WEBVTT 00:00.520 --> 00:02.690 Olá e bem vindo a este tutorial do Python. 00:02.860 --> 00:05.680 Tudo bem, então temos muito emocionante para o solo à nossa frente. 00:05.680 --> 00:10.690 Vamos começar criando a arquitetura da rede neural que será a rede neural 00:10.690 --> 00:16.740 que estará no coração da nossa AI e que irá retornar a ação aos 90 anos. 00:16.930 --> 00:18.060 Então vamos fazer isso. 00:18.130 --> 00:23.130 Então, como queremos que a nossa rede neural seja objetiva, vamos fazer uma aula. 00:23.200 --> 00:25.100 E é porque é muito mais conveniente. 00:25.180 --> 00:28.370 Você sabe que a classe é o modelo de algo que queremos construir. 00:28.540 --> 00:34.000 Queremos construir uma rede neural e precisamos fazer algum tipo de instruções que serão todas 00:34.090 --> 00:35.080 contidas na classe. 00:35.140 --> 00:37.910 E nesta classe vamos fazer duas funções. 00:37.960 --> 00:42.810 Primeiro, a função de init que é a função que surge o tempo todo ao fazer a classe. 00:43.000 --> 00:47.770 E isso basicamente define a variável do seu objeto que é a rede neural. 00:47.920 --> 00:52.600 Você conhece as variáveis ​​anexadas ao objeto em oposição às variáveis ​​globais. 00:52.840 --> 00:57.910 definirá a arquitetura da nova rede que você conhece definindo a camada de entrada que será 00:57.910 --> 01:03.460 composta de cinco neurônios de entrada porque temos cinco dimensões para o vetor codificado de estados de entrada. 01:03.790 --> 01:05.680 E isso é nesta função que 01:05.890 --> 01:08.080 Então vamos definir algumas camadas ocultas. 01:08.110 --> 01:12.940 Talvez você comece com uma camada oculta e então você será bem-vindo para tentar algumas outras arquiteturas 01:12.940 --> 01:13.920 da rede neural. 01:14.200 --> 01:20.080 E, claro, acabaremos com a camada de saída que conterá as possíveis ações que 01:20.110 --> 01:21.940 podemos desempenhar em cada momento. 01:22.180 --> 01:24.730 Então é exatamente isso que faremos nesta função. 01:24.850 --> 01:30.460 a função direta e essa será a função que ativará os neurônios na rede neural. 01:30.460 --> 01:34.870 E então faremos outra função ainda dentro da classe, que será 01:34.870 --> 01:40.570 Você sabe que isso ativará os sinais e, portanto, usaremos uma função de ativação rectificada 01:40.570 --> 01:46.920 porque, claro, estamos lidando com um problema puramente não linear e essa função corrigida quebra a linearidade. 01:47.200 --> 01:53.340 Mas, principalmente, estamos fazendo essa função da Ford para retornar os valores de q que são as saídas da rede. 01:53.500 --> 01:56.110 Mas temos um valor-chave para cada ação. 01:56.200 --> 02:02.710 E mais tarde, retornaremos a ação final tomando o máximo dos valores-chave ou usando um 02:02.710 --> 02:03.880 método Max suave. 02:04.030 --> 02:05.270 Veremos isso depois. 02:05.440 --> 02:10.330 Então, neste tutorial, vamos começar por implementar a função de inicialização e, em seguida, 02:10.330 --> 02:12.880 a próxima será implementar a função de avanço. 02:12.880 --> 02:13.810 Então vamos fazer isso. 02:13.810 --> 02:17.060 Primeiro, precisamos apresentar nossa classe. 02:17.200 --> 02:22.930 Então começamos com a aula e nós damos um nome à nossa classe, onde é onde podemos chamá-la de rede. 02:23.650 --> 02:29.980 E então, nesta classe de rede, vou usar uma técnica de programação de objetos que é chamada de 02:30.310 --> 02:35.120 herança e que é apenas herdar de todas as ferramentas de uma classe pai. 02:35.200 --> 02:41.550 Portanto, nossa classe de rede que estamos prestes a fazer é um teste infantil de uma classe maior que é. 02:41.770 --> 02:44.110 E esse módulo. 02:44.470 --> 02:50.790 Então, é apenas para herdar de todas as ferramentas desta classe de módulo, que, claro, as ferramentas para implementar 02:50.790 --> 02:51.940 uma rede neural. 02:51.940 --> 02:57.880 Então, esse é um truque muito poderoso e evolutivo na programação orientada a objetos que está indo na herança. 02:57.910 --> 03:02.670 E agora nós estamos herdando deste módulo classe pai. 03:02.800 --> 03:06.000 Tudo bem e agora estamos prontos para entrar na classe. 03:06.130 --> 03:12.910 Então, estou pressionando Enter duas vezes na verdade, porque estaremos fazendo duas funções e estamos começando com 03:13.140 --> 03:14.280 a função final. 03:14.350 --> 03:20.470 Então, a função init, devemos nomeá-lo dessa maneira com dois neste curso, então nela. 03:20.650 --> 03:25.750 E, novamente, ressalta que é apenas a sintaxe de Python que é exatamente como devemos fazê-lo. 03:25.930 --> 03:28.460 E então precisamos colocar os argumentos. 03:28.720 --> 03:30.340 Então, temos três argumentos. 03:30.340 --> 03:35.800 O primeiro é um argumento obrigatório que é realmente eu e eu. 03:35.800 --> 03:42.250 Não há nenhum mistério sobre isso que se refere ao objeto que será criado a partir desta classe que estamos prestes 03:42.250 --> 03:42.810 a fazer. 03:42.820 --> 03:44.400 Você sabe que estamos fazendo essa aula. 03:44.470 --> 03:48.980 É como algumas instruções algum modelo dessa rede neural que queremos construir. 03:49.180 --> 03:53.620 E então, uma vez que a aula está pronta, podemos fazer a maioria das redes com as quais desejamos. 03:53.620 --> 04:00.130 E cada uma dessas novas redes será algum objeto desta classe e, uma vez que estaremos usando 04:00.400 --> 04:07.630 o objeto para outros fins, precisamos, mas quais são as variáveis ​​do objeto e para Spudis estamos usando este 04:07.630 --> 04:11.900 eu aqui para especificar que nós está se referindo ao objeto. 04:12.100 --> 04:18.430 Então, sempre que eu quiser usar disponível no meu objeto, usarei o self antes da variável para 04:18.430 --> 04:21.340 especificar que esta é uma variável do objeto. 04:21.340 --> 04:25.680 são, naturalmente, o número de neurônios de entrada e o número de neurônios de saída. 04:25.680 --> 04:30.240 Tudo bem, então esse é o primeiro argumento e depois temos dois outros argumentos que 04:30.550 --> 04:38.220 Então, o número de neurônios de entrada que vamos chamar de tamanho de entrada e na verdade é 04:38.310 --> 04:45.890 cinco porque nossos vetores de entrada têm cinco dimensões para três sinais mais orientação mais orientação negativa 04:45.900 --> 04:51.020 que são vetores de valores codificados que descrevem um estado do ambiente. 04:51.210 --> 04:54.960 Estes cinco valores são suficientes para descrever o estado do meio ambiente. 04:54.960 --> 05:00.600 Poderíamos ter pensado em Menos valores ou mais valores, mas isso é o que eu tentei e realmente faz 05:00.600 --> 05:05.520 sentido porque realmente precisamos de um sinal da esquerda na nossa frente e um à direita. 05:05.520 --> 05:10.860 orientação de orientação e menos para você Saiba como acompanhar o objetivo que você estava tentando alcançar. 05:10.860 --> 05:17.370 Você sabe quando estamos dirigindo um carro, poderíamos ter ido para um sinal de 360 ​​que você conhece como os sinais no 05:17.400 --> 05:22.200 topo dos carros do Google, que podemos auto-conduzir totalmente com três sensores e, então, temos essa 05:22.530 --> 05:29.160 E então temos, claro, os neurônios de saída da nossa rede que correspondem às ações e temos 05:29.160 --> 05:32.840 três ações possíveis indo indo direto ou indo direto. 05:32.880 --> 05:38.520 E, portanto, vou chamar isso e a ação e haverá três deles. 05:38.520 --> 05:39.030 Tudo bem. 05:39.120 --> 05:44.850 Até agora, só temos que dar nomes às insumos e depois usaremos estes vôlei para fazer as condições 05:44.940 --> 05:46.140 dentro da rede neural. 05:47.090 --> 05:55.010 Tudo bem então e você começa usando outro por torção, esse truque é uma superfunção que 05:55.010 --> 05:59.310 é uma função que realmente herda do módulo. 05:59.390 --> 06:02.730 Então, por isso, tivemos que usar a herança para herdar o módulo também. 06:02.750 --> 06:04.440 Este é o primeiro a usar. 06:04.520 --> 06:11.120 E, basicamente, estamos usando apenas esta superfunção super super para poder usar as ferramentas do módulo que 06:11.580 --> 06:13.320 são muito mais eficientes. 06:13.670 --> 06:18.620 E dentro da superfunção eu só preciso especificar primeiro a rede. 06:18.650 --> 06:25.100 de chul de rede que você conhece, porque isso é herdar da classe pai do módulo e, em seguida, o nosso objeto. 06:25.550 --> 06:27.360 Então, essa é a nossa classe 06:27.380 --> 06:35.220 E então eu apenas estou adicionando isso e está em uma função como essa, exatamente como o chamamos. 06:35.570 --> 06:39.350 Tudo bem, então é apenas um truque que é apenas usar todas as ferramentas que tenho. 06:39.360 --> 06:46.270 E nesse módulo, podemos passar para o próximo passo, que é especificar a camada de entrada. 06:46.550 --> 06:53.300 Então, basicamente, o que devo fazer é introduzir uma nova variável que será anexada ao objeto e 06:53.300 --> 06:57.120 esta variável conterá o número de neurônios de entrada. 06:57.170 --> 07:05.140 Portanto, não deve ser confundido com tamanho de entrada tamanho de entrada é o argumento da função final. 07:05.180 --> 07:09.710 não é a variável que está anexada ao objeto, mas a variável que está anexada ao objeto. 07:09.710 --> 07:10.360 Mas essa 07:10.520 --> 07:16.520 Bem, como acabei de mencionar, precisamos especificar que é em vez disso anexado ao objeto, então usamos 07:17.230 --> 07:22.130 uma autodidata e agora damos um nome a esta primeira variável anexada ao objeto. 07:22.190 --> 07:24.870 E assim podemos simplesmente dar o mesmo nome que a entrada. 07:24.920 --> 07:33.650 Podemos chamá-lo de tamanho de entrada e diremos que é igual aos argumentos uma função que é tamanho de entrada. 07:33.680 --> 07:34.080 Tudo bem. 07:34.130 --> 07:39.900 Cada vez que estou criando um objeto da classe de rede e estou especificando o tamanho da entrada, como por 07:39.900 --> 07:41.170 exemplo, estou colocando 5. 07:41.180 --> 07:47.330 Haverá 5 aqui e, portanto, a variável de tamanho de entrada do nosso objeto terá o valor de 07:47.690 --> 07:54.110 5, pois esse tamanho de entrada será 5 e, portanto, nossa nova rede terá 5 neurônios de entrada 07:54.110 --> 07:55.470 na camada de entrada. 07:55.490 --> 07:55.790 Tudo bem. 07:55.790 --> 08:02.180 E então é o mesmo para a outra variável que queremos anexar aos objetos. 08:02.210 --> 08:08.100 E, como você pode ter adivinado, esta será uma variável para o número de neurônios de saída. 08:08.330 --> 08:15.030 E para dizer que tomamos nosso objeto e depois damos um nome a esta segunda variável do 08:15.040 --> 08:17.740 objeto que vamos chamar e a ação. 08:18.170 --> 08:23.600 E isso será igual a este argumento aqui, dado o número de ações que é o número de neurônios 08:23.600 --> 08:24.250 de saída. 08:24.530 --> 08:30.850 E então, estabelecemos igual a ação efetivamente e a ação será igual a três. 08:30.890 --> 08:37.930 Portanto, a variável e a ação anexada ao nosso objeto a uma rede obterão o valor de três. 08:38.240 --> 08:41.680 Na verdade, podemos ver avisando aqui que ele diz um nome indefinido. 08:41.720 --> 08:44.180 E então, bem, é porque aqui usamos o. 08:44.230 --> 08:46.030 E, em seguida, atalho. 08:46.350 --> 08:48.530 E precisamos usar um atalho aqui. 08:48.590 --> 08:52.780 E para o nosso início torche e em Mudgal e então ele irá desaparecer. 08:52.880 --> 08:53.670 Aqui vamos nós. 08:53.690 --> 08:54.580 Perfeito. 08:54.590 --> 09:00.800 Agora, temos novas advertências, todas as advertências aqui são apenas para especificar que o que importamos ainda não 09:00.800 --> 09:01.520 é usado. 09:01.580 --> 09:04.660 Isso está certo, vamos usá-los depois. 09:04.670 --> 09:10.010 Tudo bem, então, temos outras duas variáveis ​​que queremos definir para o objeto. 09:10.190 --> 09:15.820 as conexões completas das conexões completas entre as diferentes camadas da nossa rede neural. 09:15.830 --> 09:16.810 E estas serão 09:16.820 --> 09:21.800 Então, agora mesmo queremos criar uma rede neural composta de apenas uma cabeça em seu 09:21.800 --> 09:23.440 mundo, haverá duas conexões completas. 09:23.570 --> 09:27.740 Haverá uma primeira conexão completa entre a camada de entrada e a camada oculta. 09:27.980 --> 09:32.450 E um segundo conexão completa entre a colina e a camada de saída. 09:32.480 --> 09:34.770 Então vamos começar com a primeira conexão completa. 09:34.890 --> 09:43.310 Vamos chamá-lo de SE1 E, novamente, uso-me aqui para especificar que o FC é uma variável do meu objeto para 09:43.780 --> 09:44.530 resolver isso. 09:44.530 --> 09:47.490 FC um que será igual a. 09:47.630 --> 09:55.160 E agora usamos o módulo N in e vamos usar uma função chamada R linear e é exatamente 09:55.160 --> 10:02.080 essa conexão completa entre os neurônios e a camada de entrada para os neurônios do escondido. 10:02.180 --> 10:04.090 E o que quero dizer com uma conexão completa. 10:04.160 --> 10:09.190 Isso significa que todos os neurônios da camada de entrada estarão todos conectados a todos os neurônios 10:09.190 --> 10:09.920 do Here aqui. 10:10.190 --> 10:16.140 E assim, para fazer essa conexão, usamos essa função linear à qual precisamos colocar alguns argumentos. 10:16.190 --> 10:19.880 E como você pode ver esses argumentos estão em recursos. 10:19.880 --> 10:25.370 Então, esse é o número de neurônios da primeira lei que você deseja conectar-se a recursos que é o 10:25.370 --> 10:30.110 número de neurônios da segunda camada que deseja conectar, que é a camada à direita que é 10:30.110 --> 10:32.360 a camada oculta e a bicicleta é verdadeira. 10:32.420 --> 10:38.850 Então, a bicicleta é verdade, manteremos o valor padrão que é para ter um viés e não apenas um pouco 10:38.900 --> 10:43.350 de peso ligado à execução, teremos que esperar e um viés para cada camada. 10:43.610 --> 10:46.140 E tão bem, vamos ver o que precisamos para entrar. 10:46.280 --> 10:51.850 Portanto, o primeiro argumento em características é o número de neurônios de entrada na camada de entrada. 10:52.000 --> 10:52.930 E então, onde está. 10:53.030 --> 10:55.080 Bem, isso é realmente impreciso. 10:55.100 --> 11:01.930 Esse é o argumento da nossa função de init que mais tarde poderemos combater a orientação dos três sinais 11:02.200 --> 11:04.150 e a orientação de Mannus. 11:04.160 --> 11:05.020 Aqui vamos nos. 11:05.190 --> 11:14.300 Quando os primeiros argumentos e colocar o tamanho e, em seguida, o segundo argumento são recursos que é o número de 11:14.300 --> 11:17.090 neurônios que queremos ter na segunda camada. 11:17.180 --> 11:20.450 A segunda camada que estará totalmente conectada à primeira camada. 11:20.450 --> 11:24.960 E agora a questão é quantos neurônios queremos nesta camada oculta. 11:25.220 --> 11:27.420 Bem, fiz muito treinamento de parâmetros. 11:27.440 --> 11:29.110 Eu fiz muitas experiências. 11:29.210 --> 11:31.940 Isso é o que fazemos ou é o que fazemos em profundidade. 11:31.940 --> 11:38.270 Em geral, fazemos muita experiência para ver qual seria a melhor rede neural para o nosso 11:38.270 --> 11:39.170 problema específico. 11:39.170 --> 11:45.950 E então eu tento muitos valores e acabei escolhendo 30 30 execuções em uma camada oculta e você verá que com 11:45.950 --> 11:50.750 este número obtemos alguns resultados muito bons, mas então sinta-se livre para mudar a arquitetura 11:50.750 --> 11:51.580 da rede neural. 11:51.580 --> 11:53.120 Sinta-se livre para jogar com ele. 11:53.180 --> 11:58.730 Você não pode apenas mudar o número de neurônios aqui e ali, mas também pode adicionar mais camadas 11:59.150 --> 12:05.000 para que você consiga um carro ainda melhor, mas 30 neurônios hinna nos obterão uma boa rede neural e 12:05.000 --> 12:06.000 uma boa causa. 12:06.020 --> 12:07.390 Então, é por isso que buscamos. 12:07.520 --> 12:08.410 E nós vamos lá. 12:08.420 --> 12:13.500 Temos nossa primeira conexão completa realmente com essa função linear. 12:13.520 --> 12:16.910 Fazemos a conexão entre a camada de entrada e a perna escondida. 12:17.360 --> 12:23.270 E agora é hora de fazer a segunda conexão completa, que é a conexão completa entre a camada oculta 12:23.600 --> 12:25.180 e a camada de saída. 12:25.490 --> 12:26.750 Então vamos lá. 12:26.750 --> 12:31.380 Vamos ligar para esta segunda conexão completa no C2. 12:31.490 --> 12:32.280 Aqui vamos nós. 12:32.360 --> 12:36.400 E ainda está disponível para mais objetos usando o Saphir. 12:36.650 --> 12:38.330 E, novamente, nós usamos. 12:38.450 --> 12:45.310 Bem, na verdade, podemos copiar isso porque vamos usar o módulo N no módulo e, em seguida, a função linear. 12:45.530 --> 12:49.250 Mas então precisamos mudar os argumentos, é claro, primeiro. 12:49.280 --> 12:55.050 Esse é o mesmo primeiro é o número de neurônios que vamos ter na primeira camada da conexão. 12:55.190 --> 12:56.510 Então, isso é oculto lá. 12:56.720 --> 13:03.810 E, portanto, isso é 30 e, em seguida, segundo argumento é o número de neurônios na segunda camada da 13:04.010 --> 13:08.810 conexão e que corresponde à camada de saída e a saída que tem. 13:08.980 --> 13:15.020 E os neurônios reais que mais tarde serão três porque temos três ações possíveis, mas até agora temos 13:15.020 --> 13:16.930 que usar os nomes que definimos. 13:17.050 --> 13:23.990 o nome do argumento da função init e, portanto, nós inserimos aqui e a ação e aí vamos. 13:23.990 --> 13:24.950 Esse é 13:24.950 --> 13:27.760 Em primeiro lugar, nossas conexões de tupla re. 13:27.920 --> 13:30.980 E em segundo lugar, todas as funções são Israel. 13:31.400 --> 13:36.940 Então, é isso que vamos inicializar o nosso objeto sempre que criamos um objeto da classe de rede. 13:37.130 --> 13:44.300 E então, assim que criamos um objeto bem, todas essas variáveis ​​para variáveis ​​aqui tamanho de entrada e reação. 13:44.380 --> 13:46.980 Você e dois serão definidos. 13:47.180 --> 13:52.060 E é assim que obteremos a arquitetura da nossa rede animal para cada objeto que criamos. 13:52.160 --> 13:59.450 corresponderá a uma rede neural de cinco neurônios de entrada 30 neurônios escondidos e três neurônios de saída. 13:59.450 --> 14:00.440 Cada objeto 14:00.470 --> 14:01.430 Então vamos lá. 14:01.430 --> 14:06.980 Terminamos com esta primeira função e agora podemos avançar para a segunda função que é a 14:06.980 --> 14:13.100 função direta e que será usada para ativar os neurônios na rede neural usando a função de ativação 14:13.100 --> 14:19.500 do retificador e principalmente para retornar aos valores do cubo que são as saídas de uma única rede. 14:19.580 --> 14:23.420 Então eu não posso esperar para fazer isso no próximo tutorial e até então eu.