WEBVTT 00:00.480 --> 00:06.650 Cześć, witamy w tym samouczku, teraz zrobimy tę drugą funkcję, aby zainicjować wagi. 00:06.840 --> 00:11.190 I ten będzie używany do uzyskania optymalnej nauki. 00:11.340 --> 00:13.160 Właściwie te wagi. 00:13.230 --> 00:21.960 Tak więc druga funkcja, którą będziemy nazywać wagą, podkreśli w nim i podejmie jako argument obiekt 00:22.200 --> 00:26.020 i który będzie reprezentować sieć neuronową. 00:26.220 --> 00:27.080 To wszystko. 00:27.090 --> 00:32.300 A potem dwukropek i teraz wejdźmy do funkcji, aby zdefiniować, co chcemy zrobić. 00:32.580 --> 00:38.610 Zasadniczo chcieliśmy zainicjować wagi nowej sieci w taki sposób, aby uzyskać 00:38.610 --> 00:39.920 optymalną naukę. 00:40.080 --> 00:43.590 To nie wydaje się szczególnie intuicyjne. 00:43.590 --> 00:46.740 Opiera się to na pracach badawczych i eksperymentach. 00:46.740 --> 00:52.440 Zamierzamy zainicjować wagi w określony sposób, którego wcześniej nie widzieliśmy, ale uwierzcie, że 00:52.440 --> 00:54.740 zoptymalizują proces uczenia się. 00:54.930 --> 01:00.760 Więc właśnie wdrożyliśmy, nie wdając się w szczegóły, dlaczego tak inicjujemy wagi. 01:00.960 --> 01:06.390 A więc zaczniemy od użycia sztuczki, która zostanie później wykorzystana do rozróżnienia pomiędzy 01:06.660 --> 01:13.260 splotem a pełnym połączeniem, ponieważ wiesz, że nasza sztuczna inteligencja będzie miała oczy i dlatego będzie 01:13.260 --> 01:15.290 miała kilka splotowych warstw. 01:15.330 --> 01:20.550 Oczywiście będzie również mieć kilka w pełni połączonych warstw i będziemy mieli różne 01:20.550 --> 01:23.550 inicjowanie wag dla tych dwóch typów połączeń. 01:23.820 --> 01:28.620 Więc użyjemy tej sztuczki, aby oddzielić te dwa rodzaje połączeń, a 01:28.890 --> 01:34.160 następnie użyjemy pewnych warunków, aby uzyskać różne inicjowanie dla każdego z tych połączeń. 01:34.170 --> 01:40.410 Więc ta sztuczka polega na stworzeniu nowej zmiennej, którą nazwiemy nazwiskiem i która zostanie 01:40.410 --> 01:44.630 wywołana do obiektu i będzie reprezentować sieć neuronową. 01:44.670 --> 01:47.140 Ale to obiekt, który zobaczymy później. 01:47.430 --> 01:54.290 I otrzymamy specjalny atrybut z tego obiektu, którym będzie Kolesnik z 01:54.390 --> 02:01.570 podwójnym podkreśleniem pierwszej klasy podwójnego podkreślenia kropka podwójnego podkreślenia ponownie i prawie tam. 02:01.610 --> 02:03.100 Kolejny podwójny podkreślnik. 02:03.360 --> 02:10.500 To dość brzydka sztuczka, aby znaleźć typ połączenia naszego nowego obiektu sieciowego, ale to da nam dokładnie 02:10.500 --> 02:12.100 to, czego chcesz. 02:12.210 --> 02:15.300 Zobaczycie, że to ma sens, gdy zaczniemy, jeśli warunki. 02:15.540 --> 02:19.710 A przy okazji mówiąc o warunkach, możemy ich teraz zatrzymać. 02:19.710 --> 02:26.170 A więc teraz zrobimy pierwszy warunek, który przyniesie nam pierwszy przypadek. 02:26.280 --> 02:35.510 Oznacza to, że jeśli połączenie jest splotem, należy zapisać ten warunek, jeśli nazwa klasy jest w porządku. 02:35.510 --> 02:45.180 Tutaj używamy metody find find i inside, kiedy umieszczamy ją w cudzysłowach na splot. 02:45.300 --> 02:54.330 Jeśli więc nazwa klasy znajdzie to, co możemy, to zrobimy coś innego niż minus jeden, który jest tak naprawdę, 02:54.540 --> 02:57.900 jeśli mamy splot, ponieważ Manasquan znaczy "nie". 02:58.200 --> 03:03.360 W takim przypadku zrobimy specjalną inicjalizację wag. 03:03.420 --> 03:07.830 Więc ten warunek tutaj oznacza, że mamy połączenie splotu. 03:07.830 --> 03:13.910 Tak więc w tym przypadku to, co robimy, uruchamia tę specyficzną inicjalizację sposobu, w jaki chcemy to zrobić. 03:14.040 --> 03:17.930 I tu właśnie nadejdą wszystkie nie intuicyjne rzeczy. 03:18.060 --> 03:21.990 Zaczniemy od utworzenia zmiennej, którą będziemy nazywać. 03:22.180 --> 03:29.260 I ten kształt sądowy, aby ciężar podkreślał kształt będzie listą, która zasadniczo będzie zawierała kształt ciężarów 03:29.530 --> 03:31.310 w naszej nowej sieci. 03:31.580 --> 03:35.800 I dlatego używamy funkcji list do tworzenia listy. 03:35.930 --> 03:43.500 Wewnątrz wstawimy sieć neuronową, która będzie wagą sieci neuronowej. 03:43.570 --> 03:50.890 Ale w połączeniu splotowym i aby uzyskać kształt tych ciężarów, używamy innego atrybutu, 03:50.890 --> 03:59.670 który jest taki, że dane, a następnie wielkość, dostarczy nam kształt tych wag w połączeniu splotowym. 03:59.680 --> 04:06.580 Teraz kształt wagi zawiera na liście kształt ciężarów i połączeń splotowych naszej 04:06.880 --> 04:08.300 sieci i. 04:08.460 --> 04:14.510 W porządku, więc mamy kształt wagi, aby zainicjować wagi tego połączenia splotu. 04:14.560 --> 04:16.650 Będziemy potrzebować dwóch wartości. 04:16.650 --> 04:22.920 Pierwszy to iloczyn pierwszego wymiaru drugiej nominacji przez ten trzeci wymiar. 04:22.930 --> 04:27.960 A więc to właśnie otrzymamy teraz, a następnie będziemy musieli uzyskać zer czasy 04:27.960 --> 04:33.570 starożytności za drugim razem, a czasem trzeci wymiar, a następnie użyjemy tych dwóch wartości w konkurencji, 04:33.660 --> 04:35.660 w jaki sposób zainicjujemy ciężary. 04:35.670 --> 04:37.920 Przejdźmy więc przez ten pierwszy produkt. 04:37.920 --> 04:46.050 Nazywamy to zabawą i będzie równać się produktowi i użyjemy funkcji prod, która jest funkcją 04:46.050 --> 04:55.270 przez nie-Thai, która ma skrót i P So MP, która PRUD i wewnątrz prod wprowadzamy to, co chcemy 04:55.260 --> 04:56.680 zrobić produkt. 04:57.180 --> 05:02.590 I tak jak powiedzieliśmy, że jest to diament i jeden dwa i trzy nasze wagi. 05:02.880 --> 05:10.430 Aby to uzyskać, możemy przyjąć kształt fali i uzyskać indeksy tych trzech silników liniowych. 05:10.500 --> 05:15.800 I tak ustawiliśmy Simonton jeden na 10 cali i trzy w zestawie. 05:16.020 --> 05:18.770 Więc loch dla wykluczonych. 05:19.050 --> 05:24.230 I tak możemy to zdobyć, ponieważ górna granica tutaj nie jest zawarta. 05:24.440 --> 05:35.410 Więc to jest to, czego chcemy, to samo dla zabawy, tak jak powiedzieliśmy, że to będzie produkt uszkodzeń w wymiarze czasu 05:35.410 --> 05:39.650 zero dwa razy, o których wspomniałem trzy. 05:39.730 --> 05:45.490 I tak tutaj możemy uzyskać indeksowane od dwóch uwzględnionych do czterech wykluczonych. 05:45.730 --> 05:52.110 Tak więc otrzymamy iloczyn czasu i dwóch i trzech, a następnie możemy pomnożyć 05:52.180 --> 05:58.900 przez projekt i zero, do których możemy uzyskać dostęp za pomocą zerowej wartości zerowej zerowej. 05:59.230 --> 06:16.990 Podsumowując, jest to jeden raz dwa razy w trzech, a tuż poniżej mamy zero razy dwa razy w trzech z naszej 06:16.990 --> 06:20.320 listy kontroli masy. 06:20.320 --> 06:25.390 W porządku, więc teraz użyjemy tych dwóch wartości, aby włączyć wentylator i 06:25.870 --> 06:33.280 wyjść, aby rozpocząć inicjalizację, ponieważ zamierzamy obliczyć nową wartość, ponieważ będziemy ją wywoływać jako W związaną i która jest równa 06:33.280 --> 06:39.530 pierwiastkowi kwadratowemu, który możemy uzyskać za pomocą funkcji i P od i przez to jako qr t. 06:39.520 --> 06:40.830 Drugi jak wcześniej. 06:40.840 --> 06:46.710 Więc pierwiastek kwadratowy z 6 podzielony przez rozwijanie. 06:46.820 --> 06:57.340 Więc fani, dajmy fanom, że dostaliśmy to W tutaj reprezentuje w pewnym sensie rozmiar dziesiątek 06:57.340 --> 06:58.140 ciężarów. 06:58.240 --> 06:59.740 I dlaczego to uzyskaliśmy. 06:59.740 --> 07:06.130 To dlatego, że to, co właśnie mieliśmy teraz zrobić, to chcemy wygenerować losowe wagi, 07:06.130 --> 07:10.070 które są odwrotnie proporcjonalne do wielkości tensora wag. 07:10.180 --> 07:18.580 Ponieważ tak naprawdę to, co teraz zrobimy, to weź naszą nową sieć, a następnie zdobądź jej wagę. 07:18.580 --> 07:25.260 Wciąż biorąc masę atrybutu, a następnie dostęp do jego danych, które są same tensor. 07:26.100 --> 07:33.330 A następnie z tego tensora wag będziemy generować losowe wagi, które są 07:33.330 --> 07:37.110 odwrotnie proporcjonalne do wielkości ciężarów tensorowych. 07:37.180 --> 07:45.520 I tak w tej jednorodnej funkcji musimy teraz umieścić dolną granicę, która będzie minus W, a górna 07:45.520 --> 07:49.090 granica, która będzie plus W powrotem. 07:49.750 --> 07:52.460 OK, więc to dla odważników. 07:52.510 --> 07:57.460 A teraz musimy zainicjować uprzedzenia i dobre wieści dla uprzedzeń. 07:57.460 --> 07:59.130 To będzie znacznie prostsze. 07:59.200 --> 08:07.650 Zamierzamy zainicjować je wszystkie zerami, więc aby je kupić, bierzemy je z naszego modelu oczywiście, który jest naszą 08:08.070 --> 08:09.470 nową siecią. 08:09.930 --> 08:15.790 A następnie atrybutem stronniczości jest uprzedzenie to samo z dostępem do danych. 08:16.200 --> 08:23.430 A potem użyjemy metody, która jest metodą podkreślenia Phila, która, jak można się domyślić, jest używana 08:23.580 --> 08:29.970 do wypełnienia tensora stronniczości zerami oraz reguł, które musimy określić, abyśmy chcieli wypełnić 08:29.970 --> 08:31.600 go zerami tutaj. 08:31.700 --> 08:34.230 I dlatego właśnie stawiam tutaj zero. 08:34.560 --> 08:40.210 W porządku, więc podsumowując generujemy losowe wagi odwrotnie proporcjonalne do wielkości 08:40.210 --> 08:43.860 wag tensora i zainicjowaliśmy urządzenie zerami. 08:43.860 --> 08:49.850 W porządku, tak było w przypadku Inicjowania akcji przy połączeniach splotowych. 08:49.880 --> 08:52.880 Teraz musimy zrobić to samo dla pełnego połączenia. 08:53.300 --> 09:01.470 Dodamy więc nowy warunek i jeśli zrobimy to samo, używamy nazwy pierwszej klasy, która jest tą 09:01.470 --> 09:05.160 zmienną, która zawiera różne nazwy połączeń. 09:05.160 --> 09:14.440 Więc jeśli nazwa klasy jest taka sama, używamy metody find, do której w tym czasie cytowane jest pełne połączenie, które 09:14.580 --> 09:19.050 jest klasycznym połączeniem liniowym w klasycznej sztucznej sieci neuronowej. 09:19.390 --> 09:27.160 A więc nazwa tego jest liniowa i mówimy, że użyjemy tej sztuczki, aby powiedzieć, że chcemy, żeby 09:27.160 --> 09:35.810 była inna niż minus jedna, więc to koniec klasy rzeczy, to znaczy, że cienki len jest inny niż minus 09:35.810 --> 09:41.360 jeden oznacza, że połączenie jest w tam jest, jeśli mamy klasyczne połączenie. 09:41.360 --> 09:44.620 Więc w takim razie, jak zamierzamy zainicjować wagi. 09:44.840 --> 09:47.260 Cóż, to będzie zupełnie to samo. 09:47.270 --> 09:54.020 Zamierzamy wprowadzić Wojewodę Wielorybnictwa, który nie wymazuje pierwszego, ponieważ będziemy albo w tym 09:54.050 --> 10:01.430 przypadku, albo w tym przypadku, więc to nie będzie to samo, więc możemy całkowicie odwrócić 10:01.430 --> 10:08.600 to wtedy wprowadzimy wentylator w zmiennej który tym razem nie będzie równy iloczynowi tych trzech 10:08.600 --> 10:09.440 wymiarów. 10:09.650 --> 10:17.090 Ale w rzeczywistości tym razem będzie to równało się po prostu zaprojektuj jeden wzmiankę. 10:17.380 --> 10:23.870 A to dlatego, że dla pełnego połączenia jest mniej połączeń niż w połączeniu splotowym. 10:23.880 --> 10:29.970 Teraz jest to wykład intuicyjny na końcu, aw sekcji CNN jest mniej wzmianek o 10:29.970 --> 10:32.640 pełnym połączeniu niż o splotach. 10:32.640 --> 10:39.840 Zasadniczo poświęcamy ten czas w ciągu jednego roku, a następnie mówimy, że będziemy 10:39.840 --> 10:48.780 mieć zmienną, która posłuży do obliczenia W. granice i ta dominacja wachlarza będzie miała kształt wagowy indeksu 10:49.160 --> 10:49.890 0. 10:49.890 --> 10:51.470 To jest zero diamentów. 10:51.480 --> 10:55.290 W takim razie do GWB i to będzie to samo. 10:55.470 --> 11:01.780 Będzie to pierwiastek kwadratowy z 6 podzielonych przez sumę obrażającą i znajdującą. 11:01.830 --> 11:04.660 Więc idziemy. 11:04.880 --> 11:11.870 A potem dobrą wiadomością jest to, że jest dokładnie taka sama jak poprzednio, używamy jednolitej 11:11.870 --> 11:20.990 funkcji dla wag i funkcji wypełniania dla uprzedzeń, aby uzyskać ten sam rodzaj inicjalizacji tym razem z innym wentylatorem i rozchodzić 11:20.990 --> 11:24.440 się, a zatem różne w tym . 11:24.560 --> 11:27.520 Taka jest ta sama zasada, że to ten sam pomysł. 11:27.530 --> 11:32.660 Zmienia się tylko to, że mamy mniej dominacji dla pełnego 11:32.780 --> 11:39.160 połączenia, a zatem prostsze rozważenie tego ograniczenia wag tutaj, aby wygenerować te przypadkowe wagi. 11:39.200 --> 11:45.210 Ale dobrą wiadomością jest to, że teraz tak naprawdę to nie tylko te wagi i funkcjonuje bardzo. 11:45.380 --> 11:47.150 Ale teraz mamy dwa narzędzia. 11:47.330 --> 11:50.180 I dlatego jesteśmy gotowi zacząć budować mózg. 11:50.300 --> 11:51.280 Więc nie mogę się doczekać. 11:51.290 --> 11:53.500 To będzie oczywiście najbardziej ekscytująca część. 11:53.510 --> 11:57.630 To było tylko po to, aby się rozgrzać i przygotować nas na tę wielką rzecz. 11:57.650 --> 11:59.990 Więc zajmiemy się tym w następnym samouczku. 12:00.080 --> 12:02.590 Właściwie to oczywiście zajmie się kilkoma tutorialami. 12:02.690 --> 12:04.350 Zaczniemy od zrobienia oczu. 12:04.520 --> 12:10.040 A potem pamiętaj, że dodamy ilustrację, aby poznać właściwości czasowe danych wejściowych, a następnie 12:10.040 --> 12:12.170 zajmiemy się aktorem i krytykiem. 12:12.170 --> 12:17.000 I to jest miejsce, w którym użyjemy tego, by funkcjonować znormalizowany przychodzący inicjator i jego wagi. 12:17.120 --> 12:18.590 Więc nie mogę się doczekać, aby to zrobić. 12:18.590 --> 12:20.630 Zrobimy teraz coś bardzo potężnego. 12:20.630 --> 12:22.510 Więc przygotuj się na to. 12:22.790 --> 12:24.250 Do tego czasu ciesz się AI.