WEBVTT

00:00.520 --> 00:02.690
สวัสดีและยินดีต้อนรับสู่การสอน Python นี้

00:02.860 --> 00:05.680
เอาล่ะเรามีความตื่นเต้นอย่างมากต่อหน้าเรา

00:05.680 --> 00:10.690
เรากำลังจะเริ่มต้นด้วยการสร้างสถาปัตยกรรมของโครงข่ายประสาทเทียมนั่นคือเราจะสร้างโครงข่ายประสาทเทียมที่จะเป็นหัวใจของ

00:10.690 --> 00:16.740
AI ของเราและจะคืนค่าการกระทำให้เล่นเมื่ออายุ 90

00:16.930 --> 00:18.060
ลองทำสิ่งนี้กัน

00:18.130 --> 00:23.130
ดังนั้นเนื่องจากเราต้องการให้เครือข่ายประสาทของเรามีเป้าหมายเราจะทำให้มันเป็นคลาส

00:23.200 --> 00:25.100
และนั่นเป็นเพราะสะดวกกว่ามาก

00:25.180 --> 00:28.370
คุณรู้ว่าคลาสเป็นแบบอย่างของสิ่งที่เราต้องการสร้าง

00:28.540 --> 00:35.080
เราต้องการสร้างเครือข่ายประสาทและเราต้องทำคำแนะนำบางอย่างซึ่งจะถูกบรรจุไว้ในชั้นเรียน

00:35.140 --> 00:37.910
และในคลาสนี้เราจะทำสองฟังก์ชัน

00:37.960 --> 00:42.810
ก่อนอื่นฟังก์ชัน init ซึ่งเป็นฟังก์ชันที่เกิดขึ้นตลอดเวลาเมื่อทำการเรียน

00:43.000 --> 00:47.770
และโดยทั่วไปแล้วจะกำหนดตัวแปรของวัตถุของคุณนั่นคือเครือข่ายประสาท

00:47.920 --> 00:52.600
คุณรู้ว่าตัวแปรที่แนบมากับวัตถุเมื่อเทียบกับตัวแปรทั่วโลก

00:52.840 --> 01:05.680
และนี่คือฟังก์ชั่นนี้ที่จะกำหนดสถาปัตยกรรมของเครือข่ายใหม่ที่คุณรู้จักกำหนดเลเยอร์อินพุตซึ่งจะประกอบไปด้วยเซลล์ประสาทอินพุทห้าอัน

01:05.890 --> 01:08.080
จากนั้นเราจะกำหนดเลเยอร์ที่ซ่อนอยู่

01:08.110 --> 01:13.920
บางทีคุณอาจเริ่มต้นด้วยเลเยอร์ที่ซ่อนอยู่หนึ่งชั้นจากนั้นคุณจะสามารถลองสถาปัตยกรรมอื่น ๆ ของโครงข่ายประสาท

01:14.200 --> 01:21.940
และแน่นอนว่าเราจะจบลงด้วยเลเยอร์เอาต์พุตที่จะมีการกระทำที่เป็นไปได้ที่เราสามารถเล่นได้ในแต่ละครั้ง

01:22.180 --> 01:24.730
นั่นคือสิ่งที่เราจะทำในฟังก์ชั่นนี้

01:24.850 --> 01:34.870
จากนั้นเราจะสร้างฟังก์ชั่นอื่นที่อยู่ภายในคลาสซึ่งจะเป็นฟังก์ชันไปข้างหน้าและนั่นจะเป็นฟังก์ชั่นที่จะกระตุ้นเซลล์ประสาทในเครือข่ายประสาท

01:34.870 --> 01:46.920
คุณรู้ว่าสิ่งนี้จะเปิดใช้งานสัญญาณและดังนั้นเราจะใช้ฟังก์ชั่นการเปิดใช้งานแก้ไขเพราะแน่นอนว่าเรากำลังเผชิญกับปัญหาที่ไม่เชิงเส้นอย่างหมดจดและฟังก์ชั่นการแก้ไขนี้แบ่งเส้นตรง

01:47.200 --> 01:53.340
แต่ส่วนใหญ่เราจะทำฟังก์ชั่นฟอร์ดเพื่อคืนค่า q ซึ่งเป็นผลลัพธ์ของเครือข่าย

01:53.500 --> 01:56.110
แต่เรามีค่าหนึ่งคีย์สำหรับแต่ละการกระทำ

01:56.200 --> 02:03.880
และหลังจากนั้นเราจะกลับมาดำเนินการขั้นสุดท้ายโดยรับค่าคีย์สูงสุดหรือใช้วิธีการอ่อนนุ่ม

02:04.030 --> 02:05.270
เราจะเห็นว่าหลังจากนั้น

02:05.440 --> 02:10.330
ดังนั้นในบทช่วยสอนนี้เราจะเริ่มต้นด้วยการใช้งานฟังก์ชั่น init

02:10.330 --> 02:12.880
จากนั้นบทต่อไปจะนำฟังก์ชั่นไปข้างหน้า

02:12.880 --> 02:13.810
ลองทำสิ่งนี้กัน

02:13.810 --> 02:17.060
ก่อนอื่นเราต้องแนะนำคลาสของเรา

02:17.200 --> 02:22.930
ดังนั้นเราเริ่มจากคลาสและให้ชื่อแก่คลาสของเราซึ่งเป็นที่ที่เราเรียกมันว่าเครือข่าย

02:23.650 --> 02:35.120
และในคลาสเครือข่ายนี้ฉันจะใช้เทคนิคการเขียนโปรแกรมวัตถุซึ่งเรียกว่าการสืบทอดและนั่นก็เพื่อสืบทอดจากเครื่องมือทั้งหมดของคลาสแม่

02:35.200 --> 02:41.550
ดังนั้นคลาสเครือข่ายของเราที่เรากำลังจะทำคือการทดสอบย่อยของคลาสที่ใหญ่กว่า

02:41.770 --> 02:44.110
และโมดูลนั้น

02:44.470 --> 02:51.940
นั่นเป็นเพียงการสืบทอดจากเครื่องมือทั้งหมดของคลาสโมดูลนี้ซึ่งแน่นอนว่าเครื่องมือในการติดตั้งเครือข่ายประสาทเทียม

02:51.940 --> 02:57.880
นั่นเป็นกลลวงที่ทรงพลังและวิวัฒนาการในการเขียนโปรแกรมเชิงวัตถุ

02:57.910 --> 03:02.670
และตอนนี้เรากำลังสืบทอดจากคลาสพาเรนต์โมดูลนี้

03:02.800 --> 03:06.000
เอาล่ะตอนนี้เราก็พร้อมแล้วที่จะเข้าเรียน

03:06.130 --> 03:14.280
ดังนั้นฉันจึงกด Enter สองครั้งจริง ๆ เพราะเราจะสร้างสองฟังก์ชันและเราเริ่มต้นด้วยฟังก์ชันสุดท้าย

03:14.350 --> 03:20.470
ดังนั้นฟังก์ชั่นเริ่มต้นเราต้องตั้งชื่อแบบนี้ด้วยสองในหลักสูตรนี้ในนั้น

03:20.650 --> 03:25.750
และอีกครั้งเพื่อเน้นย้ำว่าเป็นเพียงไวยากรณ์ของ Python ที่เป็นเพียงวิธีที่เราต้องทำ

03:25.930 --> 03:28.460
จากนั้นเราต้องใส่อาร์กิวเมนต์

03:28.720 --> 03:30.340
เรามีข้อโต้แย้งสามข้อ

03:30.340 --> 03:35.800
ข้อแรกคือข้อโต้แย้งที่เป็นข้อบังคับของตนเอง

03:35.800 --> 03:42.810
ไม่มีความลึกลับเกี่ยวกับมันที่อ้างถึงวัตถุที่จะสร้างขึ้นจากคลาสนี้

03:42.820 --> 03:44.400
คุณรู้ว่าเรากำลังเรียนนี้

03:44.470 --> 03:48.980
มันเหมือนกับคำสั่งบางแบบของโครงข่ายประสาทนี้ที่เราต้องการสร้าง

03:49.180 --> 03:53.620
จากนั้นเมื่อชั้นเรียนพร้อมแล้วเราสามารถสร้างเครือข่ายได้มากเท่าที่เราต้องการ

03:53.620 --> 04:00.130
และแต่ละเครือข่ายใหม่เหล่านี้จะเป็นวัตถุของคลาสนี้และเนื่องจากเราจะใช้วัตถุเพื่อวัตถุประสงค์อื่นที่เราต้องการ

04:00.400 --> 04:11.900
แต่สิ่งที่เป็นตัวแปรของวัตถุและ Spudis เราใช้ตัวเองที่นี่เพื่อระบุว่าเรา หมายถึงวัตถุ

04:12.100 --> 04:21.340
ดังนั้นเมื่อใดก็ตามที่ฉันต้องการใช้จากวัตถุของฉันฉันจะใช้ตัวเองก่อนตัวแปรเพื่อระบุว่านี่เป็นตัวแปรของวัตถุ

04:21.340 --> 04:30.240
เอาล่ะนั่นคืออาร์กิวเมนต์แรกจากนั้นเรามีข้อโต้แย้งอีกสองข้อซึ่งแน่นอนว่าเป็นจำนวนของเซลล์ประสาทอินพุตและจำนวนเซลล์ประสาทขาออก

04:30.550 --> 04:51.020
จำนวนเซลล์ประสาทรับเข้าที่เราจะเรียกมันว่าขนาดอินพุตและนั่นคือห้าเพราะเวกเตอร์อินพุตของเรามีสัญญาณห้ามิติถึงสามมิติบวกกับการวางแนว

04:51.210 --> 04:54.960
ค่าห้าค่านี้เพียงพอที่จะอธิบายสถานะของสภาพแวดล้อม

04:54.960 --> 05:00.600
เราอาจคิดถึงค่าที่น้อยลงหรือมากกว่าค่า แต่นั่นคือสิ่งที่ฉันพยายามและมันก็สมเหตุสมผลจริง ๆ

05:00.600 --> 05:05.520
เพราะเราต้องการสัญญาณหนึ่งสัญญาณจากสัญญาณซ้ายหนึ่งต่อหน้าเราและอีกสัญญาณหนึ่งอยู่ทางขวา

05:05.520 --> 05:10.860
คุณรู้ว่าเมื่อเรากำลังขับรถเราจะได้สัญญาณ 360

05:10.860 --> 05:17.370
ที่คุณรู้เหมือนสัญญาณที่อยู่ด้านบนของรถ Google ที่เราสามารถขับรถด้วยตนเองโดยใช้เซ็นเซอร์สามตัวจากนั้นเรามีการปฐมนิเทศและการวางแนวนี้กับคุณ

05:17.400 --> 05:22.200
ทราบว่าคุณกำลังพยายามไปให้ถึงเป้าหมาย

05:22.530 --> 05:32.840
แล้วเราก็มีเซลล์ประสาทเอาท์พุทของเครือข่ายของเราที่สอดคล้องกับการกระทำและเรามีสามการกระทำที่เป็นไปได้ที่จะไปทางตรงหรือไปทางขวา

05:32.880 --> 05:38.520
ดังนั้นฉันจะเรียกมันและการกระทำและจะมีสามในนั้น

05:38.520 --> 05:39.030
เอาล่ะ

05:39.120 --> 05:46.140
จนถึงตอนนี้เราแค่ต้องตั้งชื่อให้กับอินพุตและจากนั้นเราจะใช้วอลเล่ย์บอลเหล่านี้เพื่อทำเงื่อนไขภายในเครือข่ายประสาท

05:47.090 --> 05:59.310
เอาล่ะแล้วคุณก็เริ่มด้วยการใช้เคล็ดลับคบเพลิงอีกครั้งเคล็ดลับนี้เป็นฟังก์ชั่นที่ยอดเยี่ยมซึ่งเป็นฟังก์ชั่นที่สืบทอดมาจากโมดูล

05:59.390 --> 06:02.730
นั่นคือสาเหตุที่เราต้องใช้การสืบทอดเพื่อสืบทอดโมดูลด้วย

06:02.750 --> 06:04.440
นี่คือการใช้ครั้งแรก

06:04.520 --> 06:13.320
ดังนั้นโดยพื้นฐานแล้วเราแค่ใช้ superfunction super เคล็ดลับนี้เพื่อให้สามารถใช้เครื่องมือของโมดูลที่มีประสิทธิภาพมากขึ้น

06:13.670 --> 06:18.620
และภายใน superfunction ฉันแค่ต้องระบุเครือข่ายก่อน

06:18.650 --> 06:27.360
นั่นคือคลาส chul เครือข่ายของเราที่คุณรู้เพราะนี่คือการสืบทอดจากคลาสพาเรนต์โมดูลและจากนั้นวัตถุของเรา

06:27.380 --> 06:35.220
แล้วฉันก็แค่เพิ่มเข้าไปและอยู่ในฟังก์ชันแบบนี้อย่างที่เราตั้งชื่อมัน

06:35.570 --> 06:39.350
เอาล่ะนั่นเป็นเพียงกลลวงที่จะใช้เครื่องมือทั้งหมดที่ฉันมี

06:39.360 --> 06:46.270
และในโมดูลนั้นเราสามารถไปยังขั้นตอนถัดไปซึ่งก็คือการระบุเลเยอร์อินพุต

06:46.550 --> 06:57.120
ดังนั้นสิ่งที่ฉันต้องทำคือแนะนำตัวแปรใหม่ที่จะแนบกับวัตถุและตัวแปรนี้จะมีจำนวนของเซลล์ประสาทอินพุต

06:57.170 --> 07:05.140
ดังนั้นเพื่อไม่ให้สับสนกับขนาดอินพุตขนาดอินพุตเป็นอาร์กิวเมนต์ของฟังก์ชั่นสิ้นสุด

07:05.180 --> 07:10.360
แต่นั่นไม่ใช่ตัวแปรที่แนบมากับวัตถุ แต่เป็นตัวแปรที่แนบกับวัตถุ

07:10.520 --> 07:22.130
อย่างที่ฉันเพิ่งพูดไปเราจำเป็นต้องระบุว่ามันติดอยู่กับวัตถุแทนดังนั้นเราจึงใช้การสอนด้วยตนเองและตอนนี้เราตั้งชื่อตัวแปรแรกนี้ที่แนบกับวัตถุ

07:22.190 --> 07:24.870
และเพื่อให้เราสามารถให้ชื่อเดียวกับอินพุต

07:24.920 --> 07:33.650
เราสามารถเรียกมันว่าขนาดอินพุตและเราจะบอกว่ามันเท่ากับอาร์กิวเมนต์ที่ฟังก์ชั่นนั่นคือขนาดอินพุต

07:33.680 --> 07:34.080
เอาล่ะ

07:34.130 --> 07:41.170
ทุกครั้งที่ฉันสร้างวัตถุจากคลาสเครือข่ายและฉันระบุขนาดอินพุตเช่นเช่นฉันใส่ 5

07:41.180 --> 07:47.330
จะมี 5 ของที่นี่และดังนั้นขนาดตัวแปรอินพุตของวัตถุของเราจะมีค่า

07:47.690 --> 07:55.470
5 เพราะขนาดอินพุตนี้จะเป็น 5 และดังนั้นเครือข่ายใหม่ของเราจะมี 5 เซลล์ประสาทในอินพุตเลเยอร์

07:55.490 --> 07:55.790
เอาล่ะ

07:55.790 --> 08:02.180
และนั่นก็เป็นสิ่งเดียวกันสำหรับตัวแปรอื่น ๆ ที่เราต้องการแนบกับวัตถุ

08:02.210 --> 08:08.100
และอย่างที่คุณอาจเดาได้ว่านี่จะเป็นตัวแปรสำหรับจำนวนเซลล์ประสาทขาออก

08:08.330 --> 08:17.740
และเพื่อบอกว่าเรารับวัตถุของเราเองแล้วเราให้ชื่อตัวแปรที่สองของวัตถุที่เราจะเรียกมันและการกระทำ

08:18.170 --> 08:24.250
และนี่จะเท่ากับอาร์กิวเมนต์นี้ตรงนี้เนื่องจากจำนวนการกระทำที่เป็นจำนวนเซลล์ประสาทขาออก

08:24.530 --> 08:30.850
ดังนั้นเราจึงกำหนดให้เท่ากับการกระทำจริงและการกระทำจะเท่ากับสาม

08:30.890 --> 08:37.930
ดังนั้นตัวแปรและการกระทำที่แนบกับวัตถุของเราไปยังเครือข่ายจะได้รับค่าสาม

08:38.240 --> 08:41.680
ที่จริงเราเห็นคำเตือนที่นี่มันบอกชื่อไม่ได้กำหนด

08:41.720 --> 08:44.180
และนั่นก็เป็นเพราะที่นี่เราใช้

08:44.230 --> 08:46.030
แล้วทางลัด

08:46.350 --> 08:48.530
และเราต้องใช้ทางลัดที่นี่

08:48.590 --> 08:52.780
และสำหรับ torche ของเราเริ่มต้นและใน Mudgal แล้วมันจะหายไป

08:52.880 --> 08:53.670
ไปเลย.

08:53.690 --> 08:54.580
สมบูรณ์

08:54.590 --> 09:01.520
ตอนนี้เรามีคำเตือนใหม่คำเตือนทั้งหมดที่นี่เพียงเพื่อระบุว่าสิ่งที่เรานำเข้ายังไม่ได้ใช้

09:01.580 --> 09:04.660
ไม่เป็นไรเราจะใช้มันหลังจากนั้น

09:04.670 --> 09:10.010
เอาล่ะเรามีตัวแปรอีกสองตัวที่เราต้องการนิยามสำหรับวัตถุ

09:10.190 --> 09:16.810
และนี่จะเป็นการเชื่อมต่อแบบเต็มการเชื่อมต่อแบบเต็มรูปแบบระหว่างเลเยอร์ต่างๆของเครือข่ายประสาทของเรา

09:16.820 --> 09:23.440
ดังนั้นตั้งแต่ตอนนี้เราต้องการสร้างโครงข่ายประสาทที่ประกอบด้วยหัวเพียงหนึ่งเดียวในโลกของพวกเขาจึงจะมีการเชื่อมต่อเต็มรูปแบบ

09:23.570 --> 09:27.740
จะมีการเชื่อมต่อเต็มรูปแบบครั้งแรกระหว่างเลเยอร์อินพุตและเลเยอร์ที่ซ่อนอยู่

09:27.980 --> 09:32.450
และหนึ่งการเชื่อมต่อเต็มรูปแบบหนึ่งวินาทีระหว่างเนินเขาที่นั่นและชั้นเอาท์พุท

09:32.480 --> 09:34.770
ดังนั้นเรามาเริ่มต้นด้วยการเชื่อมต่อเต็มรูปแบบแรก

09:34.890 --> 09:44.530
เราจะเรียกมันว่า SE1 และอีกครั้งฉันใช้ตัวเองที่นี่เพื่อระบุว่า FC one เป็นตัวแปรของวัตถุของฉันเพื่อแก้ปัญหานั้น

09:44.530 --> 09:47.490
เอฟซีหนึ่งซึ่งจะเท่ากับ

09:47.630 --> 09:55.160
และตอนนี้เราใช้ N ในโมดูลและเราจะใช้ฟังก์ชั่นที่เรียกว่า linear

09:55.160 --> 10:02.080
R และนั่นคือสิ่งที่ทำให้การเชื่อมต่อเต็มรูปแบบระหว่างเซลล์ประสาทและชั้นข้อมูลเข้ากับเซลล์ประสาทที่ซ่อนอยู่

10:02.180 --> 10:04.090
และฉันหมายความว่าอย่างไรโดยการเชื่อมต่อแบบเต็ม

10:04.160 --> 10:09.920
นั่นหมายความว่าเซลล์ประสาททั้งหมดของชั้นข้อมูลเข้าทั้งหมดจะเชื่อมต่อกับเซลล์ประสาททั้งหมดของที่นี่ในนั้น

10:10.190 --> 10:16.140
เพื่อให้การเชื่อมต่อนี้เราใช้ฟังก์ชันเชิงเส้นนี้ซึ่งเราต้องใส่อาร์กิวเมนต์

10:16.190 --> 10:19.880
และอย่างที่คุณเห็นอาร์กิวเมนต์เหล่านี้อยู่ในฟีเจอร์

10:19.880 --> 10:32.360
นั่นคือจำนวนเซลล์ประสาทของกฎข้อแรกที่คุณต้องการเชื่อมต่อกับคุณสมบัติที่เป็นจำนวนเซลล์ประสาทของชั้นที่สองที่คุณต้องการเชื่อมต่อนั่นคือชั้นทางด้านขวาที่เป็นชั้นที่ถูกซ่อนและจักรยานที่แท้จริง

10:32.420 --> 10:43.350
ดังนั้นความจริงของจักรยานเราจะเก็บค่าเริ่มต้นนั่นคือเพื่อให้มีอคติและไม่เพียง แต่น้ำหนักบางอย่างที่ติดอยู่กับการวิ่งเราจะต้องรอและมีอคติหนึ่งสำหรับแต่ละชั้น

10:43.610 --> 10:46.140
ลองดูสิ่งที่เราต้องป้อน

10:46.280 --> 10:51.850
ดังนั้นอาร์กิวเมนต์แรกในคุณสมบัติคือจำนวนของเซลล์ประสาทรับเข้าในชั้นข้อมูลเข้า

10:52.000 --> 10:52.930
และมันอยู่ที่ไหน

10:53.030 --> 10:55.080
ที่จริงแล้วไม่แน่ชัด

10:55.100 --> 11:04.150
นั่นคืออาร์กิวเมนต์ของฟังก์ชั่น init ของเราซึ่งต่อมาเราจะสามารถต่อสู้กับการวางแนวสัญญาณทั้งสามและการวางแนว Mannus

11:04.160 --> 11:05.020
ดังนั้นเราไปกันเลย

11:05.190 --> 11:17.090
เมื่ออาร์กิวเมนต์แรกและใส่ขนาดแล้วอาร์กิวเมนต์ที่สองคือคุณสมบัติที่เป็นจำนวนเซลล์ประสาทที่เราต้องการในชั้นที่สอง

11:17.180 --> 11:20.450
เลเยอร์ที่สองที่จะเชื่อมต่อเต็มที่กับเลเยอร์แรก

11:20.450 --> 11:24.960
และตอนนี้คำถามก็คือเราต้องการเซลล์ประสาทจำนวนเท่าใดในเลเยอร์ที่ซ่อนอยู่นี้

11:25.220 --> 11:27.420
ฉันทำการฝึกอบรมพารามิเตอร์หลายอย่าง

11:27.440 --> 11:29.110
ฉันทำการทดลองมากมาย

11:29.210 --> 11:31.940
นั่นคือสิ่งที่เราทำหรือนั่นคือสิ่งที่เราทำในเชิงลึก

11:31.940 --> 11:39.170
โดยทั่วไปเราทำการทดลองมากมายเพื่อดูว่าเครือข่ายประสาทที่ดีที่สุดสำหรับปัญหาเฉพาะของเรา

11:39.170 --> 11:45.950
ดังนั้นฉันจึงลองหลายค่าและลงเอยด้วยการเลือก 30 30 run

11:45.950 --> 11:51.580
ในเลเยอร์ที่ซ่อนอยู่และคุณจะเห็นว่าด้วยหมายเลขนี้เราจะได้ผลลัพธ์ที่ดีพอสมควร แต่จากนั้นคุณสามารถเปลี่ยนสถาปัตยกรรมของโครงข่ายประสาทเทียมได้

11:51.580 --> 11:53.120
รู้สึกอิสระที่จะเล่นกับมัน

11:53.180 --> 11:58.730
คุณไม่เพียง แต่สามารถเปลี่ยนจำนวนของเซลล์ประสาทในที่นี่และที่นั่น แต่คุณยังสามารถเพิ่มเลเยอร์เพิ่มเติมเพื่อให้คุณได้รับรถยนต์ที่ดียิ่งขึ้น

11:59.150 --> 12:06.000
แต่เซลล์ hinna 30 เซลล์จะทำให้เรามีโครงข่ายประสาทที่ดีและเป็นสาเหตุที่ดี

12:06.020 --> 12:07.390
นั่นคือสิ่งที่เราไป

12:07.520 --> 12:08.410
และเราไปกันแล้ว

12:08.420 --> 12:13.500
เรามีการเชื่อมต่อเต็มรูปแบบครั้งแรกกับฟังก์ชั่นเชิงเส้นนี้

12:13.520 --> 12:16.910
เราทำการเชื่อมต่อระหว่างเลเยอร์อินพุตและขาที่ซ่อนอยู่

12:17.360 --> 12:25.180
และถึงเวลาที่จะทำการเชื่อมต่อเต็มรูปแบบที่สองนั่นคือการเชื่อมต่อเต็มรูปแบบระหว่างเลเยอร์ที่ซ่อนอยู่และเลเยอร์เอาท์พุท

12:25.490 --> 12:26.750
ดังนั้นเราไปกันเลย

12:26.750 --> 12:31.380
เราจะเรียกการเชื่อมต่อเต็มรูปแบบที่สองนี้ที่ C2

12:31.490 --> 12:32.280
เราจะไปที่นั่น.

12:32.360 --> 12:36.400
และยังคงมีให้สำหรับวัตถุอื่น ๆ ที่ใช้ Saphir

12:36.650 --> 12:38.330
แล้วเราก็ใช้อีกครั้ง

12:38.450 --> 12:45.310
ทีนี้เราสามารถคัดลอกนี่ได้เพราะเราจะใช้ N ในโมดูลแล้วฟังก์ชันเชิงเส้น

12:45.530 --> 12:49.250
แต่เราต้องเปลี่ยนข้อโต้แย้งของหลักสูตรก่อน

12:49.280 --> 12:55.050
นั่นเป็นครั้งแรกที่เหมือนกันคือจำนวนของเซลล์ประสาทที่เราจะมีในชั้นแรกของการเชื่อมต่อ

12:55.190 --> 12:56.510
นั่นคือสิ่งที่ซ่อนอยู่ที่นั่น

12:56.720 --> 13:03.810
ดังนั้นนั่นคือ 30

13:04.010 --> 13:08.810
และจากนั้นอาร์กิวเมนต์ที่สองคือจำนวนของเซลล์ประสาทในชั้นที่สองของการเชื่อมต่อและที่สอดคล้องกับชั้นเอาท์พุทและเอาท์พุทที่มี

13:08.980 --> 13:16.930
และเซลล์ประสาทที่เกิดขึ้นจริงซึ่งต่อมาจะเป็นสามเพราะเรามีสามการกระทำที่เป็นไปได้

13:17.050 --> 13:24.950
นั่นคือชื่อของอาร์กิวเมนต์ของฟังก์ชั่น init และดังนั้นเราจึงใส่ที่นี่และการกระทำและที่เราไป

13:24.950 --> 13:27.760
ครั้งแรกของการเชื่อมต่อ tuple ทั้งหมดของเราอีกครั้ง

13:27.920 --> 13:30.980
และประการที่สองคือฟังก์ชั่นใด ๆ ของอิสราเอล

13:31.400 --> 13:36.940
นั่นคือสิ่งที่เราจะเริ่มต้นวัตถุของเราเมื่อใดก็ตามที่เราสร้างวัตถุจากคลาสเครือข่าย

13:37.130 --> 13:44.300
ดังนั้นทันทีที่เราสร้างออบเจ็กต์ตัวแปรทั้งหมดเหล่านี้สำหรับตัวแปรที่นี่ขนาดและปฏิกิริยา

13:44.380 --> 13:46.980
คุณและสองจะถูกกำหนด

13:47.180 --> 13:52.060
และนั่นคือวิธีที่เราจะได้รับสถาปัตยกรรมของเครือข่ายสัตว์ของเราสำหรับแต่ละวัตถุที่เราสร้าง

13:52.160 --> 14:00.440
แต่ละวัตถุจะสอดคล้องกับเครือข่ายประสาทของเซลล์ประสาทอินพุตห้าเซลล์ประสาทที่ซ่อนอยู่ 30 เซลล์และเซลล์ประสาทเอาท์พุทสามเซลล์

14:00.470 --> 14:01.430
ดังนั้นเราไปกันเลย

14:01.430 --> 14:19.500
เราทำกับฟังก์ชันแรกนี้และตอนนี้เราสามารถย้ายไปยังฟังก์ชันที่สองซึ่งเป็นฟังก์ชันไปข้างหน้าและที่จะใช้เพื่อเปิดใช้งานเซลล์ประสาทในเครือข่ายประสาทโดยใช้ฟังก์ชันเปิดใช้งานวงจรเรียงกระแส ผลลัพธ์ของเครือข่ายเดียวเท่านั้น

14:19.580 --> 14:23.420
ดังนั้นฉันไม่สามารถรอที่จะทำเช่นนี้ในการกวดวิชาต่อไปและจนกว่าฉันจะ