WEBVTT 00:00.270 --> 00:02.250 Halo dan selamat datang di toko. 00:02.430 --> 00:05.810 Saya sangat senang karena kami akan membuat otak A-3 melihat. 00:05.810 --> 00:07.430 Itu adalah otak AI kita. 00:07.590 --> 00:10.800 Dan berbicara tentang otak saya ingin menyoroti sesuatu. 00:10.870 --> 00:15.750 Ingat di modul pertama kami membuat otak sederhana dengan hanya lapisan yang terhubung sepenuhnya. 00:15.840 --> 00:22.260 Kemudian di modul kedua untuk Dhoom kami membuat otak yang tidak hanya memiliki lapisan yang sepenuhnya terhubung 00:22.350 --> 00:29.070 tetapi juga mata karena kami menambahkan lapisan konvolusional yang memberi mata pada mata karena dapat mengamati gambar dan 00:29.070 --> 00:31.550 memahami apa yang terjadi di dalam. 00:31.830 --> 00:37.590 Dan sekarang kita akan mengatakan itu bahkan pada tingkat tinggi karena kita akan membuat otak yang tidak hanya 00:37.590 --> 00:41.310 akan memiliki mata dan sepenuhnya menghubungkan lapisan tetapi juga memori. 00:41.430 --> 00:46.710 Karena seperti yang saya katakan di tutorial sebelumnya kita akan menambahkan catatan tentang pekerjaan 00:46.710 --> 00:53.490 itu di dalam otak besar ini dan itu akan memberikan memori yang panjang untuk otak kita sehingga dapat 00:53.580 --> 00:57.010 memahami hubungan temporal properti temporal dari gambar input. 00:57.120 --> 01:02.400 Jadi begitulah dan otak yang lebih kuat saya dapat memberi tahu Anda bahwa Dymo kita tentang 01:02.640 --> 01:09.930 Intiman sekarang benar-benar sangat kuat dan kita dapat melihat bagaimana membangun AI dan melakukan lebih dalam dan lebih dalam dan pembelajaran 01:10.260 --> 01:14.820 Forsman adalah tentang semakin dekat dan dekat dengan bagaimana otak manusia bekerja. 01:14.820 --> 01:19.560 Anda tahu kita mulai dengan hubungan dasar otak dengan koneksi linier. 01:19.560 --> 01:22.230 Lalu kami menambahkan mata dan kami menambahkan memori. 01:22.230 --> 01:24.900 Siapa yang tahu apa yang akan kita tambahkan di model masa depan. 01:24.990 --> 01:30.780 Anda tahu di tahun 2018 mungkin mereka akan menambahkan sesuatu yang akan membuat otak terlihat lebih seperti otak 01:30.780 --> 01:31.330 manusia. 01:31.680 --> 01:37.590 Tetapi sudah dengan mata dan memori laser yang terhubung sepenuhnya, kita sudah memiliki otak yang sangat bagus dan 01:37.590 --> 01:38.280 fungsional. 01:38.790 --> 01:39.690 Jadi ayo kita lakukan. 01:39.750 --> 01:41.140 Mari kita buat otak ini. 01:41.310 --> 01:46.470 Jadi seperti biasa kita akan membuat kelas untuk itu karena akan memiliki banyak 01:46.470 --> 01:48.780 properti dengan konvolusi dan sains. 01:48.870 --> 01:53.770 Jadi kita akan membuatnya berfungsi untuk menginisialisasi semua ini, buat semua koneksi ini. 01:54.090 --> 01:59.220 Dan tentu saja kita akan memiliki fungsi Ford yang tentu saja akan menyebarkan sinyal 01:59.220 --> 02:02.580 di dalam otak sehingga akhirnya kita bisa mendapatkan hasilnya. 02:02.580 --> 02:03.200 Baiklah. 02:03.240 --> 02:04.020 Apakah kamu siap. 02:04.140 --> 02:05.400 Mari kita lakukan. 02:05.400 --> 02:13.700 Jadi kelas yang kami perkenalkan di kelas yang kami sebut penghargaan aktor karena tentu saja saya berbicara tentang otak di sini. 02:13.710 --> 02:19.440 Tetapi jangan lupa bahwa kita membuat dengan model yang didasarkan pada prinsip kritik aktif dengan secara terpisah 02:19.650 --> 02:24.810 aktor dan kritik sehingga akan membuat benar-benar salah satu koneksi yang hampir penuh untuk 02:24.810 --> 02:27.770 aktor dan satu koneksi yang berarti untuk kritik. 02:27.810 --> 02:30.880 Anda akan melihat seberapa baik kita akan melakukan itu sebenarnya cukup sederhana. 02:30.900 --> 02:39.060 Jadi kritikus aktif dan kelas aktor ini akan mewarisi dari akhir dan itu Maggio sehingga kita bisa menggunakan semua 02:39.060 --> 02:40.780 alat Pitre mana. 02:40.860 --> 02:44.130 Jadi mari kita lakukan ini untuk mewarisi dari akhir dalam modul itu. 02:44.190 --> 02:53.000 Kita perlu mengambil dulu perpustakaan obor lalu itu lalu dan kemudian dan itu dan Mudgal. 02:53.090 --> 02:54.100 Baiklah. 02:54.110 --> 02:55.600 Dengan begitu kita mewarisinya. 02:56.990 --> 02:57.240 Baiklah. 02:57.260 --> 03:01.630 Jadi kita mulai dengan fungsi pertama kita yang tentu saja dalam fungsinya. 03:01.640 --> 03:10.400 Jadi kita mulai dengan dalam garis bawah berganda maka fungsi ini akan mengambil sebagai argumen diri dengan 03:10.850 --> 03:17.970 objek kemudian bentuk input yang merupakan dominasi gambar input kami dan kami 03:18.050 --> 03:25.820 menyebutnya bukan input dan fase tindakan yang pada dasarnya adalah ruang yang berisi semua tindakan. 03:26.000 --> 03:31.340 Kita juga tahu dari ruang tindakan ini kita bisa mendapatkan sejumlah tindakan yang merupakan sejumlah 03:31.700 --> 03:33.870 tindakan yang mungkin akan segera terjadi. 03:33.870 --> 03:38.290 Jadi itu sebabnya kami juga membutuhkan itu untuk argumen. 03:38.290 --> 03:39.390 Itu yang kita butuhkan. 03:39.650 --> 03:45.450 Dan kemudian mari kita masuk ke dalam fungsi dan mari kita buat semua variabel yang tepat untuk otak kita. 03:45.830 --> 03:51.740 Tetapi sebelum kita melakukan itu, ingat apa yang harus kita lakukan untuk mengaktifkan warisan yang 03:52.040 --> 03:59.450 bisa kita gunakan dengan semua cara dari akhir Maggio. Kita harus menggunakan superfungsi dengan cara ini yang kita 03:59.450 --> 04:00.180 masukkan. 04:00.440 --> 04:10.740 Aktor kritik itu adalah kelas kita dan kemudian muncul 04:10.740 --> 04:14.840 sendiri dengan objek. 04:14.940 --> 04:15.560 Itu dia. 04:15.600 --> 04:20.100 Itu memberi kita semua alat yang kita semua butuhkan dari obor untuk membangun otak kita. 04:20.400 --> 04:21.940 Baiklah kalau begitu. 04:22.170 --> 04:24.690 Nah ini saatnya membuat mata. 04:24.780 --> 04:26.210 Itulah belitannya. 04:26.460 --> 04:31.770 Jadi kita akan melakukannya dengan sangat cepat karena kita sudah menjelaskan ini secara rinci untuk malapetaka. 04:31.800 --> 04:34.210 Karena saya ingat hari saya memiliki es. 04:34.260 --> 04:39.240 Jadi persis sama kita akan membuat beberapa kesimpulan dan kami akan menggunakan arsitektur 04:39.510 --> 04:45.240 yang sangat sederhana dengan 32 fitur detektor ukuran tiga kali tiga langkah dua dan satu bantalan. 04:45.450 --> 04:50.460 Jadi itu arsitektur yang cukup klasik, tetapi itu sebenarnya cukup untuk Anda ketahui, pastikan bahwa saya 04:50.690 --> 04:53.010 memahami apa yang terjadi pada istirahat. 04:53.010 --> 04:54.090 BAIK. 04:54.480 --> 04:56.750 Baiklah jadi mari kita buat konvolusi itu. 04:56.790 --> 05:03.900 Jadi kita mulai dengan diri karena konvolusi akan menjadi variabel objek sehingga diri yang dapat kita sebut datang 05:03.900 --> 05:09.210 dan akan ada empat konvolusi jadi dan dapat yang satu ini bisa satu. 05:09.540 --> 05:11.040 Dan kita mulai. 05:11.040 --> 05:18.900 Kami mengambil titik N dan Maggio dan kemudian kami membawa kerucut ke kelas karena sebenarnya pertemuan akan 05:18.930 --> 05:20.670 menjadi objek jijik. 05:21.540 --> 05:25.870 Dan kemudian di dalam pertama kita masukkan bentuk input dari gambar. 05:25.920 --> 05:32.780 Jadi itulah yang kita miliki di sini sehingga kita dapat menyalin ini dan memasukkannya sebagai input pertama. 05:33.090 --> 05:38.600 Maka argumen kedua adalah jumlah fitur detektor juga jumlah kernel. 05:38.640 --> 05:45.060 Jadi kita akan mengambil 32 karena kita hanya mengatakan pilihan klasik maka kita perlu memilih ukuran 05:45.060 --> 05:50.130 kernel yaitu jumlah sel yang akan meluncur di atas gambar input. 05:50.190 --> 05:55.170 Dan jadi ingatlah kita dapat mengambil tiga empat atau lima yang datang dalam pilihan dan 05:55.290 --> 05:58.460 kita akan memilih tiga dan kemudian kita akan memilih. 05:58.550 --> 06:01.100 Mencoba untuk. 06:01.340 --> 06:11.350 Dan padding yang kita gunakan untuk konvolusi pertama yang berpindah dari gambar input ke lapisan 06:11.350 --> 06:16.210 konvolusional pertama terdiri dari 32 gambar berbelit-belit. 06:16.360 --> 06:18.850 Jadi sekarang kita siap untuk membuat belokan kedua. 06:18.850 --> 06:27.290 Jadi sebenarnya akan hampir sama, jadi saya menyalin baris ini dan mendasarkan bahwa di bawah ini disisipkan di 06:27.310 --> 06:33.490 bawah lagi dan menempelkannya untuk yang terakhir kalinya karena kita akan memiliki empat 06:33.490 --> 06:42.640 konvolusi dengan hampir tidak ada yang berubah sehingga kita sudah bisa menggantikan. satu demi satu menjadi tiga dan satu demi empat. 06:42.670 --> 06:45.160 Itu akan menjadi empat belokan kita. 06:45.160 --> 06:49.330 Dan sekarang tentu saja kita perlu mengubah beberapa hal di sini tetapi tidak banyak karena 06:49.370 --> 06:52.280 kita akan melacak dua untuk masing-masing dan pola satu. 06:52.420 --> 06:58.620 Mereka semua akan memiliki 32 fitur detektor yang memiliki 32 output gambar berbelit-belit. 06:58.780 --> 07:04.040 Tapi kemudian di sini ingat ini sesuai dengan bagian kiri konvolusi. 07:04.180 --> 07:09.610 Jadi sebenarnya itu sesuai dengan apa yang ada di bagian kanan kesimpulan sebelumnya, Anda tahu itu seperti 07:09.610 --> 07:10.370 kartu domino. 07:10.390 --> 07:11.440 Sangat mudah. 07:11.560 --> 07:22.390 Dan karena itu di sini kita harus meletakkan 32 dan di sinilah kita akan melihat dengan sangat mudah 32 dan 32. 07:22.390 --> 07:27.790 Baiklah jadi ringkasnya, kita mulai dengan gambar input kami yang tidak memilikinya. 07:27.810 --> 07:35.350 Simon Jones adalah konvolusi pertama yang kami dapatkan 32 gambar berbelit-belit, masing-masing mendeteksi fitur tertentu, kemudian dari 07:35.800 --> 07:43.120 32 gambar berbelit-belit ini kami menerapkan belitan kedua untuk mendapatkan 32 gambar berbelit-belit baru kemudian sama 07:43.420 --> 07:46.510 dari 32 gambar berbelit-belit baru ini. 07:46.510 --> 07:52.430 Kami menerapkan konvolusi ketiga untuk mendapatkan 32 gambar berbelit-belit baru lagi dan akhirnya 07:52.450 --> 07:57.470 dari tiga berbelit-belit kami menerapkan konvolusi keempat untuk mendapatkan fitur. 07:57.490 --> 07:57.910 Baiklah. 07:57.910 --> 08:03.700 Dan ini akan cukup dengan ini atau saya akan memiliki pengawasan, itu akan mengambil bola dengan sangat baik. 08:03.700 --> 08:07.250 Baiklah jadi itu untuk belit Jadi itu untuk mata. 08:07.420 --> 08:09.490 Dan sekarang mari kita selesaikan ingatannya. 08:09.640 --> 08:15.520 Fitur baru dari otak ini yang kami laksanakan sebagai lawan sebelumnya dengan tidak 08:15.680 --> 08:23.140 hanya akan memiliki pengawasan tetapi juga akan memiliki memori super memori panjang karena kita akan melihat memori jangka 08:23.170 --> 08:29.230 pendek yang merupakan jenis catatan atau saraf. jaringan yang memberikan model Anda semacam memori 08:29.230 --> 08:36.580 yang panjang sehingga dapat mempelajari beberapa hubungan temporal yang lama dari masa lalu sehingga mengatakan kita akan 08:36.580 --> 08:43.180 membuat variabel baru dari waktu dengan diri dan variabel baru ini kita akan menyebutnya hanya karena 08:43.180 --> 08:47.260 ini akan sesuai dengan jaringan LACMA di dalam otak. 08:47.290 --> 08:55.240 Jadi SVM dan keluar sebelum kita menulis kode untuk LCN mari kita pastikan kita memahami apa yang akan dilakukan bagian otak 08:55.240 --> 08:56.270 LACMA ini. 08:56.530 --> 09:03.980 Jadi seperti yang kita pahami LCN ini digunakan untuk mempelajari sifat temporal dari input gambar input. 09:04.090 --> 09:09.730 Jadi misalnya jika bola mengenai LACMA akan menyandikan keseimbangan. 09:09.730 --> 09:11.410 Jadi itu hal pertama yang harus dipahami. 09:11.410 --> 09:15.070 Ini akan semacam mengkodekan apa yang terjadi dalam game. 09:15.070 --> 09:20.080 Maka hal penting berikutnya yang perlu dipahami ketika kami mengimplementasikan ISTM adalah bahwa 09:20.170 --> 09:26.680 kita perlu memilih urutan dependensi temporal dan di sini karena kita akan memberi makan jaringan saraf kita 09:26.680 --> 09:33.740 dengan urutan empat gambar maka itu berarti bahwa kita sudah bisa pelajari beberapa dependensi temporal dari urutan untuk itu adalah 09:33.740 --> 09:40.310 beberapa dependensi temporal di mana apa yang terjadi pada 1:20 tergantung pada apa yang terjadi pada waktu T. 09:40.360 --> 09:45.500 T minus 1 T minus 2 dan T minus 3 sehingga kami pasti bisa melakukannya. 09:45.730 --> 09:51.040 Tetapi kabar baiknya adalah bahwa kita akan menggunakan analisis YEM dan karena itu kita akan 09:51.160 --> 09:54.560 dapat mempelajari beberapa hubungan temporal yang bahkan lebih kompleks. 09:54.650 --> 10:00.430 Misalnya kita dapat mempelajari beberapa properti sederhana di mana apa yang terjadi pada 1:20 akan tergantung pada apa yang terjadi 10:00.430 --> 10:01.370 pada waktu T. 10:01.370 --> 10:05.510 T minus 20 menit untuk melakukan minus tiga hingga T minus. 10:05.940 --> 10:13.360 Dan itulah bagian jangka panjang dalam ingatan jangka pendek dengan pengujian ini dan kita dapat mempelajari beberapa hubungan 10:13.360 --> 10:15.490 temporal yang sangat kompleks. 10:15.490 --> 10:18.080 Baiklah jadi mari kita tambahkan LCN kami. 10:18.160 --> 10:25.030 Jadi untuk melakukan ini kita akan menggunakan modul N in dan kemudian kita akan menambahkan kelas sebagai T. N. sel yang akan membuat 10:25.600 --> 10:31.960 ini sebagai objek yang akan mewakili DST dan bagian dari jaringan baru karena saat ini 10:31.960 --> 10:38.570 yang juga penting untuk dipahami adalah bahwa kita membuat CR dan kemudian Anda tahu merekam 10:38.590 --> 10:45.520 convolutional jaringan baru dan bagian arland muncul setelah CNN bagian dan karena itu sekarang apa yang 10:45.610 --> 10:51.350 kita perlu masukan dalam sel LACMA ini adalah pertama-tama ukuran output setelah konvolusi. 10:51.400 --> 10:56.060 Jadi itu 32 kali tiga kali tiga. 10:56.230 --> 11:02.670 Jadi ini 32 kali tiga kali tiga sebenarnya adalah output setelah empat konvolusi di sini. 11:02.830 --> 11:07.600 Tapi itu menjadi input dari RNA LSD dan itu berhasil. 11:07.870 --> 11:13.710 Dan sekarang mengapa output dari empat lilitan setengah ukuran tiga dua kali tiga kali tiga. 11:13.870 --> 11:16.030 Yah jangan khawatir itu tidak langsung. 11:16.060 --> 11:22.140 Ini sebenarnya bukan formula sederhana tetapi ada rumus untuk menghitung jumlah neuron output ini. 11:22.210 --> 11:26.490 Setelah meratakan gambar dekonvolusi yang dikumpulkan dan berbelit-belit. 11:26.710 --> 11:32.050 Tetapi jika kita mengumpulkan syarat-syarat rumus besar ini, kita mendapat 32 kali tiga kali tiga. 11:32.200 --> 11:36.060 Saya tidak ingin menghabiskan terlalu banyak waktu untuk hal ini karena kami memiliki banyak hal untuk dilakukan lebih banyak. 11:36.190 --> 11:39.470 Dan selain itu kami sudah membuat fungsi untuk menghitung angka ini. 11:39.520 --> 11:43.710 Ingat itu untuk malapetaka ketika kita membuat fungsi neuron hitungan ini. 11:43.870 --> 11:45.750 Jadi Anda dapat menggunakannya kembali jika Anda mau. 11:45.760 --> 11:51.610 Anda tidak yakin, tetapi itulah yang kami dapatkan setelah mengumpulkan persyaratan rumus besar ini 11:51.610 --> 11:53.490 seperti menghitung jumlah output. 11:53.530 --> 11:59.380 Jadi itu untuk argumen pertama dan kemudian argumen kedua adalah jumlah neuron 11:59.380 --> 12:00.370 keluaran. 12:00.610 --> 12:05.220 Dan kita akan pergi untuk 256 OK. 12:05.220 --> 12:12.180 Jadi apa artinya sekarang artinya sekarang kita memiliki vektor yang menyandikan setiap peristiwa dalam permainan atau dengan kata 12:12.540 --> 12:19.260 lain kita memiliki status yang disandikan dan sekarang kita dapat membuat pemisahan antara aktor dan kritik karena 12:19.620 --> 12:25.470 tahu kita akan membuat sebenarnya dua jaringan baru yang terpisah satu untuk aktor dan 12:25.470 --> 12:31.410 satu untuk kritik tetapi mereka akan menjadi pengkodean yang sama dari gambar dan hubungan temporal 12:31.410 --> 12:33.990 untuk dua jaringan saraf ini. 12:33.990 --> 12:37.740 Jadi ini adalah bagian umum yang kami lakukan untuk dua jaringan baru ini. 12:37.740 --> 12:43.650 Ini akan menjadi awal yang sama untuk dua jaringan baru, tetapi sekarang segalanya akan berubah untuk aktor 12:43.650 --> 12:49.710 dan anak sungai karena kita akan membuat satu di koneksi penuh untuk aktor dan satu berbeda daripada 12:49.710 --> 12:52.200 koneksi hampir penuh untuk craic . 12:52.230 --> 12:56.320 Jadi mari kita istirahat sebentar dan mari kita lakukan di bagian selanjutnya. 12:56.400 --> 12:57.860 Sampai kemudian menikmati AI.