WEBVTT 00:00.270 --> 00:02.250 Hola y bienvenidos a la tienda. 00:02.430 --> 00:05.810 Estoy súper emocionado porque estamos a punto de hacer que el A-3 vea el cerebro. 00:05.810 --> 00:07.430 Ese es el cerebro de nuestra IA. 00:07.590 --> 00:10.800 Y hablando de cerebros me gustaría resaltar algo. 00:10.870 --> 00:15.750 Recuerde que en el primer módulo creamos un cerebro simple con solo capas conectadas por completo. 00:15.840 --> 00:22.260 Luego, en el segundo módulo para Dhoom hicimos un cerebro que no solo tenía capas conectadas sino 00:22.350 --> 00:29.070 también ojos porque añadimos las capas convolucionales que daban al ojo porque podía observar las imágenes y comprender 00:29.070 --> 00:31.550 lo que sucedía en el interior. 00:31.830 --> 00:37.590 Y ahora vamos a decir eso incluso a un nivel alto porque vamos a hacer un cerebro que 00:37.590 --> 00:41.310 no solo tendrá ojos y conectará capas por completo sino también memoria. 00:41.430 --> 00:46.710 Porque como dije en el tutorial anterior vamos a agregar un registro de ese trabajo dentro 00:46.710 --> 00:53.490 de este gran cerebro y eso le dará una larga memoria a nuestro cerebro para que pueda entender las relaciones 00:53.580 --> 00:57.010 temporales de las propiedades temporales de las imágenes de entrada. 00:57.120 --> 01:02.400 Así que ahí vamos y un cerebro aún más poderoso. Puedo decirles que el Dymo que 01:02.640 --> 01:09.930 tratamos sobre Intiman en este momento es realmente muy poderoso y podemos ver cómo construir IA y profundizar más y el aprendizaje de 01:10.260 --> 01:14.820 Forsman se trata de acercarse cada vez más a cómo funciona el cerebro humano 01:14.820 --> 01:19.560 Sabes que comenzamos con las relaciones básicas del cerebro con las conexiones lineales. 01:19.560 --> 01:22.230 Luego agregamos ojos y agregamos la memoria. 01:22.230 --> 01:24.900 Quién sabe qué vamos a agregar en los modelos futuros. 01:24.990 --> 01:30.780 Sabes que en 2018 tal vez agregarán algo que hará que el cerebro parezca aún más como un 01:30.780 --> 01:31.330 cerebro humano. 01:31.680 --> 01:37.590 Pero ya con los ojos y la memoria del láser totalmente conectados, ya tenemos un cerebro realmente bueno 01:37.590 --> 01:38.280 y funcional. 01:38.790 --> 01:39.690 Hagamoslo. 01:39.750 --> 01:41.140 Hagamos este cerebro 01:41.310 --> 01:46.470 Así que, como de costumbre, haremos una clase para eso porque va a tener muchas 01:46.470 --> 01:48.780 propiedades con las convoluciones y la ciencia. 01:48.870 --> 01:53.770 Así que vamos a hacer que funcione para inicializar todo esto y crear todas estas conexiones. 01:54.090 --> 01:59.220 Y luego, por supuesto, tendremos la función Ford que, por supuesto, propagará la señal 01:59.220 --> 02:02.580 dentro del cerebro para que podamos obtener la salida. 02:02.580 --> 02:03.200 Todo bien. 02:03.240 --> 02:04.020 Estás listo. 02:04.140 --> 02:05.400 Hagámoslo. 02:05.400 --> 02:13.470 Entonces, la clase que presentamos en clase la llamamos crédito de actor porque, por supuesto, estoy hablando de cerebros 02:13.470 --> 02:13.700 aquí. 02:13.710 --> 02:19.440 Pero no olvidemos que estamos haciendo con el modelo que se basa en el principio de crítica activa con 02:19.650 --> 02:24.810 el actor y el crítico por separado, por lo que realmente hará una de las conexiones casi completas 02:24.810 --> 02:27.770 para el actor y una conexión significativa para el crítico. 02:27.810 --> 02:30.880 Verás qué tan bien haremos que será bastante simple. 02:30.900 --> 02:39.060 y esta clase de actores heredarán desde el final y ese Maggio para que podamos usar todas las herramientas de Pitre. 02:39.060 --> 02:40.780 Así que la crítica activa 02:40.860 --> 02:44.130 Así que hagamos esto para heredar desde el final en ese módulo. 02:44.190 --> 02:53.000 Bueno, tenemos que tomar primero la biblioteca de la antorcha y luego eso y luego y eso y Mudgal. 02:53.090 --> 02:54.100 Todo bien. 02:54.110 --> 02:55.600 De esa forma heredamos de eso. 02:56.990 --> 02:57.240 Todo bien. 02:57.260 --> 03:01.630 Así que ahí vamos con nuestra primera función, que por supuesto estará en su función. 03:01.640 --> 03:10.400 lo llamamos no entradas y la fase de acciones que es básicamente el espacio que contiene todas las acciones. 03:10.850 --> 03:17.970 Entonces comenzamos en su doble subrayado, entonces esta función tomará como argumento uno mismo con 03:18.050 --> 03:25.820 el objeto, luego la forma de entrada que son las dominaciones de nuestras imágenes de entrada y 03:26.000 --> 03:31.340 También sabemos que desde este espacio de acción podemos obtener una serie de acciones que son una serie de 03:31.700 --> 03:33.870 acciones posibles que realmente se realizarán muy pronto. 03:33.870 --> 03:38.290 Entonces es por eso que también necesitamos eso para los argumentos. 03:38.290 --> 03:39.390 Eso es todo lo que necesitamos. 03:39.650 --> 03:45.450 Y luego entremos en la función y creemos todas las variables propias de nuestro cerebro. 03:45.830 --> 03:51.740 desde el final de Maggio, tenemos que usar la superfunción de esta manera dentro de la cual ingresamos. 03:52.040 --> 03:59.450 Pero antes de hacerlo recordamos lo que tenemos que hacer para activar de alguna manera la herencia de que podemos utilizar todas 03:59.450 --> 04:00.180 las herramientas 04:00.440 --> 04:10.740 Actor crítico que es nuestra clase y luego subir con el objeto. Muy bien, en ese 04:10.740 --> 04:14.840 momento vamos otra vez con la función. 04:14.940 --> 04:15.560 Aquí vamos. 04:15.600 --> 04:20.100 Eso nos da todas las herramientas que todos necesitamos de la antorcha para construir nuestro cerebro. 04:20.400 --> 04:21.940 De acuerdo entonces. 04:22.170 --> 04:24.690 Bueno, es hora de hacer que los ojos. 04:24.780 --> 04:26.210 Esa es la convolución. 04:26.460 --> 04:31.770 Así que vamos a hacerlo muy rápido porque ya explicamos esto en detalles para la perdición. 04:31.800 --> 04:34.210 Porque recuerdo el día que tuve hielo. 04:34.260 --> 04:39.240 Así que es exactamente lo mismo, vamos a sacar algunas conclusiones y vamos a utilizar una arquitectura 04:39.510 --> 04:45.240 muy simple con 32 detectores de funciones de tamaño tres por tres pasos de dos y un relleno de uno. 04:45.450 --> 04:50.460 Esa es una arquitectura bastante clásica, pero eso será suficiente para que sepas que entiendo 04:50.690 --> 04:53.010 lo que está pasando en el descanso. 04:53.010 --> 04:54.090 DE ACUERDO. 04:54.480 --> 04:56.750 Muy bien, entonces hagamos esas convoluciones. 04:56.790 --> 05:03.900 Así que comenzamos con uno mismo porque las circunvoluciones serán variables de los objetos, de 05:03.900 --> 05:09.210 modo que si podemos llamarlo, vendrán cuatro convoluciones, y este puede hacerlo. 05:09.540 --> 05:11.040 Y ahí vamos. 05:11.040 --> 05:18.900 Tomamos el punto N y Maggio y luego llevamos el cono a la clase porque realmente convenant será 05:18.930 --> 05:20.670 un objeto de disgusto. 05:21.540 --> 05:25.870 Y luego dentro primero ponemos la forma de entrada de las imágenes. 05:25.920 --> 05:32.780 Así que eso es exactamente lo que tenemos aquí para que podamos copiar esto e ingresarlo como la primera entrada. 05:33.090 --> 05:38.600 Luego, el segundo argumento es el número de detectores de funciones que también son el número de núcleos. 05:38.640 --> 05:45.060 Así que vamos a tomar 32 como acabamos de decir la elección clásica, entonces tenemos que elegir el tamaño del 05:45.060 --> 05:50.130 núcleo que es el número de celdas que se deslizará sobre la imagen de entrada. 05:50.190 --> 05:55.170 Y recuerden que podemos tomar tres cuatro o cinco opciones y vamos 05:55.290 --> 05:58.460 a elegir tres y luego vamos a elegir. 05:58.550 --> 06:01.100 Trató de. 06:01.340 --> 06:11.350 Y un relleno de uno que vamos que es para la primera convolución que va desde la imagen de entrada a 06:11.350 --> 06:16.210 la primera capa convolucional se compone de 32 imágenes intrincadas. 06:16.360 --> 06:18.850 Entonces ahora estamos listos para hacer la segunda circunvolución. 06:18.850 --> 06:27.290 Así que en realidad va a ser casi lo mismo, así que estoy copiando esta línea y basándome en la siguiente 06:27.310 --> 06:33.490 pegada una vez más y pegándola una última vez porque vamos a tener cuatro circunvoluciones 06:33.490 --> 06:42.640 y casi nada para cambiar, así que ya podemos reemplazar Here comes uno llega a uno por tres y viene uno por cuatro. 06:42.670 --> 06:45.160 Esa serán nuestras cuatro circunvoluciones. 06:45.160 --> 06:49.330 Y ahora, por supuesto, tenemos que cambiar algunas cosas aquí, pero no mucho, porque vamos a hacer 06:49.370 --> 06:52.280 un seguimiento de dos para cada uno y un patrón de uno. 06:52.420 --> 06:58.620 Todos ellos tendrán 32 detectores de funciones que tienen 32 imágenes complejas enredadas. 06:58.780 --> 07:04.040 Pero luego recuerde que esto corresponde a la parte izquierda de la convolución. 07:04.180 --> 07:09.610 Entonces, en realidad, eso corresponde a lo que estaba en la parte derecha de la conclusión anterior, sabes que es 07:09.610 --> 07:10.370 como un dominó. 07:10.390 --> 07:11.440 Es realmente fácil. 07:11.560 --> 07:22.390 Y por lo tanto, aquí tenemos que poner 32 y aquí es donde vamos a ver muy fácilmente 32 y 32. 07:22.390 --> 07:27.790 Muy bien, para resumir, comenzamos con nuestras imágenes de entrada que no tienen ninguna. 07:27.810 --> 07:35.350 que obtenemos 32 imágenes intrincadas, cada una detectando una característica específica. Luego, de estas 32 imágenes complejas, aplicamos la 07:35.800 --> 07:43.120 segunda circunvolución para obtener 32 nuevas imágenes intrincadas y luego las mismas de estas 32 nuevas imágenes intrincadas. 07:43.420 --> 07:46.510 Simon Jones fue la primera convolución en la 07:46.510 --> 07:52.430 Aplicamos la tercera circunvolución para obtener 32 nuevas imágenes intrincadas de nuevo y luego, eventualmente de 07:52.450 --> 07:57.470 las tres a las imágenes complejas, aplicamos la cuarta circunvolución para obtener características. 07:57.490 --> 07:57.910 Todo bien. 07:57.910 --> 08:03.700 Y esto será suficiente con esto o tendré una supervisión que tomará la pelota muy bien. 08:03.700 --> 08:07.250 Está bien así que eso es todo para la convolución Así que eso es todo para los ojos. 08:07.420 --> 08:09.490 Y ahora cuidemos la memoria. 08:09.640 --> 08:15.520 Esta nueva característica de este cerebro estamos implementando en oposición a antes, no solo 08:15.680 --> 08:23.140 tendrá una supervisión sino que también tendrá una memoria super larga memoria porque veremos memoria a largo plazo, 08:23.170 --> 08:29.230 que es este tipo de registro o neuronal. red que le da a su modelo 08:29.230 --> 08:36.580 una especie de memoria larga para que pueda aprender algunas relaciones temporales largas del pasado, diciendo que vamos 08:36.580 --> 08:43.180 a crear nuevas variables a partir del tiempo consigo mismo y esta nueva variable la llamaremos 08:43.180 --> 08:47.260 simplemente porque esto corresponderá a la red LACMA dentro del cerebro. 08:47.290 --> 08:55.240 Así que SVM y antes de escribir el código para el LCN, asegurémonos de entender qué hará esta parte 08:55.240 --> 08:56.270 del cerebro LACMA. 08:56.530 --> 09:03.980 Entonces, como entendimos, este LCN se usa para conocer las propiedades temporales de las imágenes de entrada de entrada. 09:04.090 --> 09:09.730 Entonces, por ejemplo, si la pelota golpea a un LACMA codificará el equilibrio. 09:09.730 --> 09:11.410 Entonces eso es lo primero que debes entender. 09:11.410 --> 09:15.070 Codificará lo que está sucediendo en el juego. 09:15.070 --> 09:20.080 Luego, la siguiente cosa importante que debemos entender cuando implementamos ISTM es que tenemos 09:20.170 --> 09:26.680 que elegir en orden las dependencias temporales y aquí, dado que vamos a alimentar nuestra red neuronal con 09:26.680 --> 09:33.740 una secuencia de cuatro imágenes, eso significa que ya podemos Aprender algunas dependencias temporales de orden para eso son 09:33.740 --> 09:40.310 algunas dependencias temporales donde lo que sucede a 1:20 depende de lo que ocurra en el tiempo T. 09:40.360 --> 09:45.500 T menos 1 T menos 2 y T menos 3 para que podamos definitivamente hacer eso. 09:45.730 --> 09:51.040 Pero la buena noticia es que vamos a utilizar el análisis YEM y, por lo 09:51.160 --> 09:54.560 tanto, podremos aprender algunas relaciones temporales aún más complejas. 09:54.650 --> 10:00.430 Por ejemplo, podemos aprender algunas propiedades simples donde lo que sucede a la 1:20 dependerá de lo que ocurra en 10:00.430 --> 10:01.370 el tiempo T. 10:01.370 --> 10:05.510 T menos 20 minutos para hacer menos tres hasta T menos. 10:05.940 --> 10:13.360 Y esa es la parte larga de la memoria a largo plazo con este ensayo y podemos aprender 10:13.360 --> 10:15.490 algunas relaciones temporales muy complejas. 10:15.490 --> 10:18.080 Está bien, así que agreguemos nuestro LCN. 10:18.160 --> 10:25.030 Entonces para hacer esto vamos a usar el N en el módulo y luego vamos a agregar la clase como T. NORTE. célula que creará esto como un 10:25.600 --> 10:31.960 objeto que representará DST y parte de la nueva red porque ahora mismo, lo que también es 10:31.960 --> 10:38.570 importante entender es que estamos haciendo un CR y luego conocemos un registro convolucional de una nueva red 10:38.590 --> 10:45.520 y la parte de arland viene después del CNN parte y por lo tanto ahora mismo lo que necesitamos 10:45.610 --> 10:51.350 ingresar en esta celda LACMA es primero el tamaño de la salida después de la convolución. 10:51.400 --> 10:56.060 Entonces eso es 32 veces tres veces tres. 10:56.230 --> 11:02.670 Así que esto 32 veces tres veces tres es en realidad la salida después de las cuatro circunvoluciones aquí. 11:02.830 --> 11:07.600 Pero eso se convierte en la entrada del ARN, el LSD y ese trabajo. 11:07.870 --> 11:13.710 Y ahora, ¿por qué la salida de las cuatro circunvoluciones es la mitad del tamaño tres dos veces tres veces tres? 11:13.870 --> 11:16.030 Bueno, no te preocupes, no es tan directo. 11:16.060 --> 11:22.140 En realidad, no es una fórmula simple, pero hay una fórmula para calcular esta cantidad de neuronas de salida. 11:22.210 --> 11:26.490 Después de aplanar las imágenes agrupadas y enrevesadas de deconvolución. 11:26.710 --> 11:32.050 Pero si reunimos los términos de esta gran fórmula, obtendremos 32 veces tres veces tres. 11:32.200 --> 11:36.060 No quería dedicar demasiado tiempo a esto porque tenemos mucho que hacer más. 11:36.190 --> 11:39.470 Y además ya hicimos una función para calcular este número. 11:39.520 --> 11:43.710 Recuerda que fue por la perdición cuando hicimos funcionar las neuronas de este recuento. 11:43.870 --> 11:45.750 Entonces puedes reutilizarlo si quieres. 11:45.760 --> 11:51.610 No estás convencido, pero eso es lo que obtenemos después de reunir los términos de esta gran fórmula, 11:51.610 --> 11:53.490 como calcular el número de salidas. 11:53.530 --> 11:59.380 Así que eso es para el primer argumento y luego el segundo argumento será el número de neuronas 11:59.380 --> 12:00.370 de salida del. 12:00.610 --> 12:05.220 Y vamos a ir por 256 OK. 12:05.220 --> 12:12.180 crítico porque usted Sabemos que vamos a hacer realmente dos nuevas redes separadas una para el actor y otra para 12:12.540 --> 12:19.260 el crítico, pero serán la misma codificación de las imágenes y las relaciones temporales para estas dos redes neuronales. 12:19.620 --> 12:25.470 Entonces, ¿qué significa eso ahora que significa que ahora tenemos un vector que codifica cada evento 12:25.470 --> 12:31.410 del juego o, en otras palabras, tenemos un estado codificado y que es ahora que podemos hacer 12:31.410 --> 12:33.990 la separación entre el actor y el 12:33.990 --> 12:37.740 Entonces esta es la parte común que hacemos para estas dos nuevas redes. 12:37.740 --> 12:43.650 Este será el mismo comienzo para las dos nuevas redes, pero ahora las cosas van a cambiar para el actor 12:43.650 --> 12:49.710 y el arroyo porque vamos a hacer uno en la conexión completa para el actor y una conexión diferente a 12:49.710 --> 12:52.200 la casi completa para el personaje cómico. . 12:52.230 --> 12:56.320 Así que tomemos un descanso rápido y hagámoslo en el próximo poco. 12:56.400 --> 12:57.860 Hasta entonces, disfruta de la IA.