WEBVTT 00:02.310 --> 00:04.620 Luka: Witam wszystkich i zapraszam ponownie. 00:04.620 --> 00:05.453 W tym filmie będziemy 00:05.453 --> 00:07.710 mówić o ChatGPT i jak go używać do implementacji 00:07.710 --> 00:11.370 tego samego algorytmu dla Dooma, który będziemy używać 00:11.370 --> 00:13.350 w kursie, convolutional deep 00:13.350 --> 00:16.290 Q-learning. 00:16.290 --> 00:17.790 Więc w ciągu najbliższych 00:17.790 --> 00:22.440 kilku minut, mamy zamiar przejść przez sposób, że faktycznie wskazałem 00:22.440 --> 00:26.190 i poprosił ChatGPT dla nas, aby uzyskać nasz model. 00:26.190 --> 00:29.580 Pozwól więc, że pomogę ci zrozumieć, jak to zrobiłem i 00:29.580 --> 00:33.720 dlaczego zrobiłem pewne podpowiedzi w sposób, w jaki zrobiłem. 00:33.720 --> 00:38.460 Tak więc początkowa podpowiedź była dość dobrze opracowana z mojej strony. 00:38.460 --> 00:39.293 Powiedziałem: "Jesteś 00:39.293 --> 00:41.527 Senior Machine Learning Expert "z wieloletnim 00:41.527 --> 00:43.717 doświadczeniem w pracy nad projektami "stosującymi 00:43.717 --> 00:47.550 uczenie maszynowe do symulacji i robotyki. To jest pierwsza część, ustawienie sceny, nadanie 00:47.550 --> 00:48.750 im roli. 00:48.750 --> 00:51.330 Więc w zasadzie przestrzeń wektorowa całego ChatGPT 00:51.330 --> 00:55.410 będzie podpowiadana bardziej na tematy związane z uczeniem maszynowym. 00:55.410 --> 00:59.310 Teraz chcę wprowadzić do mojego kontekstu Dooma. 00:59.310 --> 01:04.310 I właściwie, jak dojść do tego punktu, powiedziałem: "Ok, zatrudniłem 01:04.500 --> 01:06.600 cię, abyś pomógł mi "z wdrożeniem 01:06.600 --> 01:08.887 algorytmu Convolutional Deep 01:08.887 --> 01:12.457 Q-Learning "dla środowiska Doom. 01:12.457 --> 01:14.407 "Celem jest posiadanie "w pełni funkcjonalnego 01:14.407 --> 01:15.337 algorytmu uczenia 01:15.337 --> 01:18.457 się wzmocnień "który może grać w Doom, środowisko gry. 01:18.457 --> 01:22.327 "Zaimplementowałem klasy "dla experience_replay" oraz pamięci 01:22.327 --> 01:24.187 i przetwarzania obrazów. 01:24.187 --> 01:27.903 "Dostarczę ci to "abyś mógł uwzględnić to w ostatecznym 01:28.777 --> 01:30.337 kodzie. 01:30.337 --> 01:34.800 To jest naprawdę ważne, co większości ludzi umyka. 01:34.800 --> 01:37.893 Musisz mieć jakiś sposób, aby powiedzieć mu, 01:38.790 --> 01:42.120 lub powiedzieć ChatGPT, że masz już coś i chcesz 01:42.120 --> 01:43.860 użyć tego kodu w ostatecznej 01:43.860 --> 01:45.720 implementacji. 01:45.720 --> 01:50.720 Więc jeśli nie dostarczyłem tego jako kontekstu, wygeneruje 01:50.910 --> 01:54.390 on jakiś kod, jakąś implementację konwencjonalnego 01:54.390 --> 01:57.240 głębokiego uczenia Q, która nie będzie 01:57.240 --> 02:01.140 rozważać użycia experience_replay i naszej funkcji 02:01.140 --> 02:06.330 przetwarzania obrazu, ale chcemy tego. 02:06.330 --> 02:07.323 Więc dalej mówię: 02:08.250 --> 02:10.537 "Twoim celem jest wdrożenie pełnego 02:10.537 --> 02:14.107 rozwiązania przy użyciu Pythona, "Torch dla modelu, "i 02:14.107 --> 02:16.717 optymalizacja kodu do wykonania w Google 02:16.717 --> 02:21.187 Colab "tak, że studenci przechodzący przez kod "może wykonać te z nie tak 02:21.187 --> 02:23.167 silnych komputerów. To jest w zasadzie powiedzenie 02:23.167 --> 02:28.167 ChatGPT, jaki jest format ostatecznego rozwiązania, 02:28.260 --> 02:33.060 które chciałbyś mieć. 02:33.060 --> 02:35.190 I wreszcie "w razie potrzeby zadawaj pytania wyjaśniające", 02:35.190 --> 02:37.200 które zapewnią jej więcej kontekstu. 02:37.200 --> 02:40.050 I "Ech, jeśli nie wiesz, "jeśli nie masz wystarczającego 02:40.050 --> 02:42.060 kontekstu, to proszę, zapytaj mnie. A na koniec zapytany: "Masz to? Chciałem potwierdzić, że dostała. 02:42.060 --> 02:44.197 Jest to sprytny sposób na umożliwienie mu zastanowienia się 02:44.197 --> 02:47.580 nad tym, a nie ścisłe przejście do generowania kolejnych podpowiedzi, kolejnych odpowiedzi. 02:47.580 --> 02:49.737 Jeśli tego nie zrobisz, 02:50.640 --> 02:53.730 jeśli nie zapytasz "Masz to? " lub "Jasne? albo "Czy rozumiesz? " lub coś takiego, to 02:53.730 --> 02:58.730 całkowicie zignoruje niektóre 03:00.210 --> 03:05.210 części i zacznie generować. 03:05.820 --> 03:07.230 Ponieważ masz limit liczby tokenów 03:07.230 --> 03:09.090 w pytaniach i w odpowiedzi, 03:09.090 --> 03:12.780 chciałbyś go złamać, abyś mógł uzyskać odświeżenie 03:12.780 --> 03:16.020 ilości tokenów, które możesz wygenerować. 03:16.020 --> 03:18.240 Zatem pierwsza odpowiedź brzmi: 03:18.240 --> 03:20.760 "Zrozumiałem zadanie. 03:20.760 --> 03:22.980 "Zrobię dokładnie to, o co poproszę. 03:22.980 --> 03:26.310 "Ale zanim przejdę dalej, mam kilka pytań. I tu właśnie pojawiło się to "jeśli masz jakieś pytania, to pytaj", 03:26.310 --> 03:28.610 zadało mi całkiem dobre pytania. 03:29.820 --> 03:32.377 Po pierwsze, czy masz niestandardowe środowisko, czy używasz 03:32.377 --> 03:33.607 czegoś, co już jest? 03:33.607 --> 03:36.697 Czyli OpenAI, VizDoom i tego typu rzeczy. 03:36.697 --> 03:39.600 Następnie przechodzimy do czegoś w rodzaju, 03:39.600 --> 03:43.980 czy są jakieś konkretne metryki wydajności, które chciałbyś, 03:43.980 --> 03:45.750 żebym śledził? 03:45.750 --> 03:49.200 Czy są wymagania co do samego modelu? 03:49.200 --> 03:51.240 Jakie wersje Pythona i PyTorcha? 03:51.240 --> 03:53.883 I wreszcie, czy są jakieś konkretne ograniczenia 03:54.750 --> 03:56.850 co do terminu? 03:56.850 --> 03:58.950 To jest z głównie biznesplanów, 03:58.950 --> 04:00.783 na których była szkolona, ale 04:01.800 --> 04:05.850 dla niej, tak jakby, to nie jest istotne dla niej, ale ok. 04:05.850 --> 04:08.223 Podałem: "Tak, będę używał OpenAI Gym, a oto jak 04:09.180 --> 04:10.140 go załadować. To jest z kursu. 04:10.140 --> 04:12.990 Powiedziałem, ok, kieruj się średnią nagrodą, 04:12.990 --> 04:17.160 nie ma konkretnych wymagań, bądź kreatywny, dopóki działa, 04:17.160 --> 04:19.803 użyj najnowszych modeli lub wersji bibliotek 04:20.970 --> 04:23.283 i jaki jest termin. 04:24.150 --> 04:25.177 Napisałem tylko "ASAP". 04:25.177 --> 04:30.177 Dodatkowo tutaj są te zajęcia, o których wspomniałem. 04:30.480 --> 04:31.713 Więc po prostu wkleiłem klasy, które mamy w kursie. 04:33.000 --> 04:35.133 Czyli powtórka z doświadczenia, 04:36.030 --> 04:40.953 wszystko, a na koniec pamięć powtórkowa, przetwarzanie 04:42.120 --> 04:46.320 obrazu i tyle. 04:46.320 --> 04:48.090 I dzięki temu buduję kontekst, a 04:48.090 --> 04:49.797 teraz zaczęło się generować. 04:51.150 --> 04:54.120 Wygenerowało więc kod. 04:54.120 --> 04:57.000 Zasadniczo zaczął od wstępnego przetwarzania 04:57.000 --> 05:00.720 obrazu, a następnie stworzył głęboką sieć Q, która 05:00.720 --> 05:04.773 jest dość podobna do tego, co mamy. 05:05.790 --> 05:06.623 Potem zaczęło się od 05:07.681 --> 05:10.230 inicjalizacji tego, a następnie kodu szkoleniowego. 05:10.230 --> 05:13.530 Wszystko do tej pory działało, a tu potem się psuje. 05:13.530 --> 05:15.753 Jeśli chcesz kontynuować generowanie 05:16.590 --> 05:21.363 czegoś dłużej, napisałem po prostu "kontynuuj". 05:22.560 --> 05:25.110 I powiedział, "Kontynuuj? Tak, z pewnością. Kontynuuje generowanie 05:25.110 --> 05:27.513 i bam, mamy pełny kod. 05:29.070 --> 05:31.983 Niesamowite. 05:32.910 --> 05:34.863 Podane było jak go używać, 05:36.000 --> 05:40.350 częstotliwość, co zmieniać i takie tam. 05:40.350 --> 05:43.950 Pomogło mi to również w tej kwestii. 05:43.950 --> 05:46.110 I pozwólcie, że przeniosę was do mojego Google Colab. 05:46.110 --> 05:49.530 Więc zacząłem od wklejenia kodu tutaj, 05:49.530 --> 05:51.840 wkleiłem naszą funkcję wstępnego przetwarzania. 05:51.840 --> 05:55.853 Za chwilę przeskoczę do zmian w tej funkcji wstępnego przetwarzania. 05:57.060 --> 06:00.750 Następnie wkleiłem ten replay doświadczenia, część 06:00.750 --> 06:02.793 instalacji z mojego końca. 06:03.720 --> 06:05.940 Wyjaśnimy to za chwilę. 06:05.940 --> 06:09.630 Grałem z jego głęboką siecią Q i kodem szkoleniowym. 06:09.630 --> 06:13.053 Więc na pewno są sposoby, aby to poprawić. 06:14.040 --> 06:16.290 Zwłaszcza jeśli masz lokalne środowisko, to będzie działać. 06:16.290 --> 06:18.720 Jeśli używasz tego w Google Colab, może to się zepsuć. 06:18.720 --> 06:19.553 Więc pozwól, że cię do tego doprowadzę. 06:20.970 --> 06:24.843 Więc zrobiłem to i dostałem błąd. 06:25.740 --> 06:29.163 Powiedziałem: "Hej, mój początkowy kod, który dostarczył, nie zadziałał. 06:30.150 --> 06:31.833 Właśnie wkleiłem kod, ten 06:32.790 --> 06:37.790 komunikat o błędzie i powiedzenie "Nie mogę zmienić rozmiaru obrazu. A jeśli spojrzysz na nasz kod z kursu, wymaga on zmiany 06:38.430 --> 06:41.640 rozmiaru obrazu za pomocą tego. 06:41.640 --> 06:45.810 Ale nowsza wersja SciPy faktycznie to usuwa. 06:45.810 --> 06:49.440 Więc powiedział, "Oh, yeah, "wygląda na to, że to mogło 06:49.440 --> 06:50.840 zostać usunięte. "Oto nowa wersja z Pillow. 06:51.750 --> 06:54.240 A właściwie to nie wymagał. 06:54.240 --> 06:58.110 To w zasadzie przepisało całą klasę obrazu 06:58.110 --> 07:03.110 wstępnego przetwarzania z Pillow zamiast SciPy. 07:03.810 --> 07:06.600 Więc użyłem go i faktycznie działa. 07:06.600 --> 07:10.440 I wtedy powiedziałem: "Ok, "Mam problem ze środowiskiem 07:10.440 --> 07:13.200 używającym Google Colab. 07:13.200 --> 07:17.310 "Jak to rozwiązać? To jest ten błąd. I powiedział: "O, tak, przepraszam. 07:17.310 --> 07:18.663 "Wydaje się, że to konkretne środowisko nie działa. 07:19.537 --> 07:21.637 "Oto co zrobisz. 07:21.637 --> 07:25.200 "W zasadzie instalujesz i robisz to. Dostałem błąd, kolejny błąd. 07:25.200 --> 07:27.360 I ten błąd faktycznie wskazywał, 07:27.360 --> 07:32.260 że renderowanie nie jest znalezione w tej konkretnej wersji. 07:33.270 --> 07:36.723 I powiedział: "Ok, zainstaluj tę wersję. Tak. Kolejny błąd. 07:37.620 --> 07:41.283 I powiedział: "O, tak, tak, "Google Colab nie obsługuje renderingu, 07:42.990 --> 07:44.227 bibliotek OpenGL", 07:44.227 --> 07:47.257 co oznacza dla nas, że musimy zrobić, zamiast Google 07:47.257 --> 07:50.160 Colab, coś innego do celów 07:50.160 --> 07:52.087 wizualizacji. 07:52.087 --> 07:55.657 I to w zasadzie dało mi krok po kroku, prowadząc 07:55.657 --> 07:56.917 na co zrobić, jak 07:56.917 --> 07:59.880 zmienić to i takie rzeczy. 07:59.880 --> 08:02.580 A jeśli zrobisz to lokalnie, rozwiążesz problem. 08:02.580 --> 08:04.350 Ale to jest w zasadzie 08:04.350 --> 08:09.350 teraz nauczanie, jak prawidłowo używać ChatGPT. 08:11.850 --> 08:14.280 Podobnie jak tutaj, widziałeś, że dostałem kilka błędów, podpowiedziałem 08:14.280 --> 08:17.040 z tymi błędami i tak dalej. 08:17.040 --> 08:18.457 A teraz masz, jak, 08:18.457 --> 08:23.457 jeśli przewiniesz do tyłu, masz w pełni funkcjonujący kod 08:24.270 --> 08:27.870 z głęboką siecią Q, z kodem treningowym, i 08:27.870 --> 08:31.350 możesz iść i poprosić go o wygenerowanie 08:31.350 --> 08:34.500 kodu testowego, a on to zrobi. 08:34.500 --> 08:37.440 Niesamowite, prawda? 08:37.440 --> 08:38.820 Więc to jest to. 08:38.820 --> 08:42.450 Oto jak używać ChatGPT do rozwiązywania głębokiego Q, czyli konwencjonalnej 08:42.450 --> 08:45.120 głębokiej sieci Q dla Dooma. 08:45.120 --> 08:47.200 Dzięki. Ciesz się kursem!