WEBVTT 00:00.270 --> 00:02.250 Bună ziua și bun venit la magazin. 00:02.430 --> 00:05.810 Sunt foarte entuziasmat pentru că suntem pe punctul de a face A-3 să vadă creierul. 00:05.810 --> 00:07.430 Acesta este creierul AI nostru. 00:07.590 --> 00:10.800 Și vorbind despre creier aș vrea să subliniez ceva. 00:10.870 --> 00:15.750 Amintiți-vă în primul modul că am făcut un creier simplu, cu numai straturi complet conectate. 00:15.840 --> 00:22.260 Apoi, în cel de-al doilea modul pentru Dhoom, am creat un creier care nu numai că a conectat complet 00:22.350 --> 00:29.070 straturile, ci și ochii, deoarece am adăugat straturile convoluționale care au dat ochii ochiului deoarece puteau observa imaginile și 00:29.070 --> 00:31.550 înțelegeau ce se întâmplă în interior. 00:31.830 --> 00:37.590 Și acum vom spune că chiar și la un nivel înalt, pentru că vom face un creier care nu numai că 00:37.590 --> 00:41.310 va avea ochi și se va conecta complet la niveluri, dar și memorie. 00:41.430 --> 00:46.710 Deoarece, așa cum am spus în tutorialul precedent, vom adăuga o înregistrare a acelei lucrări 00:46.710 --> 00:53.490 în interiorul acestui mare creier și asta ne va da o memorie lungă creierului nostru, astfel încât să poată 00:53.580 --> 00:57.010 înțelege relațiile temporale proprietățile temporale ale imaginilor de intrare. 00:57.120 --> 01:02.400 Așa că mergem și creierul chiar mai puternic vă pot spune că Dymo pe care suntem 01:02.640 --> 01:09.930 despre Intiman acum este cu adevărat foarte puternic și putem vedea cum construim AI și facem mai adânc și mai adânc și 01:10.260 --> 01:14.820 învățarea forșmanului vizează doar apropierea și apropierea de cum funcționează creierul uman. 01:14.820 --> 01:19.560 Știți că am început cu relațiile de bază ale creierului cu conexiunile liniare. 01:19.560 --> 01:22.230 Apoi am adăugat ochii și am adăugat memoria. 01:22.230 --> 01:24.900 Cine știe ce vom adăuga în modelele viitoare. 01:24.990 --> 01:30.780 Știți că în 2018 probabil că vor adăuga ceva care va face creierul să arate chiar mai mult ca un creier 01:30.780 --> 01:31.330 uman. 01:31.680 --> 01:37.590 Dar, deja cu ochii și memoria laserelor conectate pe deplin, avem deja un creier foarte bun și 01:37.590 --> 01:38.280 funcțional. 01:38.790 --> 01:39.690 Deci hai sa o facem. 01:39.750 --> 01:41.140 Să facem acest creier. 01:41.310 --> 01:46.470 Deci, ca de obicei, vom face o clasă pentru asta, deoarece va avea multe 01:46.470 --> 01:48.780 proprietăți cu convoluțiile și știința. 01:48.870 --> 01:53.770 Așa că o să facem ca funcția de a iniția toate acestea să creeze toate aceste conexiuni. 01:54.090 --> 01:59.220 Și, bineînțeles, vom avea funcția Ford care, bineînțeles, va propaga semnalul din interiorul creierului astfel 01:59.220 --> 02:02.580 încât să putem obține în cele din urmă rezultatele. 02:02.580 --> 02:03.200 In regula. 02:03.240 --> 02:04.020 Sunteți gata. 02:04.140 --> 02:05.400 Să o facem. 02:05.400 --> 02:13.700 Deci, clasa pe care o introducem în clasă pe care o numim credit actor, pentru că, desigur, vorbesc aici despre creier. 02:13.710 --> 02:19.440 Dar să nu uităm că facem cu modelul care se bazează pe principiul critic activ, cu separat 02:19.650 --> 02:24.810 actorul și criticul, astfel încât va face de fapt una dintre conexiunile aproape deplin 02:24.810 --> 02:27.770 ale actorului și o conexiune semnificativă pentru critic. 02:27.810 --> 02:30.880 Veți vedea cât de bine vom face acest lucru va fi de fapt destul de simplu. 02:30.900 --> 02:39.060 Atât criticul activ, cât și clasa actorilor vor moșteni de la capăt și de la Maggio, astfel încât să putem 02:39.060 --> 02:40.780 folosi toate instrumentele Pitre. 02:40.860 --> 02:44.130 Deci, să facem acest lucru pentru a moșteni de la sfârșitul acestui modul. 02:44.190 --> 02:53.000 Ei bine, trebuie să luăm mai întâi biblioteca de torțe, atunci și apoi și cu Mudgal. 02:53.090 --> 02:54.100 In regula. 02:54.110 --> 02:55.600 Astfel moștenim din ea. 02:56.990 --> 02:57.240 In regula. 02:57.260 --> 03:01.630 Deci, mergem cu prima noastră funcție, care va fi, bineînțeles, în funcția sa. 03:01.640 --> 03:10.400 Deci, începem cu în dublul său subliniere, atunci această funcție va lua ca argument un sine cu obiectul, 03:10.850 --> 03:17.970 apoi forma de intrare care este dominarea imaginilor noastre de intrare și o 03:18.050 --> 03:25.820 numim non input și faza acțiunilor care este în esență spațiul care conține toate acțiunile. 03:26.000 --> 03:31.340 De asemenea, știm din acest spațiu de acțiune că putem obține o serie de acțiuni care reprezintă o serie de 03:31.700 --> 03:33.870 acțiuni posibile, care vor avea loc foarte curând. 03:33.870 --> 03:38.290 De aceea am avut nevoie și de aceste argumente. 03:38.290 --> 03:39.390 Asta e tot ce avem nevoie. 03:39.650 --> 03:45.450 Și apoi să mergem în interiorul funcției și să creăm toate variabilele proprii creierului nostru. 03:45.830 --> 03:51.740 Dar, înainte de a face asta, să ne amintim ce trebuie să facem pentru a activa într-o 03:52.040 --> 03:59.450 oarecare măsură moștenirea pe care o putem folosi toate instrumentele de la sfârșitul lui Maggio, trebuie să folosim superfuncționarea în interiorul căreia 03:59.450 --> 04:00.180 introducem. 04:00.440 --> 04:10.740 Actor critic care este clasa noastră și apoi veni cu sine cu obiectul În regulă atunci și acolo 04:10.740 --> 04:14.840 vom merge din nou cu funcția. 04:14.940 --> 04:15.560 Vom merge acolo. 04:15.600 --> 04:20.100 Acest lucru ne oferă toate instrumentele de care avem nevoie de la torță pentru a ne construi creierul. 04:20.400 --> 04:21.940 Bine atunci. 04:22.170 --> 04:24.690 Ei bine, e timpul să facem ochii ochiului. 04:24.780 --> 04:26.210 Asta este convoluțiile. 04:26.460 --> 04:31.770 Deci o vom face foarte repede, pentru că am explicat deja acest lucru în detaliu pentru doom. 04:31.800 --> 04:34.210 Pentru că îmi amintesc ziua în care am avut gheață. 04:34.260 --> 04:39.240 Deci este exact același lucru, vom face niște concluzii și vom folosi o arhitectură foarte simplă, 04:39.510 --> 04:45.240 cu 32 de detectoare de trăsături de mărimea trei cu trei pasi de două și cu un padding de unul. 04:45.450 --> 04:50.460 Deci, este o arhitectura destul de clasica, dar asta va fi de fapt suficient pentru a sti sa va 04:50.690 --> 04:53.010 asigurati ca inteleg ce se intampla in pauza. 04:53.010 --> 04:54.090 O.K. 04:54.480 --> 04:56.750 Bine, deci să facem convoluțiile. 04:56.790 --> 05:03.900 Așa că începem cu sine pentru că convoluțiile vor fi variabile ale obiectelor, așa de sine, pe care 05:03.900 --> 05:09.210 le putem numi venind, și vor fi patru convoluții și așa poate. 05:09.540 --> 05:11.040 Și acolo mergem. 05:11.040 --> 05:18.900 Luăm punctul N și Maggio și apoi luăm conul în clasă, pentru că de fapt convenantul va fi un 05:18.930 --> 05:20.670 obiect de dezgust. 05:21.540 --> 05:25.870 Și apoi, în primul rând, am pus forma de intrare a imaginilor. 05:25.920 --> 05:32.780 Deci, exact ceea ce avem aici, putem copia acest lucru și îl putem introduce ca prima intrare. 05:33.090 --> 05:38.600 Apoi, al doilea argument este numărul de detectoare de caracteristici sunt, de asemenea, numărul de kernels. 05:38.640 --> 05:45.060 Așa că vom lua 32 așa cum am spus doar alegerea clasică, atunci trebuie să alegem mărimea 05:45.060 --> 05:50.130 kernelului care este numărul de celule care vor aluneca peste imaginea de intrare. 05:50.190 --> 05:55.170 Și amintiți-vă că putem lua fie trei, patru sau cinci, care vin în alegeri 05:55.290 --> 05:58.460 și vom alege trei și apoi vom alege. 05:58.550 --> 06:01.100 A încercat să. 06:01.340 --> 06:11.350 Și o umplutură pe care o vedem pentru prima convoluție care merge de la imaginea de intrare la primul 06:11.350 --> 06:16.210 strat convoluțional este compusă din 32 de imagini înfilete. 06:16.360 --> 06:18.850 Deci, acum suntem gata să facem cea de-a doua convoluție. 06:18.850 --> 06:27.290 Deci, de fapt, vor fi aproape la fel, așa că am copiat această linie și bazându-l pe care l-am lipit 06:27.310 --> 06:33.490 mai jos și lăsându-l ultima oară pentru că vom avea patru convoluții cu 06:33.490 --> 06:42.640 aproape nimic de schimbat, așa că putem deja înlocui. unul vine la unul câte trei și vine unul până vin patru. 06:42.670 --> 06:45.160 Asta vor fi cele patru convoluții ale noastre. 06:45.160 --> 06:49.330 Și acum, bineînțeles, trebuie să schimbăm câteva lucruri aici, dar nu prea mult pentru că vom 06:49.370 --> 06:52.280 urmări câte două pentru fiecare și un model de unul. 06:52.420 --> 06:58.620 Toate acestea vor avea 32 de detectori de caracteristici, care au 32 de iesiri de imagini convoluti. 06:58.780 --> 07:04.040 Dar, aici, amintiți-vă că aceasta corespunde părții din stânga a convoluției. 07:04.180 --> 07:09.610 De fapt, asta corespunde cu ceea ce se afla în partea dreaptă a concluziei anterioare pe care o știi că este ca 07:09.610 --> 07:10.370 un domino. 07:10.390 --> 07:11.440 Este foarte ușor. 07:11.560 --> 07:22.390 Și, prin urmare, trebuie să punem 32 și aici vom vedea foarte ușor 32 și 32. 07:22.390 --> 07:27.790 În regulă, pentru a rezuma, începem cu imaginile noastre de intrare care nu au nimic. 07:27.810 --> 07:35.350 Simon Jones a fost prima convoluție obținem 32 de imagini convolute, fiecare detectând o anumită caracteristică, apoi din cele 32 07:35.800 --> 07:43.120 de imagini convolute aplicăm cea de-a doua convoluție pentru a obține 32 de imagini convolute noi, la fel și 07:43.420 --> 07:46.510 din cele 32 de imagini noi înfundate. 07:46.510 --> 07:52.430 Aplicăm cea de-a treia convoluție pentru a relua din nou 32 de imagini convolute și apoi, 07:52.450 --> 07:57.470 din cele trei imagini convolute, aplicăm a patra convoluție pentru a obține caracteristici. 07:57.490 --> 07:57.910 In regula. 07:57.910 --> 08:03.700 Și acest lucru va fi de ajuns cu acest lucru sau voi avea o supervizare că va lua mingea foarte bine. 08:03.700 --> 08:07.250 Bine, deci asta este pentru convoluție Deci asta e pentru ochi. 08:07.420 --> 08:09.490 Și acum să ne ocupăm de memorie. 08:09.640 --> 08:15.520 Această nouă caracteristică a acestui creier pe care o implementăm, spre deosebire de aceasta, nu numai 08:15.680 --> 08:23.140 că va avea o supraveghere, dar și că va avea o memorie de memorie super memorie, deoarece vom vedea o memorie 08:23.170 --> 08:29.230 pe termen lung pe termen lung, care este un astfel de record sau un neuron rețea care 08:29.230 --> 08:36.580 dă modelului dvs. un fel de memorie lungă, astfel încât să poată învăța câteva relații temporale lungi din trecut, spunând astfel 08:36.580 --> 08:43.180 că vom crea noi variabile din timp cu sine și această nouă variabilă pe care o vom numi pur 08:43.180 --> 08:47.260 și simplu deoarece aceasta va corespunde rețelei LACMA din interiorul creierului. 08:47.290 --> 08:55.240 Deci SVM și înainte de a scrie codul pentru LCN să ne asigurăm că înțelegem ce va face această parte a 08:55.240 --> 08:56.270 creierului LACMA. 08:56.530 --> 09:03.980 Așa cum am înțeles, acest LCN este folosit pentru a afla proprietățile temporale ale imaginilor de intrare de intrare. 09:04.090 --> 09:09.730 De exemplu, dacă mingea lovește un LACMA va codifica balanța. 09:09.730 --> 09:11.410 Deci, este primul lucru pe care trebuie să-l înțelegeți. 09:11.410 --> 09:15.070 Se va codifica ce se întâmplă în joc. 09:15.070 --> 09:20.080 Apoi, următorul lucru important de înțeles când am implementat ISTM este că trebuie 09:20.170 --> 09:26.680 să alegem în ordinea dependențelor temporale și de aici, de când ne vom alimenta rețeaua neurală cu o succesiune 09:26.680 --> 09:33.740 de patru imagini, atunci asta înseamnă că putem deja aflați unele dependențe temporale ale ordinii pentru că sunt unele dependențe 09:33.740 --> 09:40.310 temporale în cazul în care ceea ce se întâmplă la 1:20 depinde de ce se întâmplă la momentul T. 09:40.360 --> 09:45.500 T minus 1 T minus 2 și T minus 3, astfel încât să putem face acest lucru cu siguranță. 09:45.730 --> 09:51.040 Dar vestea bună este că vom folosi analiza YEM și, prin urmare, vom 09:51.160 --> 09:54.560 putea învăța relații temporale și mai complexe. 09:54.650 --> 10:00.430 De exemplu, putem învăța câteva proprietăți simple în cazul în care ceea ce se întâmplă la ora 1:20 va depinde de ceea ce se întâmplă 10:00.430 --> 10:01.370 la momentul T. 10:01.370 --> 10:05.510 T minus 20 de minute pentru a face minus trei până la T minus. 10:05.940 --> 10:13.360 Și aceasta este partea lungă din memoria pe termen lung cu acest test și putem învăța câteva 10:13.360 --> 10:15.490 relații temporale foarte complexe. 10:15.490 --> 10:18.080 În regulă, să adăugăm LCN-ul nostru. 10:18.160 --> 10:25.030 Deci, pentru a face acest lucru vom folosi modulul N în modul și apoi vom adăuga clasa ca T. N. celula care va crea acest 10:25.600 --> 10:31.960 lucru ca un obiect care va reprezenta DST și o parte a noii rețele deoarece, chiar acum, ceea 10:31.960 --> 10:38.570 ce este de asemenea important de înțeles este că facem un CR și apoi știi că o înregistrare 10:38.590 --> 10:45.520 convoluțională o nouă rețea și partea arlandei vine după Partea CNN și, prin urmare, chiar acum ceea ce avem 10:45.610 --> 10:51.350 nevoie pentru a introduce în această celulă LACMA este mai întâi dimensiunea de ieșire după convoluție. 10:51.400 --> 10:56.060 Deci, aceasta este de 32 de ori de trei ori trei. 10:56.230 --> 11:02.670 Deci, acest lucru de 32 de ori de trei ori trei este de fapt rezultatul după cele patru convoluții de aici. 11:02.830 --> 11:07.600 Dar asta devine intrarea ARN-ului LSD si asta functioneaza. 11:07.870 --> 11:13.710 Și acum, de ce rezultatul celor patru convoluții este jumătate de mărimea de trei ori de două ori de trei ori trei. 11:13.870 --> 11:16.030 Nu-ți face griji că nu e așa direct. 11:16.060 --> 11:22.140 De fapt, nu este o formulă simplă, dar există o formulă pentru a calcula acest număr de neuroni de ieșire. 11:22.210 --> 11:26.490 După aplatizarea imaginilor colectate și convoluționate de deconvoluție. 11:26.710 --> 11:32.050 Dar dacă am adunat termenii acestei formule mari, vom obține de 32 de ori de trei ori trei. 11:32.200 --> 11:36.060 Nu am vrut să petrec prea mult timp pentru că avem multe de făcut. 11:36.190 --> 11:39.470 Și, în plus, am făcut deja o funcție pentru a calcula acest număr. 11:39.520 --> 11:43.710 Amintiți-vă că a fost pentru doom atunci când am făcut această funcție neuroni număr. 11:43.870 --> 11:45.750 Deci, puteți reutiliza dacă doriți. 11:45.760 --> 11:51.610 Nu sunteți convins, dar asta este exact ceea ce obținem după ce am adunat termenii acestei formule mari, cum 11:51.610 --> 11:53.490 ar fi calculul numărului de ieșiri. 11:53.530 --> 11:59.380 Deci, aceasta este pentru primul argument și apoi al doilea argument va fi numărul de neuroni de 11:59.380 --> 12:00.370 ieșire din. 12:00.610 --> 12:05.220 Și vom merge pentru 256 OK. 12:05.220 --> 12:12.180 Și ceea ce înseamnă acum înseamnă că acum avem un vector care codifică fiecare eveniment al jocului sau, cu 12:12.540 --> 12:19.260 alte cuvinte, avem o stare codificată și astfel că acum putem să facem separarea dintre actor și critic 12:19.620 --> 12:25.470 pentru că tu știți că vom face de fapt două noi rețele separate pentru actor 12:25.470 --> 12:31.410 și unul pentru critic, dar ele vor fi aceeași codare a imaginilor și a relațiilor 12:31.410 --> 12:33.990 temporale pentru aceste două rețele neuronale. 12:33.990 --> 12:37.740 Deci, aceasta este partea comună pe care o facem pentru aceste două noi rețele. 12:37.740 --> 12:43.650 Acesta va fi același început pentru cele două noi rețele, dar acum lucrurile se vor schimba pentru 12:43.650 --> 12:49.710 actor și pentru pârâu, pentru că vom face una în conexiunea completă a actorului și o conexiune 12:49.710 --> 12:52.200 diferită de cea aproape completă . 12:52.230 --> 12:56.320 Deci, să luăm o pauză rapidă și să facem asta în următorul mic. 12:56.400 --> 12:57.860 Până atunci, bucurați-vă de AI.