WEBVTT 00:00.520 --> 00:02.690 Cześć i witamy w tutorialu Python. 00:02.860 --> 00:05.680 W porządku, więc ekscytuje nas gleba przed nami. 00:05.680 --> 00:10.690 Zaczniemy od stworzenia architektury sieci neuronowej, dzięki której zbudujemy sieć neuronową, która 00:10.690 --> 00:16.740 będzie w centrum naszej sztucznej inteligencji i która zwróci działanie, by grać w wieku 90 lat. 00:16.930 --> 00:18.060 Zróbmy to. 00:18.130 --> 00:23.130 Ponieważ chcemy, aby nasza sieć neuronowa była obiektywna, zamierzamy uczynić ją klasą. 00:23.200 --> 00:25.100 A to dlatego, że jest o wiele wygodniejszy. 00:25.180 --> 00:28.370 Wiesz, że klasa jest modelem czegoś, co chcemy zbudować. 00:28.540 --> 00:34.000 Chcemy zbudować sieć neuronową i musimy wykonać instrukcje, które będą zawarte w 00:34.090 --> 00:35.080 klasie. 00:35.140 --> 00:37.910 I w tej klasie zamierzamy wykonać dwie funkcje. 00:37.960 --> 00:42.810 Najpierw funkcja init, która jest funkcją, która pojawia się cały czas podczas tworzenia klasy. 00:43.000 --> 00:47.770 I to w zasadzie definiuje zmienną twojego obiektu, którym jest sieć neuronowa. 00:47.920 --> 00:52.600 Znasz zmienne związane z obiektem, w przeciwieństwie do zmiennych globalnych. 00:52.840 --> 00:57.910 I to właśnie w tej funkcji zdefiniujemy architekturę nowej sieci, którą znacie, definiując 00:57.910 --> 01:03.460 warstwę wejściową, która będzie składała się z pięciu neuronów wejściowych, ponieważ mamy pięć wymiarów dla 01:03.790 --> 01:05.680 zakodowanego wektora stanów wejściowych. 01:05.890 --> 01:08.080 Następnie zdefiniujemy kilka ukrytych warstw. 01:08.110 --> 01:12.940 Może zaczniesz od jednej ukrytej warstwy, a potem będziesz mógł wypróbować inne architektury 01:12.940 --> 01:13.920 sieci neuronowej. 01:14.200 --> 01:20.080 I wtedy oczywiście otrzymamy warstwę wyjściową, która będzie zawierała możliwe akcje, które możemy 01:20.110 --> 01:21.940 grać za każdym razem. 01:22.180 --> 01:24.730 Tak właśnie zrobimy w tej funkcji. 01:24.850 --> 01:30.460 A następnie utworzymy jeszcze jedną funkcję wewnątrz klasy, która będzie funkcją naprzód 01:30.460 --> 01:34.870 i która będzie funkcją aktywującą neurony w sieci neuronowej. 01:34.870 --> 01:40.570 Wiesz, że to aktywuje sygnały, więc użyjemy wyprostowanej funkcji aktywacji, ponieważ 01:40.570 --> 01:46.920 oczywiście mamy do czynienia z czysto nieliniowym problemem, a ta poprawiona funkcja przełamuje liniowość. 01:47.200 --> 01:53.340 Ale głównie sprawiamy, że funkcja Forda zwraca wartości q, które są wyjściami sieci. 01:53.500 --> 01:56.110 Ale mamy jedną kluczową wartość dla każdego działania. 01:56.200 --> 02:02.710 Później zwrócimy ostatnią akcję, przyjmując maksimum kluczowych wartości lub stosując miękką metodę 02:02.710 --> 02:03.880 Max. 02:04.030 --> 02:05.270 Zobaczymy to później. 02:05.440 --> 02:10.330 W tym tutorialu zaczniemy od zaimplementowania funkcji init, a 02:10.330 --> 02:12.880 następnie zaimplementujemy funkcję forward. 02:12.880 --> 02:13.810 Zróbmy to. 02:13.810 --> 02:17.060 Najpierw musimy przedstawić naszą klasę. 02:17.200 --> 02:22.930 Zaczynamy od klasy, a my nadajemy nazwę naszej klasie, którą możemy nazwać siecią. 02:23.650 --> 02:29.980 A potem w tej klasie sieciowej zamierzam użyć techniki programowania obiektowego, która jest nazywana dziedziczeniem, 02:30.310 --> 02:35.120 a która po prostu dziedziczy po wszystkich narzędziach klasy macierzystej. 02:35.200 --> 02:41.550 Nasza klasa sieciowa, którą zamierzamy stworzyć, jest testem dla dzieci większej klasy. 02:41.770 --> 02:44.110 I ten moduł. 02:44.470 --> 02:50.790 To po prostu dziedziczy po wszystkich narzędziach tej klasy modułów, które oczywiście są narzędziami do implementacji 02:50.790 --> 02:51.940 sieci neuronowej. 02:51.940 --> 02:57.880 Jest to bardzo potężna i ewolucyjna sztuczka w programowaniu zorientowanym obiektowo, która idzie w parze z dziedzictwem. 02:57.910 --> 03:02.670 I właśnie teraz dziedziczymy z tej klasy nadrzędnej modułu. 03:02.800 --> 03:06.000 W porządku, a teraz jesteśmy gotowi wejść do klasy. 03:06.130 --> 03:12.910 Tak więc dwukrotnie wciskam enter, ponieważ będziemy wykonywać dwie funkcje i zaczynamy od 03:13.140 --> 03:14.280 funkcji zakończenia. 03:14.350 --> 03:20.470 Tak więc funkcja init, którą musimy nazwać w ten sposób, z dwoma na tym kursie, a następnie w nim. 03:20.650 --> 03:25.750 I jeszcze raz, aby podkreślić, że jest to po prostu składnia Pythona, tak jak musimy to zrobić. 03:25.930 --> 03:28.460 A potem musimy przedstawić argumenty. 03:28.720 --> 03:30.340 Mamy więc trzy argumenty. 03:30.340 --> 03:35.800 Pierwszy to obowiązkowy argument, który jest w rzeczywistości Self i Self. 03:35.800 --> 03:42.250 Nie ma w tym tajemnicy, która odnosi się do przedmiotu, który zostanie stworzony z tej klasy, którą zamierzamy 03:42.250 --> 03:42.810 stworzyć. 03:42.820 --> 03:44.400 Wiesz, że tworzymy tę klasę. 03:44.470 --> 03:48.980 To trochę jak instrukcja jakiegoś modelu tej sieci neuronowej, którą chcemy zbudować. 03:49.180 --> 03:53.620 A kiedy klasa będzie już gotowa, możemy stworzyć tyle sieci, ile chcemy. 03:53.620 --> 04:00.130 Każda z tych nowych sieci będzie przedmiotem tej klasy, a ponieważ będziemy używać tego 04:00.400 --> 04:07.630 obiektu do innych celów, musimy to zrobić, ale jakie są zmienne obiektu i Spudis, używamy tego 04:07.630 --> 04:11.900 tutaj, aby określić, że odnosi się do obiektu. 04:12.100 --> 04:18.430 Kiedykolwiek chcę użyć dostępnego z mojego obiektu, użyję self przed zmienną, aby określić, 04:18.430 --> 04:21.340 że jest to zmienna obiektu. 04:21.340 --> 04:25.680 W porządku, to jest pierwszy argument, a następnie mamy dwa 04:25.680 --> 04:30.240 inne argumenty, które są oczywiście liczbą neuronów wejściowych i liczbą neuronów wyjściowych. 04:30.550 --> 04:38.220 Tak więc liczba neuronów wejściowych nazwiemy wielkością wejściową, która w rzeczywistości wynosi pięć, ponieważ nasze 04:38.310 --> 04:45.890 wektory wejściowe mają pięć wymiarów do trzech sygnałów plus orientacja plus orientacja ujemna, które 04:45.900 --> 04:51.020 są wektorami zakodowanych wartości, które opisują jeden stan środowiska. 04:51.210 --> 04:54.960 Te pięć wartości wystarczy, aby opisać stan środowiska. 04:54.960 --> 05:00.600 Moglibyśmy pomyśleć o mniej wartościach lub więcej wartościach, ale tego właśnie próbowałem i ma to 05:00.600 --> 05:05.520 sens, ponieważ potrzebujemy jednego sygnału od lewego przed nami i po prawej. 05:05.520 --> 05:10.860 Wiesz, kiedy jedziemy samochodem, mogliśmy poszukać sygnału 360, który znamy jak sygnały na 05:10.860 --> 05:17.370 górze samochodów Google, które możemy całkowicie samozasilać z trzema czujnikami, a następnie mamy orientację i 05:17.400 --> 05:22.200 orientację względem ciebie wiedzieć, śledzić cel, do którego próbujesz dotrzeć. 05:22.530 --> 05:29.160 A potem mamy oczywiście neurony wyjściowe naszej sieci, które odpowiadają akcjom i mamy trzy możliwe działania idące 05:29.160 --> 05:32.840 w lewo idąc prosto lub idąc w prawo. 05:32.880 --> 05:38.520 I dlatego nazwę to i działaniem, a będzie ich trzech. 05:38.520 --> 05:39.030 W porządku. 05:39.120 --> 05:44.850 Do tej pory wystarczy podać nazwy wejść, a następnie użyjemy tych siatkówki, aby wykonać warunki 05:44.940 --> 05:46.140 wewnątrz sieci neuronowej. 05:47.090 --> 05:55.010 W porządku, a ty zaczynasz od użycia innej sztuczki latarki, ta sztuczka to superfunkcja, która 05:55.010 --> 05:59.310 jest funkcją, która faktycznie dziedziczy z modułu. 05:59.390 --> 06:02.730 Właśnie dlatego musieliśmy wykorzystać dziedziczenie, aby odziedziczyć moduł. 06:02.750 --> 06:04.440 To jest pierwszy w użyciu. 06:04.520 --> 06:11.120 Zasadniczo używamy tylko tej superfunkcji super-sztuczki, aby móc korzystać z narzędzi modułu, które są 06:11.580 --> 06:13.320 znacznie bardziej wydajne. 06:13.670 --> 06:18.620 Wewnątrz superfunkcji muszę najpierw określić sieć. 06:18.650 --> 06:25.100 Więc to jest nasza chul klasa sieci, którą znasz, ponieważ dziedziczy ona z klasy nadrzędnej modułu, 06:25.550 --> 06:27.360 a następnie naszego obiektu. 06:27.380 --> 06:35.220 A potem dodajemy to i funkcjonujemy w taki sposób, jak to nazwaliśmy. 06:35.570 --> 06:39.350 W porządku, to tylko sztuczka polegająca na użyciu wszystkich dostępnych narzędzi. 06:39.360 --> 06:46.270 W tym module możemy przejść do kolejnego kroku, który ma określić warstwę wejściową. 06:46.550 --> 06:53.300 Więc w zasadzie muszę wprowadzić nową zmienną, która będzie dołączona do obiektu, a 06:53.300 --> 06:57.120 ta zmienna będzie zawierała liczbę neuronów wejściowych. 06:57.170 --> 07:05.140 Więc nie mylić z wielkością wejściową rozmiar wejściowy jest argumentem funkcji końca. 07:05.180 --> 07:09.710 Ale to nie jest zmienna dołączona do obiektu, ale zmienna dołączona do 07:09.710 --> 07:10.360 obiektu. 07:10.520 --> 07:16.520 Jak już wspomniałem, musimy określić, że jest on dołączony do obiektu, więc używamy samouka 07:17.230 --> 07:22.130 i teraz podajemy nazwę tej pierwszej zmiennej dołączonej do obiektu. 07:22.190 --> 07:24.870 Możemy więc podać tę samą nazwę, co dane wejściowe. 07:24.920 --> 07:33.650 Możemy nazwać to wielkością wejściową i powiemy, że jest równa argumentom funkcji, która jest wielkością wejściową. 07:33.680 --> 07:34.080 W porządku. 07:34.130 --> 07:39.900 Za każdym razem, gdy tworzę obiekt z klasy sieci i podaję rozmiar wejściowy jak na 07:39.900 --> 07:41.170 przykład kładę 5. 07:41.180 --> 07:47.330 Będzie tutaj 5, a zatem wielkość wejściowa zmiennej naszego obiektu będzie miała wartość 5, ponieważ 07:47.690 --> 07:54.110 ten rozmiar wejściowy będzie wynosił 5, a zatem nasza nowa sieć będzie miała 5 neuronów wejściowych 07:54.110 --> 07:55.470 w warstwie wejściowej. 07:55.490 --> 07:55.790 W porządku. 07:55.790 --> 08:02.180 A to samo dotyczy innej zmiennej, którą chcemy przywiązać do obiektów. 08:02.210 --> 08:08.100 I jak można się domyślić, będzie to zmienna dla liczby neuronów wyjściowych. 08:08.330 --> 08:15.030 I mówimy, że bierzemy własny obiekt, a następnie nadajemy tej drugiej zmiennej obiekt, 08:15.040 --> 08:17.740 który nazwiemy i działaniem. 08:18.170 --> 08:23.600 I będzie to równe temu argumentowi, biorąc pod uwagę liczbę działań, jaką jest liczba neuronów 08:23.600 --> 08:24.250 wyjściowych. 08:24.530 --> 08:30.850 Tak więc ustawiliśmy to samo, co działanie, a działanie będzie równe trzy. 08:30.890 --> 08:37.930 Dlatego zmienna i akcja dołączona do naszego obiektu do sieci otrzymają wartość trzy. 08:38.240 --> 08:41.680 Właściwie to widzimy ostrzeżenie tutaj, gdy mówi niezdefiniowana nazwa. 08:41.720 --> 08:44.180 A to dobrze, bo tutaj używamy. 08:44.230 --> 08:46.030 A potem skrót. 08:46.350 --> 08:48.530 I musimy użyć skrótu tutaj. 08:48.590 --> 08:52.780 I na początek torche i w Mudgalu, a potem zniknie. 08:52.880 --> 08:53.670 No to ruszamy. 08:53.690 --> 08:54.580 Idealny. 08:54.590 --> 09:00.800 W tej chwili mamy nowe ostrzeżenia, wszystkie ostrzeżenia mają na celu tylko wskazanie, że to, co importujemy, nie jest 09:00.800 --> 09:01.520 jeszcze używane. 09:01.580 --> 09:04.660 W porządku, będziemy je później wykorzystywać. 09:04.670 --> 09:10.010 W porządku, mamy dwie kolejne zmienne, które chcemy zdefiniować dla obiektu. 09:10.190 --> 09:15.820 I to będą pełne połączenia pełne połączenia między różnymi warstwami naszej sieci 09:15.830 --> 09:16.810 neuronowej. 09:16.820 --> 09:21.800 Ponieważ teraz chcemy stworzyć sieć neuronową złożoną z tylko jednej głowy w ich świecie, 09:21.800 --> 09:23.440 będą dwa pełne połączenia. 09:23.570 --> 09:27.740 Wystąpi jedno pierwsze pełne połączenie pomiędzy warstwą wejściową a warstwą ukrytą. 09:27.980 --> 09:32.450 I jedno drugie pełne połączenie między wzgórzem a warstwą wyjściową. 09:32.480 --> 09:34.770 Zacznijmy więc od pierwszego pełnego połączenia. 09:34.890 --> 09:43.310 Nazwiemy to SE1 I znowu używam tutaj siebie, aby określić, że FC jeden jest zmienną mojego obiektu, aby to 09:43.780 --> 09:44.530 rozwiązać. 09:44.530 --> 09:47.490 FC, który będzie równy. 09:47.630 --> 09:55.160 Teraz używamy modułu N w module i zamierzamy użyć funkcji o nazwie liniowy R, a to dokładnie 09:55.160 --> 10:02.080 sprawia, że to pełne połączenie między neuronami i warstwą wejściową do neuronów ukrytego tam. 10:02.180 --> 10:04.090 I co mam na myśli przez pełne połączenie. 10:04.160 --> 10:09.190 Oznacza to, że wszystkie neurony warstwy wejściowej będą połączone ze wszystkimi neuronami 10:09.190 --> 10:09.920 tutaj. 10:10.190 --> 10:16.140 Aby uzyskać to połączenie, używamy tej funkcji liniowej, do której musimy podać kilka argumentów. 10:16.190 --> 10:19.880 I jak widać te argumenty są w funkcji. 10:19.880 --> 10:25.370 Tak więc jest to liczba neuronów pierwszego prawa, które chcesz połączyć je z funkcjami, która 10:25.370 --> 10:30.110 jest liczbą neuronów drugiej warstwy, którą chcesz połączyć, czyli warstwą po prawej, która 10:30.110 --> 10:32.360 jest warstwą ukrytą i prawdziwą rowerem. 10:32.420 --> 10:38.850 Tak więc rower jest prawdziwy, zachowamy domyślną wartość, aby mieć odchylenie, a nie tylko pewną wagę związaną z 10:38.900 --> 10:43.350 biegiem, który będziemy musieli poczekać i jedno odchylenie dla każdej warstwy. 10:43.610 --> 10:46.140 A więc zobaczmy, co musimy wprowadzić. 10:46.280 --> 10:51.850 Pierwszym argumentem w funkcji jest liczba neuronów wejściowych w warstwie wejściowej. 10:52.000 --> 10:52.930 I gdzie to jest. 10:53.030 --> 10:55.080 To jest właściwie nieprecyzyjne. 10:55.100 --> 11:01.930 To jest argument naszej funkcji init, która później będzie w stanie walczyć z orientacją trzech 11:02.200 --> 11:04.150 sygnałów i orientacją Mannusa. 11:04.160 --> 11:05.020 Więc zaczynamy. 11:05.190 --> 11:14.300 Kiedy pierwsze argumenty i rozmiar put, a następnie drugi argument są poza funkcjami to jest to liczba neuronów, które 11:14.300 --> 11:17.090 chcemy mieć w drugiej warstwie. 11:17.180 --> 11:20.450 Druga warstwa, która będzie w pełni połączona z pierwszą warstwą. 11:20.450 --> 11:24.960 I tak teraz pytanie brzmi, ile neuronów chcemy w tej ukrytej warstwie. 11:25.220 --> 11:27.420 Zrobiłem dużo treningu parametrów. 11:27.440 --> 11:29.110 Zrobiłem dużo eksperymentów. 11:29.210 --> 11:31.940 To właśnie robimy lub robimy to głębiej. 11:31.940 --> 11:38.270 Generalnie przeprowadzamy wiele eksperymentów, aby zobaczyć, jaka jest najlepsza sieć neuronowa dla naszego konkretnego 11:38.270 --> 11:39.170 problemu. 11:39.170 --> 11:45.950 Tak więc próbuję wielu wartości i ostatecznie wybrałem 30 30 przebiegów w ukrytej warstwie, a zobaczysz, że 11:45.950 --> 11:50.750 z tą liczbą otrzymamy całkiem dobre wyniki, ale wtedy możemy zmienić architekturę 11:50.750 --> 11:51.580 sieci neuronowej. 11:51.580 --> 11:53.120 Zapraszam do zabawy. 11:53.180 --> 11:58.730 Możesz nie tylko zmienić liczbę neuronów w tu i tam, ale także możesz dodać więcej 11:59.150 --> 12:05.000 warstw, abyś mógł otrzymać jeszcze lepszy samochód, ale neurony 30 hinna zapewnią nam dobrą sieć neuronową i 12:05.000 --> 12:06.000 dobrą przyczynę. 12:06.020 --> 12:07.390 Właśnie o to idziemy. 12:07.520 --> 12:08.410 I oto idziemy. 12:08.420 --> 12:13.500 Mamy pierwsze pełne połączenie z tą funkcją liniową. 12:13.520 --> 12:16.910 Tworzymy połączenie między warstwą wejściową a ukrytą nogą. 12:17.360 --> 12:23.270 A teraz czas na drugie pełne połączenie, które jest pełnym połączeniem między warstwą ukrytą 12:23.600 --> 12:25.180 a warstwą wyjściową. 12:25.490 --> 12:26.750 Więc idziemy. 12:26.750 --> 12:31.380 Nazwiemy to drugie pełne połączenie w C2. 12:31.490 --> 12:32.280 No to jedziemy. 12:32.360 --> 12:36.400 I nadal jest to dostępne dla większej liczby obiektów korzystających z Saphir. 12:36.650 --> 12:38.330 I znowu używamy. 12:38.450 --> 12:45.310 Właściwie możemy to skopiować, ponieważ zamierzamy użyć N w module, a następnie w funkcji liniowej. 12:45.530 --> 12:49.250 Ale najpierw musimy najpierw zmienić argumenty. 12:49.280 --> 12:55.050 To samo dotyczy liczby neuronów, które będziemy mieć w pierwszej warstwie połączenia. 12:55.190 --> 12:56.510 Więc to jest ukryte. 12:56.720 --> 13:03.810 A zatem jest to 30, a następnie drugi argument to liczba neuronów w drugiej 13:04.010 --> 13:08.810 warstwie połączenia, która odpowiada warstwie wyjściowej, a wyjście ma. 13:08.980 --> 13:15.020 I rzeczywiste neurony, które później będą trzy, ponieważ mamy trzy możliwe działania, ale do tej pory 13:15.020 --> 13:16.930 musimy użyć nazw, które zdefiniowaliśmy. 13:17.050 --> 13:23.990 To jest nazwa argumentu funkcji init, dlatego też wprowadzamy tutaj i akcję, i 13:23.990 --> 13:24.950 idziemy. 13:24.950 --> 13:27.760 Przede wszystkim nasze połączenia krotkowe ponownie. 13:27.920 --> 13:30.980 A po drugie są jakąkolwiek funkcją Izraela. 13:31.400 --> 13:36.940 Tak właśnie zainicjujemy nasz obiekt za każdym razem, gdy stworzymy obiekt z klasy sieci. 13:37.130 --> 13:44.300 A więc, gdy tylko stworzymy obiekt dobrze wszystkie te zmienne dla zmiennych tutaj wielkość wejściowa i reakcja. 13:44.380 --> 13:46.980 Ty i dwa zostaną zdefiniowani. 13:47.180 --> 13:52.060 I tak otrzymamy architekturę naszej sieci zwierząt dla każdego tworzonego przez nas obiektu. 13:52.160 --> 13:59.450 Każdy obiekt będzie odpowiadał sieci neuronowej z pięcioma neuronami wejściowymi, 30 ukrytymi neuronami i trzema 13:59.450 --> 14:00.440 wyjściowymi neuronami. 14:00.470 --> 14:01.430 Więc idziemy. 14:01.430 --> 14:06.980 Skończymy z tą pierwszą funkcją, a teraz możemy przejść do drugiej funkcji, która 14:06.980 --> 14:13.100 jest funkcją do przodu i która będzie używana do aktywacji neuronów w sieci neuronowej za pomocą 14:13.100 --> 14:19.500 funkcji aktywacji prostownika i głównie do powrotu do wartości kostek, które są wyjścia tylko jednej sieci. 14:19.580 --> 14:23.420 Nie mogę się doczekać, aby to zrobić w następnym samouczku i do tego czasu.