WEBVTT 00:00.150 --> 00:02.310 Xin chào và chào mừng đến với hướng dẫn này. 00:02.340 --> 00:07.320 Tôi cực kỳ phấn khích vì chúng tôi sắp tạo ra bộ não A3 là bộ não của mắt chúng ta. 00:07.350 --> 00:10.640 Và nói về bộ não, tôi muốn nhấn mạnh một điều. 00:10.650 --> 00:15.450 Hãy nhớ rằng trong mô-đun đầu tiên, chúng tôi đã tạo ra một bộ não đơn giản chỉ với các lớp được kết nối đầy đủ. 00:15.600 --> 00:21.900 Sau đó, trong mô-đun thứ hai cho Doom, chúng tôi đã tạo ra một bộ não không chỉ có các lớp được kết nối 00:21.900 --> 00:28.830 đầy đủ mà còn cả mắt, bởi vì chúng tôi đã thêm các lớp phức tạp tạo cho mắt người nhìn vì nó có thể quan sát hình 00:28.830 --> 00:31.490 ảnh và hiểu những gì đang diễn ra bên trong. 00:31.500 --> 00:37.530 Và bây giờ chúng ta sẽ sử dụng nó ngay cả ở cấp độ cao, bởi vì chúng ta sẽ tạo ra một bộ não không chỉ 00:37.530 --> 00:41.220 có mắt và các lớp kết nối đầy đủ mà còn có cả trí nhớ. 00:41.220 --> 00:46.470 Bởi vì như tôi đã nói trong hướng dẫn trước, chúng ta sẽ thêm một bản ghi của mạng nơ-ron bên 00:46.470 --> 00:53.460 trong bộ não lớn này và điều đó sẽ cung cấp cho bộ não của chúng ta một trí nhớ dài để nó có thể hiểu các mối quan 00:53.460 --> 00:56.730 hệ thời gian, các đặc tính thời gian của đầu vào. hình ảnh. 00:56.850 --> 00:57.840 Vậy là xong. 00:57.840 --> 01:03.330 Và thậm chí bộ não còn mạnh mẽ hơn nữa, tôi có thể nói với bạn rằng mô hình mà chúng tôi sắp triển khai ngay bây giờ thực 01:03.330 --> 01:04.410 sự, thực sự mạnh mẽ. 01:04.710 --> 01:10.500 Và chúng ta có thể thấy cách xây dựng đôi mắt và thực hiện học sâu, học tăng cường sâu là tất 01:10.500 --> 01:14.650 cả nhằm ngày càng tiến gần hơn cách hoạt động của bộ não con người. 01:14.750 --> 01:19.350 Bạn biết đấy, chúng ta bắt đầu với các mối quan hệ cơ bản của não, với các kết nối tuyến tính của thức ăn. 01:19.350 --> 01:21.990 Sau đó, chúng tôi thêm mắt, sau đó chúng tôi thêm bộ nhớ. 01:22.020 --> 01:24.830 Ai biết chúng tôi sẽ bổ sung những gì trong các mô hình tương lai? 01:24.840 --> 01:30.360 Bạn biết đấy, vào năm 2018, có thể họ sẽ thêm một thứ gì đó khiến não bộ trông giống 01:30.360 --> 01:31.350 não người hơn. 01:31.350 --> 01:37.530 Nhưng với các lớp, mắt và trí nhớ được kết nối đầy đủ, chúng ta đã có một bộ não thực sự tốt và hoạt 01:37.530 --> 01:38.100 động tốt. 01:38.520 --> 01:39.600 Vì vậy, chúng ta hãy làm điều đó. 01:39.600 --> 01:41.110 Hãy làm bộ não này. 01:41.130 --> 01:46.410 Vì vậy, như thường lệ, chúng tôi sẽ tạo một lớp cho điều đó vì nó sẽ có rất nhiều 01:46.410 --> 01:48.600 thuộc tính với các chập và LCMS. 01:48.600 --> 01:54.930 Vì vậy, chúng ta sẽ thực hiện hàm init để khởi tạo tất cả những điều này, tạo tất cả các kết nối này và sau đó 01:54.930 --> 01:59.790 tất nhiên chúng ta sẽ có hàm chuyển tiếp, tất nhiên sẽ truyền tín hiệu bên trong não để cuối 01:59.910 --> 02:02.160 cùng chúng ta có thể nhận được đầu ra. 02:02.370 --> 02:03.950 Được rồi, bạn đã sẵn sàng chưa? 02:03.960 --> 02:05.110 Làm thôi nào. 02:05.130 --> 02:11.310 Vì vậy, lớp học, chúng tôi đã giới thiệu một lớp học mới, mà chúng tôi gọi là nhà phê bình diễn viên. 02:11.310 --> 02:13.650 Bởi vì, tất nhiên, tôi đang nói về bộ não ở đây. 02:13.650 --> 02:19.410 Nhưng đừng quên rằng chúng tôi đang tạo ra mô hình a3c, dựa trên nguyên tắc phê bình tích cực với 02:19.410 --> 02:21.900 tác nhân và nhà phê bình riêng biệt. 02:21.900 --> 02:26.850 Vì vậy, chúng tôi thực sự sẽ tạo một kết nối tuyến tính, đầy đủ cho diễn viên và một kết nối tuyến tính đầy đủ cho 02:26.850 --> 02:27.600 nhà phê bình. 02:27.600 --> 02:28.860 Bạn sẽ thấy chúng tôi sẽ làm điều đó như thế nào. 02:28.860 --> 02:30.600 Nó sẽ thực sự khá đơn giản. 02:30.600 --> 02:39.000 Vì vậy, nhà phê bình diễn viên và lớp nhà phê bình diễn viên này sẽ kế thừa từ mô-đun endnote để chúng ta có thể sử dụng tất 02:39.000 --> 02:40.650 cả các công cụ PyTorch. 02:40.650 --> 02:44.010 Vì vậy, hãy làm điều này để kế thừa từ mô-đun nút. 02:44.010 --> 02:49.080 Vâng, trước tiên chúng ta cần lấy thư viện ngọn đuốc sau đó mới đến. 02:49.080 --> 02:49.830 Và sau đó. 02:49.830 --> 02:51.900 Và đó và mô-đun. 02:52.980 --> 02:53.640 Được rồi. 02:53.940 --> 02:55.560 Vì vậy, theo cách đó chúng tôi kế thừa từ nó. 02:56.870 --> 02:57.200 Được rồi. 02:57.200 --> 03:01.430 Vì vậy, chúng ta bắt đầu với hàm đầu tiên, tất nhiên sẽ là hàm init. 03:01.430 --> 03:09.800 Vì vậy, chúng tôi bắt đầu với nó trong đó dấu gạch dưới kép sau đó hàm init này sẽ tự coi là đối số 03:09.800 --> 03:17.060 với đối tượng, sau đó là hình dạng đầu vào là kích thước của hình ảnh đầu vào của chúng 03:17.060 --> 03:25.640 tôi và chúng tôi gọi nó là đầu vào và không gian hành động, về cơ bản là không gian chứa tất cả các hành động. 03:25.880 --> 03:30.410 Chúng tôi cũng vậy, bạn biết đấy, từ không gian hành động này, chúng tôi có thể nhận được số lượng hành động, đó là 03:30.410 --> 03:33.740 số lượng hành động có thể có mà chúng tôi sẽ thực sự nhận được rất sớm. 03:33.740 --> 03:35.690 Vì vậy, đó là lý do tại sao chúng tôi cũng cần nó. 03:36.140 --> 03:39.320 Vì vậy, đó là cho các đối số, đó là tất cả những gì chúng ta cần. 03:39.320 --> 03:45.230 Và sau đó chúng ta hãy đi vào bên trong hàm và tạo tất cả các biến phù hợp với bộ não của chúng ta. 03:45.590 --> 03:51.350 Nhưng trước khi chúng ta làm điều đó, hãy nhớ những gì chúng ta phải làm để kích hoạt theo một cách nào đó tính kế thừa mà 03:51.350 --> 03:54.740 chúng ta có thể sử dụng tất cả các công cụ từ mô-đun đầu vào. 03:54.740 --> 04:01.100 Chúng ta phải sử dụng siêu hàm theo cách này, bên trong chúng ta nhập tác nhân. 04:01.770 --> 04:07.470 Phê bình đó là giai cấp của chúng tôi và sau đó tự đưa ra cho các đối tượng. 04:07.980 --> 04:09.850 Được rồi, chấm. 04:09.960 --> 04:12.900 Và chúng ta lại tiếp tục với init. 04:13.940 --> 04:14.710 Hàm số. 04:14.720 --> 04:15.420 Chúng ta bắt đầu. 04:15.440 --> 04:19.880 Điều đó cung cấp cho chúng tôi tất cả các công cụ mà chúng tôi cần từ ngọn đuốc để xây dựng bộ não của chúng tôi. 04:20.210 --> 04:21.920 Được rồi. 04:21.920 --> 04:24.590 Chà, đã đến lúc làm mắt. 04:24.620 --> 04:26.170 Đó là sự phức tạp. 04:26.180 --> 04:32.120 Vì vậy, chúng tôi sẽ làm điều đó rất nhanh, bởi vì chúng tôi đã giải thích chi tiết điều này cho Doom, bởi vì 04:32.120 --> 04:34.040 hãy nhớ The Eye for Doom có mắt. 04:34.040 --> 04:35.300 Vì vậy, nó hoàn toàn giống nhau. 04:35.300 --> 04:41.360 Chúng tôi sẽ tạo ra một số phức hợp và chúng tôi sẽ sử dụng một kiến trúc rất đơn giản với 32 bộ phát hiện tính 04:41.360 --> 04:45.130 năng có kích thước 3 x 3, một sải chân là hai và một khoảng đệm. 04:45.140 --> 04:50.840 Vì vậy, đó là một kiến trúc khá cổ điển, nhưng điều đó thực sự sẽ đủ để đảm bảo rằng con mắt hiểu 04:50.840 --> 04:53.510 những gì đang xảy ra trong trò chơi đột phá. 04:54.290 --> 04:54.620 Được rồi. 04:54.620 --> 04:56.540 Vì vậy, chúng ta hãy tạo ra những sự phức tạp đó. 04:56.540 --> 05:01.610 Vì vậy, chúng ta bắt đầu với self vì các chập sẽ là các biến của đối tượng. 05:01.610 --> 05:06.680 Vì vậy, chúng ta có thể gọi nó là confit và sẽ có bốn sự phức tạp. 05:06.680 --> 05:15.260 Vì vậy, tôi đang gọi cái này là conf one và chúng ta bắt đầu, chúng ta lấy dấu chấm mô-đun GN và sau đó chúng ta lấy 05:15.290 --> 05:20.630 lớp conf hai d vì thực sự con một sẽ là một đối tượng của lớp này. 05:21.350 --> 05:25.790 Và sau đó bên trong đầu tiên chúng tôi nhập hình dạng đầu vào của các hình ảnh. 05:25.790 --> 05:32.450 Vì vậy, đó chính xác là những gì chúng tôi có ở đây, vì vậy chúng tôi có thể sao chép cái này và nhập nó làm đầu vào đầu tiên. 05:32.810 --> 05:38.450 Sau đó, đối số thứ hai là số lượng bộ phát hiện tính năng hoặc cũng là số lượng hạt nhân. 05:38.450 --> 05:42.590 Vì vậy, chúng tôi sẽ lấy 32, như chúng tôi vừa nói, lựa chọn cổ điển. 05:42.590 --> 05:45.020 Sau đó, chúng ta cần chọn một kích thước của hạt nhân. 05:45.020 --> 05:49.970 Đó là số ô sẽ trượt trên hình ảnh đầu vào. 05:49.970 --> 05:52.700 Và vì vậy, hãy nhớ rằng, chúng ta có thể lấy ba, bốn hoặc năm. 05:52.700 --> 05:54.050 Đó là những lựa chọn phổ biến. 05:54.050 --> 05:55.730 Và ở đây chúng tôi sẽ chọn ba. 05:56.590 --> 06:01.930 Và sau đó chúng ta sẽ chọn một sải chân là hai và. 06:02.640 --> 06:04.740 Một phần đệm của một. 06:05.010 --> 06:05.790 Chúng ta bắt đầu. 06:05.970 --> 06:13.260 Vì vậy, đó là đối với tích chập đầu tiên đi từ hình ảnh đầu vào đến các lớp tích chập đầu 06:13.260 --> 06:16.110 tiên bao gồm 32 hình ảnh phức hợp. 06:16.110 --> 06:18.780 Vì vậy, bây giờ chúng tôi đã sẵn sàng để thực hiện tích chập thứ hai. 06:18.780 --> 06:21.390 Vì vậy, nó thực sự sẽ gần như giống nhau. 06:21.390 --> 06:29.430 Vì vậy, tôi đang sao chép dòng này và dán bên dưới, nhưng dán lại bên dưới và dán lần cuối bởi vì chúng 06:29.430 --> 06:34.140 ta sẽ có bốn vòng chập mà hầu như không có gì thay đổi. 06:34.440 --> 06:42.480 Vì vậy, chúng tôi đã có thể thay thế ở đây, chuyển đổi từng số đếm thành từng số một và chuyển đổi từng số một. 06:42.510 --> 06:44.880 Đó sẽ là bốn sự phức tạp của chúng tôi. 06:44.880 --> 06:49.320 Và bây giờ tất nhiên chúng ta cần thay đổi một số thứ ở đây, nhưng không nhiều vì chúng ta sẽ 06:49.320 --> 06:51.780 giữ một chuỗi hai cho mỗi và một phần đệm của một. 06:52.200 --> 06:54.930 Tất cả chúng sẽ có 32 bộ phát hiện tính năng. 06:54.930 --> 06:58.530 Đó là 32 hình ảnh phức tạp đầu ra. 06:58.530 --> 07:04.020 Nhưng ở đây, hãy nhớ điều này tương ứng với phần bên trái của tích chập. 07:04.020 --> 07:08.520 Vì vậy, thực sự điều đó tương ứng với những gì ở phần bên phải của tích chập trước đó. 07:08.520 --> 07:10.200 Bạn biết đấy, hãy nhớ, nó giống như một quân cờ domino. 07:10.200 --> 07:11.280 Vì vậy, nó thực sự dễ dàng. 07:11.280 --> 07:16.080 Và do đó ở đây chúng ta phải nhập 32 và ở đây nữa. 07:17.070 --> 07:21.870 Chúng ta sẽ thấy rất dễ dàng 32 và 32. 07:22.170 --> 07:22.500 Được rồi. 07:22.500 --> 07:28.680 Vì vậy, tóm lại, chúng tôi bắt đầu với hình ảnh đầu vào của chúng tôi có kích thước đầu vào num. 07:29.190 --> 07:35.520 Với phép chập đầu tiên, chúng tôi nhận được 32 hình ảnh phức hợp, mỗi hình ảnh phát hiện một tính năng cụ thể. 07:35.550 --> 07:43.170 Sau đó từ 32 hình phức hợp này, chúng ta áp dụng phép chập thứ hai để có 32 hình phức hợp mới. 07:43.170 --> 07:46.290 Sau đó, tương tự từ 32 hình ảnh phức tạp mới này. 07:46.290 --> 07:50.880 Chúng tôi áp dụng tích chập thứ ba để nhận lại 32 hình ảnh phức hợp mới. 07:50.880 --> 07:57.060 Và cuối cùng từ 32 hình ảnh phức hợp này, chúng ta áp dụng phép tích chập thứ tư để có được hình ảnh. 07:57.300 --> 07:57.780 Được rồi. 07:57.780 --> 08:01.440 Và điều này sẽ là đủ với điều này hoặc tôi sẽ có một giám sát. 08:01.440 --> 08:02.970 Nó sẽ phát hiện bóng rất tốt. 08:03.510 --> 08:03.870 Được rồi. 08:03.870 --> 08:05.580 Vì vậy, đó là nó cho tích chập. 08:05.580 --> 08:07.130 Vì vậy, đó là nó cho đôi mắt. 08:07.140 --> 08:09.440 Và bây giờ chúng ta hãy quan tâm đến bộ nhớ. 08:09.450 --> 08:14.220 Tính năng mới của bộ não này mà chúng tôi đang triển khai trái ngược với trước đây với giai điệu. 08:14.490 --> 08:20.220 Nó không chỉ có khả năng giám sát mà còn có bộ nhớ siêu dài, bộ nhớ dài, bởi vì 08:20.220 --> 08:26.010 chúng tôi sẽ triển khai bộ nhớ ngắn hạn dài hạn STM, đây là loại mạng nơ-ron thông thường cung cấp 08:26.010 --> 08:32.910 cho mô hình của bạn một số loại một ký ức dài để nó có thể học được một số mối quan hệ lâu dài 08:32.910 --> 08:33.810 trong quá khứ. 08:34.230 --> 08:37.560 Vì vậy, chúng ta sẽ tạo một biến mới. 08:37.560 --> 08:43.440 Vì vậy, tôi đang bắt đầu với self và biến mới này, chúng ta sẽ gọi nó đơn giản là lshtm 08:43.440 --> 08:46.950 vì nó sẽ tương ứng với mạng Lshtm bên trong não. 08:47.040 --> 08:48.360 Vì vậy, Lshtm. 08:48.690 --> 08:55.230 Và bây giờ trước khi chúng ta viết mã cho STM, hãy đảm bảo rằng chúng ta hiểu phần lshtm này của bộ não 08:55.230 --> 08:56.220 sẽ làm gì. 08:56.220 --> 09:03.270 Vì vậy, như chúng ta đã hiểu điều này, lshtm được sử dụng để tìm hiểu các thuộc tính tạm thời của đầu vào của các hình ảnh 09:03.270 --> 09:03.900 đầu vào. 09:03.900 --> 09:09.330 Vì vậy, ví dụ, nếu quả bóng chạm vào một viên gạch, lshtm sẽ mã hóa độ nảy. 09:09.540 --> 09:11.250 Vì vậy, đó là điều đầu tiên cần hiểu. 09:11.250 --> 09:14.790 Nó sẽ mã hóa những gì đang xảy ra trong trò chơi. 09:14.790 --> 09:20.280 Sau đó, điều quan trọng tiếp theo cần hiểu khi chúng ta triển khai LSHTM là chúng ta cần chọn một 09:20.280 --> 09:22.560 thứ tự của các phụ thuộc thời gian. 09:22.680 --> 09:28.590 Và đây, vì chúng ta sẽ cung cấp cho mạng nơ-ron của mình bằng một chuỗi bốn hình ảnh, nên điều đó có nghĩa là 09:28.590 --> 09:32.700 chúng ta đã có thể học một số phụ thuộc theo thời gian của trật tự. 09:32.700 --> 09:39.720 Vì đó là một số phụ thuộc thời gian trong đó những gì xảy ra ở 90 cộng một phụ thuộc vào những gì xảy ra tại thời điểm. 09:39.720 --> 09:42.960 T trừ một, t trừ hai và t trừ ba. 09:42.960 --> 09:45.420 Vì vậy, đó là chúng tôi chắc chắn có thể làm điều đó. 09:45.420 --> 09:51.360 Nhưng tin tốt là chúng ta sẽ sử dụng lshtm và do đó chúng ta sẽ có thể tìm hiểu một số mối quan 09:51.360 --> 09:53.850 hệ thời gian thậm chí còn phức tạp hơn. 09:54.270 --> 09:59.160 Đó là, ví dụ, chúng ta có thể tìm hiểu một số tính chất thời gian trong đó những gì xảy ra tại thời điểm t cộng với một sẽ phụ thuộc 09:59.160 --> 10:00.690 vào những gì xảy ra tại thời điểm đó. 10:00.690 --> 10:05.520 T trừ một, t trừ hai t trừ ba xuống t, trừ n. 10:05.700 --> 10:10.380 Và đó là phần dài trong trí nhớ lshtm, dài hạn và ngắn hạn. 10:10.380 --> 10:14.610 Với nhóm Lshtm này, chúng ta có thể tìm hiểu một số mối quan hệ thời gian rất phức tạp. 10:15.360 --> 10:17.580 Được rồi, hãy thêm danh sách của chúng tôi. 10:17.970 --> 10:25.200 Vì vậy, để làm điều này, chúng ta sẽ sử dụng mô-đun RN và sau đó chúng ta sẽ thêm ô Class Lshtm, 10:25.320 --> 10:31.290 ô này sẽ tạo đối tượng Lshtm này, nó sẽ đại diện cho phần Lshtm của mạng mới. 10:31.290 --> 10:37.130 Bởi vì ngay bây giờ điều quan trọng cần hiểu là chúng tôi đang tạo ra C, R và n, bạn 10:37.170 --> 10:39.480 biết đấy, một mạng nơ-ron tích tụ. 10:39.480 --> 10:42.780 Và phần Arden đến sau phần CNN. 10:42.780 --> 10:49.710 Và do đó, ngay bây giờ, những gì chúng ta cần nhập vào ô Lshtm này trước tiên là kích thước của đầu ra 10:49.710 --> 10:51.150 sau phép tích chập. 10:51.150 --> 10:55.980 Vì vậy, đó là 32 lần, ba lần ba. 10:55.980 --> 11:02.610 Vì vậy, 32 lần ba lần ba thực sự là kết quả đầu ra sau bốn lần chập ở đây. 11:02.610 --> 11:07.500 Nhưng điều đó trở thành đầu vào của mạng R và mạng Lshtm. 11:07.590 --> 11:13.620 Và bây giờ tại sao đầu ra của bốn chập lại có kích thước gấp 32 lần, gấp ba lần ba? 11:13.620 --> 11:15.900 Đừng lo lắng, nó không trực tiếp như vậy. 11:15.900 --> 11:17.790 Nó thực sự không phải là một công thức đơn giản. 11:17.790 --> 11:24.270 Nhưng có một công thức để tính số lượng tế bào thần kinh đầu ra này sau khi làm phẳng các hình ảnh tổng 11:24.270 --> 11:26.460 hợp và phức hợp của các chập. 11:26.460 --> 11:31.920 Nhưng nếu chúng ta thu thập các điều khoản của công thức lớn này, thì, chúng ta sẽ có 32 lần, ba lần ba. 11:31.950 --> 11:36.000 Tôi không muốn mất quá nhiều thời gian cho việc này vì chúng tôi còn nhiều việc phải làm. 11:36.000 --> 11:39.330 Và bên cạnh đó, chúng tôi đã tạo một hàm để tính toán con số này. 11:39.330 --> 11:42.360 Hãy nhớ rằng đó là cho Zoom khi chúng tôi thực hiện số lượng này. 11:42.360 --> 11:46.710 Tế bào thần kinh hoạt động nên bạn có thể sử dụng lại nó nếu muốn, nếu bạn không bị thuyết phục. 11:46.710 --> 11:52.500 Nhưng đó chỉ là những gì chúng ta nhận được sau khi thu thập các thuật ngữ của máy tính công thức lớn này, số lượng kết 11:52.500 --> 11:53.250 quả đầu ra. 11:53.250 --> 11:55.530 Vì vậy, đó là đối số đầu tiên. 11:55.530 --> 12:00.930 Và sau đó đối số thứ hai sẽ là số lượng nơ-ron đầu ra của lshtm 12:00.930 --> 12:03.570 và chúng ta sẽ đi đến 256. 12:04.510 --> 12:04.890 Được chứ. 12:05.050 --> 12:06.920 Và vì vậy điều đó có nghĩa là gì bây giờ? 12:06.940 --> 12:14.410 Điều đó có nghĩa là bây giờ chúng ta có một vector mã hóa từng sự kiện của trò chơi, hay nói cách khác, chúng ta có một trạng 12:14.410 --> 12:15.640 thái được mã hóa. 12:15.640 --> 12:21.430 Và đó là bây giờ chúng ta có thể tạo ra sự tách biệt giữa diễn viên và nhà phê bình, bởi vì, bạn biết 12:21.430 --> 12:26.500 đấy, chúng ta sẽ thực sự tạo ra hai mạng nơ-ron riêng biệt, một cho diễn viên và một cho nhà 12:26.500 --> 12:27.070 phê bình. 12:27.070 --> 12:33.130 Nhưng sẽ có cùng một mã hóa hình ảnh và các mối quan hệ thời gian cho hai mạng nơ-ron 12:33.130 --> 12:33.760 này. 12:33.760 --> 12:37.660 Vì vậy, đây là phần chung mà chúng tôi làm cho hai mạng nơ-ron này. 12:37.660 --> 12:41.260 Đây sẽ là khởi đầu giống nhau cho hai mạng nơ-ron. 12:41.260 --> 12:46.120 Nhưng bây giờ mọi thứ sẽ thay đổi đối với diễn viên và nhà phê bình bởi vì chúng tôi sẽ 12:46.120 --> 12:51.820 tạo ra một kết nối tuyến tính, đầy đủ cho diễn viên và một kết nối tuyến tính, đầy đủ khác cho nhà phê bình. 12:52.000 --> 12:56.160 Vì vậy, chúng ta hãy giải lao nhanh và hãy làm điều đó trong hướng dẫn tiếp theo. 12:56.170 --> 12:57.400 Cho đến lúc đó, hãy tận hưởng. 12:57.400 --> 12:57.880 TÔI.