WEBVTT 00:00.330 --> 00:02.320 Halo dan selamat datang di ceritanya. 00:02.460 --> 00:09.240 Baiklah, setelah kita membuat empat konvolusi dan LCN ini, kita sekarang memiliki status yang dikodekan yang akan menjadi 00:09.240 --> 00:14.500 input dari dua jaringan saraf yang akan kita buat untuk aktor dan kritikus. 00:14.790 --> 00:20.730 Dan berbicara tentang mereka, satu-satunya hal yang harus kita lakukan sekarang hanyalah membuat alat dalam koneksi penuh kita. 00:20.730 --> 00:22.880 Satu untuk aktor dan satu untuk kritik. 00:23.190 --> 00:27.260 Tetapi sebelum kita melakukan itu kita perlu mendapatkan sejumlah tindakan yang mungkin. 00:27.290 --> 00:32.520 Jadi saya akan memanggil Anda variabel di sini yang tidak akan menjadi variabel objek. 00:32.520 --> 00:38.970 Jadi saya tidak akan menggunakan diri saya di sini tapi saya akan membuat keluaran yang layak yang akan mewakili 00:38.970 --> 00:41.610 sejumlah tindakan yang mungkin dan untuk mendapatkannya. 00:41.760 --> 00:44.520 Kita bisa mendapatkannya dari ruang aksi. 00:44.520 --> 00:51.330 Jadi kita mengambil ruang tindakan kita yang akan menjadi input dari fungsi ketika kita membuat objek. 00:51.510 --> 00:56.300 Dan kemudian kita tambahkan itu dan untuk mendapatkan jumlah tindakan yang mungkin ini. 00:56.580 --> 01:03.180 Dan sekarang aktor dan kritikus akan mengambil secara terpisah input yang sama yang merupakan output dari seluruh 01:03.180 --> 01:06.290 proses ini di sini dengan konvolusi dan GLSEN. 01:06.500 --> 01:12.900 Jadi itu akan mengambil input yang sama yang merupakan keadaan disandikan tetapi kemudian mereka akan memiliki dua koneksi linier 01:13.110 --> 01:19.000 yang berbeda sehingga kita akhirnya mendapatkan sebenarnya dua jaringan saraf satu untuk dua dan satu untuk kritik. 01:19.020 --> 01:21.030 Jadi mari kita buat dua jaringan saraf yang terpisah ini. 01:21.060 --> 01:27.360 Tapi karena kita sudah melakukan pekerjaan besar dengan pengkodean di sini dengan baik apa yang perlu kita lakukan 01:27.360 --> 01:33.640 hanyalah membuat dua objek satu dalam koneksi penuh untuk aktor dan satu koneksi linear lainnya untuk kritik. 01:33.660 --> 01:35.430 Dan itulah yang akan saya lakukan. 01:35.490 --> 01:42.560 Saya akan membuat dua objek sekarang menjadi objek pertama untuk koneksi linear dari kritik 01:42.570 --> 01:49.210 yang saya sebut kritik dan skor Linnie dan untuk membuat koneksi linear ini. 01:49.380 --> 01:55.020 Anda tahu bagaimana melakukannya, kita hanya perlu mengambil modul mesin dan kemudian kelas linear yang kita punya 01:55.020 --> 01:55.800 dua input. 01:55.880 --> 02:01.800 Baik neuron input yang merupakan output dari semua ini termasuk di sini dengan 02:01.910 --> 02:05.190 konvolusi dan GM yaitu 256 neuron. 02:05.190 --> 02:12.120 Jadi, ketika saya menempatkan dua ratus lima puluh enam di sini dan kemudian kita akan memiliki satu output karena ingat 02:12.210 --> 02:17.940 output dari jaringan saraf untuk kritik adalah nilai fungsi yang diterapkan pada keadaan input ke input 02:18.080 --> 02:20.960 yang dikodekan menyatakan bahwa kita membuat sini. 02:21.180 --> 02:28.680 Jadi jika kita menyebut keadaan input yaitu output dari semua sumur ini, output dari jaringan saraf kritik akan 02:28.680 --> 02:32.530 menjadi VS dan karena itu memiliki satu dimensi. 02:32.550 --> 02:33.710 Itu hanya sebuah nilai. 02:33.870 --> 02:36.320 Dan di sini kita menempatkan satu. 02:36.510 --> 02:43.020 Dan ingat ini adalah apa yang dibagikan di antara para aktor sehingga mereka bisa mendapatkan beberapa informasi umum yang dapat mereka 02:43.020 --> 02:46.590 gunakan untuk memainkan aksi mereka dengan cara yang lebih relevan. 02:46.980 --> 02:50.430 OK jadi itu untuk jaringan saraf kritikus. 02:50.580 --> 02:59.820 Dan sekarang mari kita membuat jaringan baru dari aktor dan oleh karena itu saya di sini aktor otodidak linear dan sama 02:59.850 --> 03:02.830 kita sudah memiliki input Amerika Serikat. 03:02.850 --> 03:08.430 Jadi sekarang kita hanya perlu menambahkan koneksi linier dan oleh karena itu mengatakan 03:08.430 --> 03:15.870 kita mengambil modul kemudian kelas linear dan sekarang mengatakan ini jaringan aktor baru akan mengambil negara yang dikodekan 03:15.870 --> 03:19.840 yang memiliki ukuran 256 jadi 256 di sini. 03:20.070 --> 03:26.010 Tetapi kemudian output akan berbeda karena tentu saja Anda tahu bahwa output dari jaringan 03:26.010 --> 03:30.790 saraf untuk aktor kunci lainnya melibatkan nilai-nilai kunci dari status input. 03:30.860 --> 03:33.620 Yang bisa kami dengar dan pelat aksi. 03:33.810 --> 03:40.980 Jadi sekali lagi jika kita menyebut negara yang disandikan ini yang kami maksud di sini sebagai suatu aksi yang memainkan output 03:40.980 --> 03:44.480 dari jaringan saraf ini sebenarnya akan ada q sebagai a. 03:44.880 --> 03:50.010 Dan karena Anda tahu kami memiliki satu nilai besar untuk setiap tindakan maka dari itu kami tidak memiliki hasil. 03:50.010 --> 03:57.680 Nilai Q dan karenanya output di sini akan menjadi non output karena tidak ada output 03:57.680 --> 03:59.380 sebenarnya jumlah manusia. 03:59.840 --> 04:01.100 Oke, sempurna. 04:01.130 --> 04:05.360 Jadi jika Anda mau, saya bisa menulis untuk Anda output di sini. 04:05.390 --> 04:18.410 Pengkritiknya adalah yang baik dan juga negara yang disandikan dan untuk aktor hasilnya lucu juga. 04:18.410 --> 04:23.750 Jadi itu sangat penting untuk memahami perbedaan ini di sini dan untuk memahami bahwa kami memiliki 04:23.900 --> 04:25.370 dua jaringan berita terpisah. 04:25.370 --> 04:29.370 Satu untuk kritik dan satu untuk aktor Oke sempurna. 04:29.380 --> 04:32.080 Jadi kita hampir selesai dengan fungsi ini. 04:32.170 --> 04:33.920 Sekarang hal yang paling penting dilakukan. 04:34.030 --> 04:39.370 Satu-satunya hal yang tersisa yang harus kita lakukan adalah menginisialisasi semua bobot dari dua jaringan saraf 04:39.790 --> 04:40.830 dan semua bias. 04:40.860 --> 04:45.800 Dan tentu saja untuk melakukan itu kita akan menggunakan dua fungsi yang kita buat sebelumnya 04:45.900 --> 04:48.480 yaitu kolom penginisialisasi dan bobot di dalamnya. 04:48.490 --> 04:49.720 Jadi mari kita lakukan dengan cepat. 04:49.870 --> 04:52.180 Ini akan menjadi sangat mudah dan sangat cepat. 04:52.180 --> 04:56.590 Jadi pertama-tama kita akan menginisialisasi beberapa bobot acak dan untuk melakukan ini kita akan menerapkan fungsi 04:56.590 --> 04:58.420 bobot di dalamnya untuk objek kita. 04:58.420 --> 05:03.150 Jadi di sini kita harus mengambil diri untuk mendapatkan objek dan objek. 05:03.160 --> 05:06.440 Kami menerapkan bobot dalam fungsinya. 05:06.620 --> 05:14.200 Oleh karena itu di dalam kita hanya perlu meletakkan bobot dalam fungsi itu dan kemudian kita dapatkan yang akan menerapkan fungsi ini 05:14.200 --> 05:20.080 pada objek kita dan dengan melakukan ini kita hanya menginisialisasi beberapa bobot acak untuk mendapatkan pembelajaran optimal 05:20.140 --> 05:21.930 bobot di masa depan. 05:22.000 --> 05:27.460 Dan sekarang yang harus kita lakukan adalah membuat normalisasi khusus untuk aktor dan kritikus. 05:27.670 --> 05:33.700 Tapi ingat saya pikir saya mengatakan ini dalam tutorial sebelumnya kita tidak akan menetapkan varian yang sama 05:33.780 --> 05:38.890 untuk X di yakked akrilik Anda akan mendapatkan standar deviasi kecil varians kecil. 05:38.890 --> 05:40.840 Dan para kritikus akan mendapatkan yang besar. 05:40.840 --> 05:41.800 Dan mengapa kita melakukan ini. 05:41.800 --> 05:47.560 Apa tujuan dari memberikan standar deviasi kecil dari bobot untuk aktor dan standar deviasi 05:47.560 --> 05:49.320 yang besar untuk kritik. 05:49.510 --> 05:53.830 Nah itu memungkinkan mengelola untuk menangani eksplorasi vs eksploitasi. 05:53.830 --> 05:58.620 Itulah tujuan melakukan hal ini dengan memberikan sedikit variasi kepada aktor dalam audiensi yang lebih luas 05:58.630 --> 05:59.460 untuk dikritik. 05:59.490 --> 06:04.510 Kami akan memiliki manajemen eksplorasi dan eksploitasi yang baik. 06:04.600 --> 06:07.510 Jadi mari kita lakukan ini, mari kita jaga aktornya dulu. 06:07.510 --> 06:14.170 Jadi kita ambil sendiri atau objek maka kita akan mengambil jaringan saraf aktor kita yaitu aktor 06:14.270 --> 06:20.350 Linnea lalu kita akan mengakses bobot jaringan aktor baru ini dan ingat untuk mengakses data 06:20.350 --> 06:23.360 bobot yang kita butuhkan data itu. 06:23.410 --> 06:24.280 Baiklah. 06:24.280 --> 06:31.000 Jadi dengan ini kita mendapatkan bobot dan sekarang kita akan menggunakan fungsi initialiser sis dinormalisasi kami. 06:31.390 --> 06:36.520 Jadi saya menyalin pasta ini di sini dan kita akan memasukkan argumen. 06:36.520 --> 06:38.810 Deviasi standar yang kita inginkan memiliki bobot ini. 06:39.160 --> 06:42.130 Tetapi pertama-tama ingatlah bahwa fungsi ini membutuhkan dua argumen. 06:42.200 --> 06:45.280 Pertama cara kita ingin menginisialisasi. 06:45.280 --> 06:49.750 Jadi kita hanya perlu mengambilnya lagi dan mendasarkannya di sini. 06:49.870 --> 06:53.010 Dan argumen kedua adalah standar deviasi. 06:53.170 --> 06:54.420 Kami ingin memiliki bobot ini. 06:54.580 --> 07:02.880 Jadi seperti yang kami katakan kami ingin standar deviasi kecil untuk aktor dalam yang kecil itu akan menjadi 0. 01 sempurna. 07:02.890 --> 07:05.880 Jadi di situlah bobot jaringan syaraf aktor. 07:05.900 --> 07:09.610 Sekarang mari kita berhati-hati terhadap bias dari karya aktor baru itu. 07:09.850 --> 07:15.460 Dan oleh karena itu di sini kita akan melakukan hal yang hampir sama dengan menyalin salinan yang di bawah ini. 07:15.520 --> 07:26.470 Ganti bobot dengan pembeli untuk mengakses pembeli dan setelah data, kami hanya akan menambahkan isian dan ingat di dalamnya ketika diletakkan nol 07:26.560 --> 07:31.170 karena kami ingin semua perangkat diinisialisasi dengan nol. 07:31.510 --> 07:37.840 Jadi sebenarnya saya tidak berpikir baris ini diperlukan karena seperti yang Anda ingat pembeli sudah diinisialisasi ke 07:37.840 --> 07:41.400 nol dengan fungsi isian ini dalam fungsi menunggu. 07:41.620 --> 07:47.560 Jadi, Anda tahu kami melakukan ini hanya untuk memastikan bahwa pembeli benar-benar diinisialisasi ke nol. 07:47.560 --> 07:49.490 Tapi saya pikir itu sudah dilakukan di sini. 07:49.690 --> 07:52.720 Tapi toh sekarang kami yakin 100 persen. 07:53.050 --> 07:55.990 Baiklah sekarang kita akan melakukan hal yang sama untuk kritik. 07:56.050 --> 07:59.660 Jadi mari kita menjadi efisien dan mari kita bahas dua baris ini. 08:00.220 --> 08:07.180 Mari kita hadapi mereka di sini dan di sini kita hanya akan mengganti aktor dengan kritik. 08:07.180 --> 08:08.400 Sama disini. 08:08.540 --> 08:13.600 Dan sekarang satu-satunya hal yang harus kita ubah hanyalah standar deviasi yang kita inginkan dari bobot 08:13.600 --> 08:15.680 jaringan saraf untuk dimiliki oleh pengkritik. 08:15.970 --> 08:23.310 Dan seperti yang Anda ingat, kali ini deviasi standar yang besar alih-alih terbuka atau yang kita masukkan satu 08:23.830 --> 08:29.680 sehingga kita pergi kita memiliki deviasi standar kecil untuk bobot pekerjaan baru aktor dan deviasi 08:29.680 --> 08:31.610 standar besar untuk bobot. 08:31.630 --> 08:33.290 Dan kemudian ketika kita sampai pada kritik. 08:33.370 --> 08:37.560 Dan tentu saja itu adalah sesuatu yang kita dapat ganti aktif di sini dengan kredit. 08:37.980 --> 08:40.460 Baiklah sekarang kita menjadi keren. 08:40.510 --> 08:46.300 Jadi sekarang kita memiliki dua hal yang tersisa untuk dilakukan pertama adalah menginisialisasi juga bias tim dan untuk melakukan ini kita mengambil objek kita sendiri karena LACMA 08:46.300 --> 08:53.500 milik objek kita dan kita akan mengatakan atau sebagai T. N. lalu itu dan kemudian 08:53.870 --> 08:57.980 kita akan mendapatkan dua jenis pembeli yang terakhir. 08:58.180 --> 09:04.650 Itu bias dan skor berdasarkan usia dan yang lainnya didasarkan pada usia skor skor. 09:04.660 --> 09:09.880 Itulah dua jenis bias dalam CME dan sama akan diinisialisasi ke nol. 09:09.880 --> 09:18.810 Jadi pertama-tama kita mengakses data dan kemudian kita menggunakan fungsi garis bawah isian untuk mengisi semua pembeli ini 09:18.850 --> 09:21.940 dengan nol menginisialisasi mereka dengan milikmu. 09:21.940 --> 09:22.320 Kanan. 09:22.360 --> 09:31.500 Dan sekarang untuk kelompok pembeli kedua, kami di sini dapat diganti oleh usia demi usia. 09:31.500 --> 09:32.430 Baiklah. 09:32.570 --> 09:39.560 Itulah yang memulai bias dari nol dan sekarang hal terakhir yang perlu kita lakukan adalah menggunakan metode yang 09:39.560 --> 09:43.090 diwarisi dari akhir dan modul itu adalah metode kereta. 09:43.220 --> 09:47.360 Dan pada dasarnya hanya ada metode yang menempatkan modul dalam perawatan. 09:47.540 --> 09:48.760 Jadi apa gunanya itu. 09:48.890 --> 09:55.440 Yah penggunaannya adalah memungkinkan untuk mengaktifkan jika ada putus di ligasi kamar mandi. 09:55.550 --> 10:03.100 Dan untuk menggunakannya, kami hanya menambahkan kereta pikiran sendiri dan menempatkan modul dalam trammeled sempurna. 10:03.170 --> 10:05.650 Jadi kita sudah selesai dengan fungsi init. 10:05.720 --> 10:11.210 Kami memiliki konvolusi kami, kami memiliki CME. Kami memiliki dua jaringan saraf terpisah untuk kritik 10:11.210 --> 10:15.400 dan aktor dan semua bobot dan bias diinisialisasi dengan baik. 10:15.620 --> 10:16.940 Jadi itu semua baik. 10:16.940 --> 10:21.860 Kami siap untuk melanjutkan ke langkah berikutnya yaitu membuat fungsi maju yang tentu 10:21.890 --> 10:27.230 saja akan maju menyebarkan sinyal dari awal dengan gambar input asli di seluruh otak sampai 10:27.230 --> 10:28.640 kami mendapatkan output. 10:29.000 --> 10:30.770 Jadi mari kita lakukan di tutorial selanjutnya. 10:30.800 --> 10:32.330 Dan sampai saat itu nikmati AI.