WEBVTT 00:00.480 --> 00:06.650 Halo dan selamat datang di tutorial ini sekarang kita akan membuat fungsi kedua ini untuk menginisialisasi bobot. 00:06.840 --> 00:11.190 Dan yang ini akan digunakan untuk mendapatkan pembelajaran yang optimal. 00:11.340 --> 00:13.160 Sebenarnya bobot ini. 00:13.230 --> 00:21.960 Jadi fungsi kedua kita akan menyebutnya bobot menggarisbawahi di dalamnya dan itu akan mengambil sebagai argumen 00:22.200 --> 00:26.020 objek dan yang akan mewakili jaringan saraf. 00:26.220 --> 00:27.080 Jadi itu saja. 00:27.090 --> 00:32.300 Dan kemudian titik dua dan sekarang mari kita masuk ke dalam fungsi untuk menentukan apa yang ingin kita lakukan. 00:32.580 --> 00:38.610 Jadi pada dasarnya yang ingin kami lakukan adalah menginisialisasi bobot jaringan baru sedemikian rupa sehingga kami mendapatkan 00:38.610 --> 00:39.920 pembelajaran yang optimal. 00:40.080 --> 00:43.590 Jadi ini sepertinya tidak intuitif. 00:43.590 --> 00:46.740 Ini didasarkan pada makalah penelitian dan eksperimen. 00:46.740 --> 00:52.440 Kami akan menginisialisasi bobot dengan cara tertentu yang belum pernah kami lihat sebelumnya tetapi percayalah 00:52.440 --> 00:54.740 yang akan mengoptimalkan proses pembelajaran. 00:54.930 --> 01:00.760 Jadi kami hanya menerapkan tanpa masuk ke detail mengapa kami menginisialisasi bobot dengan cara ini. 01:00.960 --> 01:06.390 Jadi kita akan mulai dengan menggunakan trik yang akan digunakan nanti untuk membuat perbedaan 01:06.660 --> 01:13.260 antara konvolusi dan koneksi penuh karena Anda tahu ingat AI kita akan memiliki mata dan karena itu ia 01:13.260 --> 01:15.290 akan memiliki beberapa lapisan konvolusional. 01:15.330 --> 01:20.550 Dan tentu saja ia juga akan memiliki beberapa lapisan yang terhubung sepenuhnya dan kami akan memiliki inisialisasi 01:20.550 --> 01:23.550 yang berbeda dari bobot untuk kedua jenis koneksi ini. 01:23.820 --> 01:28.620 Jadi kita akan menggunakan trik ini untuk memisahkan dua jenis koneksi ini dan 01:28.890 --> 01:34.160 kemudian kita akan menggunakan beberapa kondisi untuk mendapatkan inisialisasi yang berbeda untuk masing-masing koneksi ini. 01:34.170 --> 01:40.410 Jadi trik ini adalah membuat variabel baru yang akan kita panggil nama belakang dan yang 01:40.410 --> 01:44.630 akan dipanggil ke objek jadi dan mewakili jaringan saraf. 01:44.670 --> 01:47.140 Tapi itu adalah objek yang akan kita lihat nanti. 01:47.430 --> 01:54.290 Dan kita akan mendapatkan atribut khusus dari objek ini yang akan menjadi 01:54.390 --> 02:01.570 Kolesnik dengan double underscore first underscore double dot underscore lagi nama dan hampir ada 02:01.610 --> 02:03.100 Garis bawah ganda lainnya. 02:03.360 --> 02:10.500 Jadi itu trik yang sangat jelek untuk mencari jenis koneksi dari objek jaringan baru kami, tetapi itu akan memberi kami 02:10.500 --> 02:12.100 apa yang Anda inginkan. 02:12.210 --> 02:15.300 Anda akan melihat itu masuk akal ketika kita mulai jika kondisinya. 02:15.540 --> 02:19.710 Dan omong-omong berbicara tentang kondisi kita bisa menghentikannya sekarang. 02:19.710 --> 02:26.170 Jadi yang akan kita lakukan sekarang adalah memulai kondisi pertama yang akan memberi kita kasus pertama. 02:26.280 --> 02:35.510 Itu jika koneksi adalah lilitan dan untuk menulis kondisi ini benar jika nama kelas itu baik-baik saja. 02:35.510 --> 02:45.180 Di sini kita menggunakan metode metode find find dan inside ketika memasukkan tanda kutip untuk konvolusi. 02:45.300 --> 02:54.330 Dan jika nama kelas benar-benar dapat ditemukan, kita akan melakukan yang berbeda dari minus yang sebenarnya jika kita 02:54.540 --> 02:57.900 memiliki konvolusi karena Manasquan berarti tidak. 02:58.200 --> 03:03.360 Nah dalam hal ini kita akan melakukan inisialisasi khusus dari bobot. 03:03.420 --> 03:07.830 Jadi kondisi ini di sini berarti jika kita memiliki koneksi konvolusi. 03:07.830 --> 03:13.910 Jadi dalam hal ini apa yang kita lakukan adalah menjalankan inisialisasi spesifik dari cara yang ingin kita lakukan. 03:14.040 --> 03:17.930 Dan di situlah semua hal yang tidak intuitif akan datang. 03:18.060 --> 03:21.990 Kita akan mulai dengan membuat variabel yang akan kita panggil. 03:22.180 --> 03:29.260 Dan bentuk pengadilan ini sehingga bentuk garis bawah berat akan menjadi daftar yang pada dasarnya berisi bentuk bobot 03:29.530 --> 03:31.310 dalam jaringan baru kami. 03:31.580 --> 03:35.800 Jadi kami menggunakan fungsi daftar untuk membuat daftar. 03:35.930 --> 03:42.880 Dan di dalam kita akan dimasukkan ke dalam jaringan saraf berat yang akan menjadi berat jaringan 03:42.880 --> 03:43.500 saraf. 03:43.570 --> 03:50.890 Tetapi dalam koneksi konvolusi dan untuk mendapatkan bentuk bobot ini, kami menggunakan 03:50.890 --> 03:59.670 atribut lain yaitu data dan ukuran ukuran akan memberi kita bentuk bobot ini dalam koneksi konvolusi. 03:59.680 --> 04:06.580 Jadi sekarang bentuk bobot berisi daftar bentuk bobot dan koneksi konvolusi dari jaringan 04:06.880 --> 04:08.300 kami dan. 04:08.460 --> 04:14.510 Baiklah jadi kita memiliki bentuk berat kemudian menginisialisasi bobot koneksi konvolusi ini. 04:14.560 --> 04:16.650 Kita akan membutuhkan dua nilai. 04:16.650 --> 04:22.920 Pertama adalah produk dari dimensi pertama oleh nominasi kedua oleh dimensi ketiga ini. 04:22.930 --> 04:27.960 Jadi itulah yang akan kita dapatkan sekarang dan kemudian kita juga perlu mendapatkan waktu nol 04:27.960 --> 04:33.570 kali kuno kali kedua dan kadang-kadang dimensi ketiga dan kemudian kita akan menggunakan dua nilai ini dalam 04:33.660 --> 04:35.660 kompetisi bagaimana kita menginisialisasi beban. 04:35.670 --> 04:37.920 Jadi mari kita selesaikan ini melalui produk pertama ini. 04:37.920 --> 04:46.050 Kami menyebutnya menyenangkan dan itu akan sama dengan produk dan kami akan menggunakan fungsi prod yang merupakan fungsi 04:46.050 --> 04:55.270 oleh non-Thailand yang memiliki pintasan dan P Jadi MP yang PRUD dan di dalam prod kami masukan apa yang ingin kami 04:55.260 --> 04:56.680 buat produk. 04:57.180 --> 05:02.590 Dan seperti yang kami katakan itu adalah berlian dan satu dua dan tiga dari bentuk berat badan kami. 05:02.880 --> 05:10.430 Jadi untuk mendapatkan ini kita bisa mengambil bentuk gelombang dan mendapatkan indeks dari tiga mesin garis ini. 05:10.500 --> 05:15.800 Jadi kami mengaturnya Simonton satu hingga 10 inci dan tiga disertakan. 05:16.020 --> 05:18.770 Jadi penjara untuk dikecualikan. 05:19.050 --> 05:24.230 Dan itulah bagaimana kita bisa mendapatkannya karena batas atas di sini tidak termasuk. 05:24.440 --> 05:35.410 Jadi itulah yang kita inginkan kemudian Sama untuk bersenang-senang seperti yang kita katakan Fan out itu akan menjadi produk dari kerusakan dalam dimensi 05:35.410 --> 05:39.650 waktu nol dua kali yang saya sebutkan tiga. 05:39.730 --> 05:45.490 Dan jadi di sini kita bisa diindeks dari dua termasuk ke empat dikecualikan. 05:45.730 --> 05:52.110 Sehingga akan didapat sebagai produk waktu dan dua dan tiga dan kemudian kita dapat 05:52.180 --> 05:58.900 mengalikannya dengan desain dan nol yang bisa kita akses dengan nol whaleship dari indeks nol. 05:59.230 --> 06:16.990 Jadi singkatnya, ini adalah satu kali dua kali dalam tiga dan tepat di bawah ini kita memiliki nol kali dua kali dalam tiga 06:16.990 --> 06:20.320 dari daftar bobot kita. 06:20.320 --> 06:25.390 Baiklah jadi sekarang kita akan menggunakan dua nilai ini fan in dan fan 06:25.870 --> 06:33.280 out untuk melanjutkan ke inisialisasi karena kita akan menghitung nilai baru seperti kita akan memanggil W terikat dan itu sama dengan 06:33.280 --> 06:39.530 akar kuadrat yang kita bisa dapatkan dengan fungsi dan P dari dan dengan itu sebagai qr t. 06:39.520 --> 06:40.830 Kedua seperti sebelumnya. 06:40.840 --> 06:46.710 Jadi akar kuadrat dari 6 dibagi dengan mengipasi. 06:46.820 --> 06:57.340 Jadi kipas di mari kita menyebar bahwa kita punya W di sini mewakili dalam beberapa cara ukuran dari puluhan 06:57.340 --> 06:58.140 bobot. 06:58.240 --> 06:59.740 Dan mengapa kita mendapatkan ini. 06:59.740 --> 07:06.130 Itu karena apa yang baru saja kami lakukan sekarang adalah kami ingin menghasilkan beberapa bobot 07:06.130 --> 07:10.070 acak yang berbanding terbalik dengan ukuran tensor dari bobot. 07:10.180 --> 07:18.580 Karena memang yang akan kita lakukan sekarang adalah mengambil jaringan baru kita dan kemudian mendapatkan bobotnya. 07:18.580 --> 07:25.260 Jadi dengan tetap mengambil bobot atribut maka akses datanya yaitu tensor itu sendiri. 07:26.100 --> 07:33.330 Dan kemudian dari tensor bobot ini kita akan menghasilkan beberapa bobot acak yang 07:33.330 --> 07:37.110 berbanding terbalik dengan ukuran bobot tensor. 07:37.180 --> 07:45.520 Jadi dalam fungsi seragam ini sekarang kita harus meletakkan batas bawah yang akan menjadi batas minus W dan 07:45.520 --> 07:49.090 batas atas yang akan ditambah kembali W. 07:49.750 --> 07:52.460 OK jadi itu untuk bobot. 07:52.510 --> 07:57.460 Dan sekarang kita perlu menginisialisasi bias dan kabar baik untuk bias. 07:57.460 --> 07:59.130 Ini akan menjadi jauh lebih sederhana. 07:59.200 --> 08:07.650 Kami akan menginisialisasi mereka semua dengan nol sehingga untuk mendapatkan pembelian ini kami mengambilnya dari model kami tentu saja itu adalah 08:08.070 --> 08:09.470 jaringan baru kami. 08:09.930 --> 08:15.790 Dan kemudian atribut untuk bias adalah sama dengan akses ke data. 08:16.200 --> 08:23.430 Dan kemudian kita akan menggunakan metode yang merupakan metode garis bawah Phil yang seperti yang Anda duga digunakan 08:23.580 --> 08:29.970 untuk mengisi tensor bias dengan nol dengan aturan kita harus menentukan bahwa kita ingin mengisinya dengan 08:29.970 --> 08:31.600 nol di sini. 08:31.700 --> 08:34.230 Dan itulah sebabnya saya letakkan di sini Zero. 08:34.560 --> 08:40.210 Baiklah untuk meringkas kami menghasilkan beberapa bobot acak berbanding terbalik dengan ukuran bobot 08:40.210 --> 08:43.860 tensor dan kami menginisialisasi perangkat dengan nol. 08:43.860 --> 08:49.850 Baiklah jadi itu untuk tindakan Inisialisasi pada koneksi konvolusi. 08:49.880 --> 08:52.880 Sekarang kita perlu melakukan hal yang sama untuk koneksi penuh. 08:53.300 --> 09:01.470 Jadi kita akan menambahkan kondisi baru dan jika sama kita mengambil trik ini kita menggunakan nama kelas pertama yaitu 09:01.470 --> 09:05.160 variabel ini yang berisi nama-nama koneksi yang berbeda. 09:05.160 --> 09:14.440 Jadi jika nama kelas itu sama, kami menggunakan metode find yang ketika dimasukkan dalam tanda kutip kali ini koneksi penuh yang 09:14.580 --> 09:19.050 merupakan koneksi linear klasik dalam jaringan saraf tiruan klasik. 09:19.390 --> 09:27.160 Dan nama untuk itu adalah linear dan mengatakan kita akan menggunakan trik ini untuk mengatakan bahwa 09:27.160 --> 09:35.810 kita ingin itu berbeda dari minus satu sehingga akhir kelas ini linen halus berbeda dari minus satu artinya 09:35.810 --> 09:41.360 jika koneksi ada di ada yang jika kita memiliki koneksi klasik. 09:41.360 --> 09:44.620 Jadi dalam hal ini bagaimana kita akan menginisialisasi bobot. 09:44.840 --> 09:47.260 Yah itu akan sama saja. 09:47.270 --> 09:54.020 Kita akan memperkenalkan Voivode whaleship yang tidak akan menghapus yang pertama karena kita akan baik dalam 09:54.050 --> 10:01.430 hal ini atau kasus itu sehingga tidak akan sama sehingga kita dapat benar-benar membalikkan itu maka sama 10:01.430 --> 10:08.600 kita akan memperkenalkan penggemar dalam variabel yang kali ini tidak akan sama dengan produk dari tiga dimensi 10:08.600 --> 10:09.440 ini. 10:09.650 --> 10:17.090 Namun sebenarnya kali ini akan sama saja dengan mendesain satu saja. 10:17.380 --> 10:23.870 Dan itu karena untuk koneksi penuh ada lebih sedikit koneksi daripada koneksi konvolusi. 10:23.880 --> 10:29.970 Sekarang apakah intuisi ini ceramah pada akhirnya dan di bagian CNN kurang disebutkan 10:29.970 --> 10:32.640 untuk koneksi penuh daripada konvolusi. 10:32.640 --> 10:39.840 Jadi pada dasarnya kita hanya mengambil waktu ini dalam satu tahun kemudian mengatakan kita akan memiliki 10:39.840 --> 10:48.780 variabel penggemar yang kemudian akan digunakan untuk menghitung W. batas dan dominasi penggemar ini akan menjadi bentuk bobot dari indeks 10:49.160 --> 10:49.890 0. 10:49.890 --> 10:51.470 Itu adalah berlian nol. 10:51.480 --> 10:55.290 Baiklah kalau begitu ke GWB dan itu akan sama. 10:55.470 --> 11:01.780 Ini akan menjadi akar kuadrat dari 6 dibagi dengan jumlah yang menyinggung dan mencari tahu. 11:01.830 --> 11:04.660 Jadi begitulah. 11:04.880 --> 11:11.870 Dan kabar baiknya adalah bahwa itu persis sama dengan sebelumnya kita menggunakan fungsi seragam 11:11.870 --> 11:20.990 untuk bobot dan fungsi pengisian untuk bias untuk mendapatkan inisialisasi yang sama kali ini dengan kipas yang berbeda masuk 11:20.990 --> 11:24.440 dan keluar dan karena itu . 11:24.560 --> 11:27.520 Jadi itu prinsip yang sama dengan ide yang sama. 11:27.530 --> 11:32.660 Satu-satunya hal yang berubah di sini adalah kita memiliki dominasi yang lebih sedikit untuk koneksi 11:32.780 --> 11:39.160 penuh dan oleh karena itu pertimbangan yang lebih sederhana dari batasan bobot di sini untuk menghasilkan bobot acak ini. 11:39.200 --> 11:45.210 Tetapi kabar baiknya adalah bahwa sekarang ini benar-benar tidak hanya bobot ini dan fungsinya sangat. 11:45.380 --> 11:47.150 Tetapi sekarang kami memiliki dua alat. 11:47.330 --> 11:50.180 Maka kita siap untuk mulai membangun otak. 11:50.300 --> 11:51.280 Jadi saya tidak sabar. 11:51.290 --> 11:53.500 Ini tentu saja akan menjadi bagian yang paling menarik. 11:53.510 --> 11:57.630 Ini hanya untuk pemanasan dan membuat kita siap untuk hal besar. 11:57.650 --> 11:59.990 Jadi kami akan membereskannya di tutorial berikutnya. 12:00.080 --> 12:02.590 Yah sebenarnya itu akan mengambil beberapa tutorial tentunya. 12:02.690 --> 12:04.350 Kami akan mulai dengan membuat mata. 12:04.520 --> 12:10.040 Dan kemudian ingat kita akan menambahkan ilustrasi untuk mempelajari sifat temporal dari input dan kemudian kita 12:10.040 --> 12:12.170 akan mengurus aktor dan kritikus. 12:12.170 --> 12:17.000 Dan di situlah kita akan menggunakan ini untuk berfungsi dinormalkan datang penginisialisasi dan bobot di dalamnya. 12:17.120 --> 12:18.590 Jadi saya tidak sabar untuk melakukan itu. 12:18.590 --> 12:20.630 Kami akan membuat sesuatu yang sangat kuat sekarang. 12:20.630 --> 12:22.510 Jadi bersiaplah untuk itu. 12:22.790 --> 12:24.250 Sampai kemudian menikmati AI.