WEBVTT 00:00.180 --> 00:02.220 أهلا ومرحبا بكم في هذا البرنامج التعليمي. 00:02.250 --> 00:08.910 حسنًا ، بعد أن صنعنا هذه التلافيفات الأربعة و lshtm ، لدينا الآن حالة مشفرة ستكون مدخلات 00:08.910 --> 00:14.310 هاتين الشبكتين العصبيتين اللتين سنقوم بهما للممثل والناقد. 00:14.490 --> 00:20.550 وبالحديث عنهم ، الشيء الوحيد الذي يتعين علينا القيام به الآن هو مجرد إنشاء رابطتين خطيتين كاملتين 00:20.550 --> 00:22.770 ، واحدة للممثل وواحدة للناقد. 00:22.980 --> 00:27.120 لكن قبل أن نفعل ذلك ، نحتاج إلى الحصول على عدد الإجراءات الممكنة. 00:27.120 --> 00:32.310 ولذا سأقوم باستدعاء متغير جديد هنا لن يكون متغيرًا للكائن. 00:32.310 --> 00:38.790 لذلك لن أستخدم الذات هنا ، لكنني سأقوم بإنشاء عدد المخرجات المتغيرة التي ستمثل عدد الإجراءات 00:38.790 --> 00:44.100 الممكنة والحصول عليها حيث يمكننا الحصول عليها من مساحة العمل. 00:44.310 --> 00:46.800 لذلك نأخذ مساحة العمل الخاصة بنا. 00:47.600 --> 00:54.020 والتي ستكون مدخلات وظيفة init عندما نقوم بإنشاء الكائن ثم نضيف النقطة n للحصول على 00:54.020 --> 01:01.010 هذا العدد من الإجراءات الممكنة والآن سيأخذ الممثل والناقد نفس المدخلات بشكل منفصل. 01:01.010 --> 01:06.230 هذا هو ناتج هذه العملية برمتها هنا مع التلافيف و LCM. 01:06.230 --> 01:12.860 لذلك سوف يأخذ نفس المدخلات ، وهي حالة مشفرة ، ولكن بعد ذلك سيكون لديهم وصلتان خطيتان مختلفتان 01:12.860 --> 01:18.800 للطعام حتى نحصل في النهاية على شبكتين عصبيتين ، واحدة للممثل والأخرى للاكريليك. 01:18.800 --> 01:20.870 لذلك دعونا نصنع هاتين الشبكتين العصبيتين المنفصلتين. 01:20.870 --> 01:27.020 ولكن نظرًا لأننا قمنا بالفعل بالمهمة الكبيرة مع الترميز هنا ، حسنًا ، ما نحتاج إليه 01:27.020 --> 01:32.630 ببساطة هو إنشاء كائنين ، أحدهما خطي ، اتصال كامل للممثل والآخر اتصال خطي كامل 01:32.630 --> 01:33.440 للناقد. 01:33.440 --> 01:35.240 وهذا بالضبط ما سأفعله. 01:35.240 --> 01:42.080 سأقوم بإنشاء كائنين الآن ، الكائن الأول لوصلة الطعام الخطية للناقد ، والتي 01:42.080 --> 01:46.040 سأسميها الشرطة السفلية للناقد خطية. 01:46.310 --> 01:50.210 ولإنشاء هذا الاتصال الخطي بالطعام ، حسنًا ، أنت تعرف كيفية القيام بذلك. 01:50.210 --> 01:56.090 نحتاج ببساطة إلى أخذ وحدة RN ثم الفئة الخطية التي يتعين علينا الإدخال 01:56.090 --> 02:02.210 إليها ، حيث الخلايا العصبية المدخلة ، وهي مخرجات كل هذا الترميز هنا مع التلافيف 02:02.210 --> 02:04.940 و LCM ، أي 256 خلية عصبية. 02:04.940 --> 02:13.430 إذن ، أدخل 256 هنا ثم سنحصل على مخرج واحد لأن نتذكر أن ناتج الشبكة العصبية للناقد هو قيمة الدالة 02:13.430 --> 02:19.220 V المطبقة على حالة الإدخال ، على حالة الإدخال المشفرة التي صنعناها 02:19.220 --> 02:20.810 هنا. 02:20.930 --> 02:25.850 لذلك إذا أطلقنا على حالة الإدخال se ، فهذا هو ناتج كل هذا. 02:25.850 --> 02:32.660 حسنًا ، سيكون ناتج الشبكة العصبية للناقد هو s وبالتالي يكون لها بعد واحد ، إنها 02:32.660 --> 02:33.620 مجرد قيمة. 02:33.620 --> 02:36.020 وهنا نقوم بإدخال واحد. 02:36.260 --> 02:42.950 وتذكر أن VSE هو ما يتم مشاركته بين الجهات الفاعلة حتى يتمكنوا من الحصول على بعض المعلومات الشائعة التي 02:42.950 --> 02:46.340 يمكنهم استخدامها للعب عملهم بطريقة أكثر صلة. 02:47.180 --> 02:50.330 هذا من أجل الشبكة العصبية للناقد. 02:50.330 --> 02:58.970 والآن ، دعونا نجعل الشبكة الجديدة للممثل ، وبالتالي أقوم بإضافة الذات ، والممثل النقطي ، والخطي ونفس 02:59.510 --> 03:00.500 الشيء. 03:00.500 --> 03:05.720 لدينا بالفعل حالة ترميز المدخلات ، لذا نحتاج الآن ببساطة إلى إضافة اتصال خطي كامل 03:05.720 --> 03:11.150 ، وبالتالي نقول إننا نأخذ الوحدة النمطية RN ، ثم الفئة الخطية والآن نفس الشيء. 03:11.150 --> 03:17.390 ستأخذ هذه الشبكة العصبية للممثل الحالة المشفرة التي يبلغ حجمها 256. 03:17.390 --> 03:19.820 لذا 256 هنا. 03:19.820 --> 03:25.940 ولكن بعد ذلك سيكون الناتج مختلفًا لأنك بالطبع تعرف أنه ناتج الشبكة العصبية 03:25.940 --> 03:32.240 للممثل هو قيم Q ، وقيم Q لحالة الإدخال ، والقيم التي قمنا بتشفيرها هنا ولوحة 03:32.240 --> 03:33.560 الإجراء. 03:33.560 --> 03:40.640 لذا مرة أخرى ، إذا أطلقنا على هذه الحالة المشفرة ، فقد نسمع SW وكان الإجراء الذي يتم تشغيله ناتجًا عن هذه 03:40.640 --> 03:44.150 الشبكة العصبية الخطية النشطة سيكون اختبار Q. 03:44.660 --> 03:49.910 وبما أنك تعلم ، لدينا قيمة واحدة لكل إجراء ، وبالتالي ليس لدينا أي ناتج. 03:49.940 --> 03:53.870 قيم Q وبالتالي فإن الناتج هنا لن يكون بلا شيء. 03:54.710 --> 03:59.090 المخرجات لأنه لا توجد مخرجات هي في الواقع عدد قيم Q. 03:59.690 --> 04:00.850 حسنًا ، رائع. 04:00.860 --> 04:03.920 لذا إذا أردت ، يمكنني أن أكتب لك. 04:03.920 --> 04:16.760 الإخراج هنا للناقد هو s حيث s هي الحالة المشفرة وبالنسبة للممثل يكون الإخراج Q كـ 04:16.790 --> 04:17.210 a. 04:17.960 --> 04:18.290 حسنا. 04:18.290 --> 04:23.780 لذلك من المهم جدًا فهم هذا التمييز هنا وفهم أنه لدينا بالتالي شبكتان عصبيتان 04:23.780 --> 04:27.320 منفصلتان ، واحدة للناقد والأخرى للممثل. 04:28.200 --> 04:29.220 حسنًا ، رائع. 04:29.220 --> 04:31.900 لذلك نحن على وشك الانتهاء من هذه الوظيفة. 04:31.920 --> 04:33.890 الآن تم إنجاز أهم شيء. 04:33.900 --> 04:39.510 الشيء الوحيد المتبقي الذي يتعين علينا القيام به هو تهيئة جميع أوزان هاتين الشبكتين العصبيتين 04:39.510 --> 04:40.710 وجميع التحيزات. 04:40.710 --> 04:45.240 وبالطبع ، للقيام بذلك ، سنستخدم الوظيفتين اللتين قمنا بإنشائهما سابقًا ، وهما 04:45.240 --> 04:48.030 تهيئة الأعمدة المقيسة والأوزان الموجودة فيها. 04:48.270 --> 04:49.680 لذلك دعونا نفعل ذلك بسرعة. 04:49.680 --> 04:51.780 ستكون سهلة وسريعة جدًا. 04:51.930 --> 04:56.550 لذلك سنقوم أولاً بتهيئة بعض الأوزان العشوائية ولفعل ذلك ، سنقوم بتطبيق دالة 04:56.550 --> 04:58.170 بدء الأوزان على الجسم. 04:58.170 --> 05:06.120 لذلك علينا هنا أن نأخذ الذات للحصول على الكائن الخاص بنا ، وقمنا بتطبيق دالة الترجيح للأوزان على الكائن. 05:06.300 --> 05:13.140 لذلك نحتاج فقط في الداخل إلى إدخال دالة الترجيح للأوزان وهناك نبدأ. 05:13.140 --> 05:15.690 سيؤدي ذلك إلى تطبيق هذه الوظيفة على كائننا. 05:15.690 --> 05:21.090 ومن خلال القيام بذلك ، نقوم فقط بتهيئة بعض الأوزان العشوائية للحصول على التعلم الأمثل في المستقبل لهذه 05:21.090 --> 05:21.720 الأوزان. 05:21.720 --> 05:27.420 والآن ما يتعين علينا القيام به هو إجراء تطبيع خاص للممثل والناقد. 05:27.420 --> 05:33.060 لكن تذكر ، أعتقد أنني قلت هذا في الدروس السابقة ، لن نضع نفس التباين 05:33.060 --> 05:35.040 للممثل في الناقد. 05:35.160 --> 05:40.350 سيحصل الممثل على انحراف معياري صغير ، وتباين بسيط ، وسيحصل الناقد على انحراف كبير. 05:40.680 --> 05:41.730 ولماذا نفعل هذا؟ 05:41.730 --> 05:47.520 ما الغرض من إعطاء انحراف معياري صغير لأوزان الممثل والانحراف المعياري الكبير 05:47.520 --> 05:49.260 لأوزان الناقد؟ 05:49.260 --> 05:53.640 حسنًا ، هذا يسمح بإدارة استكشاف الصفقات مقابل الاستغلال. 05:53.640 --> 05:55.740 هذا هو بالضبط الغرض من القيام بذلك. 05:55.740 --> 06:01.680 من خلال إعطاء تباين بسيط للممثل وتباين كبير للنقد ، سيكون لدينا إدارة جيدة 06:01.680 --> 06:04.110 للاستكشاف مقابل الاستغلال. 06:04.410 --> 06:05.550 لذلك دعونا نفعل هذا. 06:05.580 --> 06:09.960 دعنا أولاً نعتني بالممثل حتى نأخذ الذات أو الشيء. 06:09.960 --> 06:14.730 ثم سنأخذ الشبكة العصبية لممثلنا ، وهو ممثل خطي. 06:14.880 --> 06:20.280 ثم سنصل إلى أوزان هذه الشبكة العصبية للممثل ، ونتذكر الوصول إلى بيانات 06:20.280 --> 06:21.300 الأوزان. 06:21.300 --> 06:22.860 نحن بحاجة إلى إضافة تلك البيانات. 06:23.250 --> 06:24.060 حسنا. 06:24.060 --> 06:30.390 وبهذا نحصل على الأوزان والآن سنستخدم الأعمدة المعيارية للوظيفة في التهيئة. 06:31.200 --> 06:33.870 لذلك أقوم بنسخ هذا بناءً على ذلك هنا. 06:34.080 --> 06:38.760 وسنقوم بإدخال الانحراف المعياري الذي نريده لهذه الأوزان كوسيطة. 06:38.970 --> 06:41.940 لكن أولاً ، تذكر أن هذه الوظيفة تأخذ حجتين. 06:41.940 --> 06:44.970 أولاً هي الأوزان التي نريد تهيئتها. 06:44.970 --> 06:49.650 لذلك نحن ببساطة بحاجة إلى أخذ ذلك مرة أخرى ولصقه هنا. 06:49.650 --> 06:54.390 والحجة الثانية هي الانحراف المعياري الذي نريد أن يكون لهذه الأوزان. 06:54.390 --> 07:02.730 لذا كما قلنا ، نريد انحرافًا معياريًا صغيرًا للممثل وانحرافًا صغيرًا سيكون 0. 01 ممتاز. 07:02.730 --> 07:05.640 هذا لأوزان الشبكة العصبية للممثل. 07:05.640 --> 07:09.450 الآن دعنا نعتني بتحيز الشبكة العصبية للممثل. 07:09.600 --> 07:11.970 وبالتالي ، سنفعل نفس الشيء تقريبًا. 07:11.970 --> 07:20.070 سنقوم بنسخ هذا على أساس أدناه ، واستبدال الوزن بالتحيز لتقييم التحيز. 07:20.070 --> 07:28.740 وبعد البيانات ، سنضيف ببساطة هذا التعبئة ونتذكر داخل الإدخال صفر لأننا نريد تهيئة 07:28.740 --> 07:30.930 كل التحيز بصفر. 07:31.260 --> 07:37.800 لذا في الواقع لا أعتقد أن هذا الخط ضروري لأنه كما تتذكر ، تم تهيئة الانحياز بالفعل إلى الصفر باستخدام 07:37.800 --> 07:41.340 وظيفة التعبئة هذه في دالة الترجيح الأولية. 07:41.340 --> 07:47.970 لذا كما تعلمون ، نحن نفعل هذا فقط للتأكد من أن التحيز قد تمت تهيئته بالفعل إلى الصفر ، لكنني أعتقد 07:47.970 --> 07:49.440 أنه تم بالفعل هنا. 07:49.440 --> 07:52.530 لكن على أي حال ، نحن الآن واثقون بنسبة 100٪. 07:52.860 --> 07:53.280 حسنا. 07:53.280 --> 07:55.920 والآن سنفعل الشيء نفسه للناقد. 07:55.920 --> 07:58.980 لنكن فعالين ودعنا ننسخ هذين السطرين. 08:00.030 --> 08:02.430 دعنا نلصقها هنا وهنا. 08:02.430 --> 08:06.540 سنقوم فقط باستبدال الممثل بالناقد. 08:07.050 --> 08:08.850 نفس الشيء هنا والآن. 08:08.850 --> 08:12.300 الشيء الوحيد الذي يتعين علينا تغييره هو الانحراف المعياري فقط. 08:12.300 --> 08:15.690 نريد أوزان الشبكة الجديدة للناقد. 08:15.690 --> 08:23.430 وكما تتذكر ، نريد هذه المرة انحرافًا معياريًا كبيرًا وبدلاً من. 01 ، سنقوم بإدخال واحد. 08:23.580 --> 08:24.360 لذا ها نحن ذا. 08:24.360 --> 08:30.300 لدينا انحراف معياري صغير لأوزان الشبكة الجديدة للممثل وانحراف معياري كبير 08:30.300 --> 08:33.120 لأوزان الشبكة العصبية للناقد. 08:33.150 --> 08:37.320 وبالطبع ، دعونا لا ننسى استبدال الممثل هنا بالإبداع. 08:37.830 --> 08:38.190 حسنا. 08:38.190 --> 08:39.030 والآن نحن بخير. 08:39.630 --> 08:40.320 رائع. 08:40.320 --> 08:42.330 والآن لدينا شيئان متبقيان لنفعلهما. 08:42.330 --> 08:45.750 الأول هو تهيئة أيضًا تحيز STM. 08:45.750 --> 08:50.610 وللقيام بذلك ، نأخذ ذاتنا في الكائن لأن المضاعف المشترك الأصغر ينتمي إلى الكائن. 08:50.610 --> 08:57.120 ثم نأخذ STM الخاص بنا ، ثم DOT ، ثم سنحصل على نوعي التحيز الموجود في 08:57.180 --> 08:57.930 STM. 08:57.930 --> 09:04.430 هذا هو تسطير تحيز i h والآخر هو تسطير تحيز h h. 09:04.440 --> 09:09.810 هذا هو نوعا التحيز في المضاعف المشترك الأصغر ونفسهما سيتم تهيئتهما إلى الصفر. 09:09.810 --> 09:19.620 لذلك نصل أولاً إلى البيانات ثم نستخدم وظيفة تسطير التعبئة لملء كل هذا التحيز بالأصفار. 09:19.620 --> 09:21.180 قم بتهيئتها بالأصفار. 09:21.780 --> 09:22.200 حسنا. 09:22.200 --> 09:27.150 والآن بالنسبة للمجموعة الثانية من التحيز ، نضيف هنا. 09:27.700 --> 09:30.880 نفس البتة عوضنا عن i h بـ h h. 09:31.390 --> 09:35.770 حسنًا ، هذا يهيئ تحيز فريق LSB بالأصفار. 09:36.190 --> 09:41.950 والآن آخر شيء علينا القيام به هو استخدام طريقة موروثة من وحدة NAT ، وهي طريقة 09:41.950 --> 09:43.000 القطار. 09:43.000 --> 09:47.290 وهي في الأساس مجرد طريقة تضع الوحدة في وضع القطار. 09:47.290 --> 09:48.670 إذن ما الفائدة منه؟ 09:48.670 --> 09:55.390 حسنًا ، الاستخدام هو أنه يسمح بالتنشيط إذا كان هناك أي تسرب وتطبيع الدُفعات. 09:55.390 --> 10:03.010 ومن أجل استخدامه ، نقوم فقط بإضافة قطار نقطي ذاتي وهذا يضع الوحدة في وضع القطار بشكل مثالي. 10:03.010 --> 10:05.440 لقد انتهينا من وظيفة init. 10:05.440 --> 10:10.960 لدينا تلافيفاتنا ، ولدينا lshtm ، ولدينا شبكتان عصبيتان منفصلتان 10:10.960 --> 10:15.340 للناقد والممثل وجميع الأوزان والتحيز مهيأة جيدًا. 10:15.340 --> 10:16.630 كل هذا جيد. 10:16.630 --> 10:21.490 نحن على استعداد للانتقال إلى الخطوة التالية ، وهي جعل الوظيفة الأمامية التي ستنشر 10:21.490 --> 10:26.830 بالطبع إلى الأمام الإشارة من البداية مع صور الإدخال الأصلية في جميع أنحاء الدماغ حتى 10:26.830 --> 10:28.450 نحصل على المخرجات. 10:28.780 --> 10:30.670 لذلك دعونا نفعل ذلك في البرنامج التعليمي التالي. 10:30.670 --> 10:32.410 وحتى ذلك الحين ، استمتع بـ i.