WEBVTT 00:00.270 --> 00:02.250 Bonjour et bienvenue dans la boutique. 00:02.430 --> 00:05.810 Je suis super excité parce que nous sommes sur le point de faire voir le cerveau de l'A-3. 00:05.810 --> 00:07.430 C'est le cerveau de notre IA. 00:07.590 --> 00:10.800 Et en parlant de cerveaux, je voudrais souligner quelque chose. 00:10.870 --> 00:15.750 Rappelez-vous que dans le premier module, nous avons créé un cerveau simple composé uniquement de couches entièrement connectées. 00:15.840 --> 00:22.260 Ensuite, dans le deuxième module de Dhoom, nous avons créé un cerveau comportant non seulement des couches entièrement connectées, 00:22.350 --> 00:29.070 mais également des yeux, car nous avons ajouté les couches convolutives qui permettaient aux yeux de voir les images et de 00:29.070 --> 00:31.550 comprendre ce qui se passait à l'intérieur. 00:31.830 --> 00:37.590 Et maintenant, nous allons dire que même à un niveau élevé parce que nous allons créer un cerveau qui non seulement 00:37.590 --> 00:41.310 aura des yeux et reliera entièrement les couches mais aussi la mémoire. 00:41.430 --> 00:46.710 Parce que, comme je l’ai dit dans le précédent tutoriel, nous allons ajouter un enregistrement de 00:46.710 --> 00:53.490 ce travail à l’intérieur de ce grand cerveau et qui donnera une longue mémoire à notre cerveau afin qu’il puisse comprendre 00:53.580 --> 00:57.010 les relations temporelles des propriétés temporelles des images d’entrée. 00:57.120 --> 01:02.400 Donc nous y sommes et cerveau encore plus puissant, je peux vous dire que le Dymo sur lequel 01:02.640 --> 01:09.930 nous parlons d’Intiman est vraiment très puissant et nous pouvons voir comment construire l’intelligence artificielle et faire de plus en plus profond et que l’apprentissage 01:10.260 --> 01:14.820 de Forsman consiste à se rapprocher de plus en plus comment fonctionne le cerveau humain. 01:14.820 --> 01:19.560 Vous savez que nous avons commencé par les relations fondamentales du cerveau avec les connexions linéaires. 01:19.560 --> 01:22.230 Ensuite, nous avons ajouté les yeux et la mémoire. 01:22.230 --> 01:24.900 Qui sait ce que nous allons ajouter dans les futurs modèles. 01:24.990 --> 01:30.780 Vous savez, en 2018, ils ajouteront peut-être quelque chose qui rendra le cerveau encore plus ressemblant à un cerveau 01:30.780 --> 01:31.330 humain. 01:31.680 --> 01:37.590 Mais déjà avec des yeux et une mémoire de lasers entièrement connectés, nous avons déjà un cerveau vraiment bon 01:37.590 --> 01:38.280 et fonctionnel. 01:38.790 --> 01:39.690 Alors faisons-le. 01:39.750 --> 01:41.140 Faisons ce cerveau. 01:41.310 --> 01:46.470 Donc, comme d'habitude, nous allons faire un cours sur ce sujet, car il aura beaucoup de 01:46.470 --> 01:48.780 propriétés avec les convolutions et la science. 01:48.870 --> 01:53.770 Donc, nous allons le faire fonctionner pour initialiser tout cela créer toutes ces connexions. 01:54.090 --> 01:59.220 Et bien sûr, nous aurons la fonction Ford qui propagera le signal à l’intérieur du 01:59.220 --> 02:02.580 cerveau afin que nous puissions éventuellement obtenir la sortie. 02:02.580 --> 02:03.200 D'accord. 02:03.240 --> 02:04.020 Es-tu prêt. 02:04.140 --> 02:05.400 Faisons cela. 02:05.400 --> 02:13.700 Nous présentons donc un cours en classe, que nous appelons crédit d'acteur, car je parle bien sûr de cerveaux ici. 02:13.710 --> 02:19.440 Mais n'oublions pas que nous faisons avec le modèle qui est basé sur le principe de critique 02:19.650 --> 02:24.810 actif avec l'acteur et le critique séparément, ce qui en fait une connexion presque complète pour 02:24.810 --> 02:27.770 l'acteur et une connexion significative pour la critique. 02:27.810 --> 02:30.880 Vous verrez à quel point nous ferons cela, ce sera en fait assez simple. 02:30.900 --> 02:39.060 Si critique actif et cette classe d'acteur va hériter de la fin et que Maggio afin que nous puissions utiliser 02:39.060 --> 02:40.780 tous les outils Pitre. 02:40.860 --> 02:44.130 Faisons donc cela pour hériter de la fin de ce module. 02:44.190 --> 02:53.000 Eh bien, nous devons prendre d’abord la bibliothèque de la torche, puis celle-là, puis celle-là et Mudgal. 02:53.090 --> 02:54.100 D'accord. 02:54.110 --> 02:55.600 De cette façon, nous en héritons. 02:56.990 --> 02:57.240 D'accord. 02:57.260 --> 03:01.630 Nous y allons donc avec notre première fonction qui sera bien sûr dans sa fonction. 03:01.640 --> 03:10.400 Donc, nous commençons par dans son double trait de soulignement, puis cette fonction prend l'argument self avec l'objet, puis 03:10.850 --> 03:17.970 la forme en entrée qui correspond aux dominations de nos images en entrée et 03:18.050 --> 03:25.820 nous l'appelons non entrées et la phase actions qui est essentiellement l'espace qui contient toutes les actions. 03:26.000 --> 03:31.340 Nous savons également que cet espace d’action permet d’obtenir un certain nombre d’actions, c’est-à-dire un certain nombre d’actions 03:31.700 --> 03:33.870 possibles qui le seront très bientôt. 03:33.870 --> 03:38.290 C'est pourquoi nous avions également besoin de cela pour les arguments. 03:38.290 --> 03:39.390 C'est tout ce dont nous avons besoin. 03:39.650 --> 03:45.450 Et ensuite, entrons dans la fonction et créons toutes les variables propres à notre cerveau. 03:45.830 --> 03:51.740 Mais avant cela, souvenez-vous de ce que nous devons faire pour activer d’une 03:52.040 --> 03:59.450 manière ou d’une autre l’héritage qui nous permet d’utiliser tous les outils de la fin du 03:59.450 --> 04:00.180 Maggio. 04:00.440 --> 04:10.740 Acteur critique qui est notre classe, puis montons nous-mêmes avec l’objet Très bien alors nous 04:10.740 --> 04:14.840 y revoilà avec la fonction. 04:14.940 --> 04:15.560 Nous y voilà. 04:15.600 --> 04:20.100 Cela nous donne tous les outils dont nous avons tous besoin pour développer notre cerveau. 04:20.400 --> 04:21.940 Très bien alors. 04:22.170 --> 04:24.690 Bien il est temps de faire les yeux des yeux. 04:24.780 --> 04:26.210 C'est les convolutions. 04:26.460 --> 04:31.770 Nous allons donc le faire très rapidement parce que nous avons déjà expliqué cela en détail pour Doom. 04:31.800 --> 04:34.210 Parce que je me souviens du jour où j'ai eu de la glace. 04:34.260 --> 04:39.240 Donc, c'est exactement la même chose, nous allons tirer certaines conclusions et nous allons utiliser une architecture 04:39.510 --> 04:45.240 très simple avec 32 détecteurs de caractéristiques de taille trois sur trois, une foulée de deux et un remplissage d'un. 04:45.450 --> 04:50.460 Il s’agit donc d’une architecture assez classique, mais elle vous suffira en réalité pour vous assurer de bien 04:50.690 --> 04:53.010 comprendre ce qui se passe pendant la pause. 04:53.010 --> 04:54.090 D'ACCORD. 04:54.480 --> 04:56.750 Très bien alors faisons ces convolutions. 04:56.790 --> 05:03.900 Nous commençons donc avec self car les convolutions seront des variables des objets afin que self puisse être appelé 05:03.900 --> 05:09.210 et il y aura quatre convolutions afin que celui-ci puisse en être un. 05:09.540 --> 05:11.040 Et c'est parti. 05:11.040 --> 05:18.900 Nous prenons le point N et Maggio, puis le cône dans la classe, car en réalité, ce sera un 05:18.930 --> 05:20.670 objet de dégoût. 05:21.540 --> 05:25.870 Et ensuite, à l'intérieur, nous mettons la forme d'entrée des images. 05:25.920 --> 05:32.780 Donc, c'est exactement ce que nous avons ici pour que nous puissions copier ceci et le saisir comme première entrée. 05:33.090 --> 05:38.600 Ensuite, le deuxième argument est le nombre de détecteurs de caractéristiques qui sont également le nombre de noyaux. 05:38.640 --> 05:45.060 Nous allons donc prendre 32 comme nous venons de dire choix classique, puis nous devons choisir la taille 05:45.060 --> 05:50.130 du noyau qui correspond au nombre de cellules qui glisseront sur l'image d'entrée. 05:50.190 --> 05:55.170 Et souvenez-vous donc que nous pouvons prendre trois ou quatre choix qui sont proposés et 05:55.290 --> 05:58.460 nous allons en choisir trois, puis nous allons choisir. 05:58.550 --> 06:01.100 Essayé de. 06:01.340 --> 06:11.350 Et un remplissage de celui que nous allons, qui correspond à la première convolution qui va de l’image d’entrée au premier 06:11.350 --> 06:16.210 calque de convolution, est composé de 32 images compliquées. 06:16.360 --> 06:18.850 Alors maintenant, nous sommes prêts à faire la deuxième convolution. 06:18.850 --> 06:27.290 Donc, en fait, ce sera presque pareil, donc je copie cette ligne et la base ci-dessous est collée à nouveau ci-dessous 06:27.310 --> 06:33.490 et je la colle une dernière fois, car nous aurons quatre tours avec presque rien 06:33.490 --> 06:42.640 à changer afin que nous puissions déjà remplacer. un par un vient à un par trois et vient un par un vient quatre. 06:42.670 --> 06:45.160 Ce seront nos quatre convolutions. 06:45.160 --> 06:49.330 Et maintenant, bien sûr, nous devons changer certaines choses ici, mais pas beaucoup, car nous allons 06:49.370 --> 06:52.280 en garder deux pour chacune et un modèle pour une. 06:52.420 --> 06:58.620 Ils auront tous 32 détecteurs de fonctions qui ont 32 sorties d'images convoluted. 06:58.780 --> 07:04.040 Mais alors rappelez-vous que cela correspond à la partie gauche de la convolution. 07:04.180 --> 07:09.610 Donc, en réalité, cela correspond à la partie droite de la conclusion précédente. Vous savez que c'est comme 07:09.610 --> 07:10.370 un dominos. 07:10.390 --> 07:11.440 C'est vraiment facile. 07:11.560 --> 07:22.390 Et donc ici nous devons mettre 32 et voici où nous allons voir très facilement 32 et 32. 07:22.390 --> 07:27.790 Très bien, pour résumer, nous commençons avec nos images d'entrée qui n'en ont aucune. 07:27.810 --> 07:35.350 Simon Jones a été la première convolution à obtenir 32 images compliquées détectant chacune une caractéristique spécifique, puis à partir 07:35.800 --> 07:43.120 de ces 32 images compliquées, nous appliquons la deuxième convolution pour obtenir 32 nouvelles images compliquées puis identiques à 07:43.420 --> 07:46.510 partir de ces 32 nouvelles images compliquées. 07:46.510 --> 07:52.430 Nous appliquons la troisième convolution pour obtenir à nouveau 32 nouvelles images compliquées, puis finalement, des 07:52.450 --> 07:57.470 trois images convolutives, nous appliquons la quatrième convolution pour obtenir des caractéristiques. 07:57.490 --> 07:57.910 D'accord. 07:57.910 --> 08:03.700 Et ce sera suffisant avec cela ou j'aurai une surveillance qui prendra très bien le ballon. 08:03.700 --> 08:07.250 Bon alors c'est tout pour la convolution Alors c'est tout pour les yeux. 08:07.420 --> 08:09.490 Et maintenant, prenons soin de la mémoire. 08:09.640 --> 08:15.520 Cette nouvelle fonctionnalité de ce cerveau que nous implémentons est opposée auparavant, avec non seulement 08:15.680 --> 08:23.140 une supervision, mais également une mémoire super longue et longue parce que nous verrons la mémoire à long terme 08:23.170 --> 08:29.230 qui est ce type de disque ou de neurone. réseau qui donne à votre modèle 08:29.230 --> 08:36.580 une sorte de longue mémoire pour qu’il puisse apprendre certaines relations temporelles du passé, donc nous allons créer de 08:36.580 --> 08:43.180 nouvelles variables à partir du temps passé avec soi et cette nouvelle variable que nous appellerons simplement 08:43.180 --> 08:47.260 car cela correspondra au réseau LACMA dans le cerveau. 08:47.290 --> 08:55.240 Alors SVM et avant que nous écrivions le code pour le LCN, assurons-nous de bien comprendre ce que cette partie du cerveau 08:55.240 --> 08:56.270 LACMA fera. 08:56.530 --> 09:03.980 Donc, comme nous l'avons compris, ce LCN est utilisé pour apprendre les propriétés temporelles des images d'entrée. 09:04.090 --> 09:09.730 Ainsi, par exemple, si la balle frappe un LACMA, la balance sera encodée. 09:09.730 --> 09:11.410 C'est donc la première chose à comprendre. 09:11.410 --> 09:15.070 Cela encodera ce qui se passe dans le jeu. 09:15.070 --> 09:20.080 Ensuite, la prochaine chose importante à comprendre lorsque nous avons implémenté ISTM est 09:20.170 --> 09:26.680 que nous devons choisir dans l’ordre des dépendances temporelles et ici puisque nous allons alimenter notre réseau de neurones 09:26.680 --> 09:33.740 avec une séquence de quatre images, cela signifie que nous pouvons déjà Apprenez quelques dépendances temporelles d'ordre car il s'agit 09:33.740 --> 09:40.310 de dépendances temporelles où ce qui se passe à 1h20 dépend de ce qui se passe à l'instant T. 09:40.360 --> 09:45.500 T moins 1 T moins 2 et T moins 3 afin que nous puissions le faire. 09:45.730 --> 09:51.040 Mais la bonne nouvelle est que nous allons utiliser l'analyse YEM et donc nous 09:51.160 --> 09:54.560 pourrons apprendre des relations temporelles encore plus complexes. 09:54.650 --> 10:00.430 Par exemple, nous pouvons apprendre quelques propriétés simples où ce qui se passera à 1:20 dépendra de ce qui se 10:00.430 --> 10:01.370 passera à T. 10:01.370 --> 10:05.510 T moins 20 minutes pour faire moins trois jusqu'à T moins. 10:05.940 --> 10:13.360 Et c’est la partie longue de la mémoire à court terme avec cet essai et nous pouvons apprendre 10:13.360 --> 10:15.490 des relations temporelles très complexes. 10:15.490 --> 10:18.080 Très bien, ajoutons notre LCN. 10:18.160 --> 10:25.030 Donc, pour ce faire, nous allons utiliser le module N dans, puis nous allons ajouter la classe en tant que T. N. la cellule qui créera cet 10:25.600 --> 10:31.960 objet en tant qu’objet représentant l’heure DST et faisant partie du nouveau réseau car, pour l’instant, il 10:31.960 --> 10:38.570 est également important de comprendre que nous réalisons un CR et que vous savez alors que l’enregistrement convolutionnel 10:38.590 --> 10:45.520 enregistre un nouveau réseau et que la partie arland vient après CNN partie et donc maintenant ce que nous 10:45.610 --> 10:51.350 devons entrer dans cette cellule LACMA est d’abord la taille de la sortie après la convolution. 10:51.400 --> 10:56.060 C'est donc 32 fois trois fois trois. 10:56.230 --> 11:02.670 Donc, ce 32 fois trois fois trois est en réalité la sortie après les quatre convolutions ici. 11:02.830 --> 11:07.600 Mais cela devient l'entrée de l'ARN le LSD et ça marche. 11:07.870 --> 11:13.710 Et maintenant, pourquoi la sortie des quatre circonvolutions est-elle la moitié de la taille trois fois deux fois trois fois trois? 11:13.870 --> 11:16.030 Eh bien, ne vous inquiétez pas, ce n'est pas si direct. 11:16.060 --> 11:22.140 Ce n'est pas une formule simple, mais il existe une formule pour calculer ce nombre de neurones de sortie. 11:22.210 --> 11:26.490 Après avoir aplati les images regroupées et convolutées de la déconvolution. 11:26.710 --> 11:32.050 Mais si nous avons réuni les termes de cette formule géniale, nous obtenons 32 fois trois fois trois. 11:32.200 --> 11:36.060 Je ne voulais pas passer trop de temps là-dessus, car nous avons beaucoup à faire plus. 11:36.190 --> 11:39.470 Et en plus nous avons déjà créé une fonction pour calculer ce nombre. 11:39.520 --> 11:43.710 Rappelez-vous que c’était pour le pire quand nous avons fait fonctionner ce nombre de neurones. 11:43.870 --> 11:45.750 Vous pouvez donc le réutiliser si vous le souhaitez. 11:45.760 --> 11:51.610 Vous n'êtes pas convaincu, mais c'est exactement ce que nous obtenons après avoir rassemblé les termes de cette grosse formule comme 11:51.610 --> 11:53.490 le calcul du nombre de sorties. 11:53.530 --> 11:59.380 Donc, c'est pour le premier argument et ensuite, le deuxième argument va être le nombre de neurones de 11:59.380 --> 12:00.370 sortie du. 12:00.610 --> 12:05.220 Et nous allons passer à 256 OK. 12:05.220 --> 12:12.180 Et donc qu'est-ce que cela signifie maintenant, cela signifie que nous avons maintenant un vecteur qui code chaque événement du jeu 12:12.540 --> 12:19.260 ou, en d'autres termes, nous avons un état codé et c'est donc maintenant que nous pouvons faire la séparation entre 12:19.620 --> 12:25.470 l'acteur et le critique parce que vous Nous savons que nous allons créer deux nouveaux réseaux, l’un 12:25.470 --> 12:31.410 pour l’acteur et l’autre pour le critique, mais il s'agira du même encodage des images et des relations 12:31.410 --> 12:33.990 temporelles entre ces deux réseaux de neurones. 12:33.990 --> 12:37.740 C'est donc la partie commune que nous faisons pour ces deux nouveaux réseaux. 12:37.740 --> 12:43.650 Ce sera le même début pour les deux nouveaux réseaux mais maintenant, les choses vont changer pour l'acteur et 12:43.650 --> 12:49.710 le ruisseau car nous allons en créer un dans la connexion complète pour l'acteur et un autre que la 12:49.710 --> 12:52.200 connexion presque complète pour le craic. . 12:52.230 --> 12:56.320 Alors prenons une petite pause et faisons cela dans un instant. 12:56.400 --> 12:57.860 Jusque-là, profitez de l'IA.