WEBVTT 00:00.360 --> 00:02.490 مرحبًا ومرحبًا بكم في برنامج Python التعليمي هذا. 00:02.520 --> 00:07.530 سنقوم الآن بعمل الوظيفة الأمامية التي ستعيد توجيه الإشارة في جميع 00:07.530 --> 00:13.050 أنحاء الدماغ من البداية مع إدخال الصور حتى الإخراج ، والتي ستحتوي على قيم جديلة 00:13.050 --> 00:17.920 للممثل وقيمة V وهي القيمة المأخوذة بواسطة وظيفة V للناقد. 00:17.940 --> 00:23.720 لذا سيكون الأمر مشابهًا تمامًا لما فعلناه مع Doom ، لكن شيئًا ما سيتغير هذه المرة. 00:23.730 --> 00:29.040 الشيء الرئيسي الذي سيتغير هو أنه لدينا الآن جهاز صراف آلي في الدماغ ، لذلك علينا جميعًا أن 00:29.040 --> 00:32.280 نفعل شيئًا أكثر لنشر الإشارة وأن نكون حذرين في ذلك. 00:32.580 --> 00:38.220 والشيء الآخر الأقل أهمية ، ولكن لا يزال هذا يتغير مقارنة بالسابق ، هو 00:38.220 --> 00:43.800 أننا لن نستخدم وظيفة تنشيط الحلقة ، كما تعلمون ، وظيفة التنشيط غير الخطي 00:43.800 --> 00:48.770 ، لكننا سنستخدم الحلقة ، وهي نوع من وظيفة أكثر تطورا. 00:48.780 --> 00:51.210 سنرى ذلك في وثائق بايثون. 00:51.630 --> 00:52.770 لذلك دعونا نفعل هذا. 00:52.770 --> 00:54.180 دعونا نجعل هذه الوظيفة. 00:54.180 --> 00:55.800 نبدأ مع مواطنه. 00:55.890 --> 00:58.980 هذه في الواقع الوظيفة الأخيرة لهذه الفئة النشطة. 00:58.980 --> 01:02.400 لذلك سوف نسميها للأمام مثل المرة السابقة. 01:02.400 --> 01:09.930 وهذه الوظيفة الرابعة ستأخذ ذاتيًا الكائن لأننا سنستخدم الكائن والمدخلات. 01:09.930 --> 01:13.320 من المهم جدًا أن نفهم ماذا ستكون هذه المدخلات؟ 01:13.350 --> 01:19.110 لن تكون هذه مدخلات الصور فحسب ، بل ستحتوي هذه المدخلات أيضًا على العقد المخفية وعقد 01:19.110 --> 01:20.810 الخلية الخاصة بالفريق. 01:20.850 --> 01:24.300 لهذا السبب أردت أن أوضح أن بعض الأشياء ستتغير. 01:24.300 --> 01:30.020 الآن ، في الأساس ، نحن ندرس في الوظيفة الأمامية العقد المخفية في العقد الخلوية 01:30.040 --> 01:30.720 لـ STM. 01:30.930 --> 01:38.760 وبالحديث عنهم الآن ، ما سنفعله هو فصل هذين المُدخَلين في هذه الحجة ، والمدخلات في الدالة إلى الأمام 01:38.760 --> 01:41.440 ، وكيف يمكننا الفصل بينهما؟ 01:41.460 --> 01:46.050 حسنًا ، يمكننا أن نتذكر متغيرًا جديدًا ، وهو الصور المدخلة. 01:46.050 --> 01:55.110 هذه المرة ، الصور المدخلة ونفصلها عن المجموعة H و X و C x ، وهي عبارة عن حالتين مخفيتين 01:55.110 --> 02:02.520 وحالات الخلية في lsg m ، لذا فإن h x هي الحالات المخفية و c x هي حالات الخلية 02:02.550 --> 02:03.720 . 02:04.440 --> 02:04.800 حسنا. 02:04.800 --> 02:07.470 وهذا سيساوي المدخلات. 02:07.470 --> 02:09.030 هذه هي الحجة هنا. 02:09.420 --> 02:15.000 الآن نقوم بهذا الفصل وبالتالي يمكننا البدء في نشر الإشارة في جميع أنحاء الدماغ. 02:15.000 --> 02:21.030 وللقيام بذلك ، سوف نحصل على الطبقات المختلفة تباعا من الأولى إلى الأخيرة 02:21.030 --> 02:30.060 باستخدام الوصلات التي هي التلافيف ، ووصلة lshtm والاتصال الخطي هنا ، والوصلات الكاملة. 02:30.210 --> 02:31.650 لذلك دعونا نفعل هذا الآن. 02:31.650 --> 02:33.470 ستكون كما كانت من قبل. 02:33.480 --> 02:39.060 سنحصل على الطبقة الأولى التي سنطلق عليها اسم X ، ولحصول على هذه الطبقة الأولى ، نحتاج 02:39.060 --> 02:44.880 إلى نشر الإشارة من الإدخال إلى هذه الطبقة الأولى ، وبالتالي نحتاج إلى استخدام الالتفاف 02:44.880 --> 02:51.660 الأول لأنه هذا الالتواء الأول الذي ينشر الإشارة من الصور المدخلة إلى الطبقة الأولى. 02:51.840 --> 02:58.020 إذن ما سنفعله الآن هو نسخ هذا لأن هذا هو الالتفاف الأول الذي نقوم بلصقه هنا ونطبق 02:58.020 --> 03:04.710 هذا الالتفاف الأول على صور الإدخال لدينا والتي هي الآن المدخلات الصحيحة. 03:04.710 --> 03:05.640 وها نحن ذا. 03:05.640 --> 03:09.480 يقوم ذلك بنشر الإشارة من الصور المدخلة إلى الطبقة الأولى. 03:09.600 --> 03:16.170 لكن تذكر الآن ، علينا استخدام وظيفة تنشيط غير خطية لكسر الخطية حتى نتمكن 03:16.170 --> 03:20.040 من تعلم العلاقات غير الخطية داخل الصور. 03:20.040 --> 03:25.830 وللقيام بذلك ، سنستخدم ، كما قلنا ، وظيفة تنشيط ALU التي نحن على وشك رؤيتها 03:25.830 --> 03:27.990 الآن في PyTorch doc. 03:27.990 --> 03:29.940 لكن قبل ذلك ، دعنا نحصل عليه. 03:29.940 --> 03:36.450 للحصول عليها ، يبدو الأمر كما لو أننا نأخذ الوحدة الوظيفية التي تحتوي على مقطع قصير 03:36.450 --> 03:45.750 F ثم نقطة ثم Alu ثم نضع كل هذا بين قوسين لأننا نريد تنشيط الخلايا العصبية لهذه الطبقة الأولى هنا بشكل غير خطي والتي نحصل 03:45.750 --> 03:50.730 عليها من خلال التطبيق الالتفاف الأول على المدخلات. 03:50.970 --> 03:55.050 الآن دعنا نذهب إلى PyTorch ، دوج ، لفهم ما هو ALU. 03:55.080 --> 04:02.130 هنا يمكنك الوصول إليه إلى pytorch dot org slash doug slash rn dot html. 04:02.130 --> 04:04.860 ومن ثم عليك أن تجد عمليات التنشيط غير الخطية. 04:05.310 --> 04:10.470 وفي وظيفة التنشيط غير الخطية ستجد جيدًا ، لو ، هذه هي الطريقة الكلاسيكية التي نعرفها. 04:10.470 --> 04:16.500 إذن ، هو مجرد حد أقصى للصفر و x ، لديك التمثيل البياني في الاعتبار ، ثم لديك إصدار ستة ، وهو 04:16.500 --> 04:17.100 هذا. 04:17.100 --> 04:19.260 لذلك قليلا أكثر تطورا. 04:19.260 --> 04:20.040 وها نحن ذا. 04:20.040 --> 04:21.060 لدينا لو. 04:21.330 --> 04:26.400 وكما ترى ، الحلقة هي حلقة بالإضافة إلى عنصر إضافي. 04:26.400 --> 04:29.130 لذلك فهي مثل قيمة أكثر تعقيدًا. 04:29.130 --> 04:33.960 وهذا هو ما نستخدمه لتنشيط الخلايا العصبية في الطبقات المختلفة بشكل غير خطي. 04:33.960 --> 04:39.030 وبالمناسبة ، فإن وظيفة تنشيط الحلقة هذه تسمى الوحدة الخطية الأسية. 04:39.300 --> 04:40.170 لذا ها نحن ذا. 04:40.170 --> 04:46.170 نطبق الحلقة على الطبقة التلافيفية الأولى والآن ستكون الأمور سهلة. 04:46.170 --> 04:52.230 سننتقل إلى الانتشار الرابع التالي للإشارة ، والذي يبدأ من الطبقة التلافيفية الأولى 04:52.230 --> 04:58.980 إلى الطبقة التلافيفية الثانية ، والتي سنسميها X ، لأننا في الأساس نقوم بتحديث X الآن ، x هي 04:58.980 --> 05:05.430 أول تلافيف طبقة ومن خلال نشر الإشارة من الطبقة التلافيفية الأولى إلى الطبقة التالية 05:05.430 --> 05:09.060 ، ستصبح x الطبقة التلافيفية التالية. 05:09.270 --> 05:15.120 ومن أجل نشر الإشارة من الطبقة التلافيفية الأولى إلى الطبقة الثانية ، يمكننا 05:15.120 --> 05:20.310 ببساطة نسخها ولصقها هنا واستبدال conf واحد بـ conf اثنين. 05:20.310 --> 05:25.920 والآن بالطبع لا يتم تطبيق الالتفاف الثاني على الصور المدخلة بل على x. 05:25.920 --> 05:29.400 هذه هي الطبقة التلافيفية الأولى الموجودة هنا. 05:29.670 --> 05:30.630 حسنًا ، رائع. 05:30.630 --> 05:36.720 الآن نحصل على الطبقة التلافيفية الثانية ، والآن لننشر الإشارة مرة أخرى من الطبقة التلافيفية الثانية إلى 05:36.720 --> 05:37.950 الطبقة الثالثة. 05:37.950 --> 05:45.660 وبالتالي ، يمكننا نسخ هذا مباشرة ووضعه في الأساس هنا والتعويض عن اثنين في ثلاثة. 05:45.810 --> 05:46.710 هناك نذهب. 05:46.710 --> 05:52.740 وآخرها الآن لنشر الإشارة من الطبقة التلافيفية الثالثة إلى الطبقة الرابعة والأخيرة 05:52.740 --> 05:58.620 ، يمكننا فقط نسخ هذا مرة أخرى ، ولصقه هنا واستبدال المعسكر ثلاثة بأربعة. 05:58.650 --> 05:59.460 هناك نذهب. 06:00.000 --> 06:01.560 لذلك دعونا نلخص. 06:01.590 --> 06:03.240 نبدأ بمدخلاتنا. 06:03.240 --> 06:06.930 نطبق الالتفاف الأول للحصول على الطبقة التلافيفية الأولى. 06:07.080 --> 06:12.090 ثم نطبق الالتفاف الثاني على الطبقة التلافيفية الأولى للحصول على الطبقة التلافيفية 06:12.090 --> 06:12.720 الثانية. 06:12.720 --> 06:18.300 ثم نطبق الالتفاف الثالث على الطبقة التلافيفية الثانية للحصول على الطبقة التلافيفية الثالثة. 06:18.300 --> 06:24.570 وأخيرًا قمنا بتطبيق الالتفاف الرابع على الطبقة التلافيفية الثالثة للحصول على الطبقة التلافيفية 06:24.570 --> 06:29.700 الرابعة ، وهذه هي الطريقة التي تنتشر بها الإشارة عبر عيون الذكاء الاصطناعي. 06:29.820 --> 06:30.600 لذا ها نحن ذا. 06:30.600 --> 06:35.550 لدينا الآن إشارة الخرج بعد التلافيف الأربعة والآن أنت تعرف ماذا تفعل. 06:35.550 --> 06:40.710 نحتاج إلى توسيع إشارة الخرج هذه بالكامل في متجه أحادي الأبعاد. 06:40.710 --> 06:42.570 هذه هي خطوة التسطيح. 06:42.630 --> 06:45.060 لذلك سنقوم بتحديث X مرة أخرى. 06:45.090 --> 06:48.690 سيصبح X الآن هذا المتجه ذو البعد الواحد المسطح. 06:49.050 --> 06:55.110 وللقيام بذلك ، علينا أن نأخذ X ، وهي الطبقة التلافيفية الرابعة 06:55.620 --> 06:57.180 x نقطة حتى الآن. 06:57.330 --> 07:03.720 ثم نستخدم الدالة Vue ونُدخل أولاً ناقص واحد لنقول إننا نريد. 07:03.800 --> 07:05.240 المتجه أحادي البعد. 07:05.240 --> 07:10.940 ثم كحجة ثانية ، نحتاج إلى إدخال عدد العناصر في هذا المتجه ، أي تذكر 07:10.940 --> 07:16.280 ، 32 مرة ، ثلاثة في ثلاثة ، وبالتالي فإننا ندخل هنا 32. 07:17.060 --> 07:19.670 ضرب ثلاثة ضرب ثلاثة. 07:20.120 --> 07:20.650 هناك نذهب. 07:20.660 --> 07:24.290 الآن لدينا المتجه المسطح الخاص بنا ويتم تنفيذ خطوة التسطيح. 07:24.530 --> 07:25.290 في احسن الاحوال. 07:25.310 --> 07:27.980 الآن دعنا نعتني بالجزء الأخير. 07:27.980 --> 07:31.610 لذا كما فهمت ، فإن Lshtm يأخذنا إلى المدخلات. 07:31.610 --> 07:36.830 المتجه المسطح ، هذا المتجه أحادي الأبعاد المكون من ثلاثة ، مرتين ، ثلاثة في ثلاثة عناصر. 07:36.950 --> 07:40.250 لذلك فهو جاهز بالفعل ومجهز جيدًا لـ Lshtm. 07:40.250 --> 07:47.120 أصبح Lshtm جاهزًا الآن لأخذ هذا المتجه المسطح كمدخل ، وبالتالي يمكننا أخذ 07:47.240 --> 07:49.820 lshtm والمدخلات كحجة. 07:49.820 --> 07:55.820 أول X عبارة عن متجه مسطح جاهز هذا هو الأشعة السينية التي أنفقناها للتو. 07:56.000 --> 08:00.620 ولكن أيضًا وهنا يأتي دور هذا الثنائي. 08:00.650 --> 08:08.660 نحتاج إلى إدخال H و X و C و x ويمكننا استخدام x ونرى x هنا لأننا قمنا بعمل الفواصل من وسيطة 08:08.660 --> 08:12.230 الإدخال الأصلية للدالة الأمامية. 08:12.740 --> 08:19.010 لذا lshtm x متجه الإخراج المسطح حتى التلافيف الأربعة وهذا الجدول للعقد المخفية 08:19.010 --> 08:19.940 والخلية. 08:20.330 --> 08:21.230 لذا ها نحن ذا. 08:21.230 --> 08:26.030 إذن يجب ألا ننسى الذات لأن lshtm هو متغير في وظيفة النهاية. 08:26.030 --> 08:33.560 لذا فإن المتغيرات تعلق على الكائن بحيث يكون ذاتيًا LCM وهذا سيعود في الواقع إلى مخرجات جدول من اثنين من المخرجات 08:33.560 --> 08:37.670 والتي ستكون عقد صحة الإخراج وعقد خلية الإخراج. 08:37.670 --> 08:46.130 إذن فهي في الواقع مجموعة ، وبالتالي يمكننا تحديث h x العقد المخفية ورؤية x العقد الخلوية لأن هذا 08:46.130 --> 08:48.920 هو بالضبط ناتج lshtm هذا هنا. 08:49.930 --> 08:50.380 رائعة. 08:50.380 --> 08:52.660 لذلك نحن على وشك الانتهاء الآن. 08:52.660 --> 08:58.780 الآن بعد أن أصبح لدينا مخرجات فريق LLS ، نحتاج إلى الحصول على المخرجات المفيدة لأن الملاحظات 08:58.780 --> 09:05.230 الهندوسية فقط هي المفيدة في الواقع ، وبالتالي سنحصل عليها بتحديث x مرة أخرى ، وستكون x الآن 09:05.230 --> 09:06.970 مساوية لـ h x. 09:07.270 --> 09:13.810 العنصر الأول من الزوج الناتج لـ LSB x يساوي h x وقد انتهينا تقريبًا. 09:14.020 --> 09:18.580 تذكر أن لدينا عقلين ، عقل للممثل وعقل للناقد. 09:18.580 --> 09:24.340 وبالتالي علينا إخراج إشارات لإرجاع إشارة خرج الممثل وإشارة خرج 09:24.340 --> 09:25.150 الناقد. 09:25.330 --> 09:29.350 وبالتالي ، ما سنفعله الآن هو إرجاع إشارات الخرج هاتين. 09:29.350 --> 09:30.640 وكيف يمكننا فعل ذلك؟ 09:30.640 --> 09:31.870 حسنًا ، هذا سهل جدًا. 09:31.870 --> 09:35.230 نحتاج ببساطة إلى أخذ اتصالاتنا الخطية الكاملة. 09:35.230 --> 09:39.880 لكن بشكل منفصل ، هناك الارتباط الخطي الكامل للناقد والاتصال الكامل الخطي 09:39.880 --> 09:40.660 للممثل. 09:40.960 --> 09:47.800 ونطبق كل من هذه الوصلات على المخرج x الذي يمثل الناتج المفيد لـ lshtm وسيكون هذا 09:47.800 --> 09:50.170 كل ما سيكون إشارة الخرج. 09:50.170 --> 09:51.730 ها نحن ذا ، لنفعل ذلك. 09:51.730 --> 09:58.990 نأخذ أنفسنا أولاً في موضوعنا ، ثم نحصل على اتصال القدم الخطي للناقد ، 09:59.140 --> 10:06.730 وهو عبارة عن خط سفلي للناقد نطبقه على x ، إشارة خرج lshtm ثم نأخذ الذات مرة 10:06.730 --> 10:13.750 أخرى ، ثم ذلك ، ثم نأخذ الاتصال الكامل الخطي للممثل ، وهو الممثل الخطي 10:13.750 --> 10:16.090 الذي نطبقه على x. 10:16.090 --> 10:17.020 هناك نذهب. 10:17.920 --> 10:19.520 لذلك هذا هو الشيء الرئيسي الذي نحتاجه. 10:19.540 --> 10:25.780 ولكن بعد ذلك سنقوم أيضًا بإرجاع الجزء العلوي من جميع الملاحظات المخفية ونرى X لبيع الملاحظات لأننا 10:25.780 --> 10:28.990 سنستخدمها لاحقًا في الحلقة الرجعية لمشهد LSB. 10:29.350 --> 10:30.340 حسنًا ، رائع. 10:30.340 --> 10:36.070 لقد انتهينا الآن من الدماغ أو هل ينبغي أن أقول الأدمغة ، لأننا صنعنا بالفعل عقلين ، أحدهما 10:36.070 --> 10:37.950 للممثل والآخر للناقد. 10:37.960 --> 10:41.900 لذا تهانينا على صنع أدمغة a3c. 10:41.920 --> 10:48.160 آمل ألا يكون ذلك صعبًا جدًا على الجمع بين CNN و LCM ، ولكن الخبر السار على الأقل هو 10:48.160 --> 10:51.070 أننا نعمل حقًا مع أفضل وأقوى نموذج. 10:51.070 --> 10:52.810 لذا ها نحن ذا. 10:52.840 --> 10:56.590 لقد انتهينا بالفعل من نموذج الملف الأول ، تلك الكعكة. 10:56.620 --> 11:02.050 وهكذا في البرنامج التعليمي التالي ، سنهتم بالمحسِّن لأننا سنصنع مُحسِّنًا 11:02.050 --> 11:03.010 منفصلاً. 11:03.040 --> 11:08.170 لن نقوم بترميز كل سطر من التعليمات البرمجية لأن الكثير منه يأتي من الأوراق البحثية. 11:08.170 --> 11:10.270 وهذا في الواقع محدد جدًا. 11:10.270 --> 11:16.450 وإذا دخلنا في التفاصيل العميقة لما يحدث مع هذا المُحسِّن ، فقد يكون هذا مربكًا جدًا 11:16.450 --> 11:22.360 لما سيحدث بعد ذلك لأنه لا يزال لدينا وظيفة القطار التي يجب القيام بها ، والتي ستكون 11:22.360 --> 11:26.750 وظيفة ضخمة والتي تحتوي على الخوارزمية من المخاطر. 11:26.800 --> 11:31.570 لذا ثق بي ، فأنت تريد الاحتفاظ ببعض الطاقة من أجل ذلك ، وبالتالي لن نقضي الكثير من الوقت في 11:31.570 --> 11:32.260 هذا الأمر. 11:32.260 --> 11:37.630 لكن مع ذلك ، سأشرح الكود وستفهم الفكرة الكاملة وراء هذا المُحسِّن. 11:37.960 --> 11:43.540 لذا ، تهانينا مرة أخرى على إنشاء فصل إبداعي نشط وسأراكم في البرنامج التعليمي التالي لإنشاء 11:43.540 --> 11:44.470 المحسن. 11:44.500 --> 11:45.670 حتى ذلك الحين ، استمتع. 11:45.670 --> 11:45.970 أنا.