WEBVTT 00:00.330 --> 00:02.640 مرحبًا ومرحبًا بكم في برنامج Python التعليمي هذا. 00:02.670 --> 00:05.400 حسنًا ، لدينا دروس تعليمية مثيرة للغاية أمامنا. 00:05.430 --> 00:08.830 سنبدأ بإنشاء بنية الشبكة العصبية. 00:08.850 --> 00:14.760 أي أننا سنصنع الشبكة العصبية التي ستكون في قلب الذكاء الاصطناعي لدينا والتي ستعيد الإجراء 00:14.760 --> 00:16.230 للعب في كل مرة. 00:16.230 --> 00:16.490 نرى؟ 00:16.740 --> 00:17.970 لذلك دعونا نفعل هذا. 00:17.970 --> 00:22.950 لذلك بما أننا نريد أن تكون شبكتنا العصبية كائنًا ، فسنقوم بعمل فصل دراسي. 00:22.950 --> 00:25.020 وهذا لأنه أكثر ملاءمة. 00:25.170 --> 00:28.280 معرفة أن الفصل هو نموذج لشيء نريد بناءه. 00:28.290 --> 00:33.420 نريد بناء شبكة عصبية ، ونحتاج إلى عمل نوع من التعليمات التي سيتم تضمينها 00:33.420 --> 00:34.820 جميعًا في الفصل. 00:34.830 --> 00:37.740 وفي هذا الفصل سنقوم بعمل وظيفتين. 00:37.740 --> 00:43.050 أولاً ، وظيفة init ، وهي الوظيفة التي تظهر طوال الوقت عند إنشاء فئة والتي 00:43.050 --> 00:46.500 تحدد بشكل أساسي متغير الكائن الخاص بك. 00:46.500 --> 00:51.600 هذه هي الشبكة العصبية ، كما تعلمون ، المتغيرات المرتبطة بالكائن بدلاً من المتغيرات 00:51.600 --> 00:52.410 العامة. 00:52.590 --> 00:57.840 وهذا في وظيفة init هذه التي ستحدد بنية الشبكة العصبية ، وتحديد طبقة الإدخال 00:57.840 --> 01:03.630 التي ستتألف من خمسة عصبونات إدخال لأن لدينا خمسة أبعاد للمتجه المشفر لحالة 01:03.630 --> 01:07.920 الإدخال ، ثم سنقوم بتعريف بعض الطبقات المخفية . 01:07.920 --> 01:12.870 ربما سنبدأ بطبقة واحدة مخفية وبعد ذلك سيكون موضع ترحيب لتجربة بعض البنى الأخرى 01:12.870 --> 01:13.950 للشبكة العصبية. 01:13.950 --> 01:20.040 وبعد ذلك بالطبع سننتهي بطبقة المخرجات التي ستحتوي على الإجراءات المحتملة التي يمكننا 01:20.040 --> 01:21.780 لعبها في كل مرة. 01:21.990 --> 01:24.570 هذا ما سنفعله بالضبط في هذه الدالة init. 01:24.570 --> 01:30.390 وبعد ذلك سنقوم بعمل وظيفة أخرى لا تزال داخل الفصل ، والتي ستكون وظيفة الأمام والتي 01:30.390 --> 01:35.460 ستكون الوظيفة التي ستنشط الخلايا العصبية في الشبكة العصبية ، كما تعلم 01:35.460 --> 01:37.290 ، والتي ستنشط الإشارات. 01:37.290 --> 01:43.320 ولذا سوف نستخدم وظيفة تنشيط المعدل لأننا بالطبع نتعامل مع مشكلة غير خطية 01:43.320 --> 01:46.710 بحتة وهذه وظيفة المعدل تكسر الخطية. 01:46.950 --> 01:52.410 لكن في الغالب نقوم بعمل هذه الوظيفة الأمامية لإرجاع قيم Q ، وهي مخرجات الشبكة 01:52.410 --> 01:53.280 العصبية. 01:53.280 --> 01:59.670 لكن لدينا قيمة جديلة واحدة لكل إجراء ، وبعد ذلك سنعيد الإجراء النهائي إما بأخذ الحد 01:59.670 --> 02:03.810 الأقصى لقيم جديلة أو باستخدام طريقة soft max. 02:03.810 --> 02:05.190 سنرى ذلك بعد ذلك. 02:05.190 --> 02:10.260 لذلك في هذا البرنامج التعليمي سنبدأ بتنفيذ وظيفة init وفي المرحلة التالية 02:10.260 --> 02:12.360 سنقوم بتنفيذ وظيفة الأمام. 02:12.600 --> 02:13.710 لذلك دعونا نفعل هذا. 02:13.710 --> 02:16.980 أولاً ، نحتاج إلى تقديم صفنا. 02:16.980 --> 02:18.180 لذلك نبدأ بالصف. 02:18.180 --> 02:22.800 ثم نعطي اسمًا لفصلنا وهو اسم جيد يمكننا تسميته بالشبكة. 02:23.400 --> 02:30.060 وبعد ذلك في فئة الشبكات هذه ، سأستخدم تقنية برمجة الكائنات والتي تسمى الميراث 02:30.060 --> 02:34.980 ، وهذا فقط للتوريث من جميع الأدوات الخاصة بالفئة الأم. 02:34.980 --> 02:42.990 لذا فإن فئة الشبكة التي نحن على وشك تكوينها هي فئة فرعية من فئة أكبر ، وهي وحدة 02:42.990 --> 02:43.950 RN DOT. 02:44.250 --> 02:50.250 هذا مجرد وراثة من جميع أدوات فئة الوحدة هذه ، والتي هي بالطبع الأدوات اللازمة لتنفيذ 02:50.250 --> 02:51.660 شبكة عصبية. 02:51.660 --> 02:57.720 هذه خدعة قوية وفعالة للغاية في البرمجة الشيئية التي تسمى الوراثة. 02:57.720 --> 03:02.310 والآن نحن نرث من فئة الأصل هذه الوحدة. 03:02.610 --> 03:03.360 حسنا. 03:03.360 --> 03:05.910 والآن نحن جاهزون للدخول إلى الفصل. 03:05.910 --> 03:12.270 أضغط على مفتاح الإدخال مرتين ، لأننا سنصنع دالتين ونبدأ 03:12.300 --> 03:14.040 بالدالة init. 03:14.040 --> 03:20.370 لذا ، يجب أن نسميها بهذه الطريقة بشرطتين سفليتين ثم بداخلها. 03:20.370 --> 03:26.520 ثم مرة أخرى للتأكيد على أن هذا مجرد بناء جملة بايثون ، هذه هي الطريقة التي يتعين علينا القيام بها 03:26.520 --> 03:28.440 ومن ثم نحتاج إلى إدخال الحجج. 03:28.440 --> 03:30.180 إذن لدينا ثلاث حجج. 03:30.180 --> 03:35.700 الأول هو حجة إلزامية هي في الواقع الذات والذات. 03:35.700 --> 03:42.750 لا يوجد لغز حوله يشير إلى الكائن الذي سيتم إنشاؤه من هذه الفئة التي نحن على وشك صنعها. 03:42.750 --> 03:44.280 كما تعلم ، نحن نصنع هذا الفصل. 03:44.280 --> 03:48.900 إنها مثل بعض التعليمات ، نموذج ما لهذه الشبكة العصبية التي نريد بناءها. 03:48.900 --> 03:53.400 وبعد ذلك بمجرد أن يصبح الفصل جاهزًا ، يمكننا إنشاء العديد من الشبكات العصبية كما نريد. 03:53.400 --> 03:57.450 وستكون كل شبكة من هذه الشبكات العصبية شيئًا من هذه الفئة. 03:57.600 --> 04:04.830 ونظرًا لأننا سنستخدم الكائن في بعض الأغراض الأخرى ، فنحن بحاجة إلى تحديد متغيرات 04:04.830 --> 04:05.670 الكائن. 04:05.670 --> 04:11.820 ولإكتشاف ذلك ، نستخدم هذه الذات هنا لتحديد أننا نشير إلى الكائن. 04:11.820 --> 04:18.210 لذلك عندما أرغب في استخدام متغير من الكائن الخاص بي ، سأستخدم self قبل المتغير لتحديد 04:18.210 --> 04:20.400 أن هذا متغير من الكائن. 04:21.180 --> 04:21.480 حسنا. 04:21.480 --> 04:22.770 هذه هي الحجة الأولى. 04:22.770 --> 04:28.500 ومن ثم لدينا حجتان أخريان هما ، بالطبع ، عدد الخلايا العصبية المدخلة وعدد الخلايا 04:28.500 --> 04:30.120 العصبية الناتجة. 04:30.300 --> 04:34.170 إذاً عدد الخلايا العصبية المدخلة ، سنسميها حجم الإدخال. 04:35.430 --> 04:42.870 وهذا في الواقع خمسة لأن متجهات الإدخال لدينا لها خمسة أبعاد ، الإشارات الثلاث زائد الاتجاه 04:42.870 --> 04:44.730 زائد ناقص الاتجاه. 04:44.880 --> 04:50.970 هذا هو متجهنا للقيم المشفرة التي تصف حالة واحدة من البيئة. 04:51.000 --> 04:54.750 هذه القيم الخمس كافية لوصف حالة البيئة. 04:54.750 --> 04:59.400 كان من الممكن أن نفكر في قيم أقل أو قيم أكثر ، لكن هذا ما جربته. 04:59.400 --> 05:04.410 وهذا منطقي بالفعل لأننا نحتاج في الواقع إلى إشارة واحدة من اليسار ، واحدة أمامنا وواحدة 05:04.410 --> 05:05.300 على اليمين. 05:05.310 --> 05:10.560 كما تعلم ، عندما نقود سيارة ، كان من الممكن أن نذهب للحصول على إشارة 360 ، كما تعلمون ، مثل الإشارات الموجودة 05:10.560 --> 05:12.090 أعلى سيارات Google. 05:12.090 --> 05:15.510 لكن يمكننا القيادة الذاتية تمامًا باستخدام ثلاثة أجهزة استشعار. 05:15.780 --> 05:20.970 ومن ثم لدينا هذا التوجه والتوجيه الناقص ، كما تعلمون ، لتتبع الهدف الذي نحاول 05:20.970 --> 05:22.050 الوصول إليه. 05:22.290 --> 05:28.680 ثم لدينا بالطبع الخلايا العصبية الناتجة من شبكتنا العصبية التي تتوافق مع الإجراءات. 05:28.680 --> 05:32.700 ولدينا ثلاثة أفعال محتملة تتجه يسارًا ، أو مستقيمًا أو يمينًا. 05:32.700 --> 05:36.240 وبالتالي سأسميها وأكون عملاً. 05:36.240 --> 05:37.800 وسيكون هناك ثلاثة منهم. 05:38.370 --> 05:38.670 حسنا. 05:38.670 --> 05:44.790 لكن حتى الآن ، علينا فقط إعطاء أسماء للمدخلات وبعد ذلك سنستخدم هذه المتغيرات لإجراء الحسابات داخل 05:44.790 --> 05:46.110 الشبكة العصبية. 05:46.930 --> 05:48.400 حسنا إذا. 05:49.000 --> 05:52.150 سأبدأ باستخدام خدعة أخرى من PyTorch. 05:52.180 --> 05:54.340 هذه الحيلة هي الوظيفة الفائقة. 05:54.460 --> 05:59.170 هذه وظيفة ترث بالفعل من وحدة RN. 05:59.170 --> 06:02.560 لهذا السبب كان علينا استخدام الوراثة لوراثة أداة الوحدة النمطية. 06:02.560 --> 06:04.300 هذه هي الأداة الأولى التي نستخدمها. 06:04.300 --> 06:10.450 وبالتالي نحن نستخدم هذه الخدعة الفائقة فقط ، هذه الوظيفة الفائقة لنكون قادرين على استخدام أدوات 06:10.450 --> 06:11.320 الوحدة. 06:11.380 --> 06:13.060 لذلك هذا أكثر كفاءة. 06:13.450 --> 06:18.280 وداخل هذه الوظيفة الفائقة ، أريد فقط تحديد الشبكة أولاً. 06:18.400 --> 06:24.460 هذه هي فئة الشبكة الفرعية الخاصة بنا ، كما تعلمون ، لأن هذا موروث من فئة 06:24.460 --> 06:35.020 أصل الوحدة النمطية ثم الكائن الخاص بنا ، ثم أقوم فقط بإضافة نقطة و / أو وظيفة init مثل هذه تمامًا كما أطلقنا عليها. 06:35.380 --> 06:35.740 حسنا. 06:35.740 --> 06:41.740 هذه مجرد خدعة لاستخدام جميع الأدوات في تلك الوحدة ، ثم يمكننا الانتقال 06:41.740 --> 06:46.150 إلى الخطوة التالية ، وهي تحديد طبقة الإدخال. 06:46.300 --> 06:53.230 لذلك ، ما علي فعله هو تقديم متغير جديد سيتم إرفاقه بالكائن وسيحتوي هذا المتغير 06:53.230 --> 06:56.950 على عدد الخلايا العصبية المدخلة. 06:56.950 --> 07:00.160 حتى لا يتم الخلط بينه وبين حجم المدخلات. 07:00.160 --> 07:07.090 حجم الإدخال هو وسيطة دالة init ، ولكن هذا ليس المتغير المرتبط بالكائن 07:07.090 --> 07:10.270 ولكن المتغير المرتبط بالكائن. 07:10.270 --> 07:15.190 حسنًا ، كما ذكرت للتو ، نحتاج إلى تحديد أنه مرتبط بالكائن بدلاً من ذلك. 07:15.190 --> 07:22.000 لذلك نستخدم نقطة ذاتية ونعطي الآن اسمًا لهذا المتغير الأول المرتبط بالكائن. 07:22.000 --> 07:24.730 ولذا يمكننا ببساطة إعطاء نفس اسم الإدخال. 07:24.730 --> 07:31.900 يمكننا أن نسميها حجم الإدخال ، وسنقول إنها تساوي وسيطة دالة init التي هي حجم 07:31.900 --> 07:32.980 الإدخال. 07:33.520 --> 07:33.880 حسنا. 07:33.880 --> 07:39.430 لذلك في كل مرة أقوم فيها بإنشاء كائن من فئة الشبكة وأحدد حجم الإدخال ، على سبيل المثال 07:39.430 --> 07:45.190 ، أقوم بإدخال خمسة ، سيكون هناك خمسة هنا ، وبالتالي فإن متغير حجم الإدخال في الكائن سيكون 07:45.190 --> 07:51.250 له القيمة من خمسة لأن حجم المدخلات هنا سيكون خمسة ، وبالتالي فإن شبكتنا العصبية ستحتوي على 07:51.250 --> 07:54.850 خمسة عصبونات مدخلات في طبقة الإدخال. 07:55.300 --> 07:55.690 حسنا. 07:55.690 --> 08:01.990 ومن ثم فإن هذا هو نفسه بالنسبة للمتغير الآخر الذي نريد ربطه بالكائن. 08:01.990 --> 08:07.930 وكما قد تكون خمنت ، سيكون هذا متغيرًا لعدد الخلايا العصبية الناتجة. 08:08.080 --> 08:15.040 وللقول إننا نأخذ ذاتنا للشيء ثم نعطي اسمًا لهذا المتغير الثاني من الكائن 08:15.040 --> 08:17.620 الذي سنطلق عليه اسم الفعل. 08:17.950 --> 08:23.200 وسيكون هذا مساويًا لهذه الحجة هنا ، مع إعطاء عدد الإجراءات ، أي عدد الخلايا العصبية 08:23.200 --> 08:24.220 الناتجة. 08:24.220 --> 08:28.060 ولذا فإننا نساويها ونكون فعلًا. 08:28.150 --> 08:30.640 إذن في الواقع سيكون الإجراء يساوي ثلاثة. 08:30.640 --> 08:37.480 لذلك ، فإن المتغير والإجراء المرتبطين بكائننا بشبكة سيحصلان على قيمة ثلاثة. 08:38.080 --> 08:39.670 في الواقع ، يمكننا أن نرى تحذيرًا هنا. 08:39.670 --> 08:47.470 يقول اسم غير محدد ثم حسنًا ، لأننا هنا نستخدم اختصار RN ونحتاج إلى استخدام الاختصار 08:47.470 --> 08:52.690 هنا ثم في النهاية في الوحدة النمطية ثم يختفي. 08:52.690 --> 08:53.470 ها نحن ذا. 08:53.500 --> 08:54.340 في احسن الاحوال. 08:54.340 --> 08:55.840 الآن ليس لدينا تحذيرات. 08:55.840 --> 09:01.420 جميع التحذيرات هنا هي فقط لتحديد أن ما نستورده لم يتم استخدامه بعد. 09:01.420 --> 09:02.020 لكن لا مشكلة. 09:02.020 --> 09:03.940 سنستخدمهم بعد ذلك. 09:04.510 --> 09:07.870 حسنًا ، لدينا متغيرين آخرين. 09:07.870 --> 09:09.880 نريد تحديد أربعة أشياء. 09:09.880 --> 09:15.790 وستكون هذه هي الاتصالات الكاملة ، الروابط الكاملة بين الطبقات المختلفة لشبكتنا 09:15.790 --> 09:16.510 العصبية. 09:16.510 --> 09:21.580 لذلك بما أننا نريد الآن إنشاء شبكة عصبية تتكون من طبقة مخفية واحدة فقط ، حسنًا ، سيكون 09:21.580 --> 09:23.380 هناك اتصالان كاملان. 09:23.380 --> 09:29.380 سيكون هناك اتصال كامل 1/1 بين طبقة الإدخال والطبقة المخفية ، و 1/2 اتصال كامل 09:29.380 --> 09:32.200 بين الطبقة المخفية وطبقة الإخراج. 09:32.200 --> 09:34.630 لذلك لنبدأ بأول اتصال كامل. 09:34.630 --> 09:37.900 سنسميها FC one. 09:37.900 --> 09:43.420 ومرة أخرى ، أستخدم self هنا لتحديد أن FC one هو متغير الكائن الخاص بي. 09:43.570 --> 09:45.190 حتى النفس هذا FC واحد. 09:45.800 --> 09:47.440 الذي سيكون مساويا ل. 09:47.450 --> 09:53.870 والآن نستخدم الوحدة RN وسنستخدم دالة تسمى الخطية. 09:54.020 --> 10:00.530 وهذا بالضبط لجعل هذا الاتصال الكامل بين الخلايا العصبية في طبقة الإدخال والخلايا العصبية للطبقة 10:00.530 --> 10:01.580 المخفية. 10:01.940 --> 10:03.910 وماذا أعني بالارتباط الكامل؟ 10:03.920 --> 10:09.230 هذا يعني أن جميع الخلايا العصبية في طبقة الإدخال سيتم توصيلها جميعًا بجميع الخلايا العصبية في الطبقة 10:09.230 --> 10:09.770 المخفية. 10:09.980 --> 10:16.010 ولإجراء هذا الاتصال الكامل ، نستخدم هذه الدالة الخطية التي نحتاج إلى إدخال بعض الحجج لها. 10:16.010 --> 10:19.670 وكما ترون ، هذه الحجج في الميزات. 10:19.670 --> 10:23.800 هذا هو عدد الخلايا العصبية في الطبقة الأولى التي نريد توصيلها. 10:23.810 --> 10:28.400 ثم الميزات الخارجية ، وهي عدد الخلايا العصبية للطبقة الثانية التي نريد توصيلها. 10:28.400 --> 10:32.240 هذه هي الطبقة الموجودة على اليمين ، وهي الطبقة المخفية والانحياز يساوي true. 10:32.270 --> 10:33.470 متحيز لذلك يساوي صحيح. 10:33.500 --> 10:39.440 سنحتفظ بالقيمة الافتراضية التي من أجل الحصول على تحيز وليس فقط طريقة ما للربط بالخلايا 10:39.440 --> 10:43.130 العصبية ، سيكون لدينا وزن وتحيز واحد لكل طبقة. 10:43.370 --> 10:46.040 حسنًا ، دعونا نرى ما نحتاج إلى إدخاله. 10:46.040 --> 10:51.770 لذا فإن الحجة الأولى في الميزات هي عدد الخلايا العصبية المدخلة في طبقة الإدخال. 10:51.770 --> 10:52.820 وماذا إذن؟ 10:52.820 --> 10:54.860 حسنًا ، هذا في الواقع حجم المدخلات. 10:54.860 --> 11:02.000 هذه هي سعة دالة init ، والتي ستساوي فيما بعد خمس إشارات اتجاه الاتجاه وسالب 11:02.000 --> 11:03.440 الاتجاه. 11:03.950 --> 11:04.880 حسنا هيا بنا. 11:04.910 --> 11:08.780 نقوم بإدخال حجم إدخال الوسيطة الأولى. 11:09.700 --> 11:12.730 ثم الحجة الثانية حول الميزات. 11:12.730 --> 11:18.100 هذا هو عدد الخلايا العصبية التي نريد الحصول عليها في الطبقة الثانية ، الطبقة الثانية التي سيتم 11:18.100 --> 11:20.120 توصيلها بالكامل بالطبقة الأولى. 11:20.140 --> 11:24.820 والسؤال المطروح الآن هو ، كم عدد الخلايا العصبية التي نريدها في هذه الطبقة المخفية؟ 11:25.000 --> 11:27.340 حسنًا ، لقد أجريت الكثير من ضبط المعلمات. 11:27.340 --> 11:28.930 لقد قمت بالكثير من التجارب. 11:28.930 --> 11:31.870 هذا ما نفعله في الذكاء الاصطناعي أو هذا ما نفعله في التعلم العميق. 11:31.870 --> 11:38.890 بشكل عام ، نقوم بالكثير من التجارب لمعرفة ما هي أفضل شبكة عصبية لمشكلتنا المحددة. 11:38.890 --> 11:44.980 وهكذا جربت العديد من القيم وانتهى بي الأمر باختيار 30 ، 30 خلية عصبية في طبقة مخفية. 11:44.980 --> 11:48.160 وسترون أنه بهذا الرقم ، سنحصل على بعض النتائج الجيدة. 11:48.160 --> 11:51.520 لكن بعد ذلك لا تتردد في تغيير بنية الشبكة العصبية. 11:51.520 --> 11:52.870 لا تتردد في اللعب بها. 11:52.870 --> 11:57.460 لا يمكنك فقط تغيير عدد الخلايا العصبية المخفية في الطبقة المخفية ، ولكن يمكنك 11:57.460 --> 12:01.090 أيضًا إضافة المزيد من الطبقات حتى تحصل على سيارة أفضل. 12:01.090 --> 12:05.740 لكن 3000 خلية عصبية ستوفر لنا شبكة عصبية جيدة وسيارة جيدة. 12:05.740 --> 12:07.270 لذلك هذا ما نسعى إليه. 12:07.270 --> 12:08.320 وها نحن ذا. 12:08.320 --> 12:13.240 لدينا أول اتصال كامل مع هذه الدالة الخطية. 12:13.240 --> 12:16.840 نجعل الاتصال الكامل بين طبقة الإدخال والطبقة المخفية. 12:17.080 --> 12:21.040 والآن حان الوقت لإجراء الاتصال الكامل الثاني. 12:21.040 --> 12:25.030 هذا هو الاتصال الكامل بين الطبقة المخفية وطبقة الإخراج. 12:25.270 --> 12:26.260 لذا ها نحن ذا. 12:26.470 --> 12:30.100 سنقوم باستدعاء هذا الاتصال الكامل الثاني. 12:30.100 --> 12:32.140 FC two ها نحن ذا. 12:32.140 --> 12:34.900 ولا يزال هذا متغيرًا من موضوعنا. 12:34.900 --> 12:41.140 لذلك أنا أستخدم الأشياء هنا ثم نستخدمها جيدًا في الواقع يمكننا نسخ هذا لأننا 12:41.140 --> 12:49.060 سنستخدم الوحدة RN ثم الوظيفة الخطية ، ولكن بعد ذلك نحتاج إلى تغيير الحجج بالطبع أولاً. 12:49.060 --> 12:49.810 نفس الشيئ. 12:49.810 --> 12:55.000 الأول هو عدد الخلايا العصبية التي نريد الحصول عليها في الطبقة الأولى من اتصال الطعام. 12:55.000 --> 12:58.960 إذن هذه هي الطبقة المخفية ، وبالتالي فهي 30. 12:59.380 --> 13:05.080 ثم الحجة الثانية هي عدد الخلايا العصبية في الطبقة الثانية لاتصال الطعام والتي 13:05.080 --> 13:06.910 تتوافق مع طبقة الإخراج. 13:06.910 --> 13:13.120 وطبقة المخرجات تحتوي على خلايا عصبية فعلية وستكون لاحقًا ثلاثة لأن لدينا ثلاثة أفعال 13:13.120 --> 13:13.840 محتملة. 13:13.840 --> 13:19.420 لكن حتى الآن علينا استخدام الأسماء التي حددناها ، وهي أسماء وسيطة الدالة 13:19.570 --> 13:23.200 init وبالتالي فإننا ندخلها هنا ونكون إجراءً. 13:23.590 --> 13:24.700 وها نحن ذا. 13:24.700 --> 13:30.910 بادئ ذي بدء ، اتصلانا الكاملان جاهزان وثانيًا ، وظيفة init جاهزة. 13:31.120 --> 13:36.850 إذن هذا ما سنهيئ كائننا كلما أنشأنا كائنًا من فئة الشبكة. 13:36.850 --> 13:43.180 وبمجرد إنشاء كائن ، حسنًا ، كل هذه المتغيرات ، سيتم تحديد المتغيرات الأربعة 13:43.180 --> 13:46.930 هنا حجم الإدخال ويكون الإجراء FC واحد و FC 2. 13:46.930 --> 13:50.200 وهذه هي الطريقة التي سنحصل بها على بنية شبكتنا العصبية. 13:50.200 --> 13:56.350 لكل كائن نقوم بإنشائه ، سيتوافق كل كائن مع شبكة عصبية مكونة من خمسة عصبونات إدخال 13:56.350 --> 14:00.040 و 30 خلية عصبية مخفية وثلاث خلايا عصبية ناتجة. 14:00.220 --> 14:01.210 لذا ها نحن ذا. 14:01.240 --> 14:06.520 لقد انتهينا من وظيفة init الأولى والآن يمكننا الانتقال إلى الوظيفة الثانية ، 14:06.520 --> 14:12.460 وهي الوظيفة الأمامية والتي سيتم استخدامها لتنشيط الخلايا العصبية في الشبكة العصبية باستخدام 14:12.460 --> 14:19.210 وظيفة تنشيط المعدل ، وفي الغالب لإرجاع Q في النهاية القيم التي هي نواتج شبكتنا العصبية. 14:19.300 --> 14:21.640 لذلك لا يمكنني الانتظار للقيام بذلك في البرنامج التعليمي التالي. 14:21.640 --> 14:22.960 وحتى ذلك الحين ، استمتع. 14:22.960 --> 14:23.530 أنا.