WEBVTT

00:00.330 --> 00:02.320
สวัสดีและยินดีต้อนรับสู่เรื่องราว

00:02.460 --> 00:09.240
เอาล่ะหลังจากที่เราสร้างความเชื่อมั่นทั้งสี่นี้และ LCN

00:09.240 --> 00:14.500
ตอนนี้เรามีสถานะที่เข้ารหัสซึ่งจะเป็นข้อมูลของเครือข่ายประสาททั้งสองที่เราจะทำเพื่อนักแสดงและนักวิจารณ์

00:14.790 --> 00:20.730
และการพูดถึงพวกเขาสิ่งเดียวที่เราต้องทำตอนนี้คือเพียงแค่สร้างเครื่องมือในการเชื่อมต่อเต็มรูปแบบของเรา

00:20.730 --> 00:22.880
สำหรับนักแสดงและสำหรับนักวิจารณ์

00:23.190 --> 00:27.260
แต่ก่อนที่เราจะทำสิ่งนั้นเราจำเป็นต้องได้รับจำนวนของการกระทำ

00:27.290 --> 00:32.520
แล้วฉันจะเรียกคุณว่าตัวแปรที่นี่ซึ่งจะไม่เป็นตัวแปรของวัตถุ

00:32.520 --> 00:41.610
ดังนั้นฉันจะไม่ใช้ตัวเองที่นี่ แต่ฉันจะสร้างผลลัพธ์ที่ไม่ใช่เชิงปฏิบัติซึ่งจะแสดงถึงการกระทำที่เป็นไปได้จำนวนหนึ่ง

00:41.760 --> 00:44.520
ทีนี้เราสามารถเอามันมาจากอวกาศ

00:44.520 --> 00:51.330
ดังนั้นเราจึงใช้พื้นที่ปฏิบัติการของเราซึ่งจะเป็นอินพุตของฟังก์ชันเมื่อเราสร้างวัตถุ

00:51.510 --> 00:56.300
จากนั้นเราก็เพิ่มมันและเพื่อรับจำนวนการกระทำ

00:56.580 --> 01:03.180
และตอนนี้นักแสดงและนักวิจารณ์จะแยกอินพุตเดียวกันซึ่งเป็นผลลัพธ์ของกระบวนการทั้งหมดนี้ที่นี่พร้อมกับ convolutions และ

01:03.180 --> 01:06.290
GLSEN

01:06.500 --> 01:19.000
ดังนั้นมันจะใช้อินพุตเดียวกันซึ่งเป็นสถานะที่เข้ารหัส แต่แล้วพวกเขาก็จะมีการเชื่อมต่อเชิงเส้นที่แตกต่างกันสองเส้นเพื่อที่เราจะได้รับสองเครือข่ายประสาทในที่สุดสำหรับหนึ่งและสองสำหรับนักวิจารณ์

01:19.020 --> 01:21.030
ลองสร้างเครือข่ายประสาททั้งสองแยกกัน

01:21.060 --> 01:33.640
แต่เนื่องจากเราทำหน้าที่ได้อย่างยอดเยี่ยมด้วยการเข้ารหัสที่นี่สิ่งที่เราต้องทำก็แค่สร้างวัตถุสองชิ้นที่เชื่อมต่อกับนักแสดง

01:33.660 --> 01:35.430
และนั่นคือสิ่งที่ฉันจะทำ

01:35.490 --> 01:42.560
ฉันจะสร้างวัตถุสองชิ้นตอนนี้เป็นวัตถุแรกสำหรับการเชื่อมต่อเชิงเส้นของนักวิจารณ์ซึ่งฉันจะเรียกนักวิจารณ์และคะแนน Linnie

01:42.570 --> 01:49.210
เป็นและเพื่อสร้างการเชื่อมต่อเชิงเส้นนี้

01:49.380 --> 01:55.800
คุณรู้วิธีที่จะทำเราเพียงแค่ต้องใช้โมดูลเครื่องยนต์และคลาสเชิงเส้นที่เรามีสองอินพุต

01:55.880 --> 02:01.800
เซลล์ประสาทอินพุตซึ่งเป็นผลลัพธ์ของสิ่งนี้รวมถึงที่นี่พร้อมกับการโน้มน้าวใจและ GM ที่มี 256

02:01.910 --> 02:05.190
เซลล์

02:05.190 --> 02:20.960
ดังนั้นเมื่อฉันใส่สองร้อยห้าสิบหกตรงนี้แล้วเราจะได้หนึ่งเอาท์พุตเพราะจำเอาท์พุทของโครงข่ายประสาทเทียมสำหรับนักวิจารณ์คือค่าของฟังก์ชั่นที่ใช้กับสถานะอินพุตเข้ากับสถานะอินพุตที่เข้ารหัสที่เราสร้างขึ้น ที่นี่

02:21.180 --> 02:28.680
ดังนั้นถ้าเราเรียกสถานะอินพุตนั่นคือผลลัพธ์ของดีทั้งหมดผลลัพธ์ของโครงข่ายประสาทของนักวิจารณ์จะเป็น VS

02:28.680 --> 02:32.530
และดังนั้นจึงมีมิติ

02:32.550 --> 02:33.710
มันเป็นเพียงคุณค่า

02:33.870 --> 02:36.320
ดังนั้นที่นี่เราใส่หนึ่ง

02:36.510 --> 02:46.590
และจำไว้ว่านี่คือสิ่งที่แบ่งปันกันในหมู่นักแสดงเพื่อให้พวกเขาได้รับข้อมูลทั่วไปที่พวกเขาสามารถใช้เล่นการกระทำของพวกเขาในวิธีที่เกี่ยวข้องมากขึ้น

02:46.980 --> 02:50.430
ตกลงดังนั้นสำหรับเครือข่ายประสาทของนักวิจารณ์

02:50.580 --> 03:02.830
และตอนนี้เรามาสร้างเครือข่ายใหม่ของนักแสดงและด้วยเหตุนี้ฉันจึงอยู่ที่นี่ด้วยตัวเองสอนให้นักแสดงเป็นเส้นตรงและเหมือนกันเรามีสถานะเข้ารหัสแล้ว

03:02.850 --> 03:08.430
ดังนั้นตอนนี้เราเพียงแค่ต้องเพิ่มการเชื่อมต่อเชิงเส้นดังนั้นการบอกว่าเรารับในโมดูลจากนั้นเป็นคลาสเชิงเส้นและตอนนี้การพูดว่าเครือข่ายใหม่ของนักแสดงจะใช้สถานะเข้ารหัสซึ่งมีขนาด

03:08.430 --> 03:19.840
256 ถึง 256

03:20.070 --> 03:26.010
แต่เอาท์พุทจะแตกต่างกันเพราะแน่นอนคุณรู้ว่าเอาท์พุทของเครือข่ายประสาทเทียมสำหรับนักแสดงคนอื่น ๆ

03:26.010 --> 03:30.790
กุญแจสำคัญเกี่ยวข้องกับค่าคีย์ของสถานะอินพุต

03:30.860 --> 03:33.620
คนที่เราได้ยินและแอ็คชั่น

03:33.810 --> 03:40.980
ดังนั้นอีกครั้งถ้าเราเรียกสถานะการเข้ารหัสนี้ว่าเราหมายถึงที่นี่เมื่อการกระทำเล่นผลลัพธ์ของเครือข่ายประสาทนี้จริง ๆ แล้วจะมี q

03:40.980 --> 03:44.480
เป็น

03:44.880 --> 03:50.010
และเนื่องจากคุณรู้ว่าเรามีค่าอย่างมากสำหรับแต่ละการกระทำดังนั้นเราจึงไม่มีผลลัพธ์

03:50.010 --> 03:59.380
ค่า Q และดังนั้นเอาท์พุทที่นี่จะเป็นไม่ใช่เอาท์พุทเพราะไม่มีเอาท์พุทเป็นจำนวนของมนุษย์

03:59.840 --> 04:01.100
โอเคสมบูรณ์แบบ

04:01.130 --> 04:05.360
ดังนั้นถ้าคุณต้องการฉันสามารถเขียนเอาท์พุทให้คุณที่นี่

04:05.390 --> 04:18.410
นักวิจารณ์นั้นดีเหมือนกันกับรัฐที่เข้ารหัสและสำหรับนักแสดงผลลัพธ์ก็น่ารักเหมือนกัน

04:18.410 --> 04:25.370
นั่นเป็นสิ่งสำคัญมากที่จะเข้าใจความแตกต่างนี้ที่นี่และเพื่อให้เข้าใจว่าเราจึงมีเครือข่ายข่าวสองแห่งแยกกัน

04:25.370 --> 04:29.370
หนึ่งสำหรับนักวิจารณ์และอีกหนึ่งสำหรับนักแสดงโอเคที่สมบูรณ์แบบ

04:29.380 --> 04:32.080
เราเกือบทำหน้าที่นี้เสร็จแล้ว

04:32.170 --> 04:33.920
ตอนนี้สิ่งที่สำคัญที่สุดเสร็จแล้ว

04:34.030 --> 04:40.830
สิ่งเดียวที่เหลืออยู่ที่เราต้องทำคือการเริ่มต้นน้ำหนักทั้งหมดของเครือข่ายประสาททั้งสองและอคติทั้งหมด

04:40.860 --> 04:48.480
และแน่นอนที่จะทำเช่นนั้นเราจะใช้สองฟังก์ชันที่เราทำไว้ก่อนหน้านี้นั่นคือค่าเริ่มต้นคอลัมน์ปกติและน้ำหนักในมัน

04:48.490 --> 04:49.720
ลองทำกันเร็ว ๆ

04:49.870 --> 04:52.180
มันจะง่ายและรวดเร็ว

04:52.180 --> 04:58.420
ดังนั้นก่อนอื่นเราจะเริ่มต้นน้ำหนักสุ่มบางส่วนและเพื่อทำสิ่งนี้เราจะใช้น้ำหนักที่มันทำงานกับวัตถุของเรา

04:58.420 --> 05:03.150
ดังนั้นที่นี่เราต้องเอาตัวเองเพื่อให้ได้วัตถุและวัตถุของเรา

05:03.160 --> 05:06.440
เราใช้น้ำหนักในการทำงาน

05:06.620 --> 05:21.930
ดังนั้นภายในเราเพียงแค่ต้องใส่ตุ้มน้ำหนักในฟังก์ชั่นนั้นและจากนั้นเราจะได้รับซึ่งจะใช้ฟังก์ชั่นนี้กับวัตถุของเราและโดยการทำเช่นนี้เราเพิ่งเริ่มต้นน้ำหนักสุ่มบางอย่างเพื่อรับการเรียนรู้

05:22.000 --> 05:27.460
และตอนนี้สิ่งที่เราต้องทำก็คือทำให้เป็นเรื่องธรรมดาสำหรับนักแสดงและนักวิจารณ์

05:27.670 --> 05:33.700
แต่จำไว้ว่าฉันคิดว่าฉันบอกในบทเรียนก่อนหน้านี้เราจะไม่ตั้งค่าความแปรปรวนเดียวกันสำหรับ X ใน

05:33.780 --> 05:38.890
yakked อะคริลิคคุณจะได้ค่าเบี่ยงเบนมาตรฐานขนาดเล็ก

05:38.890 --> 05:40.840
และนักวิจารณ์จะได้รับอันยิ่งใหญ่

05:40.840 --> 05:41.800
และทำไมเราถึงทำเช่นนี้

05:41.800 --> 05:49.320
อะไรคือจุดประสงค์ของการให้ค่าเบี่ยงเบนมาตรฐานเล็กน้อยของน้ำหนักสำหรับนักแสดงและค่าเบี่ยงเบนมาตรฐานขนาดใหญ่ของวิธีการของนักวิจารณ์

05:49.510 --> 05:53.830
นั่นช่วยให้สามารถจัดการกับการสำรวจการแสวงหาผลประโยชน์

05:53.830 --> 05:59.460
นั่นคือจุดประสงค์ของการทำสิ่งนี้โดยให้ความแตกต่างเล็กน้อยกับนักแสดงในกลุ่มผู้ชมจำนวนมากเพื่อวิจารณ์

05:59.490 --> 06:04.510
เราจะมีการจัดการที่ดีในการสำรวจและการแสวงประโยชน์

06:04.600 --> 06:07.510
ดังนั้นให้ทำสิ่งนี้ก่อนอื่นมาดูแลนักแสดง

06:07.510 --> 06:14.170
ดังนั้นเราใช้ตัวเองหรือวัตถุจากนั้นเราจะใช้เครือข่ายประสาทของนักแสดงของเราซึ่งเป็นนักแสดง

06:14.270 --> 06:23.360
Linnea แล้วเราจะเข้าถึงน้ำหนักของเครือข่ายใหม่นี้ของนักแสดงและอย่าลืมเข้าถึงข้อมูลน้ำหนักที่เราต้องการ ข้อมูลนั้น

06:23.410 --> 06:24.280
เอาล่ะ

06:24.280 --> 06:31.000
ด้วยเหตุนี้เราจึงได้น้ำหนักและตอนนี้เราจะใช้ฟังก์ชันเริ่มต้นของหวีมาตรฐาน

06:31.390 --> 06:36.520
ดังนั้นฉันกำลังคัดลอกการวางนี่ตรงนี้และเราจะใส่อาร์กิวเมนต์

06:36.520 --> 06:38.810
ค่าเบี่ยงเบนมาตรฐานที่เราต้องการให้น้ำหนักเหล่านี้มี

06:39.160 --> 06:42.130
แต่ก่อนอื่นให้จำฟังก์ชั่นนี้ใช้เวลาสองข้อโต้แย้ง

06:42.200 --> 06:45.280
วิธีแรกที่เราต้องการเริ่มต้น

06:45.280 --> 06:49.750
เราก็แค่ต้องเอามันอีกแล้วยึดที่นี่

06:49.870 --> 06:53.010
และอาร์กิวเมนต์ที่สองคือค่าเบี่ยงเบนมาตรฐาน

06:53.170 --> 06:54.420
เราต้องการให้น้ำหนักเหล่านี้มี

06:54.580 --> 07:02.880
ดังนั้นเมื่อเราบอกว่าเราต้องการค่าเบี่ยงเบนมาตรฐานเล็กน้อยสำหรับนักแสดงในตัวเล็ก ๆ มันจะเป็น 0 01 สมบูรณ์แบบ

07:02.890 --> 07:05.880
นั่นคือที่ซึ่งน้ำหนักของเครือข่ายประสาทของนักแสดง

07:05.900 --> 07:09.610
ทีนี้มาดูแลอคติของงานใหม่ของนักแสดง

07:09.850 --> 07:15.460
และตรงนี้เราจะทำแบบเดียวกันกับที่เราจะคัดลอกแปะนี่ด้านล่าง

07:15.520 --> 07:31.170
แทนที่น้ำหนักโดยผู้ซื้อเพื่อเข้าถึงผู้ซื้อและหลังจากข้อมูลเราจะเพิ่มการเติมและจดจำภายในเมื่อใส่ศูนย์เพราะเราต้องการให้อุปกรณ์ทั้งหมดเริ่มต้นด้วยศูนย์

07:31.510 --> 07:37.840
ดังนั้นจริง ๆ

07:37.840 --> 07:41.400
แล้วฉันไม่คิดว่าบรรทัดนี้จำเป็นเพราะคุณจำได้ว่าผู้ซื้อเริ่มต้นเป็นศูนย์ได้แล้วด้วยฟังก์ชันการเติมนี้ในฟังก์ชันรอ

07:41.620 --> 07:47.560
คุณรู้ว่าเรากำลังทำสิ่งนี้เพื่อให้แน่ใจว่าผู้ซื้อได้รับการเริ่มต้นเป็นศูนย์จริง ๆ

07:47.560 --> 07:49.490
แต่ฉันคิดว่ามันทำไปแล้ว

07:49.690 --> 07:52.720
แต่อย่างไรก็ตามตอนนี้เรามั่นใจแล้ว 100 เปอร์เซ็นต์

07:53.050 --> 07:55.990
เอาล่ะตอนนี้เราจะทำเช่นเดียวกันกับนักวิจารณ์

07:56.050 --> 07:59.660
งั้นเรามาดูประสิทธิภาพกันเถอะและครอบคลุมสองบรรทัดนี้

08:00.220 --> 08:07.180
มาเผชิญหน้ากับพวกเขาที่นี่และที่นี่เราแค่จะแทนที่นักแสดงโดยนักวิจารณ์

08:07.180 --> 08:08.400
เหมือนกันที่นี่

08:08.540 --> 08:15.680
และตอนนี้สิ่งเดียวที่เราต้องเปลี่ยนคือค่าเบี่ยงเบนมาตรฐานที่เราต้องการให้น้ำหนักของโครงข่ายประสาทเทียมสำหรับนักวิจารณ์มี

08:15.970 --> 08:31.610
และในขณะที่คุณจำได้ว่าครั้งนี้ส่วนเบี่ยงเบนมาตรฐานขนาดใหญ่แทนที่จะเป็นแบบเปิดหรืออย่างใดอย่างหนึ่งเราจะป้อนหนึ่งดังนั้นเราไปเรามีส่วนเบี่ยงเบนมาตรฐานขนาดเล็กสำหรับน้ำหนักของงานใหม่ของนักแสดง

08:31.630 --> 08:33.290
และเมื่อเราได้รับการวิจารณ์

08:33.370 --> 08:37.560
และแน่นอนว่าเป็นสิ่งที่เราได้รับเพื่อทดแทนการใช้งานที่นี่ด้วยเครดิต

08:37.980 --> 08:40.460
เอาล่ะตอนนี้เราเริ่มเท่ห์แล้ว

08:40.510 --> 08:46.300
ดังนั้นตอนนี้เรามีสองสิ่งที่ต้องทำก่อนอื่นคือการเริ่มต้นด้วยอคติของทีมและการทำสิ่งนี้เราจะยึดถือวัตถุของเราเองเพราะ LACMA เป็นของเราและเราจะพูดหรือเป็น

08:46.300 --> 08:53.500
T N.

08:53.870 --> 08:57.980
จากนั้นเราจะได้ผู้ซื้อสองประเภทที่อยู่ในช่วงสุดท้าย

08:58.180 --> 09:04.650
นั่นคือความลำเอียงและคะแนนตามอายุและอีกอันนั้นขึ้นอยู่กับอายุของคะแนน

09:04.660 --> 09:09.880
นั่นคืออคติสองประเภทใน CME และเช่นเดียวกันจะมีค่าเริ่มต้นเป็นศูนย์

09:09.880 --> 09:21.940
ดังนั้นก่อนอื่นเราเข้าถึงข้อมูลจากนั้นเราใช้ฟังก์ชันเติมเครื่องหมายขีดเส้นใต้เพื่อเติมเต็มผู้ซื้อทั้งหมดเหล่านี้ด้วยศูนย์เริ่มต้นพวกเขากับคุณ

09:21.940 --> 09:22.320
ขวา.

09:22.360 --> 09:31.500
และตอนนี้สำหรับผู้ซื้อกลุ่มที่สองเราอยู่ที่นี่เหมือนกันถูกแทนที่ด้วยอายุตามอายุ

09:31.500 --> 09:32.430
เอาล่ะ

09:32.570 --> 09:43.090
นั่นคือการเริ่มต้นอคติของศูนย์และตอนนี้สิ่งสุดท้ายที่เราต้องทำคือการใช้วิธีการที่สืบทอดมาจากตอนท้าย

09:43.220 --> 09:47.360
และโดยทั่วไปมีเพียงวิธีการที่วางโมดูลในการรักษา

09:47.540 --> 09:48.760
ดังนั้นการใช้งานของมันคืออะไร

09:48.890 --> 09:55.440
การใช้งานที่ดีคือมันช่วยให้สามารถเปิดใช้งานได้หากมีการปล่อยในห้องน้ำ ligations

09:55.550 --> 10:03.100
และเพื่อที่จะใช้มันเราแค่เพิ่มความคิดในการฝึกฝนตัวเองและนั่นทำให้โมดูลนั้นสมบูรณ์แบบ

10:03.170 --> 10:05.650
ดังนั้นเราจึงใช้ฟังก์ชัน init

10:05.720 --> 10:11.210
เรามีความเชื่อมั่นว่าเรามี CME

10:11.210 --> 10:15.400
เรามีโครงข่ายประสาทเทียมสองเครือข่ายสำหรับนักวิจารณ์และนักแสดงรวมถึงน้ำหนักและอคติทั้งหมด

10:15.620 --> 10:16.940
นั่นคือทั้งหมดที่ดี

10:16.940 --> 10:28.640
เราพร้อมที่จะไปยังขั้นตอนต่อไปซึ่งจะทำให้ฟังก์ชั่นไปข้างหน้าซึ่งแน่นอนว่าจะส่งต่อสัญญาณจากจุดเริ่มต้นด้วยภาพอินพุตดั้งเดิมไปทั่วสมองจนกว่าเราจะได้รับผลลัพธ์

10:29.000 --> 10:30.770
ลองทำดูในบทต่อไป

10:30.800 --> 10:32.330
และจนกว่าจะสนุกกับ AI