WEBVTT 00:00.520 --> 00:02.690 Ciao e benvenuto in questo tutorial Python. 00:02.860 --> 00:05.680 Va bene, quindi siamo molto eccitati per il terreno davanti a noi. 00:05.680 --> 00:10.690 Inizieremo creando l'architettura della rete neurale che creeremo la rete neurale che 00:10.690 --> 00:16.740 sarà al centro della nostra intelligenza artificiale e che restituirà l'azione a 90 anni. 00:16.930 --> 00:18.060 Quindi facciamolo. 00:18.130 --> 00:23.130 Quindi, dal momento che vogliamo che la nostra rete neurale sia oggettiva, la faremo diventare classe. 00:23.200 --> 00:25.100 E questo perché è molto più conveniente. 00:25.180 --> 00:28.370 Sai che la classe è il modello di qualcosa che vogliamo costruire. 00:28.540 --> 00:34.000 Vogliamo costruire una rete neurale e abbiamo bisogno di fare una sorta di istruzioni che saranno tutte 00:34.090 --> 00:35.080 contenute nella classe. 00:35.140 --> 00:37.910 E in questa classe faremo due funzioni. 00:37.960 --> 00:42.810 Innanzitutto la funzione init che è la funzione che emerge ogni volta che si fa lezione. 00:43.000 --> 00:47.770 E questo fondamentalmente definisce la variabile del tuo oggetto che è la rete neurale. 00:47.920 --> 00:52.600 Conoscete le variabili associate all'oggetto in contrasto con le variabili globali. 00:52.840 --> 00:57.910 funzione che definirà l'architettura della nuova rete che conosci definendo il livello di input che sarà 00:57.910 --> 01:03.460 composto da cinque neuroni di input perché abbiamo cinque dimensioni per il vettore codificato degli stati di input. 01:03.790 --> 01:05.680 E così questa è in questa 01:05.890 --> 01:08.080 Quindi definiremo alcuni livelli nascosti. 01:08.110 --> 01:12.940 Forse inizierai con uno strato nascosto e poi sarai il benvenuto a provare altre architetture 01:12.940 --> 01:13.920 della rete neurale. 01:14.200 --> 01:20.080 E poi ovviamente finiremo con il livello di output che conterrà le possibili azioni 01:20.110 --> 01:21.940 che possiamo giocare ogni volta. 01:22.180 --> 01:24.730 Questo è esattamente ciò che faremo in questa funzione. 01:24.850 --> 01:30.460 la funzione diretta e che sarà la funzione che attiverà i neuroni nella rete neurale. 01:30.460 --> 01:34.870 E poi faremo un'altra funzione ancora all'interno della classe che sarà 01:34.870 --> 01:40.570 Sapete che questo attiverà i segnali e quindi useremo una funzione di attivazione raddrizzata perché ovviamente 01:40.570 --> 01:46.920 abbiamo a che fare con un problema puramente non lineare e questa funzione rettificata rompe la linearità. 01:47.200 --> 01:53.340 Ma per lo più stiamo facendo questa funzione Ford per restituire i valori q che sono le uscite della rete. 01:53.500 --> 01:56.110 Ma abbiamo un valore chiave per ogni azione. 01:56.200 --> 02:02.710 E in seguito restituiremo l'azione finale prendendo il massimo dei valori chiave o utilizzando un 02:02.710 --> 02:03.880 metodo Max morbido. 02:04.030 --> 02:05.270 Lo vedremo dopo. 02:05.440 --> 02:10.330 Quindi in questo tutorial inizieremo implementando la funzione init e successivamente 02:10.330 --> 02:12.880 il prossimo implementerà la funzione forward. 02:12.880 --> 02:13.810 Quindi facciamolo. 02:13.810 --> 02:17.060 Per prima cosa dobbiamo presentare la nostra classe. 02:17.200 --> 02:22.930 Quindi iniziamo con la lezione e diamo un nome alla nostra classe che è dove possiamo chiamarla rete. 02:23.650 --> 02:29.980 E poi in questa classe di rete userò una tecnica di programmazione degli oggetti che è chiamata ereditarietà 02:30.310 --> 02:35.120 e che è solo per ereditare da tutti gli strumenti di una classe genitore. 02:35.200 --> 02:41.550 Quindi la nostra classe di rete che stiamo per realizzare è un test per bambini di una classe più ampia che è. 02:41.770 --> 02:44.110 E quel modulo. 02:44.470 --> 02:50.790 Quindi è solo per ereditare da tutti gli strumenti di questa classe di moduli che ovviamente sono gli strumenti per 02:50.790 --> 02:51.940 implementare una rete neurale. 02:51.940 --> 02:57.880 Quindi questo è un trucco molto potente ed evolutivo nella programmazione orientata agli oggetti che sta andando in eredità. 02:57.910 --> 03:02.670 E proprio ora stiamo ereditando da questa classe genitore del modulo. 03:02.800 --> 03:06.000 Va bene e ora siamo pronti per entrare nella classe. 03:06.130 --> 03:12.910 Quindi premo invio due volte perché creeremo due funzioni e inizieremo con la 03:13.140 --> 03:14.280 funzione finale. 03:14.350 --> 03:20.470 Quindi la funzione init dobbiamo nominarla in questo modo con due in questo corso e poi dentro. 03:20.650 --> 03:25.750 E poi di nuovo per sottolineare che è solo la sintassi di Python che è proprio come dobbiamo farlo. 03:25.930 --> 03:28.460 E poi dobbiamo mettere gli argomenti. 03:28.720 --> 03:30.340 Quindi abbiamo tre argomenti. 03:30.340 --> 03:35.800 Il primo è un argomento obbligatorio che è in realtà sé e sé. 03:35.800 --> 03:42.250 Non c'è alcun mistero a riguardo che si riferisca all'oggetto che verrà creato da questa classe che stiamo 03:42.250 --> 03:42.810 per realizzare. 03:42.820 --> 03:44.400 Sai che stiamo facendo questa lezione. 03:44.470 --> 03:48.980 È come un'istruzione del modello di questa rete neurale che vogliamo costruire. 03:49.180 --> 03:53.620 E poi, una volta che la classe è pronta, possiamo fare il maggior numero di reti che vogliamo. 03:53.620 --> 04:00.130 E ognuna di queste nuove reti sarà oggetto di questa classe e dato che useremo l'oggetto 04:00.400 --> 04:07.630 per altri scopi di cui abbiamo bisogno, ma quali sono le variabili dell'oggetto e di Spudis, stiamo 04:07.630 --> 04:11.900 usando questo sé per specificare che noi Mi riferisco all'oggetto. 04:12.100 --> 04:18.430 Quindi ogni volta che voglio usare disponibile dal mio oggetto userò self prima della variabile per 04:18.430 --> 04:21.340 specificare che questa è una variabile dell'oggetto. 04:21.340 --> 04:25.680 ovviamente il numero di neuroni di input e il numero di neuroni di output. 04:25.680 --> 04:30.240 Va bene, questo è il primo argomento e quindi abbiamo altri due argomenti che sono 04:30.550 --> 04:38.220 Quindi il numero di neuroni di input lo chiameremo dimensione di input e questo è in realtà 04:38.310 --> 04:45.890 cinque perché i nostri vettori di input hanno cinque dimensioni su tre segnali più orientamento più meno 04:45.900 --> 04:51.020 che sono vettori di valori codificati che descrivono uno stato dell'ambiente. 04:51.210 --> 04:54.960 Questi cinque valori sono sufficienti per descrivere uno stato dell'ambiente. 04:54.960 --> 05:00.600 Avremmo potuto pensare a meno valori o più valori, ma è quello che ho provato e in realtà ha senso perché 05:00.600 --> 05:05.520 in realtà abbiamo bisogno di un segnale da sinistra uno di fronte a noi e uno a destra. 05:05.520 --> 05:10.860 abbiamo questo orientamento e l'orientamento negativo a te sapere tenere traccia dell'obiettivo che stavi cercando di raggiungere. 05:10.860 --> 05:17.370 Sai che quando guidiamo un'auto, potremmo partire per un segnale a 360 ° che conosciamo come i segnali nella parte superiore 05:17.400 --> 05:22.200 delle auto di Google, che possiamo guidare totalmente da soli con tre sensori e quindi 05:22.530 --> 05:29.160 E poi abbiamo ovviamente i neuroni di uscita della nostra rete che corrispondono alle azioni e abbiamo tre azioni 05:29.160 --> 05:32.840 possibili che vanno a sinistra andando dritte o andando a destra. 05:32.880 --> 05:38.520 E quindi lo chiamerò e l'azione e ce ne saranno tre. 05:38.520 --> 05:39.030 Tutto ok. 05:39.120 --> 05:44.850 Finora dobbiamo solo dare nomi agli input e poi useremo queste pallavolo per fare le condizioni all'interno 05:44.940 --> 05:46.140 della rete neurale. 05:47.090 --> 05:55.010 Va bene allora e si inizia usando un altro trucco con la torcia questo trucco è una 05:55.010 --> 05:59.310 superfunzione che è una funzione che eredita effettivamente dal modulo. 05:59.390 --> 06:02.730 Ecco perché abbiamo dovuto usare l'ereditarietà per ereditare anche il modulo. 06:02.750 --> 06:04.440 Questo è il primo da usare. 06:04.520 --> 06:11.120 E quindi fondamentalmente stiamo usando questa superfunzione super trucco per poter usare gli strumenti del modulo che 06:11.580 --> 06:13.320 è molto più efficiente. 06:13.670 --> 06:18.620 E all'interno della superfunzione ho solo bisogno di specificare prima la rete. 06:18.650 --> 06:25.100 classe di rete chul, perché questa è ereditata dal modulo genitore di classe e quindi dal nostro oggetto. 06:25.550 --> 06:27.360 Quindi questa è la nostra 06:27.380 --> 06:35.220 E poi aggiungo solo questo e sono in una funzione come questa esattamente come l'abbiamo chiamata. 06:35.570 --> 06:39.350 Va bene, questo è solo un trucco che serve solo per usare tutti gli strumenti che ho. 06:39.360 --> 06:46.270 E in quel modulo possiamo passare al prossimo passo che è quello di specificare il livello di input. 06:46.550 --> 06:53.300 Quindi, in pratica, quello che devo fare è introdurre una nuova variabile che sarà collegata all'oggetto e 06:53.300 --> 06:57.120 questa variabile conterrà il numero di neuroni di input. 06:57.170 --> 07:05.140 Quindi, per non essere confuso con la dimensione dell'ingresso, la dimensione dell'ingresso è l'argomento della funzione finale. 07:05.180 --> 07:09.710 non è la variabile che è collegata all'oggetto, ma la variabile che è collegata all'oggetto. 07:09.710 --> 07:10.360 Ma quella 07:10.520 --> 07:16.520 Come ho appena detto, è necessario specificare che è invece collegato all'oggetto, quindi usiamo un 07:17.230 --> 07:22.130 autodidatta e ora diamo un nome a questa prima variabile associata all'oggetto. 07:22.190 --> 07:24.870 E quindi possiamo semplicemente dare lo stesso nome dell'input. 07:24.920 --> 07:33.650 Possiamo chiamarlo dimensione di input e diremo che è uguale agli argomenti una funzione che è la dimensione di input. 07:33.680 --> 07:34.080 Tutto ok. 07:34.130 --> 07:39.900 Ogni volta che sto creando un oggetto dalla classe di rete e sto specificando la dimensione dell'input come ad 07:39.900 --> 07:41.170 esempio sto mettendo 5. 07:41.180 --> 07:47.330 Ci sarà di 5 qui e quindi la variabile di input size del nostro oggetto avrà il valore di 07:47.690 --> 07:54.110 5 perché questa dimensione di input sarà 5 e quindi la nostra nuova rete avrà 5 neuroni di input 07:54.110 --> 07:55.470 nel layer di input. 07:55.490 --> 07:55.790 Tutto ok. 07:55.790 --> 08:02.180 E poi è lo stesso per l'altra variabile che vogliamo collegare agli oggetti. 08:02.210 --> 08:08.100 E come avrai intuito, questa sarà una variabile per il numero di neuroni di uscita. 08:08.330 --> 08:15.030 E dire che prendiamo il nostro oggetto di sé e poi diamo un nome a questa 08:15.040 --> 08:17.740 seconda variabile dell'oggetto che chiameremo e all'azione. 08:18.170 --> 08:23.600 E questo sarà uguale a questo argomento qui dato il numero di azioni che è il numero di neuroni 08:23.600 --> 08:24.250 di uscita. 08:24.530 --> 08:30.850 E quindi lo impostiamo in modo uguale all'azione e l'azione sarà uguale a tre. 08:30.890 --> 08:37.930 Pertanto la variabile e l'azione associata al nostro oggetto in una rete otterranno il valore di tre. 08:38.240 --> 08:41.680 In realtà possiamo vedere un avvertimento qui dice un nome indefinito. 08:41.720 --> 08:44.180 E poi bene, perché qui usiamo il. 08:44.230 --> 08:46.030 E poi la scorciatoia. 08:46.350 --> 08:48.530 E dobbiamo usare una scorciatoia qui. 08:48.590 --> 08:52.780 E per le nostre torche partono e in Mudgal e poi scomparirà. 08:52.880 --> 08:53.670 Eccoci qui. 08:53.690 --> 08:54.580 Perfezionare. 08:54.590 --> 09:00.800 Al momento abbiamo nuovi avvisi tutti gli avvertimenti qui sono solo per specificare che ciò che importiamo non è 09:00.800 --> 09:01.520 ancora utilizzato. 09:01.580 --> 09:04.660 Va bene li useremo in seguito. 09:04.670 --> 09:10.010 Bene, allora abbiamo altre due variabili che vogliamo definire per oggetto. 09:10.190 --> 09:15.820 la piena connessione delle connessioni complete tra i diversi strati della nostra rete neurale. 09:15.830 --> 09:16.810 E questa sarà 09:16.820 --> 09:21.800 Quindi visto che adesso vogliamo creare una rete neurale composta da una sola testa nel loro mondo 09:21.800 --> 09:23.440 ci saranno due connessioni complete. 09:23.570 --> 09:27.740 Ci sarà una prima connessione completa tra il livello di input e il livello nascosto. 09:27.980 --> 09:32.450 E un secondo collegamento completo tra la collina e lo strato di uscita. 09:32.480 --> 09:34.770 Quindi iniziamo con la prima connessione completa. 09:34.890 --> 09:43.310 Lo chiameremo SE1 E di nuovo uso qui per specificare che FC uno è una variabile del mio oggetto 09:43.780 --> 09:44.530 per risolverlo. 09:44.530 --> 09:47.490 FC quello che sarà uguale a. 09:47.630 --> 09:55.160 E ora usiamo il modulo N in e useremo una funzione chiamata R lineare e questo è esattamente 09:55.160 --> 10:02.080 per rendere questa connessione completa tra i neuroni e il livello di input ai neuroni del nascosto. 10:02.180 --> 10:04.090 E cosa intendo per connessione completa. 10:04.160 --> 10:09.190 Ciò significa che tutti i neuroni dello strato di input saranno tutti collegati a tutti i neuroni del 10:09.190 --> 10:09.920 Qui in là. 10:10.190 --> 10:16.140 E così per fare questa connessione usiamo questa funzione lineare a cui dobbiamo mettere alcuni argomenti. 10:16.190 --> 10:19.880 E come puoi vedere questi argomenti sono nelle caratteristiche. 10:19.880 --> 10:25.370 Quindi questo è il numero di neuroni della prima legge che vuoi collegare loro caratteristiche che sono il 10:25.370 --> 10:30.110 numero di neuroni del secondo strato che vuoi collegare, cioè il livello a destra che è 10:30.110 --> 10:32.360 lo strato nascosto e la bicicletta è vera. 10:32.420 --> 10:38.850 Quindi, la bicicletta è vera manterremo il valore predefinito che è per avere un pregiudizio e non solo un po 10:38.900 --> 10:43.350 'di peso collegato alla corsa che dovremo aspettare e un pregiudizio per ogni livello. 10:43.610 --> 10:46.140 E così bene vediamo cosa dobbiamo inserire. 10:46.280 --> 10:51.850 Quindi il primo argomento nelle caratteristiche è il numero di neuroni di input nel livello di input. 10:52.000 --> 10:52.930 E quindi dov'è. 10:53.030 --> 10:55.080 Beh, questo è in realtà impreciso. 10:55.100 --> 11:01.930 Questo è l'argomento della nostra funzione di init che più avanti saremo in grado di combattere l'orientamento dei tre 11:02.200 --> 11:04.150 segnali e l'orientamento di Mannus. 11:04.160 --> 11:05.020 Quindi eccoci qui. 11:05.190 --> 11:14.300 Quando i primi argomenti e le dimensioni put e quindi il secondo argomento sono le feature, questo è il numero di 11:14.300 --> 11:17.090 neuroni che vogliamo avere nel secondo livello. 11:17.180 --> 11:20.450 Il secondo livello che sarà completamente connesso al primo strato. 11:20.450 --> 11:24.960 E così ora la domanda è quanti neuroni vogliamo in questo strato nascosto. 11:25.220 --> 11:27.420 Bene, ho fatto un sacco di addestramento sui parametri. 11:27.440 --> 11:29.110 Ho fatto molti esperimenti. 11:29.210 --> 11:31.940 Questo è ciò che facciamo o è ciò che facciamo più in profondità. 11:31.940 --> 11:38.270 In generale facciamo molti esperimenti per vedere quale sarebbe la migliore rete neurale per il nostro 11:38.270 --> 11:39.170 problema specifico. 11:39.170 --> 11:45.950 E così ho provato molti valori e alla fine ho scelto 30 30 run in un livello nascosto e vedrai che 11:45.950 --> 11:50.750 con questo numero otterremo dei risultati piuttosto buoni, ma poi sentirai libero di cambiare l'architettura 11:50.750 --> 11:51.580 della rete neurale. 11:51.580 --> 11:53.120 Sentiti libero di giocarci. 11:53.180 --> 11:58.730 Puoi non solo cambiare il numero di neuroni nel qui e là, ma anche aggiungere altri strati in 11:59.150 --> 12:05.000 modo che tu possa ottenere un'auto ancora migliore, ma 30 neuroni hinna ci procureranno una buona rete neurale e 12:05.000 --> 12:06.000 una buona causa. 12:06.020 --> 12:07.390 Quindi questo è quello che vogliamo. 12:07.520 --> 12:08.410 E noi andiamo. 12:08.420 --> 12:13.500 Abbiamo la nostra prima connessione completa davvero con questa funzione lineare. 12:13.520 --> 12:16.910 Creiamo la connessione tra il livello di input e la gamba nascosta. 12:17.360 --> 12:23.270 E ora è il momento di fare la seconda connessione completa che è la connessione completa tra il livello nascosto 12:23.600 --> 12:25.180 e il livello di output. 12:25.490 --> 12:26.750 Quindi eccoci. 12:26.750 --> 12:31.380 Chiameremo questa seconda connessione completa in C2. 12:31.490 --> 12:32.280 Eccoci. 12:32.360 --> 12:36.400 Eppure questo è disponibile per più oggetti usando Saphir. 12:36.650 --> 12:38.330 E poi usiamo di nuovo. 12:38.450 --> 12:45.310 Beh, in realtà possiamo copiare questo perché useremo il modulo N nel modulo e poi la funzione lineare. 12:45.530 --> 12:49.250 Ma poi dobbiamo prima cambiare gli argomenti, naturalmente. 12:49.280 --> 12:55.050 Questo è lo stesso primo è il numero di neuroni che avremo nel primo strato della connessione. 12:55.190 --> 12:56.510 Quindi questo è il nascosto lì. 12:56.720 --> 13:03.810 E quindi questo è 30 e quindi il secondo argomento è il numero di neuroni nel secondo strato 13:04.010 --> 13:08.810 della connessione e che corrisponde al livello di output e all'output che c'è. 13:08.980 --> 13:15.020 E i neuroni reali che in seguito saranno tre perché abbiamo tre possibili azioni ma finora dobbiamo 13:15.020 --> 13:16.930 usare i nomi che abbiamo definito. 13:17.050 --> 13:23.990 il nome dell'argomento della funzione init e quindi inseriamo qui e l'azione e così via. 13:23.990 --> 13:24.950 Questo è 13:24.950 --> 13:27.760 Prima di tutto le nostre connessioni tuple ri. 13:27.920 --> 13:30.980 E in secondo luogo, qualsiasi funzione è Israele. 13:31.400 --> 13:36.940 Questo è ciò che inizializzeremo il nostro oggetto ogni volta che creiamo un oggetto dalla classe di rete. 13:37.130 --> 13:44.300 E così, non appena creiamo un oggetto, tutte queste variabili per variabili qui immettono dimensione e reazione. 13:44.380 --> 13:46.980 Tu e due saranno definiti. 13:47.180 --> 13:52.060 Ed è così che otterremo l'architettura della nostra rete di animali per ogni oggetto che creiamo. 13:52.160 --> 13:59.450 corrisponderà a una rete neurale di cinque neuroni di input 30 neuroni nascosti e tre neuroni di uscita. 13:59.450 --> 14:00.440 Ogni oggetto 14:00.470 --> 14:01.430 Quindi eccoci. 14:01.430 --> 14:06.980 Abbiamo finito con questa prima funzione e ora possiamo passare alla seconda funzione che è la 14:06.980 --> 14:13.100 funzione in avanti e che verrà utilizzata per attivare i neuroni nella rete neurale usando la funzione di 14:13.100 --> 14:19.500 attivazione del raddrizzatore e soprattutto per tornare ai valori del cubo che sono le uscite di una sola rete. 14:19.580 --> 14:23.420 Quindi non vedo l'ora di farlo nel prossimo tutorial e fino a quel momento.