WEBVTT 00:00.520 --> 00:02.690 Bonjour et bienvenue dans ce tutoriel sur Python. 00:02.860 --> 00:05.680 Très bien, nous avons donc beaucoup d’excitatif devant les sols. 00:05.680 --> 00:10.690 Nous allons commencer par créer l’architecture du réseau de neurones, c’est-à-dire créer le réseau 00:10.690 --> 00:16.740 de neurones qui sera au cœur de notre intelligence artificielle et qui renverra l’action à 90 ans. 00:16.930 --> 00:18.060 Alors faisons ceci. 00:18.130 --> 00:23.130 Donc, puisque nous voulons que notre réseau de neurones soit objectif, nous allons le classer. 00:23.200 --> 00:25.100 Et c'est parce que c'est beaucoup plus pratique. 00:25.180 --> 00:28.370 Vous savez que la classe est le modèle de quelque chose que nous voulons construire. 00:28.540 --> 00:34.000 Nous voulons construire un réseau de neurones et nous devons faire une sorte d’instructions qui seront toutes contenues 00:34.090 --> 00:35.080 dans la classe. 00:35.140 --> 00:37.910 Et dans cette classe, nous allons créer deux fonctions. 00:37.960 --> 00:42.810 D'abord la fonction init qui est la fonction qui apparaît tout le temps lors de la création de classe. 00:43.000 --> 00:47.770 Et cela définit fondamentalement la variable de votre objet qui est le réseau de neurones. 00:47.920 --> 00:52.600 Vous connaissez les variables attachées à l'objet par opposition aux variables globales. 00:52.840 --> 00:57.910 C’est donc dans cette fonction que sera définie l’architecture du nouveau réseau que vous connaissez, définissant 00:57.910 --> 01:03.460 la couche d’entrée qui sera composée de cinq neurones d’entrée car nous avons cinq dimensions pour le 01:03.790 --> 01:05.680 vecteur codé des états d’entrée. 01:05.890 --> 01:08.080 Ensuite, nous définirons des couches cachées. 01:08.110 --> 01:12.940 Vous commencerez peut-être avec une couche cachée et vous pourrez ensuite essayer d'autres architectures du 01:12.940 --> 01:13.920 réseau de neurones. 01:14.200 --> 01:20.080 Et bien sûr, nous nous retrouverons avec la couche de sortie qui contiendra les actions possibles que nous 01:20.110 --> 01:21.940 pouvons jouer à chaque fois. 01:22.180 --> 01:24.730 C'est donc exactement ce que nous ferons dans cette fonction. 01:24.850 --> 01:30.460 Et ensuite, nous créerons une autre fonction dans la classe qui sera la fonction 01:30.460 --> 01:34.870 directe et qui activera les neurones du réseau de neurones. 01:34.870 --> 01:40.570 Vous savez que cela va activer les signaux et nous allons donc utiliser une fonction d'activation rectifiée 01:40.570 --> 01:46.920 car nous avons bien sûr affaire à un problème purement non linéaire et cette fonction rectifiée rompt la linéarité. 01:47.200 --> 01:53.340 Mais surtout, nous faisons en sorte que cette fonction Ford renvoie les valeurs q qui sont les sorties du réseau. 01:53.500 --> 01:56.110 Mais nous avons une valeur clé pour chaque action. 01:56.200 --> 02:02.710 Et plus tard, nous retournerons l'action finale en prenant le maximum des valeurs de clé ou en utilisant une 02:02.710 --> 02:03.880 méthode souple Max. 02:04.030 --> 02:05.270 Nous verrons cela après. 02:05.440 --> 02:10.330 Donc, dans ce tutoriel, nous allons commencer par implémenter la fonction init puis 02:10.330 --> 02:12.880 le suivant implémentera la fonction forward. 02:12.880 --> 02:13.810 Alors faisons ceci. 02:13.810 --> 02:17.060 Nous devons d’abord présenter notre classe. 02:17.200 --> 02:22.930 Donc, nous commençons avec classe et nous donnons un nom à notre classe qui est l'endroit où nous pouvons l'appeler réseau. 02:23.650 --> 02:29.980 Et ensuite, dans cette classe de réseau, je vais utiliser une technique de programmation par objet appelée héritage, 02:30.310 --> 02:35.120 qui consiste simplement à hériter de tous les outils d'une classe parente. 02:35.200 --> 02:41.550 Donc, notre classe de réseau que nous sommes sur le point de faire est un test enfant d’une classe plus grande qui est. 02:41.770 --> 02:44.110 Et ce module. 02:44.470 --> 02:50.790 Donc, il ne s'agit que d'hériter de tous les outils de cette classe de modules qui, bien entendu, permettent de mettre en œuvre 02:50.790 --> 02:51.940 un réseau de neurones. 02:51.940 --> 02:57.880 C'est donc un truc très puissant et évolutif dans la programmation orientée objet qui va en héritage. 02:57.910 --> 03:02.670 Et pour le moment, nous héritons de cette classe de module. 03:02.800 --> 03:06.000 Très bien et maintenant nous sommes prêts à entrer dans la classe. 03:06.130 --> 03:12.910 Donc, j'appuie deux fois sur Entrée parce que nous allons créer deux fonctions et nous commençons par la 03:13.140 --> 03:14.280 fonction de fin. 03:14.350 --> 03:20.470 Donc, la fonction init doit être nommée de cette façon avec deux sur ce parcours puis à l'intérieur. 03:20.650 --> 03:25.750 Et encore une fois, pour souligner que la syntaxe Python n’est que la façon dont nous devons le faire. 03:25.930 --> 03:28.460 Et puis nous devons mettre les arguments. 03:28.720 --> 03:30.340 Nous avons donc trois arguments. 03:30.340 --> 03:35.800 Le premier est un argument obligatoire qui est en réalité soi et Soi. 03:35.800 --> 03:42.250 Il n’ya pas de mystère à ce sujet qui fait référence à l’objet qui sera créé à partir de cette classe que nous sommes sur le point 03:42.250 --> 03:42.810 de fabriquer. 03:42.820 --> 03:44.400 Vous savez que nous faisons cette classe. 03:44.470 --> 03:48.980 C'est comme une instruction quelque modèle du réseau de neurones que nous voulons construire. 03:49.180 --> 03:53.620 Et puis, une fois que la classe est prête, nous pouvons créer autant de réseaux que nous le souhaitons. 03:53.620 --> 04:00.130 Et chacun de ces nouveaux réseaux sera un objet de cette classe et, puisque nous allons 04:00.400 --> 04:07.630 utiliser cet objet à d’autres fins, nous devons préciser quelles sont les variables de cet objet et aux 04:07.630 --> 04:11.900 spudis que nous utilisons ce self faites référence à l'objet. 04:12.100 --> 04:18.430 Donc, chaque fois que je veux utiliser disponible depuis mon objet, je vais utiliser self avant la variable 04:18.430 --> 04:21.340 pour spécifier qu'il s'agit d'une variable de l'objet. 04:21.340 --> 04:25.680 Très bien, voilà le premier argument, puis nous avons deux autres arguments qui 04:25.680 --> 04:30.240 sont bien sûr le nombre de neurones d’entrée et le nombre de neurones de sortie. 04:30.550 --> 04:38.220 Nous allons donc appeler le nombre de neurones d'entrée la taille d'entrée. Il s'agit en réalité de 04:38.310 --> 04:45.890 cinq, car nos vecteurs d'entrée ont cinq dimensions: trois signaux, plus l'orientation plus l'orientation moins, qui sont 04:45.900 --> 04:51.020 des vecteurs de valeurs codées décrivant un état de l'environnement. 04:51.210 --> 04:54.960 Ces cinq valeurs suffisent à décrire un état de l'environnement. 04:54.960 --> 05:00.600 Nous aurions pu penser à Moins de valeurs ou à plus de valeurs, mais c'est ce que j'ai essayé et cela a 05:00.600 --> 05:05.520 du sens, car nous avons besoin d'un signal de la gauche devant nous et d'un autre à droite. 05:05.520 --> 05:10.860 Vous savez, lorsque nous conduisons une voiture, nous aurions pu opter pour un signal 360. Vous savez, comme 05:10.860 --> 05:17.370 les signaux situés en haut des voitures Google, que nous pouvons totalement conduire de manière autonome avec trois capteurs, puis nous avons 05:17.400 --> 05:22.200 cette orientation et l'orientation moins pour vous savoir garder trace de l’objectif que vous tentiez d’atteindre. 05:22.530 --> 05:29.160 Et puis nous avons bien sûr les neurones de sortie de notre réseau qui correspondent aux actions et nous avons 05:29.160 --> 05:32.840 trois actions possibles allant de gauche à droite ou de droite. 05:32.880 --> 05:38.520 Et donc je vais l'appeler et l'action et il y en aura trois. 05:38.520 --> 05:39.030 D'accord. 05:39.120 --> 05:44.850 Jusqu'ici, nous n'avons qu'à donner des noms aux entrées, puis nous utiliserons ces ballons de volley-ball pour faire les conditions à l'intérieur 05:44.940 --> 05:46.140 du réseau de neurones. 05:47.090 --> 05:55.010 Très bien alors et vous commencez par utiliser une autre astuce par la torche, cette astuce 05:55.010 --> 05:59.310 est une fonction superficielle qui hérite du module 05:59.390 --> 06:02.730 C'est pourquoi nous avons également dû utiliser l'héritage pour hériter du module. 06:02.750 --> 06:04.440 C'est le premier à utiliser. 06:04.520 --> 06:11.120 Et donc, fondamentalement, nous n’utilisons cette super-super-astuce que pour pouvoir utiliser les outils de module 06:11.580 --> 06:13.320 beaucoup plus efficaces. 06:13.670 --> 06:18.620 Et à l'intérieur de la super-fonction, il me suffit de spécifier d'abord le réseau. 06:18.650 --> 06:25.100 C’est donc notre classe de contrôle de réseau que vous connaissez, car elle hérite de la classe parente du 06:25.550 --> 06:27.360 module, puis de notre objet. 06:27.380 --> 06:35.220 Et puis j'ajoute simplement cela et je suis dans une fonction comme celle-ci exactement comment nous l'avons nommée. 06:35.570 --> 06:39.350 Très bien, alors c'est juste un truc qui consiste à utiliser tous les outils que j'ai. 06:39.360 --> 06:46.270 Et dans ce module, nous pouvons passer à l'étape suivante qui consiste à spécifier la couche d'entrée. 06:46.550 --> 06:53.300 Donc, fondamentalement, ce que je dois faire est d’introduire une nouvelle variable qui sera attachée à l’objet 06:53.300 --> 06:57.120 et cette variable contiendra le nombre de neurones d’entrée. 06:57.170 --> 07:05.140 Donc, ne pas confondre avec la taille d'entrée taille d'entrée est l'argument de la fonction de fin. 07:05.180 --> 07:09.710 Mais ce n'est pas la variable qui est attachée à l'objet mais la variable qui est attachée 07:09.710 --> 07:10.360 à l'objet. 07:10.520 --> 07:16.520 Comme je viens de le dire, nous devons spécifier qu’il est plutôt attaché à l’objet, nous utilisons donc un 07:17.230 --> 07:22.130 autodidacte et nous donnons maintenant un nom à cette première variable attachée à l’objet. 07:22.190 --> 07:24.870 Et ainsi, nous pouvons simplement donner le même nom que l’entrée. 07:24.920 --> 07:33.650 Nous pouvons appeler cela la taille d'entrée et nous dirons qu'elle est égale aux arguments d'une fonction qui est la taille d'entrée. 07:33.680 --> 07:34.080 D'accord. 07:34.130 --> 07:39.900 Chaque fois que je crée un objet de la classe network et que je spécifie la taille d'entrée, par 07:39.900 --> 07:41.170 exemple, je mets 5. 07:41.180 --> 07:47.330 Il y aura 5 ici et donc la variable de taille d'entrée de notre objet aura la valeur 07:47.690 --> 07:54.110 5 parce que cette taille d'entrée sera ici 5 et donc notre nouveau réseau aura 5 neurones d'entrée dans 07:54.110 --> 07:55.470 la couche d'entrée. 07:55.490 --> 07:55.790 D'accord. 07:55.790 --> 08:02.180 Et puis c'est la même chose pour l'autre variable que nous voulons attacher aux objets. 08:02.210 --> 08:08.100 Et comme vous l'avez peut-être deviné, il s'agira d'une variable pour le nombre de neurones de sortie. 08:08.330 --> 08:15.030 Et dire que nous prenons nous-mêmes l'objet et que nous donnons un nom à cette seconde variable de l'objet 08:15.040 --> 08:17.740 que nous allons appeler et à l'action. 08:18.170 --> 08:23.600 Et ce sera égal à cet argument ici étant donné le nombre d'actions qui est le nombre de neurones 08:23.600 --> 08:24.250 de sortie. 08:24.530 --> 08:30.850 Et donc nous le fixons réellement à l'action et l'action sera égale à trois. 08:30.890 --> 08:37.930 Par conséquent, la variable et l'action attachée à notre objet sur un réseau obtiendront la valeur de trois. 08:38.240 --> 08:41.680 En fait, nous pouvons voir un avertissement ici qui dit nom non défini. 08:41.720 --> 08:44.180 Et puis bien c'est parce que nous utilisons ici le. 08:44.230 --> 08:46.030 Et puis raccourci. 08:46.350 --> 08:48.530 Et nous devons utiliser un raccourci ici. 08:48.590 --> 08:52.780 Et pour notre flambeau commencer et à Mudgal et puis il va disparaître. 08:52.880 --> 08:53.670 Et c'est parti. 08:53.690 --> 08:54.580 Parfait. 08:54.590 --> 09:00.800 À l'heure actuelle, nous avons de nouveaux avertissements. Tous les avertissements ici sont juste pour spécifier que ce que nous importons n'est pas 09:00.800 --> 09:01.520 encore utilisé. 09:01.580 --> 09:04.660 C'est bon, nous les utiliserons après. 09:04.670 --> 09:10.010 Très bien alors nous avons deux autres variables que nous voulons définir pour objet. 09:10.190 --> 09:15.820 Et ce seront les connexions complètes des connexions complètes entre les différentes couches de notre réseau 09:15.830 --> 09:16.810 de neurones. 09:16.820 --> 09:21.800 Donc, comme nous voulons créer un réseau de neurones composé d’une seule tête dans leur monde, il 09:21.800 --> 09:23.440 y aura deux connexions complètes. 09:23.570 --> 09:27.740 Il y aura une première connexion complète entre la couche d'entrée et la couche masquée. 09:27.980 --> 09:32.450 Et une seconde connexion complète entre la colline et la couche de sortie. 09:32.480 --> 09:34.770 Commençons donc par la première connexion complète. 09:34.890 --> 09:43.310 Nous allons l'appeler SE1. Encore une fois, j'utilise moi-même ici pour spécifier que FC est une variable de mon objet pour résoudre ce 09:43.780 --> 09:44.530 problème. 09:44.530 --> 09:47.490 FC un qui sera égal à. 09:47.630 --> 09:55.160 Et maintenant, nous utilisons le module N dans et nous allons utiliser une fonction appelée R linéaire et c’est 09:55.160 --> 10:02.080 précisément pour établir cette connexion complète entre les neurones et la couche d’entrée aux neurones cachés. 10:02.180 --> 10:04.090 Et qu'est-ce que je veux dire par connexion complète. 10:04.160 --> 10:09.190 Cela signifie que tous les neurones de la couche d'entrée seront tous connectés à tous les neurones 10:09.190 --> 10:09.920 de l'ici. 10:10.190 --> 10:16.140 Et donc pour établir cette connexion, nous utilisons cette fonction linéaire à laquelle nous devons ajouter des arguments. 10:16.190 --> 10:19.880 Et comme vous pouvez le constater, ces arguments figurent dans les fonctionnalités. 10:19.880 --> 10:25.370 C’est donc le nombre de neurones de la première loi sur laquelle vous souhaitez connecter des entités, c’est-à-dire 10:25.370 --> 10:30.110 le nombre de neurones de la deuxième couche à connecter, la couche de droite qui 10:30.110 --> 10:32.360 est la couche cachée et vraie. 10:32.420 --> 10:38.850 Donc, en vélo, nous garderons la valeur par défaut, c'est-à-dire pour avoir un biais et pas seulement un poids 10:38.900 --> 10:43.350 lié à la course, il faudra attendre et un biais pour chaque couche. 10:43.610 --> 10:46.140 Et si bien voyons ce que nous devons entrer. 10:46.280 --> 10:51.850 Le premier argument des entités est donc le nombre de neurones d’entrée dans la couche d’entrée. 10:52.000 --> 10:52.930 Et alors où est-il. 10:53.030 --> 10:55.080 Eh bien c'est en fait imprécis. 10:55.100 --> 11:01.930 C’est l’argument de notre fonction init qui nous permettra plus tard de combattre l’orientation à trois signaux 11:02.200 --> 11:04.150 et l’orientation de Mannus. 11:04.160 --> 11:05.020 Alors on y va. 11:05.190 --> 11:14.300 Lorsque les premiers arguments et la taille, puis le deuxième argument sont des fonctionnalités à savoir c'est le nombre de neurones que nous 11:14.300 --> 11:17.090 voulons avoir dans la deuxième couche. 11:17.180 --> 11:20.450 La deuxième couche qui sera entièrement connectée à la première couche. 11:20.450 --> 11:24.960 Et maintenant, la question est de savoir combien de neurones voulons-nous dans cette couche cachée. 11:25.220 --> 11:27.420 Eh bien, j'ai beaucoup d'entraînement aux paramètres. 11:27.440 --> 11:29.110 J'ai beaucoup expérimenté. 11:29.210 --> 11:31.940 C'est ce que nous faisons ou c'est ce que nous faisons plus en profondeur. 11:31.940 --> 11:38.270 En général, nous expérimentons beaucoup pour voir quel serait le meilleur réseau de neurones pour notre 11:38.270 --> 11:39.170 problème spécifique. 11:39.170 --> 11:45.950 J'ai donc essayé de nombreuses valeurs et j'ai fini par choisir 30 pistes dans une couche cachée. Vous verrez qu'avec ce 11:45.950 --> 11:50.750 nombre, vous obtiendrez de très bons résultats, mais n'hésitez pas à changer l'architecture du réseau 11:50.750 --> 11:51.580 de neurones. 11:51.580 --> 11:53.120 N'hésitez pas à jouer avec. 11:53.180 --> 11:58.730 Vous pouvez non seulement modifier le nombre de neurones dans l'ici et là, mais vous pouvez également ajouter 11:59.150 --> 12:05.000 quelques couches supplémentaires afin d'obtenir une voiture encore meilleure, mais 30 neurones Hinna nous fourniront un bon réseau neuronal et 12:05.000 --> 12:06.000 une bonne cause. 12:06.020 --> 12:07.390 C'est ce que nous recherchons. 12:07.520 --> 12:08.410 Et c'est parti. 12:08.420 --> 12:13.500 Nous avons vraiment notre première connexion complète avec cette fonction linéaire. 12:13.520 --> 12:16.910 Nous établissons la connexion entre la couche d’entrée et la jambe cachée. 12:17.360 --> 12:23.270 Et maintenant, il est temps d'établir la deuxième connexion complète, à savoir la connexion complète entre la couche masquée 12:23.600 --> 12:25.180 et la couche de sortie. 12:25.490 --> 12:26.750 Alors on y va. 12:26.750 --> 12:31.380 Nous allons appeler cette deuxième connexion complète à C2. 12:31.490 --> 12:32.280 Nous y voilà. 12:32.360 --> 12:36.400 Et encore, cela est disponible pour plus d'objets utilisant Saphir. 12:36.650 --> 12:38.330 Et là encore, nous utilisons. 12:38.450 --> 12:45.310 En fait, nous pouvons copier ceci parce que nous allons utiliser le module N dans le module, puis la fonction linéaire. 12:45.530 --> 12:49.250 Mais nous devons d'abord modifier les arguments bien sûr. 12:49.280 --> 12:55.050 C'est la même chose en premier lieu, c'est le nombre de neurones que nous allons avoir dans la première couche de la connexion. 12:55.190 --> 12:56.510 Donc c'est le caché là. 12:56.720 --> 13:03.810 Et donc cela fait 30 et puis le deuxième argument est le nombre de neurones dans la deuxième couche de la connexion 13:04.010 --> 13:08.810 et cela correspond à la couche de sortie et à la sortie qu’elle a. 13:08.980 --> 13:15.020 Et les neurones réels qui seront plus tard trois, car nous avons trois actions possibles, mais nous devons jusqu’à présent utiliser 13:15.020 --> 13:16.930 les noms que nous avons définis. 13:17.050 --> 13:23.990 C'est le nom de l'argument de la fonction init et par conséquent nous entrons ici et l'action et 13:23.990 --> 13:24.950 c'est parti. 13:24.950 --> 13:27.760 Tout d’abord nos connexions de nuplets re. 13:27.920 --> 13:30.980 Et deuxièmement, toute fonction est Israël. 13:31.400 --> 13:36.940 C'est donc ce que nous allons initialiser notre objet chaque fois que nous créons un objet à partir de la classe network. 13:37.130 --> 13:44.300 Et donc, dès que nous créons bien un objet, toutes ces variables pour variables ici ont une taille et une réaction. 13:44.380 --> 13:46.980 Vous et un deux seront définis. 13:47.180 --> 13:52.060 Et c’est ainsi que nous obtiendrons l’architecture de notre réseau d’animaux pour chaque objet que nous créons. 13:52.160 --> 13:59.450 Chaque objet correspondra à un réseau de neurones de cinq neurones d’entrée, de 30 neurones cachés et de trois neurones 13:59.450 --> 14:00.440 de sortie. 14:00.470 --> 14:01.430 Alors on y va. 14:01.430 --> 14:06.980 Nous en avons terminé avec cette première fonction et nous pouvons maintenant passer à la deuxième fonction 14:06.980 --> 14:13.100 qui est la fonction de transfert et qui sera utilisée pour activer les neurones du réseau de neurones à 14:13.100 --> 14:19.500 l’aide de la fonction d’activation du redresseur et surtout pour revenir aux valeurs de cube les sorties d'un seul réseau. 14:19.580 --> 14:23.420 J'ai donc hâte de le faire dans le prochain tutoriel et jusque-là I.