WEBVTT 00:00.580 --> 00:02.850 Witam i zapraszam do sklepu. 00:03.040 --> 00:07.040 W porządku, więc teraz zamierzamy wprowadzić sztuczną inteligencję od zera. 00:07.040 --> 00:08.870 Zrobimy to linia po linii. 00:09.070 --> 00:12.550 I w tej pierwszej dobrej sekcji będziemy importować biblioteki. 00:12.550 --> 00:17.880 Ale zanim zaczniemy z tą pierwszą sekcją kodu, chciałbym wyjaśnić związek między 00:17.890 --> 00:20.140 sztuczną inteligencją a naszą mapą. 00:20.560 --> 00:24.000 Właśnie dlatego wdrażamy to dla nich. 00:24.040 --> 00:27.880 Jaki jest cel naszej sztucznej inteligencji i gdzie będziemy z niej korzystać. 00:27.880 --> 00:30.160 Jest to bardzo proste. 00:30.170 --> 00:34.900 Robimy tylko naszą sztuczną inteligencję, aby wybrać odpowiednią akcję i za każdym razem. 00:35.140 --> 00:42.390 Tak więc importujemy klasę z naszego pliku, więc zrobimy ten D2 w klasie w tym pliku. 00:42.580 --> 00:51.220 Ale potem zaimportujemy je tylko po to, aby wybrać odpowiednią akcję do zagrania za każdym razem i wybieramy tę akcję dokładnie 00:51.490 --> 00:53.070 w tej linii. 00:53.080 --> 01:00.580 Akcja równa się aktualizacji mózgu mniej nagrody mniej sygnału mniej sygnału będzie wejściem sieci neuronowej. 01:00.760 --> 01:05.950 Wiesz, że składa się on z trzech sygnałów czujników Plus orientacji i orientacji ujemnej. 01:06.130 --> 01:09.890 Więc to są dane wejściowe, ale wyjście jest akcją do grania. 01:10.030 --> 01:14.970 I to tylko to, co zabieramy z naszej sztucznej inteligencji, poczułem, że zaraz zrobimy. 01:15.250 --> 01:16.310 Miej to na uwadze. 01:16.390 --> 01:17.590 To jest bardzo proste. 01:17.590 --> 01:25.900 Najpierw importujemy dekryminalizację z AI AI, a następnie tworzymy mózg obiektu z klasy ludzkiej, która jako dane 01:25.990 --> 01:32.110 wejściowe przyjmuje zakodowane wektory dla stanów pięciu wymiarów trzy sygnały plus orientacja 01:32.290 --> 01:33.970 plus orientacja ujemna. 01:34.030 --> 01:36.910 Reakcje idą w lewo, idź prosto lub idź w prawo. 01:37.030 --> 01:38.470 A potem ten parametr gamma. 01:38.560 --> 01:42.410 To jedyne parametry klasy, którą będziemy robić. 01:42.490 --> 01:50.140 A kiedy już stworzymy ten obiekt, wybierzemy w klasie gry akcję do zagrania za każdym razem. 01:50.140 --> 01:51.760 A to zależy od ostatniego słowa. 01:51.940 --> 01:58.450 I Lusignan, który jest wkładem i to jest jedyny cel, aby to powiedzieć, że aby 01:58.450 --> 02:03.620 prawdziwa sztuczna inteligencja grała właściwe działania, za każdym razem, gdy poruszamy się 02:04.030 --> 02:08.480 w prawo, zamiast losowych działań, jak zaobserwowaliśmy w poprzednim tutorialu. 02:08.500 --> 02:12.620 W porządku, zróbmy to, wykorzystajmy naszą sztuczną inteligencję. 02:12.760 --> 02:18.430 Jak już powiedzieliśmy, zaczniemy od zaimportowania wszystkich bibliotek, których będziemy używać do implementacji. 02:18.460 --> 02:21.160 W ten sposób otrzymamy wszystkie potrzebne narzędzia. 02:21.160 --> 02:22.790 W porządku, zacznijmy od pierwszego. 02:22.810 --> 02:28.870 Pierwszym z nich jest nieunikniona biblioteka non-packa z biblioteki nie-tajlandzkiej. 02:28.870 --> 02:35.270 Zawsze polecam zaimportować to biblioteka, która pozwala nam grać i pracować z Irakijczykami. 02:35.620 --> 02:40.180 A to jest skrótem, wygodniejszym, gdy chcemy używać numeru. 02:40.590 --> 02:44.050 W porządku, druga biblioteka jest losowa. 02:44.050 --> 02:50.530 A więc dzieje się tak dlatego, że podczas wdrażania powtórzeń będziemy pobierać losowe próbki z 02:50.530 --> 02:51.770 różnych partii. 02:51.940 --> 02:54.650 Musimy więc również zaimportować tę losową bibliotekę. 02:54.880 --> 03:02.470 Następnie zaimportujemy os, które będą użyteczne, gdy chcemy wczytać model, ponieważ wiesz, że gdy model będzie 03:02.470 --> 03:08.710 gotowy, zaimplementujemy kod, aby zapisać model, a następnie inny kod do załadowania modelu. 03:08.700 --> 03:14.140 Właśnie wtedy chcemy, abyście oszczędzali mózg i ładowali mózg za każdym razem, gdy chcecie zamknąć komputer, 03:14.140 --> 03:18.850 a my używamy mózgu, który został wcześniej wyszkolony do jakiegoś nowego eksperymentu. 03:19.060 --> 03:20.410 To ważne. 03:20.740 --> 03:27.230 Następnie zaimportujemy bibliotekę pochodni niezbędną. 03:27.250 --> 03:32.170 To dlatego, że będziemy wdrażać naszą sieć neuronową z moją latarką, którą polecam znacznie 03:32.170 --> 03:36.670 więcej niż innym sztucznym inteligencjom, ponieważ potrafi poradzić sobie z dynamicznymi wykresami. 03:36.670 --> 03:46.150 Więc idziemy z torche, a następnie z torche mamy zamiar importować torche start i end, moduł końcowy jest najbardziej niezbędny, który 03:46.150 --> 03:51.730 jest moduł, który zawiera wszystkie narzędzia do realizacji niektórych sieci neuronowych. 03:51.820 --> 03:57.370 I oczywiście będzie głęboka sieć neuronowa, która weźmie jako sygnały wejściowe trzy 03:57.370 --> 04:03.910 sygnały z trzech czujników plus orientacja i orientacja ujemna i zwróci jako wyjście akcję do grania. 04:04.090 --> 04:09.220 Właściwie, aby zwrócić q wartości różnych akcji i używając miękkiego Max. 04:09.220 --> 04:15.970 Zwrócimy akcję, aby zagrać tylko jedną, która jest najbardziej 04:16.000 --> 04:26.500 istotna, aby karty poszły na tortury, a najistotniejsze, a następnie podamy skrót do pakietu funkcjonalnego. 04:26.550 --> 04:29.960 Stąd idziemy z pakietem funkcjonalnym od końca i Maggio. 04:29.970 --> 04:36.310 Tak więc ten pakiet funkcjonalny zawiera różne funkcje, których używamy przy wdrażaniu sieci neuronowej. 04:36.340 --> 04:42.240 Zwykle ostatnia funkcja, którą będziemy wykorzystywać do utraty danych, ponieważ poprawia ona konwergencję, a 04:42.240 --> 04:46.950 strata jest zawarta w tym funkcjonalnym module częściowym z modułu końcowego. 04:47.190 --> 04:54.330 A ponieważ wszystko to trwa dość długo, zamierzamy nadać mu skrót i nazwijmy to po prostu. 04:54.460 --> 04:57.260 Następnie tylko 3 moduły do zaimportowania w lewo. 04:57.340 --> 05:05.710 Więc następny to kolejny centralny, który należy do niego, a my zabieramy go z 05:06.220 --> 05:12.870 biblioteki tortur, a potem idziemy tam i nazwijmy to zamiast nim. 05:13.030 --> 05:15.250 To oczywiście dla optymalizatora. 05:15.340 --> 05:22.030 Będziemy importować niektóre optymalizatory do wykonywania C-klasy w takim sensie, że zdecydowanie będziemy tego 05:22.030 --> 05:25.100 potrzebować, a następnie musimy zaimportować autografy. 05:25.210 --> 05:28.670 I to tylko po to, abyśmy zmienili klasę z naszego żalu. 05:29.170 --> 05:31.630 Tak więc jego cel jest trochę techniczny. 05:31.630 --> 05:39.010 Zasadniczo musimy zaimportować klasę zmiennych, aby dokonać konwersji z tensorów, które są jak bardziej zaawansowane 05:39.010 --> 05:43.160 tablice, aby uniknąć wszystkiego, co zawiera gradient. 05:43.210 --> 05:46.640 Tak więc nie chcemy mieć tylko tensora samodzielnie. 05:46.660 --> 05:51.940 Chcemy umieścić tensor w zmiennej, która będzie również zawierała gradient i aby 05:51.940 --> 05:58.350 to zrobić, musimy użyć klasy zmiennej, aby przekształcić ten tensor w zmienną zawierającą tensor i gradient. 05:58.520 --> 06:02.550 To trochę techniczne, ale to właśnie musimy zrobić, pracując z latarką PI. 06:02.680 --> 06:04.830 I robimy to dzięki zmiennej klasie. 06:04.840 --> 06:13.220 Zanim jednak przejdziemy do klasy zmiennej, musimy zaimportować torche 06:13.220 --> 06:26.430 tego gradu i dać krótki skrót, a następnie z pochodni, którą poddajemy, importujemy Roybala. Idziemy. 06:26.560 --> 06:31.390 A teraz mamy wszystkie biblioteki, których będziemy używać do implementacji naszej sztucznej inteligencji. 06:31.600 --> 06:34.050 Nie będziemy więc zajmować się importowaniem żadnej innej biblioteki. 06:34.060 --> 06:35.670 Mamy wszystkie potrzebne narzędzia. 06:35.830 --> 06:40.000 A teraz jesteśmy gotowi, aby stworzyć architekturę sieci neuronowej. 06:40.030 --> 06:42.680 Tak właśnie zrobimy w następnym samouczku. 06:42.760 --> 06:44.370 A do tego czasu ciesz się AI.