WEBVTT 00:00.520 --> 00:02.690 Bună ziua și bun venit la acest tutorial Python. 00:02.860 --> 00:05.680 Bine, deci avem foarte interesant ca solul sa fie in fata noastra. 00:05.680 --> 00:10.690 Vom începe prin crearea arhitecturii rețelei neuronale, adică vom face rețeaua neuronală 00:10.690 --> 00:16.740 care va fi în centrul AI și care va readuce acțiunea la 90 de ani. 00:16.930 --> 00:18.060 Deci, să facem asta. 00:18.130 --> 00:23.130 Deoarece dorim ca rețeaua noastră neuronală să fie obiectivă, o să o facem clasă. 00:23.200 --> 00:25.100 Și asta pentru că este mult mai convenabil. 00:25.180 --> 00:28.370 Știți că clasa este modelul pe care vrem să-l construim. 00:28.540 --> 00:34.000 Vrem să construim o rețea neuronală și trebuie să facem niște instrucțiuni care vor fi toate conținute 00:34.090 --> 00:35.080 în clasă. 00:35.140 --> 00:37.910 Și în această clasă vom face două funcții. 00:37.960 --> 00:42.810 Mai întâi, funcția init este funcția care apare tot timpul când faceți clasă. 00:43.000 --> 00:47.770 Și aceasta definește în esență variabila obiectului dvs. care este rețeaua neurală. 00:47.920 --> 00:52.600 Știți variabilele atașate la obiect, spre deosebire de variabilele globale. 00:52.840 --> 00:57.910 Și așa este în această funcție care va defini arhitectura noii rețele pe care o cunoașteți definind 00:57.910 --> 01:03.460 stratul de intrare care va fi compus din cinci neuroni de intrare deoarece avem cinci dimensiuni pentru vectorul 01:03.790 --> 01:05.680 codat al stărilor de intrare. 01:05.890 --> 01:08.080 Atunci vom defini câteva straturi ascunse. 01:08.110 --> 01:12.940 Poate că veți începe cu un strat ascuns și apoi veți fi bineveniți să încercați alte arhitecturi 01:12.940 --> 01:13.920 ale rețelei neuronale. 01:14.200 --> 01:20.080 Și apoi, bineînțeles, vom ajunge la stratul de ieșire care va conține acțiunile posibile pe care le 01:20.110 --> 01:21.940 putem juca în fiecare moment. 01:22.180 --> 01:24.730 Deci asta este exact ceea ce vom face în această funcție. 01:24.850 --> 01:30.460 Și apoi vom face o altă funcție încă în interiorul clasei care va fi funcția forward 01:30.460 --> 01:34.870 și care va fi funcția care va activa neuronii din rețeaua neuronală. 01:34.870 --> 01:40.570 Știți că acest lucru va activa semnalele și deci vom folosi o funcție de activare 01:40.570 --> 01:46.920 rectificată deoarece, desigur, avem de-a face cu o problemă pur neliniară și această funcție rectificată întrerupe liniaritatea. 01:47.200 --> 01:53.340 Dar mai ales facem ca funcția Ford să returneze valorile q care sunt ieșirile rețelei. 01:53.500 --> 01:56.110 Dar avem o valoare cheie pentru fiecare acțiune. 01:56.200 --> 02:02.710 Și mai târziu vom reveni la acțiunea finală fie prin luarea valorilor cheie maxime, fie prin utilizarea 02:02.710 --> 02:03.880 unei metode Max. 02:04.030 --> 02:05.270 Vom vedea asta după aceea. 02:05.440 --> 02:10.330 Deci, în acest tutorial vom începe prin implementarea funcției init și apoi 02:10.330 --> 02:12.880 următorul va fi implementarea funcției forward. 02:12.880 --> 02:13.810 Deci, să facem asta. 02:13.810 --> 02:17.060 Mai întâi trebuie să introducem clasa noastră. 02:17.200 --> 02:22.930 Așa că începem cu clasa și ne dăm un nume clasei noastre, unde putem să o numim rețea. 02:23.650 --> 02:29.980 Și apoi în această clasă de rețea voi folosi o tehnică de programare a obiectelor care se numește moștenire 02:30.310 --> 02:35.120 și care este doar de a moșteni de la toate instrumentele unei clase părinte. 02:35.200 --> 02:41.550 Deci, clasa noastră de rețea pe care o vom face este un test pentru o clasă mai mare, care este. 02:41.770 --> 02:44.110 Și acel modul. 02:44.470 --> 02:50.790 Deci, doar pentru a moșteni de la toate instrumentele din această clasă modul care, desigur, instrumentele pentru a implementa 02:50.790 --> 02:51.940 o rețea neuronală. 02:51.940 --> 02:57.880 Deci, este un truc foarte puternic și de evoluție în programarea orientată pe obiecte, care se întâmplă cu succes. 02:57.910 --> 03:02.670 Și chiar acum moștenim din această clasă părinte modul. 03:02.800 --> 03:06.000 Bine și acum suntem gata să intrăm în clasă. 03:06.130 --> 03:12.910 Așadar, apăs de două ori pentru că vom face două funcții și începem cu funcția 03:13.140 --> 03:14.280 de sfârșit. 03:14.350 --> 03:20.470 Deci, funcția init trebuie să o numim în acest fel cu doi pe acest curs apoi pe ea. 03:20.650 --> 03:25.750 Și apoi, pentru a sublinia că este doar o sintaxă Python, așa trebuie să facem. 03:25.930 --> 03:28.460 Și apoi trebuie să punem argumentele. 03:28.720 --> 03:30.340 Deci, avem trei argumente. 03:30.340 --> 03:35.800 Primul este un argument obligatoriu care este de fapt Eul și Sinele. 03:35.800 --> 03:42.250 Nu există nici un mister care să se refere la obiectul care va fi creat din această clasă pe care o vom 03:42.250 --> 03:42.810 face. 03:42.820 --> 03:44.400 Știi că facem această clasă. 03:44.470 --> 03:48.980 Este ca o instrucțiune un model al acestei rețele neuronale pe care dorim să o construim. 03:49.180 --> 03:53.620 Și apoi, odată ce clasa este gata, putem face cât mai multe rețele cu dorințele noastre. 03:53.620 --> 04:00.130 Și fiecare dintre aceste noi rețele va fi un obiect al acestei clase și din moment 04:00.400 --> 04:07.630 ce vom folosi obiectul pentru alte scopuri, avem nevoie, dar care sunt variabilele obiectului, iar Spudis folosim acest sine 04:07.630 --> 04:11.900 aici pentru a specifica că noi se referă la obiect. 04:12.100 --> 04:18.430 Deci ori de câte ori doresc să folosesc disponibil din obiectul meu, voi folosi eu înaintea variabilei pentru a 04:18.430 --> 04:21.340 specifica că aceasta este o variabilă a obiectului. 04:21.340 --> 04:25.680 În regulă, acesta este primul argument și apoi avem două alte argumente 04:25.680 --> 04:30.240 care sunt, desigur, numărul de neuroni de intrare și numărul de neuroni de ieșire. 04:30.550 --> 04:38.220 Deci, numărul de neuroni de intrare o vom numi dimensiune de intrare și de fapt cinci, deoarece 04:38.310 --> 04:45.890 vectorii de intrare au cinci dimensiuni până la trei semnale plus orientare plus minus orientare care sunt 04:45.900 --> 04:51.020 vectori ai valorilor codificate care descriu o stare a mediului. 04:51.210 --> 04:54.960 Aceste cinci valori sunt suficiente pentru a descrie o stare a mediului. 04:54.960 --> 05:00.600 Ne-am fi putut gândi la mai puține valori sau la mai multe valori, dar asta am încercat și are sens, pentru 05:00.600 --> 05:05.520 că de fapt avem nevoie de un semnal din stânga în fața noastră și unul în dreapta. 05:05.520 --> 05:10.860 Știți când conducem o mașină am fi putut merge pentru un semnal de 360 ​​pe care îl cunoașteți 05:10.860 --> 05:17.370 ca semnalele de la vârful mașinilor Google pe care le putem conduce în totalitate cu trei senzori și apoi avem această orientare 05:17.400 --> 05:22.200 și minus orientarea către dvs. știți să urmăriți obiectivul pe care încercați să îl atingeți. 05:22.530 --> 05:29.160 Și apoi avem, desigur, neuronii de ieșire din rețeaua noastră care corespund acțiunilor și avem trei acțiuni posibile 05:29.160 --> 05:32.840 care merg în stânga mergând direct sau mergând bine. 05:32.880 --> 05:38.520 Și, prin urmare, o voi numi și acțiunea și vor fi trei dintre ei. 05:38.520 --> 05:39.030 In regula. 05:39.120 --> 05:44.850 Până acum, trebuie să dăm nume doar intrărilor și apoi vom folosi aceste mingi de volei pentru a face condițiile 05:44.940 --> 05:46.140 din interiorul rețelei neuronale. 05:47.090 --> 05:55.010 În regulă atunci începeți să utilizați un alt truc cu torțe acest truc este o superfuncție care 05:55.010 --> 05:59.310 este o funcție care de fapt moștenește din modul. 05:59.390 --> 06:02.730 De aceea a trebuit să folosim moștenirea pentru a moșteni modulul. 06:02.750 --> 06:04.440 Acesta este primul care va fi folosit. 06:04.520 --> 06:11.120 Și, practic, folosim doar această superfuncție super-truc pentru a putea folosi instrumentele modulului care sunt 06:11.580 --> 06:13.320 mult mai eficiente. 06:13.670 --> 06:18.620 Și în interiorul superfuncției trebuie doar să precizez rețeaua. 06:18.650 --> 06:25.100 Deci aceasta este clasa noastră de rețea chul pe care o cunoașteți deoarece aceasta moșteneste de la clasa parentală 06:25.550 --> 06:27.360 modul și apoi obiectul nostru. 06:27.380 --> 06:35.220 Si apoi adaug doar asta si sunt intr-o functie asa cum am numit-o. 06:35.570 --> 06:39.350 Bine, deci este doar un truc care este doar de a folosi toate instrumentele pe care le am. 06:39.360 --> 06:46.270 Și în modulul respectiv putem trece la pasul următor, care va specifica stratul de intrare. 06:46.550 --> 06:53.300 Deci, practic ceea ce trebuie să fac este să introduc o nouă variabilă care va fi atașată la obiect 06:53.300 --> 06:57.120 și această variabilă va conține numărul de neuroni de intrare. 06:57.170 --> 07:05.140 Așadar, pentru a nu fi confundată cu mărimea intrării dimensiunii de intrare este argumentul funcției de sfârșit. 07:05.180 --> 07:09.710 Dar aceasta nu este variabila care este atasata obiectului inca variabila care este atasata 07:09.710 --> 07:10.360 obiectului. 07:10.520 --> 07:16.520 După cum am menționat deja, trebuie să precizăm că este atașat de obiect, așa că folosim 07:17.230 --> 07:22.130 un auto-predat și acum ne dăm un nume acestei prime variabile atașate obiectului. 07:22.190 --> 07:24.870 Și astfel putem da pur și simplu același nume ca și intrarea. 07:24.920 --> 07:33.650 Putem numi dimensiunea de intrare și vom spune că este egală cu argumentul o funcție care este mărimea intrării. 07:33.680 --> 07:34.080 In regula. 07:34.130 --> 07:39.900 De fiecare dată când creez un obiect din clasa de rețea și precizez dimensiunea de intrare, ca de 07:39.900 --> 07:41.170 exemplu, pun 5. 07:41.180 --> 07:47.330 Nu va fi de 5 aici și prin urmare variabila dimensiunii de intrare a obiectului nostru va avea valoarea de 5 07:47.690 --> 07:54.110 deoarece această mărime de intrare aici va fi de 5 și, prin urmare, noua noastră rețea va avea 5 neuroni de intrare 07:54.110 --> 07:55.470 în stratul de intrare. 07:55.490 --> 07:55.790 In regula. 07:55.790 --> 08:02.180 Și apoi este același pentru cealaltă variabilă pe care vrem să o atașăm obiectelor. 08:02.210 --> 08:08.100 Și, după cum probabil ați ghicit, aceasta va fi o variabilă pentru numărul de neuroni de ieșire. 08:08.330 --> 08:15.030 Și să spunem că ne luăm propriul nostru obiect și apoi dăm un nume acestei a doua variabile a obiectului 08:15.040 --> 08:17.740 pe care îl vom numi și acțiunea. 08:18.170 --> 08:23.600 Și acest lucru va fi egal cu acest argument dat fiind numărul de acțiuni care reprezintă numărul de neuroni 08:23.600 --> 08:24.250 de ieșire. 08:24.530 --> 08:30.850 Așa că am stabilit-o egală cu acțiunea de fapt și acțiunea va fi egală cu trei. 08:30.890 --> 08:37.930 Prin urmare, variabila și acțiunea atașată obiectului nostru la o rețea vor primi valoarea de trei. 08:38.240 --> 08:41.680 De fapt, putem vedea avertizare aici, spune numele nedefinit. 08:41.720 --> 08:44.180 Și bine, asta pentru că aici folosim. 08:44.230 --> 08:46.030 Și apoi comanda rapidă. 08:46.350 --> 08:48.530 Și trebuie să folosim o scurtătură aici. 08:48.590 --> 08:52.780 Și pentru începerea torței noastre și în Mudgal și apoi va dispărea. 08:52.880 --> 08:53.670 Începem. 08:53.690 --> 08:54.580 Perfect. 08:54.590 --> 09:00.800 Chiar acum avem noi avertismente, toate avertismentele de aici sunt doar pentru a preciza că ceea ce importăm nu este 09:00.800 --> 09:01.520 încă folosit. 09:01.580 --> 09:04.660 În regulă, le vom folosi ulterior. 09:04.670 --> 09:10.010 În regulă avem două variante pe care vrem să le definim pentru obiect. 09:10.190 --> 09:15.820 Și aceasta va fi conexiunile complete între conexiunile complete dintre diferitele straturi ale rețelei 09:15.830 --> 09:16.810 noastre neuronale. 09:16.820 --> 09:21.800 Deci, de vreme ce acum vrem să construim o rețea neuronală compusă dintr-un singur cap în lumea lor, 09:21.800 --> 09:23.440 vor exista două conexiuni complete. 09:23.570 --> 09:27.740 Va exista o primă legătură completă între stratul de intrare și stratul ascuns. 09:27.980 --> 09:32.450 Și o conexiune completă de o jumătate între deal și stratul de ieșire. 09:32.480 --> 09:34.770 Deci, să începem cu prima conexiune completă. 09:34.890 --> 09:43.310 O vom numi SE1 Și din nou, eu folosesc eu aici pentru a preciza că FC unul este o variabilă a obiectului meu pentru a 09:43.780 --> 09:44.530 rezolva asta. 09:44.530 --> 09:47.490 FC unul care va fi egal cu. 09:47.630 --> 09:55.160 Și acum vom folosi modulul N în modul și vom folosi o funcție numită R liniar și aceasta este 09:55.160 --> 10:02.080 exact pentru a face această legătură completă între neuroni și stratul de intrare la neuronii ascunși acolo. 10:02.180 --> 10:04.090 Și ce vreau să spun prin conexiune completă. 10:04.160 --> 10:09.190 Asta înseamnă că toți neuronii stratului de intrare vor fi conectați la toți neuronii 10:09.190 --> 10:09.920 de aici. 10:10.190 --> 10:16.140 Și astfel, pentru a face această conexiune, folosim această funcție liniară la care trebuie să punem niște argumente. 10:16.190 --> 10:19.880 Și după cum puteți vedea aceste argumente sunt în trăsături. 10:19.880 --> 10:25.370 Deci, este numărul de neuroni din prima lege pe care doriți să îi conectați la caracteristici care reprezintă numărul de 10:25.370 --> 10:30.110 neuroni ai celui de-al doilea strat pe care doriți să îl conectați, acesta fiind stratul din dreapta 10:30.110 --> 10:32.360 care este stratul ascuns și bicicleta este adevărată. 10:32.420 --> 10:38.850 Așa că bicicleta este adevărată, vom păstra valoarea implicită care este pentru a avea o părtinire și nu doar o anumită greutate 10:38.900 --> 10:43.350 atașată runului pe care trebuie să îl așteptăm, și o bias pentru fiecare strat. 10:43.610 --> 10:46.140 Și așa bine să vedem ce trebuie să introducem. 10:46.280 --> 10:51.850 Deci, primul argument în caracteristici este numărul de neuroni de intrare din stratul de intrare. 10:52.000 --> 10:52.930 Și unde este? 10:53.030 --> 10:55.080 Ei bine, asta e de fapt imprecis. 10:55.100 --> 11:01.930 Acesta este argumentul funcției noastre init care mai târziu vom putea să luptăm cu orientarea celor trei semnale 11:02.200 --> 11:04.150 și orientarea lui Mannus. 11:04.160 --> 11:05.020 Deci, aici mergem. 11:05.190 --> 11:14.300 Atunci când primele argumente și a pune dimensiunea și apoi al doilea argument este out caracteristici care este faptul că este numărul de neuroni pe care 11:14.300 --> 11:17.090 dorim să avem în al doilea strat. 11:17.180 --> 11:20.450 Cel de-al doilea strat care va fi complet conectat la primul strat. 11:20.450 --> 11:24.960 Și acum întrebarea este cât de mulți neuroni vrem în acest strat ascuns. 11:25.220 --> 11:27.420 Ei bine am făcut o mulțime de pregătire parametrilor. 11:27.440 --> 11:29.110 Am făcut o mulțime de experimente. 11:29.210 --> 11:31.940 Asta facem sau asta facem mai adânc. 11:31.940 --> 11:38.270 În general, facem o mulțime de experimente pentru a vedea care ar fi cea mai bună rețea neuronală pentru problema 11:38.270 --> 11:39.170 noastră specifică. 11:39.170 --> 11:45.950 Și așa am încercat multe valori și am ajuns să aleg 30 de 30 de runde într-un strat ascuns și veți vedea că 11:45.950 --> 11:50.750 cu acest număr vom obține câteva rezultate destul de bune, dar apoi nu ezitați să schimbați arhitectura 11:50.750 --> 11:51.580 rețelei neuronale. 11:51.580 --> 11:53.120 Simțiți-vă liber să vă jucați cu ea. 11:53.180 --> 11:58.730 Puteți nu numai să modificați numărul de neuroni în loc și acolo, dar puteți adăuga și mai multe straturi, astfel 11:59.150 --> 12:05.000 că poate veți obține o mașină chiar mai bună, dar 30 neuroni hinna ne vor aduce o rețea neuronală bună și 12:05.000 --> 12:06.000 o cauză bună. 12:06.020 --> 12:07.390 Deci, pentru asta mergem. 12:07.520 --> 12:08.410 Și acolo mergem. 12:08.420 --> 12:13.500 Avem prima noastră legătură completă într-adevăr cu această funcție liniară. 12:13.520 --> 12:16.910 Facem conexiunea dintre stratul de intrare și piciorul ascuns. 12:17.360 --> 12:23.270 Și acum timpul pentru a face a doua conexiune completă, care este conexiunea completă între stratul ascuns 12:23.600 --> 12:25.180 și stratul de ieșire. 12:25.490 --> 12:26.750 Așa că mergem. 12:26.750 --> 12:31.380 Vom numi cea de-a doua conexiune completă la C2. 12:31.490 --> 12:32.280 Vom merge acolo. 12:32.360 --> 12:36.400 Și totuși acest lucru este disponibil pentru mai multe obiecte folosind Saphir. 12:36.650 --> 12:38.330 Și apoi vom folosi din nou. 12:38.450 --> 12:45.310 De fapt, putem copia acest lucru pentru că vom folosi modulul N în modul și apoi funcția liniară. 12:45.530 --> 12:49.250 Dar atunci trebuie să schimbăm mai întâi argumentele. 12:49.280 --> 12:55.050 Același lucru este primul număr de neuroni pe care îl vom avea în primul strat al conexiunii. 12:55.190 --> 12:56.510 Deci asta este ascuns acolo. 12:56.720 --> 13:03.810 Și, prin urmare, că este de 30 și apoi al doilea argument este numărul de neuroni în al doilea strat 13:04.010 --> 13:08.810 al conexiunii și care corespunde stratului de ieșire și de ieșire acolo. 13:08.980 --> 13:15.020 Iar neuronii reali, care mai târziu vor fi trei, pentru că avem trei acțiuni posibile, dar până acum trebuie să 13:15.020 --> 13:16.930 folosim denumirile pe care le-am definit. 13:17.050 --> 13:23.990 Acesta este numele argumentului funcției init și, prin urmare, introducem aici și acțiunea și acolo 13:23.990 --> 13:24.950 mergem. 13:24.950 --> 13:27.760 Mai întâi de toate conexiunile noastre tuple re. 13:27.920 --> 13:30.980 Și în al doilea rând, este orice funcție Israel. 13:31.400 --> 13:36.940 Deci, asta vom initializa obiectul ori de câte ori creem un obiect din clasa de rețea. 13:37.130 --> 13:44.300 Și astfel, de îndată ce vom crea un obiect bine toate aceste variabile pentru variabile aici dimensiunea de intrare și de reacție. 13:44.380 --> 13:46.980 Tu și doi veți fi definiți. 13:47.180 --> 13:52.060 Și așa vom obține arhitectura rețelei noastre de animale pentru fiecare obiect pe care îl creăm. 13:52.160 --> 13:59.450 Fiecare obiect va corespunde unei rețele neuronale cu cinci neuroni de intrare, 30 neuroni ascunși și trei neuroni 13:59.450 --> 14:00.440 de ieșire. 14:00.470 --> 14:01.430 Așa că mergem. 14:01.430 --> 14:06.980 Am terminat cu această primă funcție și acum putem trece la a doua funcție care este 14:06.980 --> 14:13.100 funcția forward și care va fi utilizată pentru a activa neuronii din rețeaua neurală folosind funcția de activare a 14:13.100 --> 14:19.500 redresorului și mai ales pentru a reveni în cele din urmă la valorile cubului care sunt ieșirile unei singure rețele. 14:19.580 --> 14:23.420 Așa că nu pot să aștept să fac acest lucru în tutorialul următor și până atunci eu.