WEBVTT 00:00.490 --> 00:02.550 Bună ziua și bun venit la acest tutorial. 00:02.560 --> 00:07.550 Bine, așa că vom începe cu primul om al moralului nostru și cel mai important păscut care 00:07.630 --> 00:08.410 este încurcat. 00:08.440 --> 00:09.020 De ce. 00:09.180 --> 00:14.590 Și acest lucru este în acest dosar pe care îl vom pune în aplicare creierul homo știți creierul 00:14.650 --> 00:20.290 în inima Simmo 8: 3 care este în acest fișier care va face rețeaua neuronale care va conține, desigur, 00:20.290 --> 00:25.030 unele convolutional va ști când funcționează pentru că bineînțeles că facem încă o învățătură de întărire 00:25.030 --> 00:25.570 profundă. 00:25.690 --> 00:31.690 Deci, sunt capabili să aibă ochi și în interiorul acestei rețele neuronale va integra tot ceea ce este 00:31.870 --> 00:34.600 legat de Craigmile activ și există un bonus. 00:34.630 --> 00:39.550 După cum v-am spus că implementăm una dintre cele mai puternice morale A-3 și ceea ce face ca 00:39.550 --> 00:45.910 acest lucru să fie puternic este că va conține o înregistrare într-o nouă rețea și mai precis în memoria LCN pe termen lung, 00:45.910 --> 00:48.660 astfel încât să putem învăța proprietățile temporale ale continuă. 00:48.670 --> 00:54.710 Din nou, aceasta este de fapt proprietățile temporale ale intrărilor, astfel încât predicțiile să fie și mai bune. 00:55.270 --> 00:56.050 Așa că mergem. 00:56.050 --> 01:01.330 Punem în aplicare un model foarte puternic care combină practic toate rețelele neuronale pe care le-am văzut 01:01.420 --> 01:02.590 în cursul aprofundării. 01:02.680 --> 01:08.070 Aceasta este o rețea neurală artificială, o rețea neuronală convoluțională și o rețea nouă. 01:08.260 --> 01:13.240 Și în centrul tuturor acestor rețele există, desigur, modelul A-380 care va face AI AI 01:13.240 --> 01:14.040 foarte puternic. 01:14.410 --> 01:18.300 Deci haideți să facem acest lucru să atacăm acest model și să îl implementăm. 01:18.430 --> 01:21.760 Deci, vom începe prin a face două funcții. 01:21.850 --> 01:26.410 Există doar câteva funcții care vor avea grijă de modul în care putem iniția greutățile, deoarece 01:26.410 --> 01:30.460 știți că vom avea noi rețele și, prin urmare, vom avea greutăți și dorim 01:30.460 --> 01:36.740 doar să facem aceste două funcții pentru noi, astfel încât avem deja un instrument care se integrează foarte ușor în interiorul casei, 01:36.750 --> 01:38.090 astfel încât rețeaua neuronală. 01:38.290 --> 01:41.600 Deci aceste două funcții vor fi coloane normalizate. 01:41.600 --> 01:48.730 Inițializatorul care este, în esență, o funcție care nu numai că poate inițializa unele greutăți, ci stabilește o variație 01:48.730 --> 01:50.370 specifică a greutăților tensor. 01:50.380 --> 01:52.770 Deci exact asta vom implementa acum. 01:53.020 --> 01:57.700 Apoi vom implementa a doua funcție care va fi greutățile în această funcție 01:57.700 --> 02:01.840 și care va inițializa greutățile în timp suficient pentru a învăța. 02:01.840 --> 02:02.330 In regula. 02:02.350 --> 02:08.070 Apoi, odată ce terminăm cu aceste două funcții, vom începe implementarea rețelei neuronale. 02:08.330 --> 02:14.770 Deci haideți să facem să facem rapid aceste două funcții, așa că încep 02:14.770 --> 02:24.420 cu un def aici, atunci voi da numele acestei funcții care este normalizată și aceste coloane de bază subliniază inițializatorul. 02:24.720 --> 02:25.550 Vom merge acolo. 02:25.650 --> 02:28.780 Și această funcție va avea doar două intrări. 02:29.010 --> 02:35.790 Mai intai vor fi greutatile pe care dorim sa le initializam si deviatia standard deoarece, dupa cum am spus, 02:35.790 --> 02:40.200 vrem sa stabilim o varianta specifica pentru tensorul nostru de greutati. 02:40.230 --> 02:45.300 Și dacă vreți să înțelegeți de ce trebuie să facem acest lucru, este pentru că știi când facem 02:45.620 --> 02:50.490 rețeaua neuronală care va fi actorul și criticul în funcție de ziua de mâine și vom face 02:50.490 --> 02:53.670 două straturi separate separate pentru actor și unul pentru critic. 02:53.880 --> 02:59.970 Iar aceste două straturi complet conectate vor avea greutăți și vom stabili o abatere standard pentru fiecare dintre 02:59.970 --> 03:01.810 aceste două grupe de greutăți. 03:01.860 --> 03:05.650 Și ceea ce vom face este că vom stabili o mică abatere standard pentru actor. 03:05.700 --> 03:12.570 Va fi în jur de 0. 01 și o abatere standard mare pentru criticul care va fi în jurul valorii de 1 cred. 03:12.750 --> 03:18.690 De aceea facem această funcție astfel încât să putem stabili cu ușurință abaterea standard pentru greutățile pe care le 03:18.690 --> 03:21.900 vom inițializa mai târziu pentru actor și pentru craieni. 03:21.930 --> 03:23.560 De asta facem asta. 03:23.560 --> 03:28.860 Deci, acum vom seta o valoare implicită, dar aceasta se va schimba după aceea când vom inițializa 03:28.860 --> 03:29.500 greutățile. 03:29.520 --> 03:32.100 Deci, să folosim acest lucru pentru 1. 0. 03:32.240 --> 03:32.920 In regula. 03:33.000 --> 03:37.340 Și acum suntem gata să definim ce este în interiorul acestei funcții. 03:37.410 --> 03:41.960 Deci, ceea ce va pregăti mai întâi este ieșirea pe care o vom apela. 03:42.000 --> 03:46.310 Deci, acest lucru pentru toți este ceea ce va fi returnat de această funcție. 03:46.380 --> 03:50.210 Și la început ceea ce vom face este. 03:50.330 --> 03:56.750 Așa cum ați înțeles această ieșire va fi un tensor de greutăți care va avea o abatere standard specifică. 03:56.850 --> 04:01.970 Dar, înainte de a avea grijă să setăm abaterea standard, vrem doar să o inițializăm și 04:02.010 --> 04:06.550 apoi vom stabili deviația standard aici, care este argumentul care este intrarea acestei funcții. 04:06.870 --> 04:10.670 Deci, pentru a iniția greutățile tensorului, s-ar putea să știți cum să faceți acest lucru. 04:10.680 --> 04:12.150 Am făcut-o deja. 04:12.180 --> 04:20.250 Vom folosi biblioteca noastră torche și din această bibliotecă torche vom prelua runda și funcția care 04:21.180 --> 04:27.540 vor inițializa răspunsul încălzit cu greutăți aleatorii care urmează unei distribuiri normale. 04:27.540 --> 04:29.630 De aceea se numeste rant. 04:29.820 --> 04:31.100 Și ca pentru normal. 04:31.230 --> 04:36.380 Și acum, ceea ce avem nevoie pur și simplu pentru a introduce este numărul de elemente care distența va conține. 04:36.510 --> 04:41.510 Și acest număr de elemente este, desigur, numărul de greutăți, deoarece inițial am inițializat un tensor 04:41.500 --> 04:43.140 pentru aceste greutăți aici. 04:43.350 --> 04:53.410 Și pentru a obține acest număr de elemente putem pur și simplu să luăm greutățile noastre și să adăugăm puncte pentru a obține mărime cu paranteze. 04:53.410 --> 05:00.280 Și acest lucru va da numărul de elemente și greutăți astfel încât să creeze tensorul tortei a aceluiași 05:00.280 --> 05:05.320 număr de elemente ale greutăților noastre și va fi inițializat cu greutăți aleatorii după 05:05.320 --> 05:06.860 o distribuție normală. 05:06.860 --> 05:07.330 In regula. 05:07.360 --> 05:13.390 Și acum este timpul să setăm deviația standard pe care dorim să o avem, care este deviația standard aici. 05:13.510 --> 05:16.960 Așa că o să facem acum este o normalizare simplă. 05:16.960 --> 05:21.400 Avem un sentiment de greutăți torturate și acum vrem să o normalizăm. 05:21.600 --> 05:25.810 Și astfel, pentru ao normaliza, va scrie pur și simplu calculul explicit. 05:25.840 --> 05:34.960 Așadar, ceea ce trebuie pur și simplu să facem aici este să luăm rezultatul, apoi să îl actualizăm prin înmulțirea lui cu deviația 05:34.960 --> 05:41.140 standard pe care dorim să o împărțim cu suma pe care tocmai am menționat-o. 05:41.140 --> 05:44.960 Și pentru a obține suma pe care o vom folosi funcția rădăcină pătrată prin lanternă. 05:45.010 --> 05:48.700 Și atunci, atunci când luați aici torche că s q r t. 05:48.820 --> 05:50.710 Aceasta este funcția rădăcină pătrată. 05:50.830 --> 05:55.980 Și în interiorul nostru vom introduce pătratul câtorva greutăți ale unui vector. 05:56.160 --> 05:58.000 Și astfel ne luăm rezultatele. 05:58.210 --> 06:06.040 Apoi vom folosi funcția de alimentare la care intrăm pentru că vrem să luăm pătratul sumei 06:06.040 --> 06:08.950 și apoi să luăm soarele. 06:09.000 --> 06:15.300 Și în interior vom preciza indicele conului care conține greutatea. 06:15.310 --> 06:23.990 Vreți la unii și apoi pentru a obține aceste greutăți separat pentru că doriți să le însumați bine, 06:24.490 --> 06:29.440 de obicei, extindem școala în funcție de ieșirea noastră. 06:29.470 --> 06:29.820 In regula. 06:29.820 --> 06:37.280 Deci, aceasta va obține greutățile care până acum au fost inițializate ca un fel de greutăți Torchin care primește toate 06:37.340 --> 06:38.320 aceste greutăți. 06:38.330 --> 06:43.850 Luăm suma pătratului și apoi luăm rădăcina pătrată pentru a aplica normalizarea. 06:44.030 --> 06:50.230 Și faptul că avem această abatere standard la numărul de numerar vom asigura că îl putem scrie 06:50.230 --> 06:50.900 aici. 06:51.960 --> 06:58.890 Variantele de ieșire vor fi egale cu pătratul deviației standard. 06:58.890 --> 07:05.940 Această formulă va asigura că acest tensor de greutăți inițializat va avea o variație care va fi 07:06.030 --> 07:10.860 egală cu pătratul deviației standard pe care o punem ca argument. 07:11.190 --> 07:17.940 Și așa putem stabili o abatere standard specifică pentru viitor și de fapt criticul care va face în curând 07:17.940 --> 07:24.150 și vom alege o mică abatere standard pentru actor și una mai mare pentru critic și vom 07:24.340 --> 07:27.780 face acest lucru foarte ușor de la această funcție. 07:27.780 --> 07:28.150 In regula. 07:28.170 --> 07:31.120 Și acum avem doar un singur lucru de făcut. 07:31.200 --> 07:38.940 Este bine să reveniți la ieșirea care este acum normalizată cu această abatere standard specifică. 07:38.940 --> 07:40.340 În regulă, atât de perfectă. 07:40.350 --> 07:42.680 Aceasta este prima funcție pe care a trebuit să o facem. 07:42.870 --> 07:46.220 Acesta este primul instrument pe care îl vom folosi foarte mult în seara asta. 07:46.250 --> 07:47.290 H-3 creier mare. 07:47.370 --> 07:49.250 Avem încă o funcție pe care o putem face acum. 07:49.350 --> 07:51.130 Va fi funcția de greutate. 07:51.360 --> 07:57.160 Și aceasta este doar o funcție care va reaminti inițializarea greutăților pentru a face învățarea optimă. 07:57.570 --> 08:01.110 Deci, să facem acest lucru în tutorialul următor și până atunci.