WEBVTT 00:00.330 --> 00:02.320 Hallo und herzlich willkommen zur Geschichte. 00:02.460 --> 00:09.240 Nun gut, nachdem wir diese vier Windungen und das LCN gemacht haben, haben wir nun einen verschlüsselten Zustand, der die Eingabe 00:09.240 --> 00:14.500 dieser beiden neuronalen Netzwerke sein wird, die wir für den Schauspieler und den Kritiker machen werden. 00:14.790 --> 00:20.730 Und davon zu reden, das einzige, was wir jetzt tun müssen, ist die Erstellung von Werkzeugen in unseren vollständigen Verbindungen. 00:20.730 --> 00:22.880 Einer für den Schauspieler und einer für den Kritiker. 00:23.190 --> 00:27.260 Aber bevor wir das tun, müssen wir die Anzahl der möglichen Aktionen ermitteln. 00:27.290 --> 00:32.520 Ich werde Sie hier Variable nennen, die keine Variable des Objekts sein wird. 00:32.520 --> 00:38.970 Also werde ich hier nicht selbst verwenden, aber ich werde brauchbare Nicht-Ausgaben erstellen, die eine Reihe 00:38.970 --> 00:41.610 möglicher Aktionen darstellen und diese erhalten. 00:41.760 --> 00:44.520 Nun, wir können es aus dem Aktionsraum bekommen. 00:44.520 --> 00:51.330 Wir nehmen also unseren Aktionsraum, der die Eingabe der Funktion ist, wenn wir das Objekt erstellen. 00:51.510 --> 00:56.300 Und dann fügen wir das hinzu und erhalten so viele mögliche Aktionen. 00:56.580 --> 01:03.180 Und jetzt werden der Schauspieler und der Kritiker die gleiche Eingabe nehmen, die hier mit 01:03.180 --> 01:06.290 den Faltungen und GLSEN ausgegeben wird. 01:06.500 --> 01:12.900 Es wird also dieselbe Eingabe benötigt, die ein verschlüsselter Zustand ist, aber dann haben sie zwei unterschiedliche lineare Verbindungen, so 01:13.110 --> 01:19.000 dass wir schließlich tatsächlich zwei neuronale Netzwerke erhalten, eines für die zwei und eines für einen Kritiker. 01:19.020 --> 01:21.030 Also machen wir diese zwei getrennten neuronalen Netzwerke. 01:21.060 --> 01:27.360 Aber da wir mit der Kodierung hier bereits den großen Job gemacht haben, müssen wir einfach 01:27.360 --> 01:33.640 zwei Objekte erstellen, eines für den Schauspieler und eine weitere lineare Verbindung für den Kritiker. 01:33.660 --> 01:35.430 Und genau das werde ich tun. 01:35.490 --> 01:42.560 Ich werde jetzt zwei Objekte erstellen, ein erstes Objekt für die lineare Verbindung des Kritikers, das 01:42.570 --> 01:49.210 ich Kritiker nennen werde und die Partitur Linnie sind, und diese lineare Verbindung herzustellen. 01:49.380 --> 01:55.020 Sie wissen, wie es geht, wir müssen nur das Motormodul und dann die lineare Klasse nehmen, auf die wir zwei 01:55.020 --> 01:55.800 Eingänge haben. 01:55.880 --> 02:01.800 Nun, die Eingabe-Neuronen, die die Ausgaben von all dem sind, einschließlich hier mit den Windungen 02:01.910 --> 02:05.190 und dem GM, der 256 Neuronen ist. 02:05.190 --> 02:12.120 Wenn ich also zweihundertsechsundfünfzig sechs hier setze, werden wir eine Ausgabe haben, weil die Ausgabe des neuronalen Netzwerks 02:12.210 --> 02:17.940 für den Kritiker der Wert der Funktion ist, die auf den Eingabezustand angewendet wird, 02:18.080 --> 02:20.960 und auf die eingegebenen kodierten Zustände Hier. 02:21.180 --> 02:28.680 Wenn wir also den Eingabezustand s nennen, der die Ausgabe von all dies ist, wird die Ausgabe des neuronalen Netzwerks 02:28.680 --> 02:32.530 des Kritikers VS sein und hat daher eine Dimension. 02:32.550 --> 02:33.710 Es ist nur ein Wert. 02:33.870 --> 02:36.320 Und hier haben wir eine. 02:36.510 --> 02:43.020 Denken Sie daran, dies ist das, was die Schauspieler teilen, damit sie einige allgemeine Informationen erhalten, 02:43.020 --> 02:46.590 mit denen sie ihre Aktion relevanter spielen können. 02:46.980 --> 02:50.430 OK, also für das neuronale Netzwerk des Kritikers. 02:50.580 --> 02:59.820 Und jetzt machen wir das neue Netzwerk des Schauspielers und deshalb bin ich hier ein selbstlernender Schauspieler, und 02:59.850 --> 03:02.830 die Eingaben sind bereits verschlüsselt. 03:02.850 --> 03:08.430 Also müssen wir jetzt einfach eine lineare Verbindung hinzufügen und sagen, dass wir in 03:08.430 --> 03:15.870 einem Modul die lineare Klasse nehmen und jetzt sagen, dass dieses neue Netzwerk des Schauspielers den verschlüsselten Zustand annehmen 03:15.870 --> 03:19.840 wird, der hier die Größe 256 hat, also 256. 03:20.070 --> 03:26.010 Die Ausgabe wird jedoch anders sein, da Sie natürlich wissen, dass die Ausgabe des neuronalen 03:26.010 --> 03:30.790 Netzwerks für den Aktor andere Schlüssel die Schlüsselwerte der Eingangszustände umfasst. 03:30.860 --> 03:33.620 Die, die wir hören konnten und die Aktionsplatte. 03:33.810 --> 03:40.980 Wenn wir also diesen verschlüsselten Zustand nennen, den wir hier als Aktion meinen, ist die Ausgabe 03:40.980 --> 03:44.480 dieses neuronalen Netzwerks tatsächlich q als a. 03:44.880 --> 03:50.010 Und da Sie wissen, dass wir für jede Aktion einen enormen Wert haben, haben wir keine Ausgaben. 03:50.010 --> 03:57.680 Q-Werte und daher die Ausgabe hier wird keine Ausgaben sein, da keine Ausgabe tatsächlich die Anzahl 03:57.680 --> 03:59.380 der Menschen ist. 03:59.840 --> 04:01.100 Okay, perfekt. 04:01.130 --> 04:05.360 Also wenn du willst kann ich hier für dich schreiben. 04:05.390 --> 04:18.410 Der Kritiker ist sowohl der verschlüsselte als auch der kodierte Zustand und für den Schauspieler ist die Ausgabe süß wie in Ordnung. 04:18.410 --> 04:23.750 Deshalb ist es sehr wichtig, diese Unterscheidung hier zu verstehen und zu verstehen, dass wir daher 04:23.900 --> 04:25.370 zwei separate Nachrichtennetzwerke haben. 04:25.370 --> 04:29.370 Eine für den Kritiker und eine für den Schauspieler. Okay, perfekt. 04:29.380 --> 04:32.080 Damit sind wir fast fertig mit dieser Funktion. 04:32.170 --> 04:33.920 Jetzt ist das Wichtigste getan. 04:34.030 --> 04:39.370 Das einzige, was wir noch tun müssen, ist, alle Gewichte dieser beiden neuronalen Netzwerke und alle 04:39.790 --> 04:40.830 Vorurteile zu initialisieren. 04:40.860 --> 04:45.800 Um dies zu tun, werden wir natürlich die zwei Funktionen verwenden, die wir zuvor gemacht haben, nämlich 04:45.900 --> 04:48.480 die Initialisierung von Spalten und die Gewichtungen darin. 04:48.490 --> 04:49.720 Also lass uns das schnell machen. 04:49.870 --> 04:52.180 Es wird ziemlich einfach und schnell sein. 04:52.180 --> 04:56.590 Zuerst initialisieren wir einige zufällige Gewichtungen und wenden dazu die Gewichtungen in ihrer 04:56.590 --> 04:58.420 Funktion auf unser Objekt an. 04:58.420 --> 05:03.150 Hier müssen wir uns also selbst nehmen, um unser Objekt zu bekommen und zu protestieren. 05:03.160 --> 05:06.440 Wir wenden das Gewicht in seiner Funktion an. 05:06.620 --> 05:14.200 Deshalb müssen wir im Inneren nur die Gewichtungen in diese Funktion einfügen und dann bekommen wir diese Funktion 05:14.200 --> 05:20.080 auf unser Objekt. Dadurch initialisieren wir einige zufällige Gewichtungen, um ein zukünftiges optimales Lernen 05:20.140 --> 05:21.930 dieser Gewichtungen zu erhalten. 05:22.000 --> 05:27.460 Jetzt müssen wir für den Schauspieler und den Kritiker eine besondere Normalisierung vornehmen. 05:27.670 --> 05:33.700 Aber denk dran, ich glaube, ich habe dies in den vorherigen Tutorials gesagt. Wir 05:33.780 --> 05:38.890 werden nicht die gleiche Abweichung für das X in Acryl-Yakked einstellen. 05:38.890 --> 05:40.840 Und die Kritiker werden eine große bekommen. 05:40.840 --> 05:41.800 Und warum machen wir das? 05:41.800 --> 05:47.560 Was ist der Zweck, eine kleine Standardabweichung der Gewichte für den Schauspieler und die große Standardabweichung des 05:47.560 --> 05:49.320 Wegs für den Kritiker anzugeben. 05:49.510 --> 05:53.830 Nun, das erlaubt es, Exploration gegen Ausbeutung zu handhaben. 05:53.830 --> 05:58.620 Das ist genau der Zweck, dies zu tun, indem dem Schauspieler in einem größeren Publikum eine kleine Abweichung zur 05:58.630 --> 05:59.460 Kritik gegeben wird. 05:59.490 --> 06:04.510 Wir haben ein gutes Management zwischen Exploration und Ausbeutung. 06:04.600 --> 06:07.510 Also lass uns das tun, lass uns zuerst auf den Schauspieler aufpassen. 06:07.510 --> 06:14.170 Also nehmen wir uns selbst oder widersprechen uns, dann nehmen wir das neuronale Netzwerk unseres Schauspielers, das Schauspieler Linnea ist. 06:14.270 --> 06:20.350 Dann werden wir auf die Gewichtungen dieses neuen Netzwerks des Schauspielers zugreifen und uns daran erinnern, auf die Daten 06:20.350 --> 06:23.360 der Gewichtungen zuzugreifen, die wir brauchen diese Daten. 06:23.410 --> 06:24.280 Gut. 06:24.280 --> 06:31.000 Damit erhalten wir die Gewichte und nun verwenden wir den Initialisierer für den normalisierten Kamm. 06:31.390 --> 06:36.520 Also kopiere ich dieses Einfügen hier und wir werden ein Argument eingeben. 06:36.520 --> 06:38.810 Die Standardabweichung, die diese Gewichte haben sollen. 06:39.160 --> 06:42.130 Denken Sie jedoch zuerst daran, dass diese Funktion zwei Argumente benötigt. 06:42.200 --> 06:45.280 Zuerst den Weg, den wir initialisieren wollen. 06:45.280 --> 06:49.750 Also müssen wir das einfach noch einmal nehmen und hier begründen. 06:49.870 --> 06:53.010 Und das zweite Argument ist die Standardabweichung. 06:53.170 --> 06:54.420 Wir wollen diese Gewichte haben. 06:54.580 --> 07:02.880 Wie gesagt, wir wollen eine kleine Standardabweichung des Schauspielers in einem kleinen, es wird 0 sein. 01 perfekt. 07:02.890 --> 07:05.880 Hier sind also die Gewichte des neuronalen Netzwerks des Schauspielers. 07:05.900 --> 07:09.610 Nun kümmern wir uns um die Neigung der neuen Arbeit des Schauspielers. 07:09.850 --> 07:15.460 Und deshalb machen wir hier fast dasselbe, wie wir diese Paste kopieren wollen. 07:15.520 --> 07:26.470 Ersetzen Sie das Gewicht von Käufern, um auf die Käufer zuzugreifen. Nach den Daten fügen wir einfach Fülldaten hinzu, und merken Sie sich, wenn Sie 07:26.560 --> 07:31.170 Null setzen, da alle Geräte mit Null initialisiert werden sollen. 07:31.510 --> 07:37.840 Ich glaube also nicht, dass diese Zeile notwendig ist, da, wie Sie sich erinnern, die Käufer bereits mit 07:37.840 --> 07:41.400 dieser Füllfunktion in der Wait-Funktion auf Null gesetzt werden. 07:41.620 --> 07:47.560 Sie wissen also, dass wir dies tun, um sicherzustellen, dass die Käufer tatsächlich auf Null gesetzt werden. 07:47.560 --> 07:49.490 Aber ich denke es ist hier schon gemacht. 07:49.690 --> 07:52.720 Aber jetzt sind wir zu 100 Prozent sicher. 07:53.050 --> 07:55.990 In Ordnung, jetzt machen wir dasselbe für den Kritiker. 07:56.050 --> 07:59.660 Also lasst uns effizient sein und diese beiden Zeilen abdecken. 08:00.220 --> 08:07.180 Lassen Sie uns ihnen hier gegenüberstehen und hier werden wir den Schauspieler nur durch Kritiker ersetzen. 08:07.180 --> 08:08.400 Hier gilt das gleiche. 08:08.540 --> 08:13.600 Jetzt müssen wir nur noch die Standardabweichung ändern, die wir für 08:13.600 --> 08:15.680 die Kritiker haben wollen. 08:15.970 --> 08:23.310 Und wenn Sie sich diesmal einmal an eine große Standardabweichung erinnern anstatt an eine offene oder eine, werden wir eine eingeben, 08:23.830 --> 08:29.680 also haben wir eine kleine Standardabweichung für die Gewichte der neuen Arbeit des Schauspielers und eine 08:29.680 --> 08:31.610 große Standardabweichung für die Gewichte. 08:31.630 --> 08:33.290 Und dann, wenn wir an den Kritiker kommen. 08:33.370 --> 08:37.560 Und das ist natürlich etwas, das wir hier aktiv durch Kredit ersetzen müssen. 08:37.980 --> 08:40.460 Alles klar jetzt werden wir cool. 08:40.510 --> 08:46.300 Wir haben also noch zwei weitere Dinge zu tun, zuerst die Vorurteile des Teams zu initialisieren und dazu nehmen wir unser Objekt selbst, weil die LACMA 08:46.300 --> 08:53.500 zu unserem Objekt gehört und wir sagen, oder als T. N. dann das und dann bekommen 08:53.870 --> 08:57.980 wir die zwei Arten von Käufern, die in der letzten sind. 08:58.180 --> 09:04.650 Das ist Voreingenommenheit und die Bewertung nach Alter und die andere basiert auf dem Alter des Alters. 09:04.660 --> 09:09.880 Das sind die beiden Arten der Verzerrung in der CME und die gleichen werden auf Null initialisiert. 09:09.880 --> 09:18.810 Also greifen wir zuerst auf die Daten zu und verwenden dann die Funktion zum Unterstreichen der Unterstriche, um alle Käufer mit Nullen 09:18.850 --> 09:21.940 zu füllen, die mit Ihren initialisiert werden. 09:21.940 --> 09:22.320 Recht. 09:22.360 --> 09:31.500 Und jetzt für die zweite Käufergruppe werden wir hier gleich durch Alter nach Alter ersetzt. 09:31.500 --> 09:32.430 Gut. 09:32.570 --> 09:39.560 Das initialisiert die Neigung der Nullen. Jetzt müssen wir als letztes eine Methode verwenden, die vom Ende geerbt 09:39.560 --> 09:43.090 wird, und das Modul, das die Train-Methode ist. 09:43.220 --> 09:47.360 Und im Grunde gibt es nur eine Methode, die das Modul in Behandlung bringt. 09:47.540 --> 09:48.760 Was nützt es also? 09:48.890 --> 09:55.440 Nun, es ist die Verwendung, die es erlaubt, zu aktivieren, wenn es zu Störungen im Badezimmer kommt. 09:55.550 --> 10:03.100 Um es zu benutzen, fügen wir einfach einen selbstgedachten Zug hinzu, und das Modul ist perfekt für die Arbeit. 10:03.170 --> 10:05.650 Damit sind wir mit der init-Funktion fertig. 10:05.720 --> 10:11.210 Wir haben unsere Konvolutionen, wir haben die CME, wir haben zwei getrennte neuronale Netzwerke für den 10:11.210 --> 10:15.400 Kritiker und den Schauspieler, und alle Gewichtungen und Verzerrungen sind gut initialisiert. 10:15.620 --> 10:16.940 Das ist also alles gut. 10:16.940 --> 10:21.860 Wir sind bereit, mit dem nächsten Schritt fortzufahren, nämlich mit der Forward-Funktion, die 10:21.890 --> 10:27.230 das Signal natürlich von vornherein mit den ursprünglichen Eingabebildern im gesamten Gehirn weiterleitet, bis wir 10:27.230 --> 10:28.640 die Ausgabe erhalten. 10:29.000 --> 10:30.770 Machen wir das im nächsten Tutorial. 10:30.800 --> 10:32.330 Und bis dahin genießen Sie AI.