WEBVTT 00:00.580 --> 00:02.850 Halo dan selamat datang di toko. 00:03.040 --> 00:07.040 Baiklah sekarang kita akan menerapkan kecerdasan buatan dari awal. 00:07.040 --> 00:08.870 Kita akan memotongnya baris demi baris. 00:09.070 --> 00:12.550 Dan di bagian baik pertama ini kita akan mengimpor perpustakaan. 00:12.550 --> 00:17.880 Tetapi sebelum kita mulai dengan bagian kode pertama ini saya ingin menjelaskan hubungan 00:17.890 --> 00:20.140 antara AI dan peta kita. 00:20.560 --> 00:24.000 Itu sebabnya kami menerapkan ini untuk mereka. 00:24.040 --> 00:27.880 Apa tujuan AI kita dan di mana kita akan menggunakannya. 00:27.880 --> 00:30.160 Jadi sebenarnya sangat sederhana. 00:30.170 --> 00:34.900 Kami hanya membuat AI kami untuk memilih tindakan yang tepat dan setiap kali. 00:35.140 --> 00:42.390 Jadi OK kita mengimpor kelas dari file kita sehingga kita akan membuat D2 ini di kelas dalam file ini. 00:42.580 --> 00:51.220 Tetapi kemudian kami mengimpornya hanya untuk memilih tindakan yang tepat untuk dimainkan pada setiap waktu dan kami memilih tindakan ini tepat 00:51.490 --> 00:53.070 di baris ini. 00:53.080 --> 01:00.580 Tindakan sama dengan pembaruan otak, kurang ganjaran, lebih sedikit sinyal, semakin sedikit sinyal akan menjadi input dari jaringan saraf. 01:00.760 --> 01:05.950 Anda tahu itu terdiri dari tiga sinyal sensor plus orientasi dan minus orientasi. 01:06.130 --> 01:09.890 Jadi itulah input tetapi kemudian output adalah aksi untuk dimainkan. 01:10.030 --> 01:14.970 Dan itu hanya apa yang akan kami ambil dari AI kami yang saya rasa akan kami buat. 01:15.250 --> 01:16.310 Jadi ingatlah itu. 01:16.390 --> 01:17.590 Ini sangat sederhana. 01:17.590 --> 01:25.900 Kami pertama-tama mengimpor dekriminalisasi dari AI AI lalu kami membuat objek otak dari kelas manusia yang mengambil 01:25.990 --> 01:32.110 input vektor yang disandikan untuk keadaan lima dimensi tiga sinyal plus orientasi 01:32.290 --> 01:33.970 plus minus orientasi. 01:34.030 --> 01:36.910 Reaksi ke kiri ke kanan atau ke kanan. 01:37.030 --> 01:38.470 Dan kemudian parameter gamma ini. 01:38.560 --> 01:42.410 Itulah satu-satunya parameter kelas yang akan kita buat. 01:42.490 --> 01:50.140 Dan kemudian setelah kita membuat objek yang kita pilih di kelas permainan aksi untuk dimainkan pada setiap waktu. 01:50.140 --> 01:51.760 Dan itu tergantung pada kata terakhir. 01:51.940 --> 01:58.450 Dan Lusignan yang merupakan input dan hanya itu satu-satunya tujuan membuat ini mengatakan bahwa untuk memiliki kecerdasan 01:58.450 --> 02:03.620 buatan nyata memainkan tindakan yang tepat maka setiap kali langkah yang benar daripada 02:04.030 --> 02:08.480 memiliki tindakan acak seperti yang kita amati dalam tutorial sebelumnya. 02:08.500 --> 02:12.620 Baiklah jadi mari kita lakukan ini mari kita terapkan kecerdasan buatan kita. 02:12.760 --> 02:18.430 Dan seperti yang kami katakan kami akan mulai dengan mengimpor semua perpustakaan yang akan kami gunakan untuk mengimplementasikan. 02:18.460 --> 02:21.160 Jadi dengan begitu kita akan memiliki semua alat yang kita butuhkan. 02:21.160 --> 02:22.790 Baiklah jadi mari kita mulai dengan yang pertama. 02:22.810 --> 02:28.870 Yang pertama adalah perpustakaan non-bayar, perpustakaan non-Thailand. 02:28.870 --> 02:35.270 Saya selalu merekomendasikan untuk mengimpornya perpustakaan yang memungkinkan kami untuk bermain dan bekerja dengan orang Irak. 02:35.620 --> 02:40.180 Dan ini di sini hanyalah jalan pintas lebih nyaman ketika kita ingin menggunakan nomor. 02:40.590 --> 02:44.050 Baiklah, pustaka kedua adalah acak. 02:44.050 --> 02:50.530 Jadi ini hanya karena kita akan mengambil beberapa sampel acak dari kumpulan berbeda ketika menerapkan 02:50.530 --> 02:51.770 replay pengalaman. 02:51.940 --> 02:54.650 Jadi kita harus mengimpor perpustakaan acak ini juga. 02:54.880 --> 03:02.470 Kemudian kami akan mengimpor os yang hanya berguna ketika kami ingin memuat model karena Anda tahu begitu model siap 03:02.470 --> 03:08.710 kami akan mengimplementasikan beberapa kode untuk menyimpan model dan kemudian kode lain untuk memuat model. 03:08.700 --> 03:14.140 Saat itulah kami ingin Anda tahu menyelamatkan otak dan memuat otak kapan pun Anda ingin mematikan 03:14.140 --> 03:18.850 komputer Anda dan kami menggunakan otak yang dilatih sebelumnya untuk beberapa percobaan baru. 03:19.060 --> 03:20.410 Jadi itu penting. 03:20.740 --> 03:27.230 Lalu kita akan mengimpor pustaka obor penting. 03:27.250 --> 03:32.170 Itu karena kami akan mengimplementasikan jaringan saraf kami dengan obor yang saya rekomendasikan jauh lebih 03:32.170 --> 03:36.670 banyak daripada yang lain untuk kecerdasan buatan karena dapat menangani grafik dinamis. 03:36.670 --> 03:46.150 Jadi kita mulai dengan torche kemudian dari torche kita akan mengimpor mulai torche dan mengakhiri modul akhir adalah yang paling penting 03:46.150 --> 03:51.730 itu modul yang berisi semua alat untuk mengimplementasikan beberapa jaringan saraf. 03:51.820 --> 03:57.370 Dan tentu saja akan ada jaringan saraf yang dalam yang akan mengambil input tiga 03:57.370 --> 04:03.910 sinyal dari tiga sensor plus orientasi dan minus orientasi dan akan kembali sebagai output aksi untuk dimainkan. 04:04.090 --> 04:09.220 Yah sebenarnya untuk mengembalikan nilai q dari tindakan yang berbeda dan menggunakan Max lunak. 04:09.220 --> 04:15.970 Kami akan mengembalikan aksi untuk memainkan hanya satu yang paling relevan 04:16.000 --> 04:26.500 untuk menyelesaikan kartu pergi ke penyiksaan dan yang paling penting maka kita akan memberikan jalan pintas ke paket fungsional. 04:26.550 --> 04:29.960 Dari sini kita pergi dengan paket fungsional dari akhir dan Maggio. 04:29.970 --> 04:36.310 Jadi paket fungsional ini berisi berbagai fungsi yang kami gunakan saat menerapkan jaringan saraf. 04:36.340 --> 04:42.240 Jadi biasanya fungsi terakhir kita akan menggunakan Google loss karena meningkatkan konvergensi dan 04:42.240 --> 04:46.950 kerugian terkandung dalam submodule fungsional ini dari modul akhir. 04:47.190 --> 04:54.330 Dan karena semua ini cukup panjang, kita akan memberikannya jalan pintas dan kita akan menyebutnya f saja. 04:54.460 --> 04:57.260 Maka hanya 3 modul untuk mengimpor kiri. 04:57.340 --> 05:05.710 Jadi yang berikutnya adalah yang sentral yang terserah padanya dan kita mengambilnya dari perpustakaan penyiksaan dan kemudian 05:06.220 --> 05:12.870 di sana kita pergi dan mari kita serahkan saja kepadanya bukan atom penyiksaan. 05:13.030 --> 05:15.250 Itu tentu saja untuk pengoptimal. 05:15.340 --> 05:22.030 Kami akan mengimpor beberapa pengoptimal untuk melakukan C-grade dalam arti sehingga kami pasti akan membutuhkannya dan 05:22.030 --> 05:25.100 kemudian kami perlu mengimpor tanda tangan. 05:25.210 --> 05:28.670 Dan itu hanya untuk mengambil kelas variabel dari penyesalan kami. 05:29.170 --> 05:31.630 Jadi tujuannya sedikit teknis. 05:31.630 --> 05:39.010 Pada dasarnya kita perlu mengimpor kelas variabel untuk melakukan konversi dari tensor yang seperti array yang 05:39.010 --> 05:43.160 lebih maju untuk menghindari semua yang mengandung gradien. 05:43.210 --> 05:46.640 Jadi sepertinya kita tidak ingin hanya memiliki tensor dengan sendirinya. 05:46.660 --> 05:51.940 Kami ingin meletakkan tensor ke dalam variabel yang juga akan mengandung gradien dan untuk 05:51.940 --> 05:58.350 melakukan ini kita perlu menggunakan kelas variabel untuk mengubah tensor ini menjadi variabel yang berisi tensor dan gradien. 05:58.520 --> 06:02.550 Jadi itu sedikit teknis tetapi itulah yang harus kita lakukan ketika bekerja dengan PI torch. 06:02.680 --> 06:04.830 Dan kami melakukan ini berkat kelas variabel. 06:04.840 --> 06:13.220 Tetapi sebelum mendapatkan kelas variabel, kita perlu mengimpor torche lulusan itu dan 06:13.220 --> 06:26.430 mari kita beri jalan pintas juga sarjana dan kemudian dari obor sarjana itu kita mengimpor Roybal Di sana kita pergi. 06:26.560 --> 06:31.390 Dan sekarang kami memiliki semua perpustakaan yang akan kami gunakan untuk mengimplementasikan AI kami. 06:31.600 --> 06:34.050 Jadi kami tidak akan repot mengimpor perpustakaan lain. 06:34.060 --> 06:35.670 Kami memiliki semua alat yang kami butuhkan. 06:35.830 --> 06:40.000 Dan sekarang kita siap untuk membuat arsitektur jaringan saraf. 06:40.030 --> 06:42.680 Jadi itulah yang akan kita lakukan di tutorial selanjutnya. 06:42.760 --> 06:44.370 Dan sampai saat itu nikmati AI.