WEBVTT 00:00.520 --> 00:02.690 Halo dan selamat datang di tutorial Python ini. 00:02.860 --> 00:05.680 Baiklah jadi kita harus sangat menggairahkan di depan kita. 00:05.680 --> 00:10.690 Kita akan mulai dengan menciptakan arsitektur jaringan saraf yaitu kita akan membuat jaringan 00:10.690 --> 00:16.740 saraf yang akan menjadi jantung AI kita dan yang akan mengembalikan aksi bermain pada usia 90. 00:16.930 --> 00:18.060 Jadi mari kita lakukan ini. 00:18.130 --> 00:23.130 Jadi karena kita ingin jaringan saraf kita menjadi objektif, kita akan menjadikannya kelas. 00:23.200 --> 00:25.100 Dan itu karena jauh lebih nyaman. 00:25.180 --> 00:28.370 Anda tahu kelas adalah model dari sesuatu yang ingin kita bangun. 00:28.540 --> 00:34.000 Kami ingin membangun jaringan saraf dan kami perlu membuat semacam instruksi yang semuanya akan terkandung di 00:34.090 --> 00:35.080 dalam kelas. 00:35.140 --> 00:37.910 Dan di kelas ini kita akan membuat dua fungsi. 00:37.960 --> 00:42.810 Pertama fungsi init yang merupakan fungsi yang muncul setiap saat saat membuat kelas. 00:43.000 --> 00:47.770 Dan itu pada dasarnya mendefinisikan variabel objek Anda yaitu jaringan saraf. 00:47.920 --> 00:52.600 Anda tahu variabel yang dilampirkan ke objek yang bertentangan dengan variabel global. 00:52.840 --> 00:57.910 Dan inilah fungsi yang akan menentukan arsitektur jaringan baru yang Anda ketahui mendefinisikan lapisan 00:57.910 --> 01:03.460 input yang akan terdiri dari lima neuron input karena kami memiliki lima dimensi untuk vektor yang 01:03.790 --> 01:05.680 dikodekan dari kondisi input. 01:05.890 --> 01:08.080 Kemudian kita akan mendefinisikan beberapa layer tersembunyi. 01:08.110 --> 01:12.940 Mungkin Anda akan mulai dengan satu lapisan tersembunyi dan kemudian Anda akan disambut untuk mencoba beberapa arsitektur lain 01:12.940 --> 01:13.920 dari jaringan saraf. 01:14.200 --> 01:20.080 Dan tentu saja kita akan berakhir dengan lapisan keluaran yang akan berisi tindakan yang mungkin bisa 01:20.110 --> 01:21.940 kita mainkan setiap saat. 01:22.180 --> 01:24.730 Jadi itulah tepatnya yang akan kita lakukan dalam fungsi ini. 01:24.850 --> 01:30.460 Dan kemudian kita akan membuat fungsi lain masih di dalam kelas yang akan menjadi fungsi maju 01:30.460 --> 01:34.870 dan itu akan menjadi fungsi yang akan mengaktifkan neuron dalam jaringan saraf. 01:34.870 --> 01:40.570 Anda tahu ini akan mengaktifkan sinyal dan jadi kami akan menggunakan fungsi aktivasi yang diperbaiki 01:40.570 --> 01:46.920 karena tentu saja kita berurusan dengan masalah yang tidak linier dan fungsi yang diperbaiki ini merusak linieritas. 01:47.200 --> 01:53.340 Tetapi sebagian besar kita membuat fungsi Ford ini untuk mengembalikan nilai q yang merupakan output dari jaringan. 01:53.500 --> 01:56.110 Tetapi kami memiliki satu nilai kunci untuk setiap tindakan. 01:56.200 --> 02:02.710 Dan nanti kami akan mengembalikan tindakan terakhir dengan mengambil nilai kunci maks atau menggunakan metode 02:02.710 --> 02:03.880 Max lunak. 02:04.030 --> 02:05.270 Kita akan melihatnya nanti. 02:05.440 --> 02:10.330 Jadi dalam tutorial ini kita akan mulai dengan mengimplementasikan fungsi init dan kemudian 02:10.330 --> 02:12.880 yang berikutnya akan mengimplementasikan fungsi forward. 02:12.880 --> 02:13.810 Jadi mari kita lakukan ini. 02:13.810 --> 02:17.060 Pertama, kita perlu memperkenalkan kelas kita. 02:17.200 --> 02:22.930 Jadi kita mulai dengan kelas dan kita beri nama ke kelas kita yang merupakan tempat kita menyebutnya jaringan. 02:23.650 --> 02:29.980 Dan kemudian di kelas jaringan ini saya akan menggunakan teknik pemrograman objek yang disebut pewarisan 02:30.310 --> 02:35.120 dan itu hanya untuk mewarisi dari semua alat dari kelas induk. 02:35.200 --> 02:41.550 Jadi kelas jaringan kami yang akan kami buat adalah tes anak dari kelas yang lebih besar. 02:41.770 --> 02:44.110 Dan modul itu. 02:44.470 --> 02:50.790 Jadi itu hanya untuk mewarisi dari semua alat kelas modul ini yang tentu saja alat untuk mengimplementasikan 02:50.790 --> 02:51.940 jaringan saraf. 02:51.940 --> 02:57.880 Jadi itu trik yang sangat kuat dan evolusi dalam pemrograman berorientasi objek yang akan diwariskan. 02:57.910 --> 03:02.670 Dan sekarang kita mewarisi dari kelas induk modul ini. 03:02.800 --> 03:06.000 Baiklah dan sekarang kita siap masuk ke dalam kelas. 03:06.130 --> 03:12.910 Jadi saya menekan enter dua kali sebenarnya karena kami akan membuat dua fungsi dan kami mulai dengan 03:13.140 --> 03:14.280 fungsi akhir. 03:14.350 --> 03:20.470 Jadi fungsi init kita harus menamakannya seperti ini dengan dua pada kursus ini lalu di dalamnya. 03:20.650 --> 03:25.750 Dan sekali lagi untuk menggarisbawahi itu hanya sintaks Python yang hanya bagaimana kita harus melakukannya. 03:25.930 --> 03:28.460 Dan kemudian kita perlu mengajukan argumen. 03:28.720 --> 03:30.340 Jadi kami punya tiga argumen. 03:30.340 --> 03:35.800 Yang pertama adalah argumen wajib yang sebenarnya adalah diri dan Diri. 03:35.800 --> 03:42.250 Tidak ada misteri tentang itu yang merujuk ke objek yang akan dibuat dari kelas ini yang akan kita 03:42.250 --> 03:42.810 buat. 03:42.820 --> 03:44.400 Anda tahu kami membuat kelas ini. 03:44.470 --> 03:48.980 Ini seperti beberapa instruksi beberapa model jaringan saraf yang ingin kita bangun. 03:49.180 --> 03:53.620 Dan setelah kelas siap kita dapat membuat sebanyak mungkin dengan jaringan yang kita inginkan. 03:53.620 --> 04:00.130 Dan masing-masing jaringan baru ini akan menjadi beberapa objek dari kelas ini dan karena kita akan 04:00.400 --> 04:07.630 menggunakan objek untuk beberapa tujuan lain, kita perlu tetapi apa variabel dari objek dan untuk Spudis kita menggunakan diri 04:07.630 --> 04:11.900 ini di sini untuk menentukan bahwa kita mengacu pada objek. 04:12.100 --> 04:18.430 Jadi, setiap kali saya ingin menggunakan yang tersedia dari objek saya, saya akan menggunakan sendiri sebelum variabel 04:18.430 --> 04:21.340 untuk menentukan bahwa ini adalah variabel objek. 04:21.340 --> 04:25.680 Baiklah jadi itulah argumen pertama dan kemudian kita memiliki dua 04:25.680 --> 04:30.240 argumen lain yang tentu saja jumlah neuron input dan jumlah neuron output. 04:30.550 --> 04:38.220 Jadi jumlah neuron input yang akan kita sebut ukuran input dan itu sebenarnya lima karena vektor 04:38.310 --> 04:45.890 input kami memiliki lima dimensi hingga tiga sinyal plus orientasi plus orientasi minus yang merupakan 04:45.900 --> 04:51.020 vektor nilai yang dikodekan yang menggambarkan satu keadaan lingkungan. 04:51.210 --> 04:54.960 Kelima nilai ini cukup untuk menggambarkan keadaan lingkungan. 04:54.960 --> 05:00.600 Kita bisa memikirkan nilai Kurang atau lebih banyak nilai tetapi itulah yang saya coba dan itu benar-benar masuk akal karena 05:00.600 --> 05:05.520 kita benar-benar membutuhkan satu sinyal dari yang kiri di depan kita dan satu di sebelah kanan. 05:05.520 --> 05:10.860 Anda tahu ketika sedang mengendarai mobil, kami bisa menggunakan sinyal 360 yang Anda tahu seperti 05:10.860 --> 05:17.370 sinyal di bagian atas mobil Google yang dapat kami kendalikan sepenuhnya dengan tiga sensor dan kemudian kami memiliki 05:17.400 --> 05:22.200 orientasi dan orientasi minus untuk Anda tahu melacak tujuan yang ingin Anda capai. 05:22.530 --> 05:29.160 Dan tentu saja kita memiliki neuron keluaran jaringan kita yang sesuai dengan tindakan dan kita memiliki tiga 05:29.160 --> 05:32.840 tindakan yang mungkin akan berjalan lurus atau lurus. 05:32.880 --> 05:38.520 Dan karena itu saya akan menyebutnya dan tindakan dan akan ada tiga dari mereka. 05:38.520 --> 05:39.030 Baiklah. 05:39.120 --> 05:44.850 Sejauh ini kita hanya perlu memberi nama pada input dan kemudian kita akan menggunakan bola voli ini untuk melakukan kondisi 05:44.940 --> 05:46.140 di dalam jaringan saraf. 05:47.090 --> 05:55.010 Baiklah dan Anda mulai dengan menggunakan trik obor lainnya trik ini adalah fungsi 05:55.010 --> 05:59.310 super fungsi yang sebenarnya diturunkan dari modul. 05:59.390 --> 06:02.730 Jadi itu sebabnya kami harus menggunakan warisan untuk mewarisi modul juga. 06:02.750 --> 06:04.440 Ini adalah yang pertama kali digunakan. 06:04.520 --> 06:11.120 Dan pada dasarnya kami hanya menggunakan fungsi super trik super untuk dapat menggunakan alat-alat modul yang 06:11.580 --> 06:13.320 jauh lebih efisien. 06:13.670 --> 06:18.620 Dan di dalam superfungsi saya hanya perlu menentukan dulu jaringannya. 06:18.650 --> 06:25.100 Jadi itulah kelas jaringan chul kami, Anda tahu karena ini mewarisi dari kelas induk modul 06:25.550 --> 06:27.360 dan kemudian objek kami. 06:27.380 --> 06:35.220 Dan kemudian saya hanya menambahkan itu dan berada dalam fungsi seperti ini persis bagaimana kita menamainya. 06:35.570 --> 06:39.350 Baiklah jadi itu hanya tipuan yang hanya menggunakan semua alat yang saya miliki. 06:39.360 --> 06:46.270 Dan dalam modul itu maka kita bisa melanjutkan ke langkah selanjutnya yaitu menentukan lapisan input. 06:46.550 --> 06:53.300 Jadi pada dasarnya yang harus saya lakukan adalah memperkenalkan variabel baru yang akan dilampirkan ke objek 06:53.300 --> 06:57.120 dan variabel ini akan berisi jumlah neuron input. 06:57.170 --> 07:05.140 Jadi jangan bingung dengan ukuran input ukuran input adalah argumen dari fungsi akhir. 07:05.180 --> 07:09.710 Tapi itu bukan variabel yang melekat pada objek, tetapi variabel yang melekat pada 07:09.710 --> 07:10.360 objek. 07:10.520 --> 07:16.520 Seperti yang baru saja saya sebutkan, kita perlu menentukan bahwa itu bukan melekat pada objek sehingga kita menggunakan 07:17.230 --> 07:22.130 otodidak dan sekarang kita beri nama untuk variabel pertama yang melekat pada objek. 07:22.190 --> 07:24.870 Jadi kita cukup memberikan nama yang sama dengan input. 07:24.920 --> 07:33.650 Kita bisa menyebutnya ukuran input dan kita akan mengatakan itu sama dengan argumen fungsi yang ukuran input. 07:33.680 --> 07:34.080 Baiklah. 07:34.130 --> 07:39.900 Setiap kali saya membuat objek dari kelas jaringan dan saya menentukan ukuran input seperti misalnya 07:39.900 --> 07:41.170 saya meletakkan 5. 07:41.180 --> 07:47.330 Akan ada 5 di sini dan oleh karena itu variabel ukuran input dari objek kita akan memiliki nilai 5 07:47.690 --> 07:54.110 karena ukuran input ini di sini adalah 5 dan karena itu jaringan baru kita akan memiliki 5 neuron input 07:54.110 --> 07:55.470 pada lapisan input. 07:55.490 --> 07:55.790 Baiklah. 07:55.790 --> 08:02.180 Dan kemudian itu sama untuk variabel lain yang ingin kita lampirkan ke objek. 08:02.210 --> 08:08.100 Dan seperti yang Anda duga ini akan menjadi variabel untuk jumlah neuron keluaran. 08:08.330 --> 08:15.030 Dan untuk mengatakan kita mengambil objek kita sendiri dan kemudian kita beri nama untuk variabel kedua dari objek 08:15.040 --> 08:17.740 yang akan kita sebut itu dan tindakan. 08:18.170 --> 08:23.600 Dan ini akan sama dengan argumen ini di sini mengingat jumlah tindakan yang merupakan jumlah neuron 08:23.600 --> 08:24.250 keluaran. 08:24.530 --> 08:30.850 Jadi kami mengaturnya sama dengan aksi sebenarnya dan tindakan itu akan sama dengan tiga. 08:30.890 --> 08:37.930 Oleh karena itu variabel dan tindakan yang dilampirkan ke objek kita ke jaringan akan mendapatkan nilai tiga. 08:38.240 --> 08:41.680 Sebenarnya kita bisa melihat peringatan di sini tertulis nama yang tidak ditentukan. 08:41.720 --> 08:44.180 Dan kemudian itu karena di sini kita menggunakan. 08:44.230 --> 08:46.030 Lalu jalan pintas. 08:46.350 --> 08:48.530 Dan kita perlu menggunakan jalan pintas di sini. 08:48.590 --> 08:52.780 Dan untuk memulai torche kami dan di Mudgal dan kemudian itu akan hilang. 08:52.880 --> 08:53.670 Kita mulai. 08:53.690 --> 08:54.580 Sempurna. 08:54.590 --> 09:00.800 Saat ini kami memiliki peringatan baru, semua peringatan di sini hanya untuk menentukan bahwa apa yang kami impor 09:00.800 --> 09:01.520 belum digunakan. 09:01.580 --> 09:04.660 Tidak apa-apa kita akan menggunakannya nanti. 09:04.670 --> 09:10.010 Baiklah kita punya dua variabel lain yang ingin kita definisikan untuk objek. 09:10.190 --> 09:15.820 Dan ini akan menjadi koneksi penuh koneksi penuh antara berbagai lapisan jaringan 09:15.830 --> 09:16.810 saraf kita. 09:16.820 --> 09:21.800 Jadi karena saat ini kami ingin membuat jaringan saraf yang hanya terdiri dari satu kepala di dunia mereka, 09:21.800 --> 09:23.440 akan ada dua koneksi penuh. 09:23.570 --> 09:27.740 Akan ada satu koneksi penuh pertama antara lapisan input dan lapisan tersembunyi. 09:27.980 --> 09:32.450 Dan satu koneksi penuh kedua antara bukit di sana dan lapisan output. 09:32.480 --> 09:34.770 Jadi mari kita mulai dengan koneksi penuh pertama. 09:34.890 --> 09:43.310 Kita akan menyebutnya SE1 Dan sekali lagi saya menggunakan diri di sini untuk menentukan bahwa FC satu adalah variabel dari objek saya untuk 09:43.780 --> 09:44.530 menyelesaikannya. 09:44.530 --> 09:47.490 FC yang sama dengan. 09:47.630 --> 09:55.160 Dan sekarang kita menggunakan modul N in dan kita akan menggunakan fungsi yang disebut linear R dan itulah 09:55.160 --> 10:02.080 tepatnya untuk membuat koneksi penuh antara neuron dan lapisan input ke neuron yang tersembunyi di sana. 10:02.180 --> 10:04.090 Dan apa yang saya maksud dengan koneksi penuh. 10:04.160 --> 10:09.190 Itu berarti bahwa semua neuron pada lapisan input semua akan terhubung ke semua neuron di sini 10:09.190 --> 10:09.920 di sana. 10:10.190 --> 10:16.140 Jadi untuk membuat koneksi ini kita menggunakan fungsi linear yang kita perlu letakkan beberapa argumen. 10:16.190 --> 10:19.880 Dan seperti yang Anda lihat, argumen ini ada dalam fitur. 10:19.880 --> 10:25.370 Jadi itu adalah jumlah neuron dari hukum pertama yang ingin Anda hubungkan dengan fitur yang merupakan jumlah 10:25.370 --> 10:30.110 neuron dari lapisan kedua yang ingin Anda hubungkan yaitu lapisan di sebelah kanan yang merupakan 10:30.110 --> 10:32.360 lapisan tersembunyi dan sepeda itu benar. 10:32.420 --> 10:38.850 Jadi sepeda benar kita akan mempertahankan nilai default yang memiliki bias dan tidak hanya bobot yang melekat 10:38.900 --> 10:43.350 pada lari kita harus menunggu dan satu bias untuk setiap lapisan. 10:43.610 --> 10:46.140 Dan mari kita lihat apa yang perlu kita input. 10:46.280 --> 10:51.850 Jadi argumen pertama dalam fitur adalah jumlah neuron input di lapisan input. 10:52.000 --> 10:52.930 Dan dimana itu. 10:53.030 --> 10:55.080 Sebenarnya itu tidak tepat. 10:55.100 --> 11:01.930 Itulah argumen dari fungsi init kita yang nantinya kita akan dapat melawan orientasi tiga sinyal 11:02.200 --> 11:04.150 dan orientasi Mannus. 11:04.160 --> 11:05.020 Jadi di sini kita mulai. 11:05.190 --> 11:14.300 Ketika argumen pertama dan menempatkan ukuran dan kemudian argumen kedua keluar fitur yaitu jumlah neuron yang ingin 11:14.300 --> 11:17.090 kita miliki di lapisan kedua. 11:17.180 --> 11:20.450 Lapisan kedua yang akan sepenuhnya terhubung ke lapisan pertama. 11:20.450 --> 11:24.960 Jadi sekarang pertanyaannya adalah berapa banyak neuron yang kita inginkan di lapisan tersembunyi ini. 11:25.220 --> 11:27.420 Yah saya melakukan banyak pelatihan parameter. 11:27.440 --> 11:29.110 Saya melakukan banyak percobaan. 11:29.210 --> 11:31.940 Itulah yang kami lakukan atau itulah yang kami lakukan lebih dalam. 11:31.940 --> 11:38.270 Secara umum kami melakukan banyak percobaan untuk melihat apa yang akan menjadi jaringan saraf terbaik untuk masalah 11:38.270 --> 11:39.170 spesifik kami. 11:39.170 --> 11:45.950 Jadi saya mencoba banyak nilai dan saya akhirnya memilih 30 30 berjalan dalam lapisan tersembunyi dan Anda akan melihat bahwa dengan nomor 11:45.950 --> 11:50.750 ini kita akan mendapatkan beberapa hasil yang cukup bagus tetapi kemudian merasa bebas untuk mengubah arsitektur 11:50.750 --> 11:51.580 jaringan saraf. 11:51.580 --> 11:53.120 Jangan ragu untuk bermain dengannya. 11:53.180 --> 11:58.730 Anda tidak hanya dapat mengubah jumlah neuron di sana-sini tetapi juga Anda dapat menambahkan beberapa lapisan sehingga 11:59.150 --> 12:05.000 mungkin Anda mendapatkan mobil yang lebih baik tetapi 30 hinna neuron akan memberi kita jaringan saraf yang baik dan 12:05.000 --> 12:06.000 tujuan yang baik. 12:06.020 --> 12:07.390 Jadi itulah tujuan kami. 12:07.520 --> 12:08.410 Dan kita mulai. 12:08.420 --> 12:13.500 Kami memiliki koneksi penuh pertama kami benar-benar dengan fungsi linier ini. 12:13.520 --> 12:16.910 Kami membuat koneksi antara lapisan input dan kaki tersembunyi. 12:17.360 --> 12:23.270 Dan sekarang saatnya untuk membuat koneksi penuh kedua yaitu koneksi penuh antara lapisan tersembunyi 12:23.600 --> 12:25.180 dan lapisan keluaran. 12:25.490 --> 12:26.750 Jadi begitulah. 12:26.750 --> 12:31.380 Kita akan memanggil koneksi penuh kedua ini di C2. 12:31.490 --> 12:32.280 Itu dia. 12:32.360 --> 12:36.400 Dan ini masih tersedia untuk lebih banyak objek menggunakan Saphir. 12:36.650 --> 12:38.330 Dan sekali lagi kita gunakan. 12:38.450 --> 12:45.310 Sebenarnya kita bisa menyalin ini karena kita akan menggunakan modul N in dan kemudian fungsi linear. 12:45.530 --> 12:49.250 Tapi kemudian kita perlu mengubah argumennya terlebih dahulu. 12:49.280 --> 12:55.050 Yang sama pertama adalah jumlah neuron yang akan kita miliki di lapisan pertama koneksi. 12:55.190 --> 12:56.510 Jadi itulah yang tersembunyi di sana. 12:56.720 --> 13:03.810 Dan karena itu 30 dan kemudian argumen kedua adalah jumlah neuron di lapisan kedua koneksi 13:04.010 --> 13:08.810 dan yang sesuai dengan lapisan output dan output yang ada. 13:08.980 --> 13:15.020 Dan neuron aktual yang nantinya akan menjadi tiga karena kita memiliki tiga tindakan yang mungkin tetapi sejauh ini kita 13:15.020 --> 13:16.930 harus menggunakan nama yang kita definisikan. 13:17.050 --> 13:23.990 Itulah nama argumen dari fungsi init dan oleh karena itu kami masukan di sini dan tindakan dan di sana 13:23.990 --> 13:24.950 kami pergi. 13:24.950 --> 13:27.760 Pertama-tama koneksi tuple kami kembali. 13:27.920 --> 13:30.980 Dan yang kedua adalah fungsi Israel. 13:31.400 --> 13:36.940 Jadi itulah yang akan kita inisialisasi objek kita setiap kali kita membuat objek dari kelas jaringan. 13:37.130 --> 13:44.300 Dan begitu kita membuat objek dengan baik, semua variabel ini untuk variabel di sini memasukkan ukuran dan reaksi. 13:44.380 --> 13:46.980 Anda satu dan dua akan ditentukan. 13:47.180 --> 13:52.060 Dan itulah bagaimana kita akan mendapatkan arsitektur jaringan hewan kita untuk setiap objek yang kita buat. 13:52.160 --> 13:59.450 Setiap objek akan berhubungan dengan jaringan saraf lima neuron input 30 neuron tersembunyi dan tiga 13:59.450 --> 14:00.440 neuron output. 14:00.470 --> 14:01.430 Jadi begitulah. 14:01.430 --> 14:06.980 Kita selesai dengan fungsi pertama ini dan sekarang kita dapat beralih ke fungsi kedua 14:06.980 --> 14:13.100 yang merupakan fungsi maju dan yang akan digunakan untuk mengaktifkan neuron dalam jaringan saraf menggunakan fungsi 14:13.100 --> 14:19.500 aktivasi penyearah dan sebagian besar akhirnya kembali ke nilai kubus yang merupakan output dari hanya satu jaringan. 14:19.580 --> 14:23.420 Jadi saya tidak sabar untuk melakukan ini di tutorial berikutnya dan sampai saat itu saya.