WEBVTT 00:00.270 --> 00:02.250 Hallo und willkommen im Laden. 00:02.430 --> 00:05.810 Ich bin total aufgeregt, weil wir die A-3 im Gehirn sehen lassen. 00:05.810 --> 00:07.430 Das ist das Gehirn unserer KI. 00:07.590 --> 00:10.800 Und wenn ich über Gehirne spreche, möchte ich etwas hervorheben. 00:10.870 --> 00:15.750 Denken Sie daran, dass wir im ersten Modul ein einfaches Gehirn mit nur vollständig verbundenen Schichten erstellt haben. 00:15.840 --> 00:22.260 Dann haben wir im zweiten Modul für Dhoom ein Gehirn gemacht, das nicht nur vollständig verbundene Schichten, sondern auch 00:22.350 --> 00:29.070 Augen hatte, weil wir die Faltungsschichten hinzugefügt haben, die dem Auge Augen verliehen, weil es die Bilder beobachten und 00:29.070 --> 00:31.550 verstehen kann, was im Inneren vorgeht. 00:31.830 --> 00:37.590 Und jetzt sagen wir das sogar auf hohem Niveau, weil wir ein Gehirn schaffen werden, das nicht 00:37.590 --> 00:41.310 nur Augen hat und Schichten, sondern auch Gedächtnis vollständig verbindet. 00:41.430 --> 00:46.710 Wie ich bereits im vorigen Tutorial gesagt habe, werden wir in diesem großen Gehirn 00:46.710 --> 00:53.490 eine Aufzeichnung zu dieser Arbeit hinzufügen, die unserem Gehirn ein langes Gedächtnis geben wird, damit es die zeitlichen 00:53.580 --> 00:57.010 Beziehungen der zeitlichen Eigenschaften der Eingabebilder verstehen kann. 00:57.120 --> 01:02.400 Also gehen wir weiter und noch leistungsfähigeres Gehirn kann ich Ihnen sagen, dass der Dymo, um 01:02.640 --> 01:09.930 den es bei Intiman geht, wirklich sehr mächtig ist und wir sehen, wie der Aufbau von KI und der Einsatz tieferer und 01:10.260 --> 01:14.820 tieferer Schritte und das Forsman-Lernen immer näher zusammenrücken Wie funktioniert das menschliche Gehirn? 01:14.820 --> 01:19.560 Sie wissen, wir haben mit den grundlegenden Beziehungen des Gehirns mit den linearen Verbindungen begonnen. 01:19.560 --> 01:22.230 Dann fügten wir Augen hinzu und wir fügten die Erinnerung hinzu. 01:22.230 --> 01:24.900 Wer weiß, was wir in den zukünftigen Modellen hinzufügen werden. 01:24.990 --> 01:30.780 Weißt du, 2018 werden sie vielleicht etwas hinzufügen, das das Gehirn noch mehr wie ein menschliches Gehirn aussehen 01:30.780 --> 01:31.330 lässt. 01:31.680 --> 01:37.590 Aber schon mit vollständig verbundenen Augen und Gedächtnis haben wir ein wirklich gutes und funktionelles 01:37.590 --> 01:38.280 Gehirn. 01:38.790 --> 01:39.690 Also machen wir's. 01:39.750 --> 01:41.140 Lass uns dieses Gehirn machen. 01:41.310 --> 01:46.470 Wie üblich werden wir dafür eine Klasse machen, weil es viele Eigenschaften mit den 01:46.470 --> 01:48.780 Windungen und der Wissenschaft haben wird. 01:48.870 --> 01:53.770 Wir werden es also so einrichten, dass alle diese Verbindungen initialisiert werden. 01:54.090 --> 01:59.220 Und dann haben wir natürlich die Ford-Funktion, die natürlich das Signal im Gehirn 01:59.220 --> 02:02.580 ausbreitet, so dass wir irgendwann die Ausgabe erhalten. 02:02.580 --> 02:03.200 Gut. 02:03.240 --> 02:04.020 Sind Sie bereit. 02:04.140 --> 02:05.400 Lass uns das machen. 02:05.400 --> 02:13.700 Klasse, die wir in der Klasse einführen, die wir als Schauspielerkredit bezeichnen, weil ich hier natürlich von Gehirn spreche. 02:13.710 --> 02:19.440 Aber vergessen wir nicht, dass wir mit dem Modell, das auf dem Prinzip der aktiven Kritiker basiert, mit dem 02:19.650 --> 02:24.810 Schauspieler und dem Kritiker getrennt machen, also tatsächlich eine der nahezu vollständigen Verbindungen für den Schauspieler 02:24.810 --> 02:27.770 und eine sinnvolle Verbindung für den Kritiker herstellen wird. 02:27.810 --> 02:30.880 Sie werden sehen, wie gut wir das machen werden. 02:30.900 --> 02:39.060 Also aktiver Kritiker und diese Schauspielklasse werden von Ende bis zum Ende von Maggio erben, damit wir alle 02:39.060 --> 02:40.780 Pitre-Tools einsetzen können. 02:40.860 --> 02:44.130 Also lasst uns dies tun, um in diesem Modul vom Ende zu erben. 02:44.190 --> 02:53.000 Nun, wir müssen zuerst die Fackel-Bibliothek nehmen, dann das und dann und das und Mudgal. 02:53.090 --> 02:54.100 Gut. 02:54.110 --> 02:55.600 Auf diese Weise erben wir davon. 02:56.990 --> 02:57.240 Gut. 02:57.260 --> 03:01.630 Wir gehen also mit unserer ersten Funktion, die natürlich in ihrer Funktion sein wird. 03:01.640 --> 03:10.400 Wir beginnen also mit seiner doppelten Unterstreichung, dann wird diese Funktion als Argument selbst mit dem Objekt 03:10.850 --> 03:17.970 genommen, dann die Eingabeform, die die Dominierungen unserer Eingabebilder ist, und wir nennen 03:18.050 --> 03:25.820 sie Nichteingaben und die Aktionsphase, die im Wesentlichen der Raum ist das enthält alle Aktionen. 03:26.000 --> 03:31.340 Wir wissen auch aus diesem Aktionsbereich, dass wir eine Reihe von Aktionen erhalten können, dh eine Anzahl von möglichen 03:31.700 --> 03:33.870 Aktionen, die tatsächlich sehr bald kommen werden. 03:33.870 --> 03:38.290 Deshalb brauchten wir das auch für die Argumente. 03:38.290 --> 03:39.390 Das ist alles was wir brauchen. 03:39.650 --> 03:45.450 Und dann gehen wir in die Funktion hinein und erstellen alle Variablen, die unserem Gehirn eigen sind. 03:45.830 --> 03:51.740 Bevor wir uns jedoch daran erinnern, was wir tun müssen, um die Vererbung auf irgendeine Weise zu 03:52.040 --> 03:59.450 aktivieren, damit wir alle Werkzeuge vom Ende von Maggio verwenden können, müssen wir die Superfunktion auf diese Weise verwenden, in die wir 03:59.450 --> 04:00.180 eingeben. 04:00.440 --> 04:10.740 Darsteller Kritiker, das ist unsere Klasse und kommen dann selbst mit dem Objekt in Ordnung, dann 04:10.740 --> 04:14.840 gehen wir wieder mit der Funktion. 04:14.940 --> 04:15.560 Da gehen wir. 04:15.600 --> 04:20.100 Das gibt uns alle Werkzeuge, die wir alle benötigen, um unser Gehirn aufzubauen. 04:20.400 --> 04:21.940 Also gut. 04:22.170 --> 04:24.690 Nun, es ist Zeit, Augen zu machen. 04:24.780 --> 04:26.210 Das sind die Windungen. 04:26.460 --> 04:31.770 Wir werden es also sehr schnell tun, weil wir dies bereits ausführlich für Doom erklärt haben. 04:31.800 --> 04:34.210 Weil ich mich an den Tag erinnere, an dem ich Eis hatte. 04:34.260 --> 04:39.240 Es ist also genau das Gleiche, wir werden einige Schlüsse ziehen und eine sehr 04:39.510 --> 04:45.240 einfache Architektur mit 32 Merkmalsdetektoren der Größe drei mal drei mal zwei und einem Abstand von einem verwenden. 04:45.450 --> 04:50.460 Das ist also eine ziemlich klassische Architektur, aber das wird tatsächlich genug sein, um zu 04:50.690 --> 04:53.010 wissen, was in der Pause passiert. 04:53.010 --> 04:54.090 OK. 04:54.480 --> 04:56.750 Also gut, machen wir diese Windungen. 04:56.790 --> 05:03.900 Wir fangen also mit self an, weil die Windungen Variablen der Objekte sein werden, so dass wir es als 05:03.900 --> 05:09.210 "Come" bezeichnen können und es wird vier Faltungen geben, und diese kann man. 05:09.540 --> 05:11.040 Und da gehen wir hin. 05:11.040 --> 05:18.900 Wir nehmen den N- und Maggio-Punkt und bringen den Kegel zur Klasse, weil der Convenant eigentlich 05:18.930 --> 05:20.670 ein Ekelobjekt ist. 05:21.540 --> 05:25.870 Und dann setzen wir zuerst die Eingabeform der Bilder ein. 05:25.920 --> 05:32.780 Also genau das, was wir hier haben, damit wir das kopieren und als erste Eingabe eingeben können. 05:33.090 --> 05:38.600 Das zweite Argument ist die Anzahl der Merkmalsdetektoren und die Anzahl der Kernel. 05:38.640 --> 05:45.060 Wir nehmen also 32, da wir gerade die klassische Wahl gesagt haben. Dann müssen wir die Größe 05:45.060 --> 05:50.130 des Kernels auswählen, die Anzahl der Zellen, die über das Eingabebild gleiten. 05:50.190 --> 05:55.170 Denken Sie also daran, dass wir entweder drei, vier oder fünf nehmen können, die zur Auswahl 05:55.290 --> 05:58.460 stehen. Wir werden drei wählen und dann wählen wir. 05:58.550 --> 06:01.100 Versucht zu. 06:01.340 --> 06:11.350 Und eine Auffüllung von einer, die wir verwenden, die für die erste Faltung, die vom Eingangsbild zur 06:11.350 --> 06:16.210 ersten Faltungsschicht führt, besteht aus 32 gefalteten Bildern. 06:16.360 --> 06:18.850 Nun sind wir bereit, die zweite Faltung vorzunehmen. 06:18.850 --> 06:27.290 Es wird also fast das selbe sein, also kopiere ich diese Zeile und stelle die unten unten eingefügte Linie 06:27.310 --> 06:33.490 wieder ein und füge sie ein letztes Mal ein, weil wir vier Faltungen 06:33.490 --> 06:42.640 haben werden, an denen sich fast nichts ändern muss Einer kommt zu eins nach drei und kommt zu einem von vier. 06:42.670 --> 06:45.160 Das werden unsere vier Windungen sein. 06:45.160 --> 06:49.330 Und jetzt müssen wir natürlich einige Dinge ändern, aber nicht viel, denn wir werden für 06:49.370 --> 06:52.280 jedes zwei Dinge und ein Muster von eins verfolgen. 06:52.420 --> 06:58.620 Sie verfügen alle über 32 Merkmalsdetektoren, die aus 32 gewundenen Bildern bestehen. 06:58.780 --> 07:04.040 Aber dann erinnere mich daran, dass dies dem linken Teil der Faltung entspricht. 07:04.180 --> 07:09.610 Das entspricht also tatsächlich dem, was sich am rechten Teil der vorherigen Schlussfolgerung befand, und Sie wissen, dass es wie ein 07:09.610 --> 07:10.370 Domino ist. 07:10.390 --> 07:11.440 Es ist wirklich leicht. 07:11.560 --> 07:22.390 Und deshalb müssen wir hier 32 setzen, und hier werden wir 32 und 32 sehr leicht sehen. 07:22.390 --> 07:27.790 Also gut, zusammenfassend fangen wir mit unseren Eingabebildern an, die keine haben. 07:27.810 --> 07:35.350 Simon Jones war die erste Faltung. Wir haben 32 gewundene Bilder, von denen jedes ein bestimmtes Merkmal erkennt. Von 07:35.800 --> 07:43.120 diesen 32 gewundenen Bildern wenden wir die zweite Faltung an, um 32 neue gefaltete Bilder und dann dieselben aus 07:43.420 --> 07:46.510 diesen 32 neuen gefalteten Bildern zu erhalten. 07:46.510 --> 07:52.430 Wir wenden die dritte Faltung an, um wieder 32 neue gefaltete Bilder zu erhalten, und schließlich wenden wir 07:52.450 --> 07:57.470 von den drei bis zu gewundenen Bildern die vierte Faltung an, um Merkmale zu erhalten. 07:57.490 --> 07:57.910 Gut. 07:57.910 --> 08:03.700 Und das wird ausreichen, oder ich werde eine Aufsicht haben, die den Ball sehr gut nimmt. 08:03.700 --> 08:07.250 Also gut, das ist es für die Faltung. Also das ist es für die Augen. 08:07.420 --> 08:09.490 Und jetzt kümmern wir uns um die Erinnerung. 08:09.640 --> 08:15.520 Diese neue Funktion dieses Gehirns, die wir im Gegensatz zu früher implementieren, wird nicht 08:15.680 --> 08:23.140 nur eine Überwachung haben, sondern auch ein langes Gedächtnis mit super Gedächtnis, weil wir Langzeitgedächtnis sehen werden, das 08:23.170 --> 08:29.230 ist diese Art von Aufzeichnung oder eine neuronale Ein Netzwerk, das Ihrem Modell eine 08:29.230 --> 08:36.580 Art langes Gedächtnis verleiht, so dass es einige lange zeitliche Beziehungen aus der Vergangenheit lernen kann. Wir werden 08:36.580 --> 08:43.180 also neue Variablen aus der Zeit mit sich selbst erstellen und diese neue Variable nennen wir 08:43.180 --> 08:47.260 sie einfach denn dies entspricht dem LACMA-Netzwerk im Gehirn. 08:47.290 --> 08:55.240 SVM und out, bevor wir den Code für das LCN schreiben, stellen wir sicher, dass wir verstehen, was dieser LACMA-Teil des Gehirns 08:55.240 --> 08:56.270 tun wird. 08:56.530 --> 09:03.980 So wie wir es verstanden haben, wird dieses LCN verwendet, um die zeitlichen Eigenschaften der eingegebenen Eingangsbilder zu lernen. 09:04.090 --> 09:09.730 Wenn der Ball beispielsweise auf einen LACMA trifft, wird die Waage codiert. 09:09.730 --> 09:11.410 Das ist also das erste, was man versteht. 09:11.410 --> 09:15.070 Es wird sozusagen kodieren, was im Spiel passiert. 09:15.070 --> 09:20.080 Als nächstes ist es wichtig zu verstehen, dass wir bei der Implementierung des 09:20.170 --> 09:26.680 ISTM die zeitliche Abhängigkeit in der richtigen Reihenfolge wählen müssen. Da wir unser neuronales Netzwerk mit einer Folge 09:26.680 --> 09:33.740 von vier Bildern füttern, bedeutet dies, dass wir dies bereits können Lernen Sie einige zeitliche Abhängigkeiten der Ordnung, denn dies 09:33.740 --> 09:40.310 ist einige zeitliche Abhängigkeiten, bei denen das, was um 1:20 geschieht, davon abhängt, was zum Zeitpunkt T geschieht. 09:40.360 --> 09:45.500 T minus 1 T minus 2 und T minus 3, damit wir das definitiv tun können. 09:45.730 --> 09:51.040 Die gute Nachricht ist jedoch, dass wir die Analyse YEM verwenden werden und 09:51.160 --> 09:54.560 daher einige noch komplexere zeitliche Beziehungen lernen können. 09:54.650 --> 10:00.430 Zum Beispiel können wir einige einfache Eigenschaften lernen, bei denen das, was um 1:20 geschieht, davon abhängt, was zum 10:00.430 --> 10:01.370 Zeitpunkt T geschieht. 10:01.370 --> 10:05.510 T minus 20 Minuten bis minus drei Minuten bis T minus. 10:05.940 --> 10:13.360 Das ist der lange Teil des langen Kurzzeitgedächtnisses mit diesem Assay, und wir können einige sehr 10:13.360 --> 10:15.490 komplexe zeitliche Beziehungen lernen. 10:15.490 --> 10:18.080 Also gut, fügen wir unser LCN hinzu. 10:18.160 --> 10:25.030 Dazu verwenden wir das Modul N in und fügen die Klasse als T hinzu. N. Zelle, die dies als 10:25.600 --> 10:31.960 ein Objekt erstellen wird, das DST und Teil des neuen Netzwerks darstellt, denn im Moment 10:31.960 --> 10:38.570 ist es auch wichtig zu verstehen, dass wir eine CR erstellen, und dann wissen Sie, dass 10:38.590 --> 10:45.520 Faltungsprotokoll ein neues Netzwerk aufzeichnet und der arland - Teil nach dem CNN-Teil und daher müssen 10:45.610 --> 10:51.350 wir in dieser LACMA-Zelle zunächst die Größe der Ausgabe nach der Faltung eingeben. 10:51.400 --> 10:56.060 Das sind also 32 mal drei mal drei. 10:56.230 --> 11:02.670 Also diese 32 mal drei mal drei ist tatsächlich die Ausgabe nach den vier Windungen hier. 11:02.830 --> 11:07.600 Aber das ist der Input der RNA, der LSD und der Arbeit. 11:07.870 --> 11:13.710 Und warum ist die Leistung der vier Windungen halb so groß, dreimal dreimal dreimal. 11:13.870 --> 11:16.030 Keine Sorge, es ist nicht so direkt. 11:16.060 --> 11:22.140 Es ist eigentlich keine einfache Formel, aber es gibt eine Formel, um diese Anzahl von Ausgangsneuronen zu berechnen. 11:22.210 --> 11:26.490 Nach dem Abflachen der gepoolten und verwundenen Bilder der Dekonvolution. 11:26.710 --> 11:32.050 Aber wenn wir die Bedingungen dieser großen Formel zusammengestellt haben, dann bekommen wir 32 mal drei mal drei. 11:32.200 --> 11:36.060 Ich wollte nicht zu viel Zeit damit verbringen, weil wir viel mehr zu tun haben. 11:36.190 --> 11:39.470 Außerdem haben wir bereits eine Funktion zur Berechnung dieser Zahl erstellt. 11:39.520 --> 11:43.710 Denken Sie daran, dass es für das Verhängnis war, als wir diese Neuronen zählen ließen. 11:43.870 --> 11:45.750 Sie können es also wiederverwenden, wenn Sie möchten. 11:45.760 --> 11:51.610 Sie sind nicht überzeugt, aber genau das bekommen wir, wenn Sie die Bedingungen dieser großen Formel wie die Berechnung 11:51.610 --> 11:53.490 der Anzahl der Ausgaben zusammengestellt haben. 11:53.530 --> 11:59.380 Das ist also das erste Argument, und dann wird das zweite Argument die Anzahl der Ausgabeneuronen 11:59.380 --> 12:00.370 der sein. 12:00.610 --> 12:05.220 Und wir gehen für 256 OK. 12:05.220 --> 12:12.180 Und was bedeutet das nun, dass wir jetzt einen Vektor haben, der jedes Ereignis des Spiels kodiert, oder 12:12.540 --> 12:19.260 anders ausgedrückt, wir einen verschlüsselten Zustand haben und dass wir jetzt zwischen Ihnen und dem Kritiker trennen können 12:19.620 --> 12:25.470 Wir wissen, dass wir zwei separate neue Netzwerke erstellen werden, eines für den Schauspieler und 12:25.470 --> 12:31.410 eines für den Kritiker, aber sie werden dieselbe Kodierung der Bilder und der zeitlichen Beziehungen 12:31.410 --> 12:33.990 für diese beiden neuronalen Netzwerke sein. 12:33.990 --> 12:37.740 Dies ist also der gemeinsame Teil, den wir für diese beiden neuen Netzwerke tun. 12:37.740 --> 12:43.650 Dies wird derselbe Anfang für die beiden neuen Netzwerke sein, aber jetzt werden sich die Dinge für den Schauspieler 12:43.650 --> 12:49.710 und den Bach ändern, weil wir eine in der vollen Verbindung für den Schauspieler und eine andere als eine fast 12:49.710 --> 12:52.200 vollständige Verbindung für den Craic herstellen werden . 12:52.230 --> 12:56.320 Also machen wir eine kurze Pause und machen wir das im nächsten Schritt. 12:56.400 --> 12:57.860 Bis dahin genießen Sie die KI.