WEBVTT 00:00.330 --> 00:02.320 Merhaba ve hikayeye hoş geldiniz. 00:02.460 --> 00:09.240 Pekala, bu dört kıvrımları ve LCN'yi yaptıktan sonra aktör ve eleştirmen için yapacağımız 00:09.240 --> 00:14.500 bu iki sinir ağının girdisi olacak kodlanmış bir duruma sahibiz. 00:14.790 --> 00:20.730 Şu an yapmak zorunda olduğumuz tek şey, onlarla konuşmak, tam bağlantılarımızda araçlar yaratmaktır. 00:20.730 --> 00:22.880 Biri aktör, biri de eleştirmen. 00:23.190 --> 00:27.260 Ancak bunu yapmadan önce olası eylem sayısını öğrenmemiz gerekiyor. 00:27.290 --> 00:32.520 Ve bu yüzden burada nesnenin bir değişkeni olamayacak kadar değişken diyeceğim. 00:32.520 --> 00:38.970 bir takım olası eylemleri temsil edecek ve elde etmek için uygun olmayan çıktılar yaratacağım. 00:38.970 --> 00:41.610 Dolayısıyla ben burada kendim kullanmayacağım, ancak 00:41.760 --> 00:44.520 Peki bunu eylem alanından alabiliriz. 00:44.520 --> 00:51.330 Bu yüzden, nesneyi yarattığımızda fonksiyonun girişi olacak olan eylem alanımızı alıyoruz. 00:51.510 --> 00:56.300 Ve sonra bunu ekledik ve bu olası eylem sayısını elde etmek için. 00:56.580 --> 01:03.180 Ve şimdi aktör ve eleştirmen, buradaki bütün sürecin çıktısı olan girdiyi, konvolüsyonlarla 01:03.180 --> 01:06.290 ve GLSEN ile ayrı ayrı alacaktır. 01:06.500 --> 01:12.900 Bu durumda, kodlanmış bir durum olan aynı girdiyi alacaktır, ancak iki farklı doğrusal bağlantıya sahip olacaklardır, 01:13.110 --> 01:19.000 böylece sonunda iki tane sinir ağı elde edilecek ve iki tane de bir eleştirmen var. 01:19.020 --> 01:21.030 Şimdi bu iki ayrı sinir ağını oluşturalım. 01:21.060 --> 01:27.360 Fakat burada kodlamayla büyük işi yapmış olduğumuzdan, sadece yapmamız gereken şey, aktör için tam 01:27.360 --> 01:33.640 bağlantıda bir tane ve eleştirmen için başka bir doğrusal bağlantı olan iki nesne oluşturmaktır. 01:33.660 --> 01:35.430 Ve tam da bunu yapacağım. 01:35.490 --> 01:42.560 Eleştiriciyi ve Linnie'nin skorunu arayacak olan eleştiricinin doğrusal bağlantısı için 01:42.570 --> 01:49.210 şimdi iki nesne yaratacağım ve bu doğrusal bağlantıyı yaratacağım. 01:49.380 --> 01:55.020 Bunu nasıl yapacağınızı biliyorsunuz, sadece motor modülünü ve ardından iki girdimizin bulunduğu doğrusal sınıfı 01:55.020 --> 01:55.800 almamız gerekiyor. 01:55.880 --> 02:01.800 Buradaki her şeyin çıktıları olan girdi nöronları, konvolüsyonlarla 02:01.910 --> 02:05.190 ve 256 nöron GM'dir. 02:05.190 --> 02:12.120 Dolayısıyla burada iki yüz elli altı koyduğumda bir çıktı elde edeceğiz çünkü eleştirmen 02:12.210 --> 02:17.940 için sinir ağı çıktısını hatırlayın girdi durumuna uygulanan girişin durumuna kodlanmış 02:18.080 --> 02:20.960 olan girdilere uygulanan değerdir İşte. 02:21.180 --> 02:28.680 Dolayısıyla, bütün bu çıktıdan çıktı olan girdi durumu s olarak adlandırırsak eleştirmenin sinir ağı çıktısı 02:28.680 --> 02:32.530 VS olur ve bu nedenle bir boyuta sahiptir. 02:32.550 --> 02:33.710 Bu sadece bir değer. 02:33.870 --> 02:36.320 Ve işte burada bir tane koyduk. 02:36.510 --> 02:43.020 Ve unutmayın ki aktörler arasında paylaşılan şey budur, böylece eylemlerini daha alakalı bir 02:43.020 --> 02:46.590 şekilde oynatabilmek için kullanabilecekleri ortak bilgiler edinebilirsiniz. 02:46.980 --> 02:50.430 Tamam, eleştirmenin sinir ağı için. 02:50.580 --> 02:59.820 Ve şimdi aktörün yeni ağını yapalım ve bu nedenle ben burada kendiliğinden öğretmen oyuncusu doğrusal ve aynı 02:59.850 --> 03:02.830 zaten girdileri kodlanmış Devletlere sahibiz. 03:02.850 --> 03:08.430 ve dolayısıyla bir modülden sonra doğrusal sınıfı alıp, aktörün 03:08.430 --> 03:15.870 bu yeni ağının 256 boyutunda 256 kodlu durumu alacağını söylediğimizi söylemeliyiz. 03:15.870 --> 03:19.840 Şimdi sadece doğrusal bir bağlantı eklemeliyiz 03:20.070 --> 03:26.010 Fakat çıkış, çünkü tabii ki aktör için sinir ağı çıktısının diğer 03:26.010 --> 03:30.790 anahtar giriş durumlarının anahtar değerlerini içerdiğinden dolayı farklı olacak. 03:30.860 --> 03:33.620 Duyabildiğimizi ve aksiyon plakasını. 03:33.810 --> 03:40.980 Bu kodlanmış hal olarak adlandırdığımız bir başka deyişle, bu sinir ağının çıktısını oynayan bir eylem olduğu 03:40.980 --> 03:44.480 için yine burada q olarak birer cümle geliriz. 03:44.880 --> 03:50.010 Ve bildiğiniz gibi, her bir hareket için büyük bir değere sahibiz, o zaman çıktılarımız yok. 03:50.010 --> 03:57.680 dolayısıyla çıktı burada çıktı olmayacak çünkü çıktı aslında insan sayısı değil. 03:57.680 --> 03:59.380 Q değerleri ve 03:59.840 --> 04:01.100 Tamam mükemmel. 04:01.130 --> 04:05.360 İstersen burada yazdıklarımı yazabilirim. 04:05.390 --> 04:18.410 Eleştirmen, kodlanmış durum olduğu kadar iyidir ve aktör için çıktı her şeyden önce sevimlidir. 04:18.410 --> 04:23.750 Bu nedenle bu ayrımı anlamak ve bu nedenle iki ayrı haber ağımız olduğunu 04:23.900 --> 04:25.370 anlamak çok önemlidir. 04:25.370 --> 04:29.370 Biri eleştirmen ve diğeri aktör için Tamam. 04:29.380 --> 04:32.080 Bu yüzden neredeyse bu işlevi bitirdik. 04:32.170 --> 04:33.920 Şimdi en önemli şey bitti. 04:34.030 --> 04:39.370 Yapmamız gereken tek şey, bu iki sinir ağının tüm ağırlıklarını ve tüm 04:39.790 --> 04:40.830 önyargılarını başlatmaktır. 04:40.860 --> 04:45.800 Ve elbette bunu yapmak için, daha önce yaptığımız, normalize edilmiş sütun başlatıcısı 04:45.900 --> 04:48.480 ve içindeki ağırlıkları içeren iki fonksiyonu kullanacağız. 04:48.490 --> 04:49.720 Bu yüzden hızlı bir şekilde yapalım. 04:49.870 --> 04:52.180 Oldukça kolay ve oldukça hızlı olacak. 04:52.180 --> 04:56.590 rasgele ağırlıkları başlatacağız ve bunu yapmak için, ağırlıktaki fonksiyonları nesnemize uygulayacağız. 04:56.590 --> 04:58.420 Bu yüzden, önce bazı 04:58.420 --> 05:03.150 Dolayısıyla, burada nesnemizi elde etmek ve itiraf etmek için kendini almalıyız. 05:03.160 --> 05:06.440 Ağırlığı fonksiyonuna uygularız. 05:06.620 --> 05:14.200 Dolayısıyla içeride ağırlıkları o işleve yerleştirmeliyiz ve sonra bu işlevi nesnemize uygulayacağız ve bunu 05:14.200 --> 05:20.080 yaparak sadece bu ağırlıkların gelecekteki en iyi öğrenimini elde etmek için 05:20.140 --> 05:21.930 bazı rastgele ağırlıkları başlatıyoruz. 05:22.000 --> 05:27.460 Ve şimdi yapmamız gereken aktör ve eleştirmen için özel bir normalleştirme yapmak. 05:27.670 --> 05:33.700 varyansı ayarlamayacağımızı söyledim, küçük bir standart sapma küçük varyans elde edeceksiniz. 05:33.780 --> 05:38.890 Ancak hatırlattığım kadarıyla önceki derslerde akrilikte X için aynı 05:38.890 --> 05:40.840 Ve eleştirmenler büyük bir alacak. 05:40.840 --> 05:41.800 Ve bunu neden yapıyoruz. 05:41.800 --> 05:47.560 Aktör için ağırlıkların küçük bir standart sapması ve eleştirmenin yolunun geniş standart 05:47.560 --> 05:49.320 sapması vermenin amacı nedir? 05:49.510 --> 05:53.830 Bu, araştırmayı sömürüye göre yönetmeyi sağlar. 05:53.830 --> 05:58.620 Bunu, daha büyük bir kitleye aktörün eleştirmesine küçük bir varyasyon vererek bunu yapmanın tam 05:58.630 --> 05:59.460 amacı budur. 05:59.490 --> 06:04.510 Araştırmaya ve sömürüye karşı iyi bir yönetim yapacağız. 06:04.600 --> 06:07.510 O halde bunu yapalım önce aktöre bakalım. 06:07.510 --> 06:14.170 Böylece ben ya da nesne alıyoruz, o zaman aktör Linnea olan sinir 06:14.270 --> 06:20.350 ağını alacağız, aktörün bu yeni ağının ağırlıklarına erişeceğiz ve ihtiyacımız olan 06:20.350 --> 06:23.360 ağırlıkların verisine erişmeyi unutmayacağız. Bu verileri. 06:23.410 --> 06:24.280 Tamam. 06:24.280 --> 06:31.000 Böylece ağırlıkları elde ediyoruz ve şimdi normalleştirilmiş tarağımızın başlatıcısı işlevimizi kullanacağız. 06:31.390 --> 06:36.520 Dolayısıyla, bu yapıştırmayı burada kopyalayıp bir tartışma yapacağız. 06:36.520 --> 06:38.810 Bu ağırlıkların standart sapma olarak bulunmasını istiyoruz. 06:39.160 --> 06:42.130 Ancak önce bu fonksiyonun iki argüman aldığını unutmayın. 06:42.200 --> 06:45.280 İlk olarak, başlatmak istediğimiz yol. 06:45.280 --> 06:49.750 Dolayısıyla, onu tekrar almamız ve burada temel almamız gerekiyor. 06:49.870 --> 06:53.010 Ve ikinci argüman standart sapmadır. 06:53.170 --> 06:54.420 Bu ağırlıkların olmasını isteriz. 06:54.580 --> 07:02.880 Dolayısıyla küçük bir aktör için küçük bir standart sapma istediğimizi söylediğimizde 0 olacak. 01 mükemmel. 07:02.890 --> 07:05.880 Bu yüzden aktörün sinir ağı ağırlıkları burada. 07:05.900 --> 07:09.610 Şimdi aktörün yeni eserinin önyargılarına dikkat edelim. 07:09.850 --> 07:15.460 Ve bu nedenle burada aşağıda bu yapıştırmayı kopyalayacağımız hemen hemen aynısını yapacağız. 07:15.520 --> 07:26.470 Alıcılara ağırlık vermek için alıcılar ve yalnızca dolgu ekleyeceğimiz verilerle ve tüm cihazların sıfırla başlatılmasını istediğimizden 07:26.560 --> 07:31.170 sıfırdan içeri girdiğimiz zamanı hatırlayarak yerini değiştirin. 07:31.510 --> 07:37.840 Aslında alıcıları bekleme işlevinde bu dolgu işlevi ile sıfıra zaten başlattığınızı hatırladığınız 07:37.840 --> 07:41.400 için aslında bu satırı zorunlu hissetmiyorum. 07:41.620 --> 07:47.560 Yani, bunu yalnızca alıcıların sıfıra sıfırlandığından emin olmak için yapıyoruz. 07:47.560 --> 07:49.490 Ama bence zaten burada bitti. 07:49.690 --> 07:52.720 Ama yine de yüzde yüz emin olduk. 07:53.050 --> 07:55.990 Pekâlâ, eleştirmen için de aynı şeyi yapacağız. 07:56.050 --> 07:59.660 Şimdi verimli olalım ve bu iki satırı da ele alalım. 08:00.220 --> 08:07.180 Onlarla burada yüzleşelim ve burada sadece aktörü eleştirmenle değiştireceğiz. 08:07.180 --> 08:08.400 Burada aynı. 08:08.540 --> 08:13.600 Ve şimdi değiştirmek zorunda olduğumuz tek şey, eleştirmen için sinir ağı 08:13.600 --> 08:15.680 ağırlıklarını istediğimiz standart sapmadır. 08:15.970 --> 08:23.310 girersek, aktörün yeni eseri ağırlığı ve ağırlıklar için büyük bir standart sapma için küçük bir standart sapma elde edeceğiz. 08:23.830 --> 08:29.680 Ve bir zamanlar bu kez bir kez açık ya da bir tane daha büyük bir 08:29.680 --> 08:31.610 standart sapmayı hatırlarsanız, bir tane 08:31.630 --> 08:33.290 Sonra da eleştirmene kavuştuğumuzda. 08:33.370 --> 08:37.560 Ve elbette, burada aktif olarak kredi ile değiştirdiğimiz bir şey. 08:37.980 --> 08:40.460 Pekala şimdi havalıyız. 08:40.510 --> 08:46.300 Şimdi, yapmamız gereken iki kalan şey var: ekibin önyargılarını da başlatmak ve bunu yapmak için nesnemizin kendisini alıyoruz, çünkü LACMA bizim 08:46.300 --> 08:53.500 nesnemize ait ve biz de T olarak söyleyebiliriz. N. sonra o zaman ve 08:53.870 --> 08:57.980 sonuncusu olan iki alıcı türünü alacağız. 08:58.180 --> 09:04.650 Bu önyargı ve yaşa göre skor ve diğeri skor yaşı yaşına dayanmaktadır. 09:04.660 --> 09:09.880 CME'deki iki önyargı türü budur ve aynı şekilde sıfıra başlatılacaktır. 09:09.880 --> 09:18.810 Böylece önce verilere eriştik ve ardından alıcıların hepsini sıfırlarla doldurmak için doldurma 09:18.850 --> 09:21.940 altçizgisi işlevini sizinle başlatın. 09:21.940 --> 09:22.320 Sağ. 09:22.360 --> 09:31.500 Ve şimdi alıcıların ikinci grubu için, aynı yaş grubunun yaş yaşına göre değiştirilmesi için buradayız. 09:31.500 --> 09:32.430 Tamam. 09:32.570 --> 09:39.560 gereken şey, tren yöntemi olan bu modülden ve sonundan devralınan bir yöntem kullanmaktır. 09:39.560 --> 09:43.090 Sıfırların önyargılarını başlatıyor ve şimdi son yapmamız 09:43.220 --> 09:47.360 Ve temelde, tedaviyi modüle geçiren bir yöntem var. 09:47.540 --> 09:48.760 Peki bunun kullanımı ne. 09:48.890 --> 09:55.440 Peki kullanım banyo ligations herhangi bir damla varsa etkinleştirmek için izin verir olmasıdır. 09:55.550 --> 10:03.100 Ve bunu kullanmak için sadece kendi düşünce trenini ekliyoruz ve bu modülü sarmallarla mükemmel kılacak. 10:03.170 --> 10:05.650 Böylece init işlevi bitti. 10:05.720 --> 10:11.210 CME'ye sahip olduğumuz kıvrımlarımıza sahibiz eleştirmen ve oyuncu için iki ayrı sinir 10:11.210 --> 10:15.400 ağımız var ve tüm ağırlıklar ve önyargı iyi başlatılmış durumda. 10:15.620 --> 10:16.940 Bu yüzden hepsi iyi. 10:16.940 --> 10:21.860 İleriye yönelik bir işlevi yapmak için bir sonraki adıma geçmeye hazırız, ki bu 10:21.890 --> 10:27.230 ileri işlevi, çıktı elde edilene kadar elbette tüm beyindeki orijinal girdi görüntüleri ile en 10:27.230 --> 10:28.640 baştan sinyali ilerletecektir. 10:29.000 --> 10:30.770 Bunu bir sonraki ders kitabında yapalım. 10:30.800 --> 10:32.330 Ve o zamana kadar AI zevk.