WEBVTT 00:00.490 --> 00:02.550 Hola y bienvenido a este tutorial. 00:02.560 --> 00:07.550 Muy bien, así que vamos a comenzar con el primer compañero de nuestra moral y la ave más importante 00:07.630 --> 00:08.410 que está confusa. 00:08.440 --> 00:09.020 Por qué. 00:09.180 --> 00:14.590 Y esto es en este archivo que implementaremos el cerebro del homo, usted conoce el cerebro en el 00:14.650 --> 00:20.290 corazón del Simmo 8: 3 que está en este archivo que hará que la red neuronal que contendrá, por 00:20.290 --> 00:25.030 supuesto, algunos convolucionales sabrá cuando eso funcione porque por supuesto todavía estamos haciendo un aprendizaje profundo 00:25.030 --> 00:25.570 de refuerzo. 00:25.690 --> 00:31.690 Así que pueden tener ojos y dentro de esta red neuronal integrarán todo lo que está relacionado 00:31.870 --> 00:34.600 con el Craigmile activo y hay una bonificación. 00:34.630 --> 00:39.550 Como te dije, estamos implementando una de las morales A-3 más poderosas y lo que lo hace tan 00:39.550 --> 00:45.910 poderoso es que contendrá un registro de una nueva red y más precisamente en la memoria a largo plazo de LCN para que 00:45.910 --> 00:48.660 podamos aprender las propiedades temporales de lo que pasando. 00:48.670 --> 00:54.710 Una vez más, eso es en realidad las propiedades temporales de la entrada para que las predicciones sean aún mejores. 00:55.270 --> 00:56.050 Entonces ahí vamos 00:56.050 --> 01:01.330 muy poderoso que combina básicamente todas las redes neuronales que vimos en el curso de profundización. 01:01.420 --> 01:02.590 Estamos implementando un modelo 01:02.680 --> 01:08.070 Esa es una red neuronal artificial, una red neuronal convolucional y una red nueva. 01:08.260 --> 01:13.240 Y en el corazón de todas estas redes está, por supuesto, el modelo A-380 que hará que la AI AI 01:13.240 --> 01:14.040 sea muy poderosa. 01:14.410 --> 01:18.300 Entonces, hagamos esto, ataquemos este modelo e implementemos. 01:18.430 --> 01:21.760 Así que vamos a comenzar haciendo dos funciones. 01:21.850 --> 01:26.410 vamos a tener pesos y solo queremos hacer estas dos funciones para que ya tenemos 01:26.410 --> 01:30.460 una herramienta para integrar muy fácilmente dentro del hogar para que la red neuronal. 01:30.460 --> 01:36.740 Solo hay algunas funciones que se ocuparán de cómo podemos inicializar los pesos porque sabes que vamos a tener algunas redes 01:36.750 --> 01:38.090 nuevas y, por lo tanto, 01:38.290 --> 01:41.600 Entonces estas dos funciones van a ser columnas normalizadas. 01:41.600 --> 01:48.730 Inicializador que es básicamente una función que no solo puede inicializar algunos pesos sino que establece una varianza específica 01:48.730 --> 01:50.370 de pesos de tensor. 01:50.380 --> 01:52.770 Así que eso es exactamente lo que estamos por implementar en este momento. 01:53.020 --> 01:57.700 Y luego implementaremos la segunda función que serán los pesos en esa función 01:57.700 --> 02:01.840 y que básicamente inicializará los pesos con tiempo suficiente para el aprendizaje. 02:01.840 --> 02:02.330 Todo bien. 02:02.350 --> 02:08.070 Y luego, una vez que hayamos terminado con estas dos funciones, comenzaremos a implementar la red neuronal. 02:08.330 --> 02:14.770 Así que hagámoslo, vamos a hacer estas dos funciones rápidamente, así que empiezo con 02:14.770 --> 02:24.420 una def aquí, luego voy a dar el nombre de esta función que está normalizada y estas columnas centrales subrayan el inicializador. 02:24.720 --> 02:25.550 Aquí vamos. 02:25.650 --> 02:28.780 Y esta función tomará solo dos entradas. 02:29.010 --> 02:35.790 Primero van a ser los pesos que queremos inicializar y la desviación estándar porque, como acabo de 02:35.790 --> 02:40.200 decir, queremos establecer una varianza específica para nuestro tensor de pesos. 02:40.230 --> 02:45.300 Y si quieres entender por qué tenemos que hacer esto es porque sabes cuando crearemos la red neuronal 02:45.620 --> 02:50.490 que será el actor y la crítica de acuerdo con el mañana y haremos dos capas separadas 02:50.490 --> 02:53.670 completamente conectadas una para el actor y uno para el crítico 02:53.880 --> 02:59.970 Y estas dos capas completamente conectadas tendrán pesos y estableceremos una desviación estándar para cada uno de 02:59.970 --> 03:01.810 estos dos grupos de pesos. 03:01.860 --> 03:05.650 Entonces, lo que haremos es establecer una pequeña desviación estándar para el actor. 03:05.700 --> 03:12.570 Será alrededor de 0. 01 y una gran desviación estándar para el crítico, que será alrededor de 1, creo. 03:12.750 --> 03:18.690 podamos establecer fácilmente la desviación estándar para los pesos que inicializaremos más tarde para el actor y el personaje. 03:18.690 --> 03:21.900 Es por eso que estamos haciendo esta función para que 03:21.930 --> 03:23.560 Es por eso que estamos haciendo esto. 03:23.560 --> 03:28.860 Entonces ahora vamos a establecer un valor predeterminado, pero esto cambiará después cuando inicialicemos 03:28.860 --> 03:29.500 los pesos. 03:29.520 --> 03:32.100 Así que vamos a usarlo para 1. 0. 03:32.240 --> 03:32.920 Todo bien. 03:33.000 --> 03:37.340 Y ahora estamos listos para definir qué hay dentro de esta función. 03:37.410 --> 03:41.960 Entonces, lo que primero se preparará es el resultado que vamos a llamar. 03:42.000 --> 03:46.310 Así que esto es lo que devolverá esta función. 03:46.380 --> 03:50.210 Y entonces, al principio, lo que vamos a hacer es eso. 03:50.330 --> 03:56.750 Entonces, como usted entendió, esta salida será un tensor de pesos que tendrá una desviación estándar específica. 03:56.850 --> 04:01.970 Pero antes de que nos ocupemos de establecer la desviación estándar, solo queremos inicializarla y luego estableceremos 04:02.010 --> 04:06.550 la desviación estándar aquí, que es el argumento que es la entrada de esta función. 04:06.870 --> 04:10.670 Así que, para inicializar los pesos del tensor, es posible que sepa cómo hacerlo. 04:10.680 --> 04:12.150 Ya lo hicimos 04:12.180 --> 04:20.250 la ronda y la función que inicializarán la respuesta incendiada con pesos aleatorios que siguen una distribución normal. 04:21.180 --> 04:27.540 Vamos a utilizar nuestra biblioteca de torche y desde esta biblioteca de torche tomaremos 04:27.540 --> 04:29.630 Entonces es por eso que se llama rant. 04:29.820 --> 04:31.100 Y en cuanto a lo normal. 04:31.230 --> 04:36.380 Entonces, lo que simplemente necesitamos ingresar es la cantidad de elementos que contendrá la distensión. 04:36.510 --> 04:41.510 Y esta cantidad de elementos es, por supuesto, la cantidad de pesos porque en realidad estamos inicializando 04:41.500 --> 04:43.140 un tensor para estos pesos aquí. 04:43.350 --> 04:53.410 Y para obtener esta cantidad de elementos simplemente podemos tomar nuestros pesos y agregar puntos para obtener el tamaño con paréntesis. 04:53.410 --> 05:00.280 mismo número de elementos de nuestros pesos y se inicializará con pesos aleatorios siguiendo una distribución normal. 05:00.280 --> 05:05.320 Y esto dará la cantidad de elementos y pesos para que cree el 05:05.320 --> 05:06.860 tensor de antorcha del 05:06.860 --> 05:07.330 Todo bien. 05:07.360 --> 05:13.390 Y ahora es el momento de establecer la desviación estándar que queremos tener, que es la desviación estándar aquí. 05:13.510 --> 05:16.960 Así que vamos a hacer ahora es una normalización simple. 05:16.960 --> 05:21.400 Tenemos un sentido torturado de pesas y ahora queremos normalizarlo. 05:21.600 --> 05:25.810 Entonces, para normalizarlo simplemente escribiremos el cálculo explícito. 05:25.840 --> 05:34.960 luego actualizarla multiplicándola por la desviación estándar que queremos dividir por la suma que acabo de mencionar. 05:34.960 --> 05:41.140 Entonces, lo que tenemos que hacer aquí es tomar nuestra salida y 05:41.140 --> 05:44.960 Y para obtener la suma vamos a usar la función de raíz cuadrada por soplete. 05:45.010 --> 05:48.700 Y así es cuando se toma aquí la antorcha que es q r t. 05:48.820 --> 05:50.710 Esa es la función de raíz cuadrada. 05:50.830 --> 05:55.980 Y dentro vamos a ingresar al cuadrado algunos de los pesos de un vector. 05:56.160 --> 05:58.000 Y entonces tomamos nuestros productos. 05:58.210 --> 06:06.040 Luego usamos la función de potencia a la que ingresamos porque queremos tomar el cuadrado de la 06:06.040 --> 06:08.950 suma y luego tomamos el sol. 06:09.000 --> 06:15.300 Y dentro vamos a especificar el índice del cono que contiene el peso. 06:15.310 --> 06:23.990 Quiere algunos y luego para obtener estos pesos por separado porque quiere sumarlos bien, generalmente expandimos 06:24.490 --> 06:29.440 en la escuela como una función de nuestra salida. 06:29.470 --> 06:29.820 Todo bien. 06:29.820 --> 06:37.280 Así que esto obtendrá los pesos que hasta ahora se inicializaron como un tipo de pesas Torchin que obtiene 06:37.340 --> 06:38.320 todos estos pesos. 06:38.330 --> 06:43.850 Tomamos la suma del cuadrado y luego tomamos la raíz cuadrada para aplicar la normalización. 06:44.030 --> 06:50.230 hecho de que tengamos esta desviación estándar en el numerador nos aseguraremos de que podamos escribirla aquí. 06:50.230 --> 06:50.900 Y el 06:51.960 --> 06:58.890 Las variantes hacia afuera serán iguales al cuadrado de la desviación estándar. 06:58.890 --> 07:05.940 Esta fórmula aquí se asegurará de que este tensor de pesos que inicializamos tenga una varianza que 07:06.030 --> 07:10.860 será igual al cuadrado de la desviación estándar que ponemos como argumentos. 07:11.190 --> 07:17.940 Y así es como podemos establecer una desviación estándar específica para el futuro real y crítico que se 07:17.940 --> 07:24.150 hará pronto y elegiremos una pequeña desviación estándar para el actor y una más grande para el 07:24.340 --> 07:27.780 crítico, y lo haremos muy fácilmente desde esta función. 07:27.780 --> 07:28.150 Todo bien. 07:28.170 --> 07:31.120 Y ahora tenemos solo una cosa por hacer a la izquierda. 07:31.200 --> 07:38.940 Por supuesto, devolver la salida que ahora está normalizada con esta desviación estándar específica. 07:38.940 --> 07:40.340 Muy bien, perfecto. 07:40.350 --> 07:42.680 Esa es la primera función que tuvimos que hacer. 07:42.870 --> 07:46.220 Esa es la primera herramienta que estaremos encantados de usar esta noche. 07:46.250 --> 07:47.290 Cerebro marino H-3 07:47.370 --> 07:49.250 Tenemos una función más para hacer ahora. 07:49.350 --> 07:51.130 Va a ser la función de peso. 07:51.360 --> 07:57.160 Y eso es solo una función que recordará inicializar los pesos para hacer que el aprendizaje sea óptimo. 07:57.570 --> 08:01.110 Así que hagámoslo en el próximo tutorial y hasta entonces.