 --> 02:49.737 Si vous ne faites pas cela, 02:50.640 --> 02:53.730 si vous ne demandez pas "Compris ? "ou "Clair ? ou "Vous comprenez ? "ou quelque chose comme 02:53.730 --> 02:58.730 ça, il ignorera complètement certaines 03:00.210 --> 03:05.210 parties et commencera à générer. 03:05.820 --> 03:07.230 Étant donné que le nombre de jetons est 03:07.230 --> 03:09.090 limité dans les questions 03:09.090 --> 03:12.780 et dans les réponses, vous souhaitez le dépasser 03:12.780 --> 03:16.020 afin d'obtenir une actualisation du nombre de jetons que vous pouvez générer. 03:16.020 --> 03:18.240 La première réponse est donc 03:18.240 --> 03:20.760 : "J'ai compris la tâche. 03:20.760 --> 03:22.980 "Je vais faire exactement ce que je vais demander. 03:22.980 --> 03:26.310 "Mais avant de poursuivre, j'ai quelques questions à poser. Et c'est là que ce "si vous avez des questions, posez-les 03:26.310 --> 03:28.610 moi", m'a posé de bonnes questions. 03:29.820 --> 03:32.377 Tout d'abord, avez-vous un environnement personnalisé ou utilisez-vous 03:32.377 --> 03:33.607 quelque chose qui existe déjà ? 03:33.607 --> 03:36.697 OpenAI, VizDoom, etc. 03:36.697 --> 03:39.600 Ensuite, nous passons à des mesures 03:39.600 --> 03:43.980 de performance spécifiques que vous aimeriez 03:43.980 --> 03:45.750 que je suive. 03:45.750 --> 03:49.200 Le modèle lui-même est-il soumis à des exigences ? 03:49.200 --> 03:51.240 Quelles sont les versions de Python et de PyTorch ? 03:51.240 --> 03:53.883 Enfin, y a-t-il des contraintes spécifiques 03:54.750 --> 03:56.850 concernant le délai ? 03:56.850 --> 03:58.950 Cela provient principalement des plans d'affaires 03:58.950 --> 04:00.783 sur lesquels il a été formé, mais pour lui, 04:01.800 --> 04:05.850 ce n'est pas vraiment, comme si ce n'était pas pertinent pour lui, mais d'accord. 04:05.850 --> 04:08.223 J'ai répondu : "Oui, je vais utiliser OpenAI Gym, et voici 04:09.180 --> 04:10.140 comment le charger. Ceci est tiré du cours. 04:10.140 --> 04:12.990 J'ai dit, d'accord, suivez la récompense moyenne, pas 04:12.990 --> 04:17.160 d'exigences spécifiques, soyez créatifs tant que cela fonctionne, utilisez 04:17.160 --> 04:19.803 les derniers modèles ou versions des bibliothèques, 04:20.970 --> 04:23.283 et quelle est la date limite. 04:24.150 --> 04:25.177 Je viens d'écrire "ASAP". 04:25.177 --> 04:30.177 En outre, voici les classes que j'ai mentionnées. 04:30.480 --> 04:31.713 J'ai donc collé les classes que nous avons dans le cours. 04:33.000 --> 04:35.133 Donc, la relecture de l'expérience, 04:36.030 --> 04:40.953 tout, et enfin, la mémoire de relecture, le traitement 04:42.120 --> 04:46.320 de l'image, et c'est tout. 04:46.320 --> 04:48.090 C'est ainsi que j'ai créé le contexte et qu'il 04:48.090 --> 04:49.797 a commencé à générer de l'énergie. 04:51.150 --> 04:54.120 Il a donc généré le code. 04:54.120 --> 04:57.000 Il commence par prétraiter l'image, 04:57.000 --> 05:00.720 puis crée le réseau Q profond, qui est assez 05:00.720 --> 05:04.773 similaire à ce que nous avons. 05:05.790 --> 05:06.623 Ensuite, il a commencé 05:07.681 --> 05:10.230 par l'initialiser, puis le code d'entraînement. 05:10.230 --> 05:13.530 Jusqu'à présent, tout fonctionnait, puis tout s'arrête ici. 05:13.530 --> 05:15.753 Si vous voulez continuer à générer 05:16.590 --> 05:21.363 quelque chose de plus long, j'ai simplement écrit "continuer". 05:22.560 --> 05:25.110 Et il a dit : "Continuer ? Oui, certainement. Il continue à générer, et bam, 05:25.110 --> 05:27.513 nous avons le code complet. 05:29.070 --> 05:31.983 Incroyable. 05:32.910 --> 05:34.863 Il indique comment l'utiliser, 05:36.000 --> 05:40.350 la fréquence, ce qu'il faut changer, etc. 05:40.350 --> 05:43.950 Il m'a également aidé dans ce domaine. 05:43.950 --> 05:46.110 Permettez-moi de vous présenter mon Google Colab. 05:46.110 --> 05:49.530 J'ai donc commencé par coller le code ici, 05:49.530 --> 05:51.840 en collant notre fonction de prétraitement. 05:51.840 --> 05:55.020 Je reviendrai dans un instant sur les modifications apportées à cette fonction 05:55.020 --> 05:55.853 de prétraitement. 05:57.060 --> 06:00.750 Ensuite, j'ai collé cette expérience, une partie de 06:00.750 --> 06:02.793 l'installation de mon côté. 06:03.720 --> 06:05.940 Nous l'expliquerons dans une seconde. 06:05.940 --> 06:09.630 J'ai joué avec son réseau Q profond et son code d'entraînement. 06:09.630 --> 06:13.053 Il y a donc certainement des possibilités d'amélioration. 06:14.040 --> 06:16.290 Surtout si vous disposez d'un environnement local, cela fonctionnera. 06:16.290 --> 06:18.720 Si vous l'utilisez dans Google Colab, il se peut qu'il ne fonctionne pas. 06:18.720 --> 06:19.553 Permettez-moi de vous en parler. 06:20.970 --> 06:24.843 Je l'ai donc fait et j'ai obtenu une erreur. 06:25.740 --> 06:29.163 J'ai dit : "Hé, le code initial qu'il m'a fourni n'a pas fonctionné. 06:30.150 --> 06:31.833 J'ai juste collé le code, 06:32.790 --> 06:37.790 ce message d'erreur, qui dit "I can't resize an images". Et si vous regardez notre code du cours, il faut redimensionner 06:38.430 --> 06:41.640 l'image avec ceci. 06:41.640 --> 06:45.810 Mais la nouvelle version de SciPy supprime cette fonctionnalité. 06:45.810 --> 06:49.440 Il a donc dit : "Oh, oui, il semble que cela ait 06:49.440 --> 06:50.840 été supprimé". "Voici la nouvelle version avec Pillow. 06:51.750 --> 06:54.240 En fait, cela n'était pas nécessaire. 06:54.240 --> 06:58.110 Il s'agit en fait de réécrire toute la classe de 06:58.110 --> 07:03.110 prétraitement des images avec Pillow au lieu de SciPy. 07:03.810 --> 07:06.600 Je l'ai donc utilisé, et il fonctionne effectivement. 07:06.600 --> 07:10.440 Et puis j'ai dit : "D'accord, j'ai un problème avec le fait qu'Environnement 07:10.440 --> 07:13.200 utilise Google Colab. 07:13.200 --> 07:17.310 "Comment résoudre le problème ? Voici l'erreur. Et il a dit : "Oh, oui, excusez-vous". 07:17.310 --> 07:18.663 "Il semble que cet environnement particulier ne fonctionne pas. 07:19.537 --> 07:21.637 "Voici ce que vous devez faire. 07:21.637 --> 07:25.200 "Il s'agit essentiellement d'installer et de faire ceci. J'ai eu une erreur, puis une autre erreur. 07:25.200 --> 07:27.360 Et cette erreur indique en fait 07:27.360 --> 07:32.260 que le rendu n'est pas disponible dans cette version particulière. 07:33.270 --> 07:36.723 Et il m'a dit : "D'accord, installez cette version. Je l'ai fait. Autre erreur. 07:37.620 --> 07:41.283 Et il a dit : "Oh, oui, oui, "Google Colab ne prend pas en charge le rendu, les 07:42.990 --> 07:44.227 bibliothèques OpenGL", 07:44.227 --> 07:47.257 ce qui signifie, pour nous, que nous devons faire, au lieu de 07:47.257 --> 07:50.160 Google Colab, quelque chose 07:50.160 --> 07:52.087 d'autre pour la visualisation. 07:52.087 --> 07:55.657 Il m'a donné des conseils étape par étape sur ce 07:55.657 --> 07:56.917 qu'il fallait faire, 07:56.917 --> 07:59.880 comment changer les choses, etc. 07:59.880 --> 08:02.580 Et si vous le faites localement, vous résoudrez le problème. 08:02.580 --> 08:04.350 Mais il s'agit essentiellement 08:04.350 --> 08:09.350 de vous apprendre à utiliser correctement ChatGPT. 08:11.850 --> 08:14.280 Par exemple, ici, vous avez vu que j'ai eu des erreurs, que 08:14.280 --> 08:17.040 j'ai répondu à ces erreurs, etc. 08:17.040 --> 08:18.457 Et maintenant, vous avez, 08:18.457 --> 08:23.457 par exemple, si vous faites défiler l'écran vers l'arrière, un code fonctionnant 08:24.270 --> 08:27.870 parfaitement avec un réseau Q profond, avec un code d'entraînement, 08:27.870 --> 08:31.350 et vous pouvez lui demander de générer un code de test, 08:31.350 --> 08:34.500 et il le fera. 08:34.500 --> 08:37.440 Incroyable, non ? 08:37.440 --> 08:38.820 C'est donc tout. 08:38.820 --> 08:42.450 Voici comment utiliser ChatGPT pour résoudre le réseau Q profond, 08:42.450 --> 08:45.120 ou réseau Q profond convolutif, pour Doom. 08:45.120 --> 08:47.200 Merci. Profitez du cours !