WEBVTT 00:00.490 --> 00:02.550 Halo dan selamat datang di tutorial ini. 00:02.560 --> 00:07.550 Baiklah, jadi kita akan mulai dengan orang pertama dari moral kita dan unggas paling penting 00:07.630 --> 00:08.410 yang kacau. 00:08.440 --> 00:09.020 Mengapa. 00:09.180 --> 00:14.590 Dan ini ada di file ini bahwa kita akan mengimplementasikan otak homo Anda tahu otak di jantung Simmo 00:14.650 --> 00:20.290 8: 3 yang ada di file ini yang akan membuat jaringan saraf yang tentu saja akan mengandung beberapa 00:20.290 --> 00:25.030 konvolusional akan tahu kapan itu bekerja karena tentu saja kami masih melakukan pembelajaran penguatan yang 00:25.030 --> 00:25.570 mendalam. 00:25.690 --> 00:31.690 Jadi bisa memiliki mata dan di dalam jaringan saraf ini akan mengintegrasikan segala sesuatu yang berkaitan 00:31.870 --> 00:34.600 dengan Craigmile aktif dan ada bonus. 00:34.630 --> 00:39.550 Seperti yang saya katakan, kami menerapkan salah satu dari moral A-3 yang paling kuat dan apa yang 00:39.550 --> 00:45.910 membuatnya begitu kuat adalah bahwa ia akan berisi catatan jaringan baru dan lebih tepatnya dalam memori jangka panjang LCN sehingga kami 00:45.910 --> 00:48.660 dapat mempelajari sifat temporal dari apa sedang terjadi. 00:48.670 --> 00:54.710 Sekali lagi itu sebenarnya sifat temporal dari input sehingga prediksi bisa menjadi lebih baik. 00:55.270 --> 00:56.050 Jadi begitulah. 00:56.050 --> 01:01.330 Kami menerapkan model yang sangat kuat yang pada dasarnya menggabungkan semua jaringan saraf yang kami 01:01.420 --> 01:02.590 lihat dalam pendalaman. 01:02.680 --> 01:08.070 Itu adalah jaringan saraf tiruan jaringan saraf convolutional dan rekor jaringan baru. 01:08.260 --> 01:13.240 Dan di jantung semua jaringan ini tentu saja ada model A-380 yang akan membuat AI AI 01:13.240 --> 01:14.040 sangat kuat. 01:14.410 --> 01:18.300 Jadi mari kita lakukan ini, mari kita menyerang model ini dan mengimplementasikannya. 01:18.430 --> 01:21.760 Jadi kita akan mulai dengan membuat dua fungsi. 01:21.850 --> 01:26.410 Hanya ada beberapa fungsi yang akan menangani bagaimana kita dapat menginisialisasi bobot karena Anda tahu kita 01:26.410 --> 01:30.460 akan memiliki beberapa jaringan baru dan oleh karena itu kita akan memiliki bobot 01:30.460 --> 01:36.740 dan kami hanya ingin membuat dua fungsi ini untuk kami sehingga kami sudah memiliki alat untuk berintegrasi dengan sangat mudah di dalam 01:36.750 --> 01:38.090 rumah jadi jaringan saraf. 01:38.290 --> 01:41.600 Jadi kedua fungsi ini akan menjadi kolom yang dinormalisasi. 01:41.600 --> 01:48.730 Initialiser yang pada dasarnya adalah fungsi yang tidak hanya dapat menginisialisasi beberapa bobot tetapi juga menetapkan varian 01:48.730 --> 01:50.370 bobot timbal tertentu. 01:50.380 --> 01:52.770 Jadi itulah yang akan kami terapkan sekarang. 01:53.020 --> 01:57.700 Dan kemudian kita akan mengimplementasikan fungsi kedua yang akan menjadi bobot dalam fungsi itu dan 01:57.700 --> 02:01.840 pada dasarnya akan menginisialisasi bobot dalam waktu yang cukup sebagai cara untuk belajar. 02:01.840 --> 02:02.330 Baiklah. 02:02.350 --> 02:08.070 Dan setelah kita selesai dengan dua fungsi ini kita akan mulai mengimplementasikan jaringan saraf. 02:08.330 --> 02:14.770 Jadi mari kita lakukan, mari kita cepat membuat dua fungsi ini jadi saya 02:14.770 --> 02:24.420 mulai dengan def di sini kemudian saya akan memberikan nama fungsi ini yang dinormalisasi dan kolom inti ini menggarisbawahi initializer. 02:24.720 --> 02:25.550 Itu dia. 02:25.650 --> 02:28.780 Dan fungsi ini hanya akan mengambil dua input. 02:29.010 --> 02:35.790 Pertama itu akan menjadi bobot yang ingin kita inisialisasi dan standar deviasi karena seperti yang baru saja 02:35.790 --> 02:40.200 saya katakan kita ingin mengatur varians spesifik untuk tensor bobot kita. 02:40.230 --> 02:45.300 Dan jika Anda ingin memahami mengapa kami harus melakukan ini, itu karena Anda tahu kapan kami membuat jaringan 02:45.620 --> 02:50.490 saraf yang akan menjadi aktor dan kritikus sesuai besok, dan kami akan membuat dua lapisan terpisah 02:50.490 --> 02:53.670 yang sepenuhnya terhubung satu untuk aktor dan satu untuk kritik. 02:53.880 --> 02:59.970 Dan dua lapisan yang terhubung sepenuhnya ini akan memiliki bobot dan kami akan menetapkan standar deviasi untuk masing-masing 02:59.970 --> 03:01.810 dari dua kelompok bobot ini. 03:01.860 --> 03:05.650 Jadi yang akan kita lakukan adalah kita akan menetapkan standar deviasi kecil untuk aktor. 03:05.700 --> 03:12.570 Itu akan menjadi sekitar 0. 01 dan deviasi standar besar untuk kritik yang akan sekitar 1 saya pikir. 03:12.750 --> 03:18.690 Jadi itu sebabnya kami membuat fungsi ini sehingga kami dapat dengan mudah mengatur standar deviasi untuk bobot 03:18.690 --> 03:21.900 yang akan kami inisialisasi nanti untuk aktor dan craic. 03:21.930 --> 03:23.560 Itu sebabnya kami melakukan ini. 03:23.560 --> 03:28.860 Jadi sekarang kita hanya akan menetapkan nilai default tetapi ini akan berubah setelah kita menginisialisasi 03:28.860 --> 03:29.500 bobot. 03:29.520 --> 03:32.100 Jadi mari kita gunakan untuk 1. 0. 03:32.240 --> 03:32.920 Baiklah. 03:33.000 --> 03:37.340 Dan sekarang kita siap untuk mendefinisikan apa yang ada di dalam fungsi ini. 03:37.410 --> 03:41.960 Jadi yang pertama akan disiapkan adalah output yang akan kita panggil. 03:42.000 --> 03:46.310 Jadi ini untuk semua adalah apa yang akan dikembalikan oleh fungsi ini. 03:46.380 --> 03:50.210 Jadi pada awalnya apa yang akan kita lakukan adalah itu. 03:50.330 --> 03:56.750 Jadi seperti yang Anda pahami, output ini akan menjadi puluhan bobot yang akan memiliki standar deviasi tertentu. 03:56.850 --> 04:01.970 Tetapi sebelum kita mengatur deviasi standar, kita hanya ingin menginisialisasi dan kemudian kita akan menetapkan 04:02.010 --> 04:06.550 deviasi standar di sini yang merupakan argumen yang merupakan input dari fungsi ini. 04:06.870 --> 04:10.670 Jadi, inisialisasi bobot tensor Anda mungkin tahu bagaimana melakukannya. 04:10.680 --> 04:12.150 Kami sudah melakukannya. 04:12.180 --> 04:20.250 Kita akan menggunakan perpustakaan torche kita dan dari perpustakaan torche ini kita akan mengambil putaran dan fungsi 04:21.180 --> 04:27.540 yang akan menginisialisasi jawaban yang dibakar dengan bobot acak yang mengikuti distribusi normal. 04:27.540 --> 04:29.630 Jadi itu sebabnya ini disebut kata-kata kasar. 04:29.820 --> 04:31.100 Dan seperti biasa. 04:31.230 --> 04:36.380 Jadi sekarang yang perlu kita input adalah jumlah elemen yang mengandung distensi. 04:36.510 --> 04:41.510 Dan jumlah elemen ini tentu saja jumlah bobot karena kita sebenarnya menginisialisasi tensor untuk 04:41.500 --> 04:43.140 bobot ini di sini. 04:43.350 --> 04:53.410 Jadi untuk mendapatkan jumlah elemen ini kita cukup mengambil bobot dan menambahkan titik untuk mendapatkan ukuran dengan tanda kurung. 04:53.410 --> 05:00.280 Dan ini akan memberikan jumlah elemen dan bobot sehingga akan menciptakan tensor toror dengan jumlah elemen 05:00.280 --> 05:05.320 yang sama dari bobot kita dan akan diinisialisasi dengan bobot acak 05:05.320 --> 05:06.860 mengikuti distribusi normal. 05:06.860 --> 05:07.330 Baiklah. 05:07.360 --> 05:13.390 Dan sekarang saatnya untuk menetapkan standar deviasi yang kita inginkan yaitu standar deviasi di sini. 05:13.510 --> 05:16.960 Jadi yang akan kita lakukan sekarang adalah normalisasi sederhana. 05:16.960 --> 05:21.400 Kami memiliki rasa bobot yang tersiksa dan sekarang kami ingin menormalkannya. 05:21.600 --> 05:25.810 Dan untuk menormalkannya hanya akan menulis perhitungan eksplisit. 05:25.840 --> 05:34.960 Jadi yang perlu kita lakukan di sini adalah mengambil output kita lalu memperbaruinya dengan mengalikannya dengan standar 05:34.960 --> 05:41.140 deviasi yang ingin kita bagi dengan jumlah yang telah saya sebutkan. 05:41.140 --> 05:44.960 Jadi untuk mendapatkan jumlah kita akan menggunakan fungsi akar kuadrat dengan obor. 05:45.010 --> 05:48.700 Dan saat itulah diambil di sini karena itu q q rt. 05:48.820 --> 05:50.710 Itu fungsi akar kuadrat. 05:50.830 --> 05:55.980 Dan di dalam kita akan memasukkan kuadrat beberapa bobot vektor. 05:56.160 --> 05:58.000 Dan jadi kami mengambil output kami. 05:58.210 --> 06:06.040 Kemudian kita menggunakan fungsi daya yang kita input karena kita ingin mengambil kuadrat dari jumlah 06:06.040 --> 06:08.950 dan kemudian kita mengambil matahari 06:09.000 --> 06:15.300 Dan di dalam kita akan menentukan indeks kerucut yang berisi bobot. 06:15.310 --> 06:23.990 Ingin beberapa dan kemudian mendapatkan bobot ini secara terpisah karena Anda ingin menjumlahkannya dengan baik, kami 06:24.490 --> 06:29.440 biasanya mengembangkannya di sekolah sebagai fungsi dari keluaran kami. 06:29.470 --> 06:29.820 Baiklah. 06:29.820 --> 06:37.280 Jadi ini akan mendapatkan bobot yang sejauh ini diinisialisasi sebagai semacam bobot Torchin yang mendapatkan semua 06:37.340 --> 06:38.320 bobot ini. 06:38.330 --> 06:43.850 Kami mengambil jumlah kuadrat dan kemudian kami mengambil akar kuadrat untuk menerapkan normalisasi. 06:44.030 --> 06:50.230 Dan fakta bahwa kita memiliki standar deviasi pada pembilang kita akan memastikan bahwa kita dapat menulisnya di 06:50.230 --> 06:50.900 sini. 06:51.960 --> 06:58.890 Varian keluar akan sama dengan kuadrat dari standar deviasi. 06:58.890 --> 07:05.940 Rumus ini di sini akan memastikan bahwa tensor bobot yang kita inisialisasi ini akan memiliki varian yang akan 07:06.030 --> 07:10.860 sama dengan kuadrat dari standar deviasi yang kita tempatkan sebagai argumen. 07:11.190 --> 07:17.940 Dan itulah bagaimana kita dapat menetapkan standar deviasi spesifik untuk masa depan dan kritik yang akan segera membuat dan 07:17.940 --> 07:24.150 kita akan memilih standar deviasi kecil untuk aktor dan yang lebih besar untuk kritik dan kita akan 07:24.340 --> 07:27.780 melakukan ini dengan sangat mudah karena fungsi ini. 07:27.780 --> 07:28.150 Baiklah. 07:28.170 --> 07:31.120 Dan sekarang kita hanya memiliki satu hal yang harus dilakukan. 07:31.200 --> 07:38.940 Tentu saja untuk mengembalikan output yang sekarang dinormalisasi dengan standar deviasi spesifik ini. 07:38.940 --> 07:40.340 Baiklah, begitu sempurna. 07:40.350 --> 07:42.680 Itulah fungsi pertama yang harus kami buat. 07:42.870 --> 07:46.220 Itu alat pertama yang kami akan sangat senang menggunakannya malam ini. 07:46.250 --> 07:47.290 Otak laut H-3. 07:47.370 --> 07:49.250 Kami memiliki satu fungsi lagi untuk dibuat sekarang. 07:49.350 --> 07:51.130 Ini akan menjadi fungsi berat. 07:51.360 --> 07:57.160 Dan itu hanya fungsi yang akan mengingatkan menginisialisasi bobot untuk membuat pembelajaran menjadi optimal. 07:57.570 --> 08:01.110 Jadi mari kita lakukan ini di tutorial selanjutnya dan sampai saat itu juga.