WEBVTT 00:00.520 --> 00:02.690 Hallo und willkommen zu diesem Python-Tutorial. 00:02.860 --> 00:05.680 Also gut, wir haben sehr aufregenden Boden vor uns. 00:05.680 --> 00:10.690 Wir werden damit beginnen, die Architektur des neuronalen Netzwerks zu schaffen, das heißt, wir werden das 00:10.690 --> 00:16.740 neuronale Netzwerk schaffen, das das Herzstück unserer KI sein wird und das die Action im Alter von 90 Jahren zurückbringen wird. 00:16.930 --> 00:18.060 Also lass uns das tun. 00:18.130 --> 00:23.130 Da wir wollen, dass unser neuronales Netzwerk objektiv ist, werden wir es zur Klasse machen. 00:23.200 --> 00:25.100 Und das ist so, weil es viel bequemer ist. 00:25.180 --> 00:28.370 Sie wissen, dass die Klasse das Modell von etwas ist, das wir bauen möchten. 00:28.540 --> 00:34.000 Wir möchten ein neuronales Netzwerk aufbauen und müssen einige Anweisungen machen, die alle in der Klasse 00:34.090 --> 00:35.080 enthalten sind. 00:35.140 --> 00:37.910 Und in dieser Klasse machen wir zwei Funktionen. 00:37.960 --> 00:42.810 Zuerst die Init-Funktion, welche die ganze Zeit während des Unterrichts auftritt. 00:43.000 --> 00:47.770 Und das definiert im Wesentlichen die Variable Ihres Objekts, das das neuronale Netzwerk ist. 00:47.920 --> 00:52.600 Sie kennen die an das Objekt angehängten Variablen im Gegensatz zu den globalen Variablen. 00:52.840 --> 00:57.910 Dies ist also in dieser Funktion, die die Architektur des neuen Netzwerks definiert, das Sie 00:57.910 --> 01:03.460 kennen, indem Sie die Eingabeschicht definieren, die aus fünf Eingangsneuronen besteht, da wir fünf Dimensionen für den 01:03.790 --> 01:05.680 kodierten Vektor der Eingangszustände haben. 01:05.890 --> 01:08.080 Dann definieren wir einige verborgene Ebenen. 01:08.110 --> 01:12.940 Möglicherweise beginnen Sie mit einer verborgenen Schicht, und Sie können dann andere Architekturen des neuronalen 01:12.940 --> 01:13.920 Netzwerks ausprobieren. 01:14.200 --> 01:20.080 Und dann erhalten wir natürlich die Ausgabeebene, die die möglichen Aktionen enthält, die 01:20.110 --> 01:21.940 wir jederzeit ausführen können. 01:22.180 --> 01:24.730 Genau das machen wir also in dieser Funktion. 01:24.850 --> 01:30.460 Und dann werden wir noch eine weitere Funktion innerhalb der Klasse erstellen, die die 01:30.460 --> 01:34.870 Vorwärtsfunktion ist und die die Neuronen im neuronalen Netzwerk aktivieren wird. 01:34.870 --> 01:40.570 Sie wissen, dass dies die Signale aktivieren wird. Daher verwenden wir eine gleichgerichtete Aktivierungsfunktion, 01:40.570 --> 01:46.920 da es sich natürlich um ein rein nichtlineares Problem handelt und diese korrigierte Funktion die Linearität bricht. 01:47.200 --> 01:53.340 Meistens machen wir diese Ford-Funktion jedoch, um die q-Werte zurückzugeben, die die Ausgänge des Netzwerks sind. 01:53.500 --> 01:56.110 Wir haben jedoch einen Schlüsselwert für jede Aktion. 01:56.200 --> 02:02.710 Später werden wir die endgültige Aktion zurückgeben, indem wir entweder das Maximum der Schlüsselwerte verwenden oder eine 02:02.710 --> 02:03.880 weiche Max-Methode verwenden. 02:04.030 --> 02:05.270 Das werden wir später sehen. 02:05.440 --> 02:10.330 In diesem Tutorial beginnen wir mit der Implementierung der init-Funktion, und als 02:10.330 --> 02:12.880 nächstes wird die forward-Funktion implementiert. 02:12.880 --> 02:13.810 Also lass uns das tun. 02:13.810 --> 02:17.060 Zuerst müssen wir unsere Klasse vorstellen. 02:17.200 --> 02:22.930 Wir beginnen mit dem Unterricht und geben unserer Klasse einen Namen, in dem wir es Netzwerk nennen können. 02:23.650 --> 02:29.980 Und dann werde ich in dieser Netzwerkklasse eine Objektprogrammiertechnik verwenden, die Vererbung genannt wird 02:30.310 --> 02:35.120 und nur von allen Werkzeugen einer übergeordneten Klasse erben soll. 02:35.200 --> 02:41.550 Unsere Netzwerkklasse, die wir gerade erstellen, ist also ein untergeordneter Test einer größeren Klasse. 02:41.770 --> 02:44.110 Und das Modul. 02:44.470 --> 02:50.790 Das ist also nur ein Erben von allen Werkzeugen dieser Modulklasse, die natürlich die Werkzeuge zum Implementieren eines 02:50.790 --> 02:51.940 neuronalen Netzwerks sind. 02:51.940 --> 02:57.880 Das ist also ein sehr mächtiger und evolutionärer Trick in der objektorientierten Programmierung. 02:57.910 --> 03:02.670 Und jetzt erben wir von dieser übergeordneten Modulklasse. 03:02.800 --> 03:06.000 Alles klar und jetzt können wir in die Klasse gehen. 03:06.130 --> 03:12.910 Ich drücke also zweimal die Eingabetaste, weil wir zwei Funktionen erstellen und mit der 03:13.140 --> 03:14.280 Endefunktion beginnen. 03:14.350 --> 03:20.470 Also die init-Funktion müssen wir so mit zwei auf diesem Kurs dann so benennen. 03:20.650 --> 03:25.750 Und dann nochmal zu unterstreichen, das ist nur Python-Syntax. Genau so müssen wir es tun. 03:25.930 --> 03:28.460 Und dann müssen wir die Argumente darlegen. 03:28.720 --> 03:30.340 Wir haben also drei Argumente. 03:30.340 --> 03:35.800 Der erste ist ein obligatorisches Argument, das eigentlich Selbst und Selbst ist. 03:35.800 --> 03:42.250 Es gibt kein Mysterium, das sich auf das Objekt bezieht, das aus dieser Klasse erstellt wird, die wir gerade 03:42.250 --> 03:42.810 erstellen. 03:42.820 --> 03:44.400 Sie wissen, dass wir diese Klasse machen. 03:44.470 --> 03:48.980 Es ist wie eine Anleitung eines Modells dieses neuronalen Netzwerks, das wir bauen wollen. 03:49.180 --> 03:53.620 Und wenn die Klasse fertig ist, können wir mit Netzwerken so viele machen, wie wir möchten. 03:53.620 --> 04:00.130 Und jedes dieser neuen Netzwerke wird ein Objekt dieser Klasse sein, und da wir 04:00.400 --> 04:07.630 das Objekt für andere Zwecke verwenden werden, müssen wir nur die Variablen des Objekts und 04:07.630 --> 04:11.900 für Spudis verwenden beziehen sich auf das Objekt. 04:12.100 --> 04:18.430 Wann immer ich verfügbar von meinem Objekt verwenden möchte, werde ich vor der Variablen selbst verwenden, um anzugeben, 04:18.430 --> 04:21.340 dass dies eine Variable des Objekts ist. 04:21.340 --> 04:25.680 In Ordnung, das ist also das erste Argument und dann haben wir zwei 04:25.680 --> 04:30.240 weitere Argumente, die natürlich die Anzahl der Eingangsneuronen und die Anzahl der Ausgangsneuronen sind. 04:30.550 --> 04:38.220 Die Anzahl der Eingabe-Neuronen nennen wir Eingangsgröße, und das sind eigentlich fünf, da unsere 04:38.310 --> 04:45.890 Eingangsvektoren fünf Dimensionen zu drei Signalen plus Orientierung plus Minus-Orientierung haben, Vektoren von 04:45.900 --> 04:51.020 codierten Werten, die einen Zustand der Umgebung beschreiben. 04:51.210 --> 04:54.960 Diese fünf Werte reichen aus, um den Zustand der Umgebung zu beschreiben. 04:54.960 --> 05:00.600 Wir hätten uns weniger Werte oder mehr Werte vorstellen können, aber ich habe es versucht und es macht 05:00.600 --> 05:05.520 tatsächlich Sinn, weil wir tatsächlich ein Signal von links vor uns und eines rechts benötigen. 05:05.520 --> 05:10.860 Weißt du, wenn wir ein Auto fahren, hätten wir uns für ein 360-Signal entschieden, das du kennst, wie 05:10.860 --> 05:17.370 die Signale an der Spitze der Google-Autos, dass wir mit drei Sensoren völlig selbst fahren können. Dann haben wir diese Orientierung und 05:17.400 --> 05:22.200 diese negative Orientierung für dich wissen, halten Sie das Ziel fest, das Sie erreichen wollten. 05:22.530 --> 05:29.160 Und dann haben wir natürlich die Ausgabeneuronen unseres Netzwerks, die den Aktionen entsprechen, und wir haben drei 05:29.160 --> 05:32.840 mögliche Aktionen, die nach links oder nach rechts gehen. 05:32.880 --> 05:38.520 Und deshalb werde ich es und die Aktion nennen und es werden drei davon sein. 05:38.520 --> 05:39.030 Gut. 05:39.120 --> 05:44.850 Bisher müssen wir nur die Eingänge benennen und dann diese Volleyball verwenden, um die Bedingungen innerhalb des neuronalen 05:44.940 --> 05:46.140 Netzwerks zu erfüllen. 05:47.090 --> 05:55.010 Also gut, und Sie beginnen mit einem anderen Fackel-Trick. Dieser Trick ist eine Superfunktion, 05:55.010 --> 05:59.310 eine Funktion, die tatsächlich vom Modul erbt. 05:59.390 --> 06:02.730 Deshalb mussten wir das Modul auch mit Vererbung erben. 06:02.750 --> 06:04.440 Dies ist das erste, das verwendet wird. 06:04.520 --> 06:11.120 Im Grunde verwenden wir diese Super-Trick-Superfunktion nur, um die Werkzeuge des Moduls verwenden zu können, die 06:11.580 --> 06:13.320 wesentlich effizienter sind. 06:13.670 --> 06:18.620 Und innerhalb der Superfunktion muss ich nur das Netzwerk angeben. 06:18.650 --> 06:25.100 Das ist also unsere Netzwerk-Chul-Klasse, die Sie kennen, da diese von der übergeordneten Modulklasse und 06:25.550 --> 06:27.360 dann unserem Objekt erbt. 06:27.380 --> 06:35.220 Und dann füge ich das nur hinzu und habe eine Funktion wie diese, wie wir es nannten. 06:35.570 --> 06:39.350 Also gut, das ist nur ein Trick, bei dem ich alle meine Werkzeuge benutzen muss. 06:39.360 --> 06:46.270 In diesem Modul können wir dann zum nächsten Schritt übergehen, der die Eingabeebene angibt. 06:46.550 --> 06:53.300 Im Grunde muss ich also eine neue Variable einführen, die an das Objekt angehängt wird. 06:53.300 --> 06:57.120 Diese Variable enthält die Anzahl der Eingabe-Neuronen. 06:57.170 --> 07:05.140 Nicht mit der Eingabegröße zu verwechseln. Die Eingabegröße ist das Argument der Endefunktion. 07:05.180 --> 07:09.710 Dies ist jedoch nicht die an das Objekt angehängte Variable, sondern die an das Objekt 07:09.710 --> 07:10.360 angehängte Variable. 07:10.520 --> 07:16.520 Nun, wie ich gerade erwähnte, müssen wir angeben, dass es stattdessen an das Objekt angehängt ist, also verwenden 07:17.230 --> 07:22.130 wir einen Autodidakt und geben dieser ersten an das Objekt angehängten Variablen einen Namen. 07:22.190 --> 07:24.870 Und so können wir einfach den gleichen Namen wie die Eingabe angeben. 07:24.920 --> 07:33.650 Wir können es Eingabegröße nennen und wir werden sagen, dass es den Argumenten einer Funktion entspricht, die Eingabegröße ist. 07:33.680 --> 07:34.080 Gut. 07:34.130 --> 07:39.900 Jedes Mal, wenn ich ein Objekt aus der Netzwerkklasse erstelle, wird die Eingabegröße 07:39.900 --> 07:41.170 angegeben, z. 07:41.180 --> 07:47.330 Hier wird es 5 sein, und daher wird die Eingangsgrößenvariable unseres Objekts den Wert 07:47.690 --> 07:54.110 5 haben, da diese Eingangsgröße hier 5 ist und unser neues Netzwerk daher 5 Eingangsneuronen in 07:54.110 --> 07:55.470 der Eingabeebene hat. 07:55.490 --> 07:55.790 Gut. 07:55.790 --> 08:02.180 Und das ist auch für die andere Variable, die wir an Objekte anhängen möchten, dasselbe. 08:02.210 --> 08:08.100 Und wie Sie vielleicht schon vermutet haben, wird dies eine Variable für die Anzahl der Ausgangsneuronen sein. 08:08.330 --> 08:15.030 Zu sagen, wir nehmen unser Objekt selbst und geben dieser zweiten Variablen des Objekts, das wir es 08:15.040 --> 08:17.740 nennen, und der Aktion einen Namen. 08:18.170 --> 08:23.600 Und dies wird diesem Argument hier gleich sein, wenn man die Anzahl der Aktionen, also die Anzahl der 08:23.600 --> 08:24.250 Ausgangsneuronen, berücksichtigt. 08:24.530 --> 08:30.850 Wir setzen es also der tatsächlichen Aktion gleich und die Aktion wird gleich drei sein. 08:30.890 --> 08:37.930 Daher erhalten die Variable und die Aktion, die unser Objekt einem Netzwerk angehängt, den Wert drei. 08:38.240 --> 08:41.680 Eigentlich sehen wir hier eine Warnung, die den Namen undefiniert nennt. 08:41.720 --> 08:44.180 Und das ist gut so, weil wir hier die verwenden. 08:44.230 --> 08:46.030 Und dann eine Verknüpfung. 08:46.350 --> 08:48.530 Und wir müssen hier eine Abkürzung verwenden. 08:48.590 --> 08:52.780 Und für unsere Fackel fangen wir in Mudgal an und dann wird es verschwinden. 08:52.880 --> 08:53.670 Auf geht's. 08:53.690 --> 08:54.580 Perfekt. 08:54.590 --> 09:00.800 Im Moment haben wir neue Warnungen. Alle Warnungen hier sollen nur angeben, dass das, was wir importieren, noch nicht 09:00.800 --> 09:01.520 verwendet wird. 09:01.580 --> 09:04.660 Das ist in Ordnung, wir werden sie später verwenden. 09:04.670 --> 09:10.010 In Ordnung, dann haben wir zwei weitere Variablen, die wir für das Objekt definieren wollen. 09:10.190 --> 09:15.820 Und dies wird die volle Verbindung sein, die volle Verbindung zwischen den verschiedenen Schichten unseres 09:15.830 --> 09:16.810 neuronalen Netzwerks. 09:16.820 --> 09:21.800 Da wir jetzt ein neuronales Netzwerk schaffen wollen, das aus nur einem Kopf in ihrer Welt besteht, 09:21.800 --> 09:23.440 gibt es zwei vollständige Verbindungen. 09:23.570 --> 09:27.740 Es gibt eine erste vollständige Verbindung zwischen der Eingabeebene und der verborgenen Ebene. 09:27.980 --> 09:32.450 Und eine Sekunde volle Verbindung zwischen dem Hügel und der Ausgabeschicht. 09:32.480 --> 09:34.770 Beginnen wir also mit der ersten vollständigen Verbindung. 09:34.890 --> 09:43.310 Wir werden es SE1 nennen. Und wieder benutze ich selbst, um anzugeben, dass FC eins eine Variable meines Objekts ist, um das zu 09:43.780 --> 09:44.530 lösen. 09:44.530 --> 09:47.490 FC einer, der gleich sein wird. 09:47.630 --> 09:55.160 Und jetzt verwenden wir das N in-Modul, und wir werden eine Funktion namens lineares R verwenden. Das ist genau das, 09:55.160 --> 10:02.080 um diese vollständige Verbindung zwischen den Neuronen und der Eingabeschicht mit den Neuronen der dort verborgenen Nerven herzustellen. 10:02.180 --> 10:04.090 Und was meine ich mit voller Verbindung? 10:04.160 --> 10:09.190 Das bedeutet, dass alle Neuronen der Eingabeschicht mit allen Neuronen des Hierin verbunden 10:09.190 --> 10:09.920 sind. 10:10.190 --> 10:16.140 Um diese Verbindung herzustellen, verwenden wir diese lineare Funktion, auf die wir einige Argumente setzen müssen. 10:16.190 --> 10:19.880 Und wie Sie sehen, sind diese Argumente in Features. 10:19.880 --> 10:25.370 Das ist also die Anzahl der Neuronen des ersten Gesetzes, die Sie verbinden möchten. Dabei handelt es sich um die Anzahl 10:25.370 --> 10:30.110 der Neuronen der zweiten Schicht, die Sie verbinden möchten. Dies ist die Schicht auf der rechten Seite, 10:30.110 --> 10:32.360 die die verborgene Schicht und das Fahrrad ist. 10:32.420 --> 10:38.850 Für das Fahrrad gilt also, dass wir den Standardwert beibehalten, um einen Vorurteil zu haben, und nicht nur etwas Gewicht, das mit 10:38.900 --> 10:43.350 dem Lauf zu tun hat, wir müssen warten und einen Vorrang für jede Schicht. 10:43.610 --> 10:46.140 Und so wollen wir mal sehen, was wir eingeben müssen. 10:46.280 --> 10:51.850 Das erste Argument in Features ist also die Anzahl der Eingabe-Neuronen in der Eingabeebene. 10:52.000 --> 10:52.930 Und wo ist es dann? 10:53.030 --> 10:55.080 Nun, das ist eigentlich ungenau. 10:55.100 --> 11:01.930 Das ist das Argument unserer init-Funktion, mit der wir später die drei Signale und die 11:02.200 --> 11:04.150 Mannus-Orientierung bekämpfen können. 11:04.160 --> 11:05.020 Auf geht's. 11:05.190 --> 11:14.300 Wenn die ersten Argumente und Put-Größe und dann das zweite Argument aus sind, ist dies die Anzahl der Neuronen, die wir 11:14.300 --> 11:17.090 in der zweiten Schicht haben möchten. 11:17.180 --> 11:20.450 Die zweite Schicht, die vollständig mit der ersten Schicht verbunden ist. 11:20.450 --> 11:24.960 Die Frage ist also, wie viele Neuronen wir in dieser verborgenen Schicht haben wollen. 11:25.220 --> 11:27.420 Nun, ich habe viel Parameter trainiert. 11:27.440 --> 11:29.110 Ich habe viel experimentiert. 11:29.210 --> 11:31.940 Das ist es, was wir tun, oder das tun wir tiefer. 11:31.940 --> 11:38.270 Im Allgemeinen experimentieren wir viel, um herauszufinden, welches das beste neuronale Netzwerk für unser spezielles 11:38.270 --> 11:39.170 Problem wäre. 11:39.170 --> 11:45.950 Ich versuche also viele Werte und habe letztendlich 30 30 Läufe in einer verborgenen Schicht gewählt. Sie werden sehen, dass wir 11:45.950 --> 11:50.750 mit dieser Zahl ziemlich gute Ergebnisse erzielen werden, aber dann die Architektur des neuronalen Netzwerks 11:50.750 --> 11:51.580 ändern können. 11:51.580 --> 11:53.120 Fühlen Sie sich frei, damit zu spielen. 11:53.180 --> 11:58.730 Sie können nicht nur die Anzahl der Neuronen im Hier und Da ändern, sondern Sie können auch weitere 11:59.150 --> 12:05.000 Schichten hinzufügen, so dass Sie vielleicht ein noch besseres Auto bekommen, aber 30 Hinna-Neuronen erhalten ein gutes neuronales Netzwerk und 12:05.000 --> 12:06.000 eine gute Sache. 12:06.020 --> 12:07.390 Das ist es, was wir wollen. 12:07.520 --> 12:08.410 Und da gehen wir hin. 12:08.420 --> 12:13.500 Wir haben unsere erste volle Verbindung wirklich mit dieser linearen Funktion. 12:13.520 --> 12:16.910 Wir stellen die Verbindung zwischen der Eingabeebene und dem verborgenen Bein her. 12:17.360 --> 12:23.270 Und nun ist es Zeit, die zweite vollständige Verbindung herzustellen, bei der es sich um die vollständige Verbindung zwischen der verborgenen 12:23.600 --> 12:25.180 Schicht und der Ausgabeebene handelt. 12:25.490 --> 12:26.750 Also los geht's. 12:26.750 --> 12:31.380 Wir werden diese zweite vollständige Verbindung bei C2 anrufen. 12:31.490 --> 12:32.280 Da gehen wir. 12:32.360 --> 12:36.400 Und dies ist immer noch für mehr Objekte verfügbar, die Saphir verwenden. 12:36.650 --> 12:38.330 Und dann benutzen wir wieder. 12:38.450 --> 12:45.310 Tatsächlich können wir dies kopieren, da wir das N in-Modul und dann die lineare Funktion verwenden werden. 12:45.530 --> 12:49.250 Dann müssen wir natürlich zuerst die Argumente ändern. 12:49.280 --> 12:55.050 Das Gleiche ist zunächst die Anzahl der Neuronen, die wir in der ersten Schicht der Verbindung haben werden. 12:55.190 --> 12:56.510 Das ist also das versteckte dort. 12:56.720 --> 13:03.810 Das ist also 30 und das zweite Argument ist die Anzahl der Neuronen in der zweiten Schicht der 13:04.010 --> 13:08.810 Verbindung, und dies entspricht der Ausgabeschicht und der Ausgabe, die dort vorliegt. 13:08.980 --> 13:15.020 Und die eigentlichen Neuronen werden später drei sein, weil wir drei mögliche Aktionen haben, aber bisher müssen wir die 13:15.020 --> 13:16.930 Namen verwenden, die wir definiert haben. 13:17.050 --> 13:23.990 Das ist der Name des Arguments der init-Funktion und deshalb geben wir hier und die Aktion ein und 13:23.990 --> 13:24.950 los geht's. 13:24.950 --> 13:27.760 Vor allem unsere Tupel-Verbindungen. 13:27.920 --> 13:30.980 Und zweitens ist jede Funktion Israel. 13:31.400 --> 13:36.940 Deshalb initialisieren wir unser Objekt immer dann, wenn wir ein Objekt aus der Netzwerkklasse erstellen. 13:37.130 --> 13:44.300 Sobald wir also ein Objekt erstellt haben, geben Sie hier alle diese Variablen ein. Geben Sie Größe und Reaktion ein. 13:44.380 --> 13:46.980 Sie und zwei werden definiert. 13:47.180 --> 13:52.060 Und so erhalten wir die Architektur unseres Tiernetzwerks für jedes Objekt, das wir erstellen. 13:52.160 --> 13:59.450 Jedes Objekt entspricht einem neuronalen Netzwerk mit fünf eingegebenen Neuronen, 30 verborgenen Neuronen und drei 13:59.450 --> 14:00.440 Ausgangsneuronen. 14:00.470 --> 14:01.430 Also los geht's. 14:01.430 --> 14:06.980 Wir sind mit dieser ersten Funktion fertig und können nun zu 14:06.980 --> 14:13.100 der zweiten Funktion übergehen, der Vorwärtsfunktion, mit der die Neuronen im neuronalen Netzwerk mit 14:13.100 --> 14:19.500 der Gleichrichteraktivierungsfunktion aktiviert werden und meistens zu den Cube-Werten zurückkehren die Ausgänge nur eines Netzwerks. 14:19.580 --> 14:23.420 Ich kann es also kaum erwarten, das im nächsten Tutorial zu tun und bis dahin ich.