WEBVTT 00:00.520 --> 00:02.690 Hola y bienvenidos a este tutorial de Python. 00:02.860 --> 00:05.680 De acuerdo, tenemos un terreno muy emocionante por delante. 00:05.680 --> 00:10.690 Comenzaremos por crear la arquitectura de la red neuronal, es decir, crearemos la red neuronal 00:10.690 --> 00:16.740 que estará en el corazón de nuestra IA y que devolverá la acción para jugar a los 90 años. 00:16.930 --> 00:18.060 Entonces, hagamos esto. 00:18.130 --> 00:23.130 Entonces, como queremos que nuestra red neuronal sea objetiva, vamos a hacer que sea una clase. 00:23.200 --> 00:25.100 Y eso es porque es mucho más conveniente. 00:25.180 --> 00:28.370 Sabes que la clase es el modelo de algo que queremos construir. 00:28.540 --> 00:34.000 Queremos construir una red neuronal y tenemos que hacer algún tipo de instrucciones que se incluirán 00:34.090 --> 00:35.080 en la clase. 00:35.140 --> 00:37.910 Y en esta clase vamos a hacer dos funciones. 00:37.960 --> 00:42.810 Primero, la función init, que es la función que aparece todo el tiempo al crear clases. 00:43.000 --> 00:47.770 Y eso básicamente define la variable de su objeto que es la red neuronal. 00:47.920 --> 00:52.600 Conoces las variables asociadas al objeto en lugar de las variables globales. 00:52.840 --> 00:57.910 que definirá la arquitectura de la nueva red que usted conoce definiendo la capa de entrada que 00:57.910 --> 01:03.460 estará compuesta por cinco neuronas de entrada porque tenemos cinco dimensiones para el vector codificado de los estados de entrada. 01:03.790 --> 01:05.680 Y así es en esta función 01:05.890 --> 01:08.080 Luego definiremos algunas capas ocultas. 01:08.110 --> 01:12.940 Tal vez comiences con una capa oculta y luego serás bienvenido a probar algunas otras arquitecturas de 01:12.940 --> 01:13.920 la red neuronal. 01:14.200 --> 01:20.080 Y luego, por supuesto, terminaremos con la capa de salida que contendrá las posibles acciones que 01:20.110 --> 01:21.940 podemos ejecutar en cada momento. 01:22.180 --> 01:24.730 Entonces eso es exactamente lo que haremos en esta función. 01:24.850 --> 01:30.460 función de reenvío y esa será la función que activará las neuronas en la red neuronal. 01:30.460 --> 01:34.870 Y luego haremos otra función dentro de la clase que será la 01:34.870 --> 01:40.570 Usted sabe que esto activará las señales y entonces usaremos una función de activación rectificada porque, 01:40.570 --> 01:46.920 por supuesto, estamos tratando con un problema puramente no lineal y esta función rectificada rompe la linealidad. 01:47.200 --> 01:53.340 Pero sobre todo estamos haciendo que esta función de Ford devuelva los valores q que son las salidas de la red. 01:53.500 --> 01:56.110 Pero tenemos un valor clave para cada acción. 01:56.200 --> 02:02.710 Y más tarde devolveremos la acción final ya sea tomando el máximo de los valores clave o usando un 02:02.710 --> 02:03.880 método Max suave. 02:04.030 --> 02:05.270 Veremos eso luego. 02:05.440 --> 02:10.330 Entonces en este tutorial vamos a comenzar implementando la función init y 02:10.330 --> 02:12.880 luego el siguiente implementará la función forward. 02:12.880 --> 02:13.810 Entonces, hagamos esto. 02:13.810 --> 02:17.060 Primero tenemos que presentar nuestra clase. 02:17.200 --> 02:22.930 Entonces comenzamos con clase y le damos un nombre a nuestra clase, que es donde podemos llamarlo red. 02:23.650 --> 02:29.980 Y luego en esta clase de red voy a utilizar una técnica de programación de objetos que se llama 02:30.310 --> 02:35.120 herencia y que es solo heredar de todas las herramientas de una clase principal. 02:35.200 --> 02:41.550 Entonces nuestra clase de red que estamos a punto de hacer es una prueba para niños de una clase más grande que es. 02:41.770 --> 02:44.110 Y ese módulo. 02:44.470 --> 02:50.790 Así que eso es solo heredar de todas las herramientas de esta clase de módulo, que por supuesto las herramientas para 02:50.790 --> 02:51.940 implementar una red neuronal. 02:51.940 --> 02:57.880 Entonces ese es un truco muy poderoso y evolutivo en la programación orientada a objetos que va heredando. 02:57.910 --> 03:02.670 Y ahora estamos heredando de esta clase de padres de módulo. 03:02.800 --> 03:06.000 Está bien y ahora estamos listos para entrar a la clase. 03:06.130 --> 03:12.910 Así que presionaré ingresar dos veces en realidad porque haremos dos funciones y comenzaremos con 03:13.140 --> 03:14.280 la función final. 03:14.350 --> 03:20.470 Entonces, la función init debemos nombrarla de esta manera con dos en este curso y luego en ella. 03:20.650 --> 03:25.750 Y nuevamente, para subrayar, eso es solo la sintaxis de Python, que es exactamente como tenemos que hacerlo. 03:25.930 --> 03:28.460 Y luego tenemos que poner los argumentos. 03:28.720 --> 03:30.340 Entonces tenemos tres argumentos. 03:30.340 --> 03:35.800 El primero es un argumento obligatorio que en realidad es uno mismo y uno mismo. 03:35.800 --> 03:42.250 No hay ningún misterio al respecto que se refiera al objeto que se creará a partir de esta clase que estamos a punto 03:42.250 --> 03:42.810 de hacer. 03:42.820 --> 03:44.400 Sabes que estamos haciendo esta clase. 03:44.470 --> 03:48.980 Es como algunas instrucciones de algún modelo de esta red neuronal que queremos construir. 03:49.180 --> 03:53.620 Y una vez que la clase esté lista, podemos hacer tantos con las redes como queramos. 03:53.620 --> 04:00.130 Y cada una de estas nuevas redes será un objeto de esta clase y dado que utilizaremos 04:00.400 --> 04:07.630 el objeto para otros fines, necesitamos hacerlo, pero ¿cuáles son las variables del objeto? Y para Spudis lo 04:07.630 --> 04:11.900 estamos utilizando aquí para especificar que se está refiriendo al objeto. 04:12.100 --> 04:18.430 Entonces, cuando quiera usar disponible de mi objeto, usaré self antes de la variable para especificar 04:18.430 --> 04:21.340 que esta es una variable del objeto. 04:21.340 --> 04:25.680 son, por supuesto, el número de neuronas de entrada y el número de neuronas de salida. 04:25.680 --> 04:30.240 Muy bien, así que ese es el primer argumento y luego tenemos otros dos argumentos que 04:30.550 --> 04:38.220 Así que el número de neuronas de entrada lo llamaremos tamaño de entrada y eso es en realidad 04:38.310 --> 04:45.890 cinco porque nuestros vectores de entrada tienen cinco dimensiones a tres señales más orientación más orientación negativa 04:45.900 --> 04:51.020 que son vectores de valores codificados que describen un estado del entorno. 04:51.210 --> 04:54.960 Estos cinco valores son suficientes para describir un estado del medio ambiente. 04:54.960 --> 05:00.600 Podríamos haber pensado en Menos valores o más valores, pero eso es lo que probé y en realidad tiene sentido porque 05:00.600 --> 05:05.520 en realidad necesitamos una señal de la que está delante de nosotros y la otra a la derecha. 05:05.520 --> 05:10.860 esta orientación y menos orientación hacia usted. saber hacer un seguimiento del objetivo que intentabas alcanzar. 05:10.860 --> 05:17.370 Cuando conducimos un automóvil, podríamos haber optado por una señal de 360º, como las señales en la parte superior de 05:17.400 --> 05:22.200 los automóviles de Google, que podemos autodirigir totalmente con tres sensores y luego tenemos 05:22.530 --> 05:29.160 Y luego tenemos, por supuesto, las neuronas de salida de nuestra red que corresponden a las acciones y tenemos tres acciones 05:29.160 --> 05:32.840 posibles yendo a la izquierda yendo derecho o yendo a la derecha. 05:32.880 --> 05:38.520 Y por lo tanto voy a llamarlo y la acción y habrá tres de ellos. 05:38.520 --> 05:39.030 Todo bien. 05:39.120 --> 05:44.850 Hasta ahora solo tenemos que dar nombres a las entradas y luego usaremos estas bolas de voleibol para hacer las condiciones 05:44.940 --> 05:46.140 dentro de la red neuronal. 05:47.090 --> 05:55.010 Muy bien, entonces, y empiezas usando otro truco de antorcha, este truco es una superfunción que 05:55.010 --> 05:59.310 es una función que realmente hereda del módulo. 05:59.390 --> 06:02.730 Entonces, es por eso que tuvimos que usar la herencia para heredar el módulo también. 06:02.750 --> 06:04.440 Este es el primero en usar. 06:04.520 --> 06:11.120 Y, básicamente, solo estamos usando esta superfunción súper truco para poder usar las herramientas del módulo que 06:11.580 --> 06:13.320 es mucho más eficiente. 06:13.670 --> 06:18.620 Y dentro de la superfunción solo necesito especificar primero la red. 06:18.650 --> 06:25.100 chul de red que conoces porque hereda de la clase principal del módulo y luego de nuestro objeto. 06:25.550 --> 06:27.360 Esa es nuestra clase de 06:27.380 --> 06:35.220 Y luego solo agrego eso y estoy en una función como esta exactamente como la llamamos. 06:35.570 --> 06:39.350 Está bien, así que es solo un truco que es solo usar todas las herramientas que tengo. 06:39.360 --> 06:46.270 Y en ese módulo, podemos pasar al siguiente paso, que es especificar la capa de entrada. 06:46.550 --> 06:53.300 Entonces, básicamente, lo que tengo que hacer es introducir una nueva variable que se adjuntará al objeto 06:53.300 --> 06:57.120 y esta variable contendrá el número de neuronas de entrada. 06:57.170 --> 07:05.140 Entonces, no confundirlo con el tamaño de entrada del tamaño de entrada es el argumento de la función final. 07:05.180 --> 07:09.710 no es la variable que se adjunta al objeto aún la variable que se adjunta al objeto. 07:09.710 --> 07:10.360 Pero esa 07:10.520 --> 07:16.520 Bueno, como acabo de mencionar, necesitamos especificar que, en cambio, está adjuntado al objeto, así que usamos 07:17.230 --> 07:22.130 uno autodidacta y ahora damos un nombre a esta primera variable adjunta al objeto. 07:22.190 --> 07:24.870 Y entonces podemos simplemente dar el mismo nombre que la entrada. 07:24.920 --> 07:33.650 Podemos llamarlo tamaño de entrada y diremos que es igual a los argumentos una función que tiene el tamaño de entrada. 07:33.680 --> 07:34.080 Todo bien. 07:34.130 --> 07:39.900 Cada vez que estoy creando un objeto de la clase de red y estoy especificando el tamaño de entrada como, 07:39.900 --> 07:41.170 por ejemplo, pongo 5. 07:41.180 --> 07:47.330 Aquí habrá 5 y, por lo tanto, la variable de tamaño de entrada de nuestro objeto tendrá el valor de 07:47.690 --> 07:54.110 5 porque este tamaño de entrada será 5 y, por lo tanto, nuestra nueva red tendrá 5 neuronas de entrada en 07:54.110 --> 07:55.470 la capa de entrada. 07:55.490 --> 07:55.790 Todo bien. 07:55.790 --> 08:02.180 Y luego es lo mismo para la otra variable que queremos adjuntar a los objetos. 08:02.210 --> 08:08.100 Y como habrás adivinado, esta va a ser una variable para el número de neuronas de salida. 08:08.330 --> 08:15.030 Y decir que tomamos nuestro objeto y luego damos un nombre a esta segunda variable del objeto 08:15.040 --> 08:17.740 que vamos a llamar y la acción. 08:18.170 --> 08:23.600 Y esto será igual a este argumento aquí dado el número de acciones que es el número de neuronas 08:23.600 --> 08:24.250 de salida. 08:24.530 --> 08:30.850 Y así lo establecemos igual a la acción en realidad y la acción será igual a tres. 08:30.890 --> 08:37.930 Por lo tanto, la variable y la acción asociada a nuestro objeto a una red obtendrán el valor de tres. 08:38.240 --> 08:41.680 De hecho, podemos ver una advertencia aquí dice nombre indefinido. 08:41.720 --> 08:44.180 Y bueno, eso es porque aquí usamos el. 08:44.230 --> 08:46.030 Y luego atajo. 08:46.350 --> 08:48.530 Y necesitamos usar un atajo aquí. 08:48.590 --> 08:52.780 Y para nuestro inicio de torche y en Mudgal, desaparecerá. 08:52.880 --> 08:53.670 Aquí vamos. 08:53.690 --> 08:54.580 Perfecto. 08:54.590 --> 09:00.800 En este momento tenemos nuevas advertencias, todas las advertencias aquí son solo para especificar que lo que importamos aún no 09:00.800 --> 09:01.520 se usa. 09:01.580 --> 09:04.660 Está bien, los usaremos luego. 09:04.670 --> 09:10.010 Muy bien, entonces tenemos otras dos variables que queremos definir para el objeto. 09:10.190 --> 09:15.820 la conexión completa de las conexiones completas entre las diferentes capas de nuestra red neuronal. 09:15.830 --> 09:16.810 Y esta será 09:16.820 --> 09:21.800 Entonces, como en este momento queremos hacer una red neuronal compuesta de una sola cabeza en su 09:21.800 --> 09:23.440 mundo, habrá dos conexiones completas. 09:23.570 --> 09:27.740 Habrá una primera conexión completa entre la capa de entrada y la capa oculta. 09:27.980 --> 09:32.450 Y una segunda conexión completa entre la colina allí y la capa de salida. 09:32.480 --> 09:34.770 Comencemos con la primera conexión completa. 09:34.890 --> 09:43.310 Vamos a llamarlo SE1 Y de nuevo utilizo self aquí para especificar que FC one es una variable de mi objeto para 09:43.780 --> 09:44.530 resolver eso. 09:44.530 --> 09:47.490 FC uno que será igual a. 09:47.630 --> 09:55.160 Y ahora usamos el N en el módulo y vamos a usar una función llamada R lineal y eso es 09:55.160 --> 10:02.080 exactamente para hacer esta conexión completa entre las neuronas y la capa de entrada a las neuronas ocultas allí. 10:02.180 --> 10:04.090 Y a qué me refiero con una conexión completa. 10:04.160 --> 10:09.190 Eso significa que todas las neuronas de la capa de entrada estarán conectadas a todas las neuronas 10:09.190 --> 10:09.920 del Aquí adentro. 10:10.190 --> 10:16.140 Y para hacer esta conexión usamos esta función lineal a la cual necesitamos poner algunos argumentos. 10:16.190 --> 10:19.880 Y como pueden ver, estos argumentos están en las características. 10:19.880 --> 10:25.370 Entonces, ese es el número de neuronas de la primera ley que desea conectar, características que es el número de 10:25.370 --> 10:30.110 neuronas de la segunda capa que desea conectar, que es la capa de la derecha que es 10:30.110 --> 10:32.360 la capa oculta y la bicicleta es verdadera. 10:32.420 --> 10:38.850 Entonces, la verdad es que la bicicleta mantendrá el valor predeterminado que es para tener un sesgo y no solo un poco 10:38.900 --> 10:43.350 de peso asociado a la ejecución, tendremos que esperar y un sesgo para cada capa. 10:43.610 --> 10:46.140 Y tan bien veamos qué necesitamos para ingresar. 10:46.280 --> 10:51.850 Entonces, el primer argumento en características es el número de neuronas de entrada en la capa de entrada. 10:52.000 --> 10:52.930 Y entonces, ¿dónde está? 10:53.030 --> 10:55.080 Bueno, eso es realmente impreciso. 10:55.100 --> 11:01.930 Ese es el argumento de nuestra función init, que más adelante podremos combatir la orientación de las tres señales 11:02.200 --> 11:04.150 y la orientación de Mannus. 11:04.160 --> 11:05.020 Así que, aquí vamos. 11:05.190 --> 11:14.300 Cuando los primeros argumentos y el tamaño puesto y luego el segundo argumento son las características, es decir, el número de neuronas 11:14.300 --> 11:17.090 que queremos tener en la segunda capa. 11:17.180 --> 11:20.450 La segunda capa que estará completamente conectada a la primera capa. 11:20.450 --> 11:24.960 Y ahora la pregunta es cuántas neuronas queremos en esta capa oculta. 11:25.220 --> 11:27.420 Bueno, hice un montón de entrenamiento de parámetros. 11:27.440 --> 11:29.110 Hice mucha experimentación. 11:29.210 --> 11:31.940 Eso es lo que hacemos o eso es lo que hacemos más profundo. 11:31.940 --> 11:38.270 En general, hacemos mucha experimentación para ver cuál sería la mejor red neuronal para nuestro 11:38.270 --> 11:39.170 problema específico. 11:39.170 --> 11:45.950 Así que probé muchos valores y terminé eligiendo 30 30 carreras en una capa oculta y verá que con este 11:45.950 --> 11:50.750 número obtendremos algunos resultados bastante buenos, pero luego puede cambiar la arquitectura de la 11:50.750 --> 11:51.580 red neuronal. 11:51.580 --> 11:53.120 Siéntase libre de jugar con eso. 11:53.180 --> 11:58.730 No solo puedes cambiar el número de neuronas en el aquí y el allá, sino que también puedes agregar algunas 11:59.150 --> 12:05.000 capas más para que puedas obtener un auto aún mejor, pero 30 neuronas hinnas nos proporcionarán una buena red neuronal y 12:05.000 --> 12:06.000 una buena causa. 12:06.020 --> 12:07.390 Así que eso es lo que buscamos. 12:07.520 --> 12:08.410 Y ahí vamos. 12:08.420 --> 12:13.500 Tenemos nuestra primera conexión completa realmente con esta función lineal. 12:13.520 --> 12:16.910 Hacemos la conexión entre la capa de entrada y la pierna oculta. 12:17.360 --> 12:23.270 Y ahora es el momento de hacer la segunda conexión completa que es la conexión completa entre la capa oculta 12:23.600 --> 12:25.180 y la capa de salida. 12:25.490 --> 12:26.750 Entonces ahí vamos 12:26.750 --> 12:31.380 Vamos a llamar a esta segunda conexión completa en C2. 12:31.490 --> 12:32.280 Aquí vamos. 12:32.360 --> 12:36.400 Y todavía está disponible para más objetos usando Saphir. 12:36.650 --> 12:38.330 Y luego nuevamente usamos. 12:38.450 --> 12:45.310 Bueno, en realidad podemos copiar esto porque vamos a usar el N en el módulo y luego la función lineal. 12:45.530 --> 12:49.250 Pero luego tenemos que cambiar los argumentos de curso primero. 12:49.280 --> 12:55.050 Es lo mismo primero es la cantidad de neuronas que tendremos en la primera capa de la conexión. 12:55.190 --> 12:56.510 Así que eso es lo escondido allí. 12:56.720 --> 13:03.810 Y por lo tanto, eso es 30 y luego el segundo argumento es el número de neuronas en la segunda capa de 13:04.010 --> 13:08.810 la conexión y eso corresponde a la capa de salida y la salida que tiene. 13:08.980 --> 13:15.020 Y las neuronas reales que más tarde serán tres porque tenemos tres acciones posibles, pero hasta ahora tenemos 13:15.020 --> 13:16.930 que usar los nombres que definimos. 13:17.050 --> 13:23.990 nombre del argumento de la función init y, por lo tanto, ingresamos aquí y la acción, y ahí vamos. 13:23.990 --> 13:24.950 Ese es el 13:24.950 --> 13:27.760 En primer lugar, nuestras conexiones tuple re. 13:27.920 --> 13:30.980 Y lo segundo de todo es cualquier función Israel. 13:31.400 --> 13:36.940 Así que eso es lo que vamos a inicializar nuestro objeto cada vez que creamos un objeto de la clase de red. 13:37.130 --> 13:44.300 Y tan pronto como creamos bien un objeto, todas estas variables para variables aquí ingresan tamaño y reacción. 13:44.380 --> 13:46.980 Usted un y dos serán definidos. 13:47.180 --> 13:52.060 Y así es como obtendremos la arquitectura de nuestra red animal para cada objeto que creamos. 13:52.160 --> 13:59.450 corresponderá a una red neuronal de cinco neuronas de entrada 30 neuronas ocultas y tres neuronas de salida. 13:59.450 --> 14:00.440 Cada objeto 14:00.470 --> 14:01.430 Entonces ahí vamos 14:01.430 --> 14:06.980 Hemos terminado con esta primera función y ahora podemos pasar a la segunda función, que es la función 14:06.980 --> 14:13.100 de reenvío y que se usará para activar las neuronas en la red neuronal utilizando la función de activación del 14:13.100 --> 14:19.500 rectificador y, en su mayoría, para regresar finalmente a valores de cubo que son las salidas de una sola red. 14:19.580 --> 14:23.420 Así que no puedo esperar para hacer esto en el próximo tutorial y hasta entonces.