WEBVTT

00:00.490 --> 00:02.550
สวัสดีและยินดีต้อนรับสู่การกวดวิชานี้

00:02.560 --> 00:08.410
เอาล่ะเราจะเริ่มต้นด้วยเพื่อนคนแรกของคุณธรรมและไก่ที่สำคัญที่สุดที่สับสน

00:08.440 --> 00:09.020
ทำไม.

00:09.180 --> 00:14.590
และนี่คือไฟล์นี้ที่เราจะใช้สมองของ homo ที่คุณรู้จักสมองที่เป็นหัวใจของ 8:

00:14.650 --> 00:20.290
3 Simmo ที่อยู่ในไฟล์นี้ที่จะทำให้เครือข่ายประสาทซึ่งแน่นอนจะมีบาง convolutional

00:20.290 --> 00:25.570
จะรู้เมื่อทำงาน เพราะแน่นอนว่าเรายังคงเรียนรู้การเสริมแรงอย่างลึกซึ้ง

00:25.690 --> 00:34.600
ดังนั้นจะสามารถมีตาและภายในเครือข่ายประสาทนี้จะรวมทุกอย่างที่เกี่ยวข้องกับการใช้งาน Craigmile และมีโบนัส

00:34.630 --> 00:39.550
ดังที่ฉันบอกคุณว่าเรากำลังใช้ A-3

00:39.550 --> 00:45.910
ศีลธรรมที่ทรงพลังที่สุดและสิ่งที่ทำให้มีประสิทธิภาพคือมันจะมีเครือข่ายใหม่บันทึกและแม่นยำมากขึ้นในหน่วยความจำระยะยาวของ LCN เพื่อให้เราสามารถเรียนรู้คุณสมบัติทางโลกของสิ่งที่

00:45.910 --> 00:48.660
กำลังเกิดขึ้น.

00:48.670 --> 00:54.710
อีกครั้งนั่นคือคุณสมบัติทางโลกของอินพุทเพื่อให้การคาดการณ์สามารถทำได้ดียิ่งขึ้น

00:55.270 --> 00:56.050
ดังนั้นเราไปกันเลย

00:56.050 --> 01:02.590
เรากำลังใช้โมเดลที่ทรงพลังมากซึ่งรวมเครือข่ายประสาททั้งหมดที่เราเห็นในหลักสูตรที่ลึกลงไป

01:02.680 --> 01:08.070
นั่นคือเครือข่ายประสาทเทียมเครือข่ายประสาทเทียมและเครือข่ายใหม่บันทึก

01:08.260 --> 01:14.040
และที่สำคัญที่สุดของเครือข่ายเหล่านี้มีแน่นอนรุ่น A-380 ที่จะทำให้ AI AI มีประสิทธิภาพมาก

01:14.410 --> 01:18.300
ลองทำสิ่งนี้กันเถอะโจมตีโมเดลนี้และนำไปปฏิบัติ

01:18.430 --> 01:21.760
ดังนั้นเราจะเริ่มด้วยการทำสองฟังก์ชั่น

01:21.850 --> 01:38.090
มีฟังก์ชั่นบางอย่างที่จะดูแลว่าเราสามารถเริ่มต้นน้ำหนักได้อย่างไรเพราะคุณรู้ว่าเราจะมีเครือข่ายใหม่และดังนั้นเราจะมีน้ำหนักและเราต้องการสร้างสองฟังก์ชันนี้เพื่อเรา เรามีเครื่องมือในการเชื่อมต่อภายในบ้านได้อย่างง่ายดายดังนั้นเครือข่ายประสาท

01:38.290 --> 01:41.600
ดังนั้นฟังก์ชั่นทั้งสองนี้จะเป็นคอลัมน์ปกติ

01:41.600 --> 01:50.370
ผู้เริ่มต้นที่เป็นฟังก์ชั่นที่ไม่เพียง แต่สามารถเริ่มต้นน้ำหนักบางส่วนเท่านั้น แต่ยังตั้งค่าความแปรปรวนเฉพาะของตุ้มน้ำหนัก

01:50.380 --> 01:52.770
นั่นคือสิ่งที่เรากำลังจะนำมาใช้ในตอนนี้

01:53.020 --> 02:01.840
จากนั้นเราจะใช้ฟังก์ชั่นที่สองซึ่งจะเป็นน้ำหนักในฟังก์ชั่นนั้นและโดยทั่วไปจะเริ่มต้นน้ำหนักในเวลาเพียงพอวิธีการเรียนรู้

02:01.840 --> 02:02.330
เอาล่ะ

02:02.350 --> 02:08.070
จากนั้นเมื่อเราทำฟังก์ชั่นทั้งสองนี้เสร็จแล้วเราจะเริ่มใช้โครงข่ายประสาท

02:08.330 --> 02:14.770
งั้นลองทำสองฟังก์ชั่นเหล่านี้กันก่อนแล้วผมจะเริ่มด้วย

02:14.770 --> 02:24.420
def ตรงนี้แล้วผมจะให้ชื่อของฟังก์ชันนี้ซึ่งเป็นมาตรฐาน

02:24.720 --> 02:25.550
เราจะไปที่นั่น.

02:25.650 --> 02:28.780
และฟังก์ชั่นนี้จะรับเพียงสองอินพุต

02:29.010 --> 02:40.200
อย่างแรกมันคือน้ำหนักที่เราต้องการเริ่มต้นและค่าเบี่ยงเบนมาตรฐานเพราะอย่างที่บอกไปแล้วว่าเราต้องการตั้งค่าความแปรปรวนเฉพาะสำหรับน้ำหนักเทนเซอร์

02:40.230 --> 02:53.670
และถ้าคุณต้องการที่จะเข้าใจว่าทำไมเราต้องทำสิ่งนี้ก็เพราะคุณรู้ว่าเมื่อเราสร้างเครือข่ายประสาทที่จะเป็นนักแสดงและนักวิจารณ์ตามที่ผ่านมาในวันพรุ่งนี้และเราจะทำให้สองชั้นที่เชื่อมต่อกันอย่างเต็มที่ สำหรับนักวิจารณ์

02:53.880 --> 03:01.810
และเลเยอร์ที่เชื่อมต่ออย่างสมบูรณ์ทั้งสองนี้จะมีน้ำหนักและเราจะตั้งค่าเบี่ยงเบนมาตรฐานสำหรับน้ำหนักสองกลุ่มเหล่านี้

03:01.860 --> 03:05.650
และสิ่งที่เราจะทำก็คือเราจะตั้งค่าเบี่ยงเบนมาตรฐานเล็กน้อยสำหรับนักแสดง

03:05.700 --> 03:12.570
มันจะอยู่ที่ประมาณ 0 01 และค่าเบี่ยงเบนมาตรฐานใหญ่สำหรับนักวิจารณ์ซึ่งจะอยู่ที่ประมาณ 1

03:12.750 --> 03:21.900
นั่นคือเหตุผลที่เรากำลังทำฟังก์ชั่นนี้เพื่อให้เราสามารถตั้งค่าเบี่ยงเบนมาตรฐานสำหรับน้ำหนักที่เราจะเริ่มต้นในภายหลังสำหรับนักแสดงและผู้คลั่งไคล้

03:21.930 --> 03:23.560
นั่นเป็นเหตุผลที่เรากำลังทำสิ่งนี้

03:23.560 --> 03:29.500
ดังนั้นตอนนี้เราเพิ่งจะตั้งค่าเริ่มต้น แต่สิ่งนี้จะเปลี่ยนหลังจากนั้นเมื่อเราเริ่มต้นน้ำหนัก

03:29.520 --> 03:32.100
ดังนั้นเรามาใช้สำหรับ 1 0

03:32.240 --> 03:32.920
เอาล่ะ

03:33.000 --> 03:37.340
และตอนนี้เราพร้อมที่จะนิยามว่าอะไรอยู่ในฟังก์ชันนี้

03:37.410 --> 03:41.960
ดังนั้นสิ่งแรกที่ต้องเตรียมคือเอาท์พุทที่เราจะเรียกออกมา

03:42.000 --> 03:46.310
ดังนั้นนี่คือฟังก์ชั่นนี้ที่จะส่งคืน

03:46.380 --> 03:50.210
ตอนแรกสิ่งที่เราจะทำก็คือ

03:50.330 --> 03:56.750
ดังนั้นตามที่คุณเข้าใจผลลัพธ์นี้จะเป็นน้ำหนักเทนเซอร์ที่มีค่าเบี่ยงเบนมาตรฐานเฉพาะ

03:56.850 --> 04:06.550
แต่ก่อนที่เราจะดูแลการตั้งค่าเบี่ยงเบนมาตรฐานเราแค่ต้องการเริ่มต้นมันแล้วเราจะตั้งค่าเบี่ยงเบนมาตรฐานตรงนี้ซึ่งก็คืออาร์กิวเมนต์ซึ่งเป็นอินพุตของฟังก์ชันนี้

04:06.870 --> 04:10.670
ดังนั้นในการเริ่มต้นน้ำหนักเมตริกซ์คุณอาจรู้วิธีการทำ

04:10.680 --> 04:12.150
เราทำไปแล้ว

04:12.180 --> 04:20.250
เราจะใช้ห้องสมุด torche ของเราและจากห้องสมุด

04:21.180 --> 04:27.540
torche นี้เราจะทำการปัดเศษและฟังก์ชั่นซึ่งจะเริ่มต้นคำตอบที่ถูกเผาด้วยน้ำหนักสุ่มที่ตามมาด้วยการแจกแจงแบบปกติ

04:27.540 --> 04:29.630
นั่นคือสาเหตุที่มันถูกเรียกว่าโวยวาย

04:29.820 --> 04:31.100
และสำหรับคนปกติ

04:31.230 --> 04:36.380
ทีนี้สิ่งที่เราต้องป้อนคือจำนวนองค์ประกอบที่ distention จะมี

04:36.510 --> 04:43.140
และองค์ประกอบจำนวนนี้แน่นอนว่าจำนวนน้ำหนักเพราะเราเริ่มต้นเทนเซอร์สำหรับน้ำหนักเหล่านี้

04:43.350 --> 04:53.410
และเพื่อให้ได้องค์ประกอบจำนวนนี้เราสามารถยกน้ำหนักและเพิ่มจุดเพื่อให้ได้ขนาดด้วยวงเล็บ

04:53.410 --> 05:06.860
และสิ่งนี้จะให้จำนวนขององค์ประกอบและน้ำหนักเพื่อที่จะสร้างเทนเซอร์คบเพลิงที่มีจำนวนเท่ากันของน้ำหนักของเราและมันจะเริ่มต้นด้วยน้ำหนักแบบสุ่มหลังจากการแจกแจงแบบปกติ

05:06.860 --> 05:07.330
เอาล่ะ

05:07.360 --> 05:13.390
และตอนนี้ก็ถึงเวลากำหนดค่าเบี่ยงเบนมาตรฐานที่เราต้องการนั่นคือค่าเบี่ยงเบนมาตรฐานตรงนี้

05:13.510 --> 05:16.960
ดังนั้นเรากำลังจะทำตอนนี้คือการฟื้นฟูอย่างง่าย

05:16.960 --> 05:21.400
เรามีน้ำหนักที่ถูกทรมานและตอนนี้เราต้องการทำให้เป็นมาตรฐาน

05:21.600 --> 05:25.810
และเพื่อทำให้เป็นมาตรฐานมันก็จะเขียนการคำนวณที่ชัดเจน

05:25.840 --> 05:41.140
สิ่งที่เราต้องทำตรงนี้ก็คือเอาเอาท์พุทของเรามาอัพเดทด้วยการคูณมันด้วยค่าเบี่ยงเบนมาตรฐานที่เราอยากหารด้วยผลรวมที่ผมเพิ่งพูดไป

05:41.140 --> 05:44.960
เพื่อให้ได้ผลรวมเราจะใช้ฟังก์ชันรากที่สองโดยคบไฟ

05:45.010 --> 05:48.700
และนั่นก็คือตอนที่เอา Torche มาที่นี่

05:48.820 --> 05:50.710
นั่นคือฟังก์ชันสแควร์รูท

05:50.830 --> 05:55.980
และข้างในเราจะใส่สี่เหลี่ยมของน้ำหนักเวกเตอร์

05:56.160 --> 05:58.000
และเราก็เอาผลออกมา

05:58.210 --> 06:08.950
จากนั้นเราใช้ฟังก์ชั่นพาวเวอร์ที่เราป้อนเพราะเราต้องการนำกำลังสองมารวมกันแล้วเราก็รับแสงอาทิตย์

06:09.000 --> 06:15.300
และข้างในเราจะระบุดัชนีของกรวยที่มีน้ำหนัก

06:15.310 --> 06:29.440
ต้องการบางส่วนแล้วให้แยกน้ำหนักเหล่านี้ออกจากกันเพราะคุณต้องการผลรวมพวกมันอย่างดีเรามักจะขยายโรงเรียนออกไปเป็นส่วนหนึ่งของผลลัพธ์ของเรา

06:29.470 --> 06:29.820
เอาล่ะ

06:29.820 --> 06:38.320
ดังนั้นนี่จะทำให้น้ำหนักที่ได้รับการเริ่มต้นเป็นน้ำหนักของ Torchin ที่ได้รับน้ำหนักเหล่านี้ทั้งหมด

06:38.330 --> 06:43.850
เราหาผลรวมของสแควร์แล้วเราก็หาสแควร์รูทเพื่อใช้การปรับสภาพ

06:44.030 --> 06:50.900
และความจริงที่ว่าเรามีค่าเบี่ยงเบนมาตรฐานนี้ที่ตัวเศษเราจะทำให้แน่ใจว่าเราเขียนได้ตรงนี้

06:51.960 --> 06:58.890
ตัวแปรจะเท่ากับสี่เหลี่ยมของส่วนเบี่ยงเบนมาตรฐาน

06:58.890 --> 07:10.860
สูตรนี้ที่นี่จะทำให้แน่ใจว่าน้ำหนักของเมตริกซ์นี้ที่เราเริ่มต้นจะมีความแปรปรวนที่จะเท่ากับสแควร์ของค่าเบี่ยงเบนมาตรฐานที่เราใส่เป็นอาร์กิวเมนต์

07:11.190 --> 07:17.940
และนั่นคือวิธีที่เราสามารถกำหนดค่าเบี่ยงเบนมาตรฐานเฉพาะสำหรับอนาคตและนักวิจารณ์ที่จะเกิดขึ้นเร็ว ๆ

07:17.940 --> 07:27.780
นี้และเราจะเลือกค่าเบี่ยงเบนมาตรฐานเล็ก ๆ สำหรับนักแสดงและนักวิจารณ์ที่ใหญ่กว่าและเราจะทำสิ่งนี้ได้ง่ายมากตั้งแต่ฟังก์ชั่นนี้

07:27.780 --> 07:28.150
เอาล่ะ

07:28.170 --> 07:31.120
และตอนนี้เรามีสิ่งเดียวที่จะทำ

07:31.200 --> 07:38.940
แน่นอนว่าจะส่งคืนเอาต์พุตที่ขณะนี้ได้รับการทำให้เป็นมาตรฐานด้วยค่าเบี่ยงเบนมาตรฐานเฉพาะนี้

07:38.940 --> 07:40.340
ถูกต้องสมบูรณ์แบบมาก

07:40.350 --> 07:42.680
นั่นเป็นฟังก์ชั่นแรกที่เราต้องทำ

07:42.870 --> 07:46.220
นั่นเป็นเครื่องมือแรกที่เราจะมีความสุขมากที่จะใช้คืนนี้

07:46.250 --> 07:47.290
ทะเลสมอง H-3

07:47.370 --> 07:49.250
เรามีฟังก์ชั่นเพิ่มอีกหนึ่งฟัง

07:49.350 --> 07:51.130
มันจะเป็นฟังก์ชันน้ำหนัก

07:51.360 --> 07:57.160
และนั่นเป็นเพียงฟังก์ชั่นที่จะเตือนการกำหนดน้ำหนักเริ่มต้น

07:57.570 --> 08:01.110
ลองทำแบบนี้ในบทช่วยสอนถัดไปและจนกว่าจะถึงตอนนั้น