WEBVTT 00:00.520 --> 00:02.690 Merhaba ve bu Python öğreticisine hoş geldiniz. 00:02.860 --> 00:05.680 Pekala, bu yüzden önümüzdeki topraklarda çok heyecanlıyız. 00:05.680 --> 00:10.690 Yapay sinir ağını yapay zekanın kalbinde olacak ve bu 00:10.690 --> 00:16.740 da 90 yaşındayken oynayacakları eylemi geri getireceğimiz yapıyı yaratarak başlayacağız. 00:16.930 --> 00:18.060 O halde bunu yapalım. 00:18.130 --> 00:23.130 Dolayısıyla, sinir ağımızın objektif olmasını istediğimizden sınıf yapacağız. 00:23.200 --> 00:25.100 Bunun sebebi çok daha kullanışlı olması. 00:25.180 --> 00:28.370 Sınıfta inşa etmek istediğimiz bir şeyin modeli olduğunu biliyorsun. 00:28.540 --> 00:34.000 Bir sinir ağı kurmak istiyoruz ve sınıfta bulunacak birtakım talimatlar 00:34.090 --> 00:35.080 vermemiz gerekiyor. 00:35.140 --> 00:37.910 Ve bu derste iki işlev yapacağız. 00:37.960 --> 00:42.810 Önce sınıfı oluştururken her zaman ortaya çıkan fonksiyon olan init işlevi. 00:43.000 --> 00:47.770 Ve bu temel olarak nesnenizin sinir ağı değişkenini tanımlar. 00:47.920 --> 00:52.600 Nesneye bağlı değişkenleri global değişkenlerin aksine biliyorsunuz. 00:52.840 --> 00:57.910 girdi durumlarının kodlanmış vektörü için beş boyuta sahip olduğumuzdan beş girdi 00:57.910 --> 01:03.460 nöronundan oluşan girdi katmanını tanımlayan yeni ağın mimarisini tanımlayacak olan bu işleve ait. 01:03.790 --> 01:05.680 Ve bu nedenle bu, 01:05.890 --> 01:08.080 Sonra bazı gizli katmanları tanımlayacağız. 01:08.110 --> 01:12.940 Belki bir gizli katmanla başlayacaksınız ve ardından sinir ağının bazı diğer mimarilerini 01:12.940 --> 01:13.920 denemekten memnuniyet duyacaksınız. 01:14.200 --> 01:20.080 Ve tabii ki, her seferinde oynayabileceğimiz olası eylemleri içerecek çıktı 01:20.110 --> 01:21.940 katmanı ile sonuçlanacağız. 01:22.180 --> 01:24.730 Dolayısıyla bu işlevi tam olarak yapacağız. 01:24.850 --> 01:30.460 olacak ve sinir ağındaki nöronları aktive edecek bir işlev yapacağız. 01:30.460 --> 01:34.870 Ve sonra sınıfın içinde ileriye dönük bir işlev 01:34.870 --> 01:40.570 Bunun sinyallerin aktive olacağını biliyorsunuz ve bu nedenle düzeltilmiş bir aktivasyon fonksiyonu kullanacağız 01:40.570 --> 01:46.920 çünkü elimizde sadece doğrusal olmayan bir problemle uğraşıyoruz ve bu düzeltilmiş fonksiyon doğrusallığı bozuyor. 01:47.200 --> 01:53.340 Ama çoğunlukla, bu Ford işlevini ağın çıktıları olan q değerlerini döndürmek için yapıyoruz. 01:53.500 --> 01:56.110 Ancak her eylem için bir anahtar değerimiz var. 01:56.200 --> 02:02.710 Ve daha sonra anahtar değerlerin maksimumunu alarak ya da yumuşak bir Max yöntemi kullanarak son 02:02.710 --> 02:03.880 işlemi geri alacağız. 02:04.030 --> 02:05.270 Bunu daha sonra göreceğiz. 02:05.440 --> 02:10.330 Bu dersin sonunda, init işlevini uygulayarak başlayacağız ve bir 02:10.330 --> 02:12.880 sonraki işlevi ileri işlevini uygulayacağız. 02:12.880 --> 02:13.810 O halde bunu yapalım. 02:13.810 --> 02:17.060 Önce sınıfımızı tanıtmamız gerekiyor. 02:17.200 --> 02:22.930 Bu yüzden sınıf ile başlıyoruz ve sınıf olarak ağa diyebileceğimiz bir isim veriyoruz. 02:23.650 --> 02:29.980 Ve sonra bu ağ sınıfında kalıtım denilen ve yalnızca bir üst sınıfın 02:30.310 --> 02:35.120 tüm araçlarından miras kalacak bir nesne programlama tekniği kullanacağım. 02:35.200 --> 02:41.550 Yapacağımız ağ sınıfımız, daha büyük bir sınıfın çocuk sınavıdır. 02:41.770 --> 02:44.110 Ve o modül. 02:44.470 --> 02:50.790 Dolayısıyla, sadece bu modül sınıfının tüm araçları bir sinir ağı uygulamak için elbette araçları 02:50.790 --> 02:51.940 miras almak için. 02:51.940 --> 02:57.880 Bu, mirasa dönüşen nesne tabanlı programlamada çok güçlü ve evrim hüneridir. 02:57.910 --> 03:02.670 Ve şimdi şu ana sınıfın bu modülünden kalıtım. 03:02.800 --> 03:06.000 Pekâlâ, şimdi sınıfın içine girmeye hazırız. 03:06.130 --> 03:12.910 Bu yüzden iki kez enter tuşuna basacağım, çünkü iki işlev yapacağız ve son işlevi 03:13.140 --> 03:14.280 ile başlıyoruz. 03:14.350 --> 03:20.470 Yani init işlevi, bu şekilde bu derste iki, sonra da onunla adlandırmamız gerekir. 03:20.650 --> 03:25.750 Ve sonra şunu tekrar söyleyelim ki, sadece Python sözdizimi bunun nasıl yapılacağı gibi görünüyor. 03:25.930 --> 03:28.460 Ve sonra argümanları koymamız gerek. 03:28.720 --> 03:30.340 Bu yüzden üç argümanımız var. 03:30.340 --> 03:35.800 Birincisi, benlik ve benlik olan zorunlu bir argümandır. 03:35.800 --> 03:42.250 Bu sınıftan yaratılacak nesneye atıfta bulunan, onun hakkında yapmak istediğimiz gizem 03:42.250 --> 03:42.810 yok. 03:42.820 --> 03:44.400 Bu sınıfta olduğumuzu biliyorsun. 03:44.470 --> 03:48.980 Sanki bu sinir ağı kurmak istediğimiz bazı talimatlar gibidir. 03:49.180 --> 03:53.620 Ve sonra sınıf hazır olduğunda, istediğimiz kadar çok ağ yapabiliriz. 03:53.620 --> 04:00.130 Ve bu yeni ağların her biri bu sınıfın bir nesnesi olacak ve 04:00.400 --> 04:07.630 nesneyi başka bazı amaçlar için kullanacağımızdan, ancak nesnenin değişkenleri ne olacak ve Spudis'e, bu 04:07.630 --> 04:11.900 ben'i burada kullandığımızı belirtmek için kullanıyoruz. Nesneyi kastediyorsun. 04:12.100 --> 04:18.430 Dolayısıyla, nesneden kullanılabilirliği kullanmak istediğimde, nesnenin değişkeni olduğunu belirtmek için 04:18.430 --> 04:21.340 değişkenin önüne kendini kullanacağım. 04:21.340 --> 04:25.680 ve çıktı nöronlarının sayısı olan iki argüman daha var. 04:25.680 --> 04:30.240 Pekâlâ, bu ilk argüman ve sonra elimizde girdi nöronlarının sayısı 04:30.550 --> 04:38.220 Dolayısıyla girdi nöronlarının sayısı girdi büyüklüğü ve aslında beştir, çünkü girdi 04:38.310 --> 04:45.890 vektörlerimizin beş yönü üç sinyale, artı eksi yöne çevirme, çevrenin 04:45.900 --> 04:51.020 bir durumunu tanımlayan kodlanmış vektörler vektörlerine sahiptir. 04:51.210 --> 04:54.960 Bu beş değer çevre ortamını tanımlamak için yeterlidir. 04:54.960 --> 05:00.600 Daha az değer veya daha fazla değer düşünebilirdik ama denedim ve aslında mantıklıydı, 05:00.600 --> 05:05.520 çünkü aslında bizden solda biri doğru, sağdan bir işarete ihtiyacımız var. 05:05.520 --> 05:10.860 zaman bu yönlendirme ve eksi yönlendirme size aittir. Ulaşmaya çalıştığınız hedefi takip edin. 05:10.860 --> 05:17.370 Arabayı ne zaman kullanacağımızı biliyorsunuz, 360 araçlık bir sinyal için Google araçlarının tepesindeki sinyaller gibi, 05:17.400 --> 05:22.200 üç sensörle tamamen kendi kendine çalışabildiğimiz sinyalleri elde edebiliyorduk ve o 05:22.530 --> 05:29.160 Ve elbette ki ağımızın eylemlere karşılık gelen çıkış nöronları var ve üç olası eylemin 05:29.160 --> 05:32.840 sola doğru gittiğini ya da doğru gittiğini söylüyoruz. 05:32.880 --> 05:38.520 Ve bu yüzden onu ve eylemi arayacağım ve üç tane olacak. 05:38.520 --> 05:39.030 Tamam. 05:39.120 --> 05:44.850 Şu ana kadar sadece girdilere ad vermek zorundayız ve bu voleybolu, sinir ağı içindeki koşulları 05:44.940 --> 05:46.140 yapmak için kullanacağız. 05:47.090 --> 05:55.010 Pekâlâ, o zaman meşale hüneriyle başkasını kullanarak başlayın; bu hüner, aslında modülden 05:55.010 --> 05:59.310 devralan bir işlev olan bir süper işlevdir. 05:59.390 --> 06:02.730 Bu yüzden modülü miras almak için kalıtım kullanmak zorunda kaldık. 06:02.750 --> 06:04.440 Kullanan ilk kişi budur. 06:04.520 --> 06:11.120 Ve temel olarak, çok daha verimli olan modül araçlarını kullanabilmek için yalnızca bu 06:11.580 --> 06:13.320 süper hile süperfonksiyonunu kullanıyoruz. 06:13.670 --> 06:18.620 Ve süper fonksiyonun içinde öncelikle şebekeyi belirtmeliyim. 06:18.650 --> 06:25.100 sınıfımız bu, üst sınıf modülünden ve daha sonra nesnemizden miras kaldığı için. 06:25.550 --> 06:27.360 Bu, bildiğimiz ağ eğitim 06:27.380 --> 06:35.220 Ve sonra sadece onu ekledim ve tam olarak adlandırdığımız şekilde böyle bir işlevi görüyoruz. 06:35.570 --> 06:39.350 Pekâlâ, elimdeki bütün araçları kullanmak için olan bir hüner. 06:39.360 --> 06:46.270 Ve o modülde girdi katmanını belirleyen bir sonraki adıma geçebiliriz. 06:46.550 --> 06:53.300 Temelde ne yapmam gereken nesneye eklenecek yeni bir değişkeni tanıtmak ve 06:53.300 --> 06:57.120 bu değişken giriş nöronlarının sayısını içerecektir. 06:57.170 --> 07:05.140 Dolayısıyla girdi boyutu ile karıştırılmamalıdır girdi boyutu, son fonksiyonun argümanıdır. 07:05.180 --> 07:09.710 bu, nesneye eklenen değişken değil, nesne ile ilişkili değişken. 07:09.710 --> 07:10.360 Ancak 07:10.520 --> 07:16.520 Az önce bahsettiğim gibi bunun yerine nesne ile ilişkili olduğunu belirtmeliyiz ki bir öğretilen ben 07:17.230 --> 07:22.130 kullanıyoruz ve şimdi nesneye bağlı olan bu ilk değişkene bir ad veriyoruz. 07:22.190 --> 07:24.870 Ve böylece girdi olarak aynı adı verebiliriz. 07:24.920 --> 07:33.650 Girdi boyutu diyebiliriz ve girdi boyutu olan bir fonksiyonun argümanlarına eşit olduğunu söyleyeceğiz. 07:33.680 --> 07:34.080 Tamam. 07:34.130 --> 07:39.900 Her sefer ağ sınıfından bir nesne oluşturuyorum ve girdi boyutunu belirtiyorum, 07:39.900 --> 07:41.170 örneğin 5 koyuyorum. 07:41.180 --> 07:47.330 Burada 5, dolayısıyla nesnemizin giriş boyutu değişkeni 5 değerine sahip olacak, çünkü burada 07:47.690 --> 07:54.110 bu giriş boyutu 5 olacak ve bu nedenle yeni ağımız giriş katmanında 5 giriş 07:54.110 --> 07:55.470 nöronuna sahip olacak. 07:55.490 --> 07:55.790 Tamam. 07:55.790 --> 08:02.180 Ve o zaman nesnelere eklemek istediğimiz diğer değişken için de aynı şey geçerli. 08:02.210 --> 08:08.100 Ve tahmin edebileceğiniz gibi, bunun çıktı nöronlarının sayısı için bir değişken olacağı tahmin ediliyor. 08:08.330 --> 08:15.030 Ve şunu söylemek gerekirse, cisimimizi kendimiz alıyoruz ve sonra onu ve eylem olarak adlandıracağımız nesnenin 08:15.040 --> 08:17.740 bu ikinci değişkenine bir isim veriyoruz. 08:18.170 --> 08:23.600 Ve bu, çıktı nöronlarının sayısı olan eylemler sayısı göz önüne alındığında, bu argümana 08:23.600 --> 08:24.250 eşit olacaktır. 08:24.530 --> 08:30.850 Ve bu yüzden, bunu fiili eylemle eşit olarak belirledik ve eylem üçe eşit olacak. 08:30.890 --> 08:37.930 Dolayısıyla, bir ağa nesnemize eklenen değişken ve eylem değerinin üçünü alacaktır. 08:38.240 --> 08:41.680 Aslında burada, tanımlanmamış diyor diye uyarı görebiliriz. 08:41.720 --> 08:44.180 Ve sonra da, çünkü burada kullanıyoruz. 08:44.230 --> 08:46.030 Ve sonra kısayol. 08:46.350 --> 08:48.530 Ve burada bir kısayol kullanmamız gerekiyor. 08:48.590 --> 08:52.780 Ve bizim başlangıç ​​için ve Mudgal için ve sonra kaybolur. 08:52.880 --> 08:53.670 İşte başlıyoruz. 08:53.690 --> 08:54.580 Mükemmel. 08:54.590 --> 09:00.800 Şu anda yeni uyarılarımız var, burada verilen tüm uyarılar, yalnızca içe aktardıklarının henüz kullanılmadığını 09:00.800 --> 09:01.520 belirtmek içindir. 09:01.580 --> 09:04.660 Sorun değil, daha sonra kullanacağız. 09:04.670 --> 09:10.010 Pekala, nesne için tanımlamak istediğimiz başka iki değişkenimiz var. 09:10.190 --> 09:15.820 tam bağlantılar, sinir ağımızın farklı katmanları arasındaki tam bağlantı olacaktır. 09:15.830 --> 09:16.810 Ve bu 09:16.820 --> 09:21.800 Dolayısıyla şu anda dünyada tek bir kafadan oluşan bir sinir ağı oluşturmak istediğimiz için 09:21.800 --> 09:23.440 iki tam bağlantı olacak. 09:23.570 --> 09:27.740 Giriş katmanı ile gizli katman arasında bir ilk tam bağlantı olacak. 09:27.980 --> 09:32.450 Ve tepe ile çıkış katmanı arasında bir saniye tam bağlantı. 09:32.480 --> 09:34.770 Bu yüzden, ilk tam bağlantıyla başlayalım. 09:34.890 --> 09:43.310 Onu SE1 olarak adlandıracağız Ve yine ben'i, FC birinin bunu çözmek için nesnemin bir değişkeni olduğunu belirtmek 09:43.780 --> 09:44.530 için kullanıyorum. 09:44.530 --> 09:47.490 FC birine eşit olacak. 09:47.630 --> 09:55.160 Ve şimdi modülde N'yi kullanıyoruz ve doğrusal R diye bir fonksiyon kullanacağız ve bu tam 09:55.160 --> 10:02.080 olarak nöronlar ile girdi katmanı arasındaki tam bağlantıyı buradaki nöronlara yapmak için kullanacağız. 10:02.180 --> 10:04.090 Tam bağlantıyla ne demek istiyorum. 10:04.160 --> 10:09.190 Bu, girdi katmanının tüm nöronlarının hepsinin orada Buradaki tüm nöronlara bağlanacağı 10:09.190 --> 10:09.920 anlamına gelir. 10:10.190 --> 10:16.140 Ve bu bağlantıyı yapmak için bazı doğruları koymamız gereken bu doğrusal fonksiyonu kullanıyoruz. 10:16.190 --> 10:19.880 Ve gördüğünüz gibi bu argümanlar özelliktedir. 10:19.880 --> 10:25.370 İlk yasadaki nöronların sayısı, bağlamak istediğiniz ikinci katmanın nöron 10:25.370 --> 10:30.110 sayısı olan özelliklere bağlamak istediğiniz katmanlardır; sağdaki katman 10:30.110 --> 10:32.360 ve bisikletin gerçek katmanıdır. 10:32.420 --> 10:38.850 Dolayısıyla bisiklet doğrudur, beklemek zorunda kalacağımız koşuya sadece bir miktar ağırlık değil, her bir 10:38.900 --> 10:43.350 katman için bir önyargı koymak için önyargı koymamızı sağlayacağız. 10:43.610 --> 10:46.140 Ve çok iyi, neye girdiğimizi görelim. 10:46.280 --> 10:51.850 Özelliklerin ilk argümanı, giriş katmanındaki giriş nöronlarının sayısıdır. 10:52.000 --> 10:52.930 Ve işte burada. 10:53.030 --> 10:55.080 Bu aslında yanlış. 10:55.100 --> 11:01.930 Bu, daha sonra üç sinyalli yönelim ve Mannus yönelimi ile mücadele edebilecek 11:02.200 --> 11:04.150 init fonksiyonunun argümanıdır. 11:04.160 --> 11:05.020 İşte başlıyoruz. 11:05.190 --> 11:14.300 İlk argümanlar ve koyma boyutu ve daha sonra ikinci argüman özellikleri olduğunda ikinci katmanda 11:14.300 --> 11:17.090 olmasını istediğimiz nöron sayısıdır. 11:17.180 --> 11:20.450 İlk katmana tamamen bağlı ikinci katman. 11:20.450 --> 11:24.960 Ve şimdi soru, bu gizli katmanda kaç tane nöron istediğimizdir. 11:25.220 --> 11:27.420 Pekala, çok fazla parametre eğitimi aldım. 11:27.440 --> 11:29.110 Bir sürü deney yaptım. 11:29.210 --> 11:31.940 Yaptığımız şey bu veya daha derinlerde yaptığımız şey bu. 11:31.940 --> 11:38.270 Genel olarak, spesifik problemimiz için en iyi sinir ağı ne olacağını görmek için çok fazla 11:38.270 --> 11:39.170 deney yapıyoruz. 11:39.170 --> 11:45.950 Ve bu yüzden birçok değeri deniyorum ve 30 30'luk koşu gizli bir katmandayken seçtim ve bu sayı 11:45.950 --> 11:50.750 ile bazı oldukça iyi sonuçlar elde edeceğimi göreceksiniz ancak sinir ağının mimarisini 11:50.750 --> 11:51.580 değiştirmekte özgürsünüz. 11:51.580 --> 11:53.120 Onunla oynamaktan çekinmeyin. 11:53.180 --> 11:58.730 Sadece burada ve orada nöron sayısını değiştiremezsiniz, ancak belki de daha iyi bir araba elde etmek 11:59.150 --> 12:05.000 için daha fazla katman ekleyebilirsiniz, ancak 30 hinna nöronu bize iyi bir sinir ağı ve iyi bir 12:05.000 --> 12:06.000 neden getirecektir. 12:06.020 --> 12:07.390 İşte biz de öyle yapacağız. 12:07.520 --> 12:08.410 Ve işte gidiyoruz. 12:08.420 --> 12:13.500 Bu doğrusal fonksiyon ile gerçekten ilk bağlantısımız var. 12:13.520 --> 12:16.910 Giriş katmanı ile gizli bacak arasında bağlantı kuruyoruz. 12:17.360 --> 12:23.270 Ve şimdi, gizli katman ve çıktı katmanı arasındaki tam bağlantı olan ikinci tam 12:23.600 --> 12:25.180 bağlantıyı yapma zamanı. 12:25.490 --> 12:26.750 İşte gidiyoruz. 12:26.750 --> 12:31.380 Bu ikinci tam bağlantıyı C2'de arayacağız. 12:31.490 --> 12:32.280 Oraya gidiyoruz. 12:32.360 --> 12:36.400 Ve yine de Saphir'i kullanarak daha fazla nesne için kullanılabilir. 12:36.650 --> 12:38.330 Ve sonra tekrar kullanıyoruz. 12:38.450 --> 12:45.310 Aslında bunu kopyalayabiliriz çünkü N modülünde ve daha sonra doğrusal işlev kullanacağız. 12:45.530 --> 12:49.250 Fakat sonra argümanları elbette değiştirmeliyiz. 12:49.280 --> 12:55.050 Aynı ilk şey, bağlantı ilk katmanında sahip olacağımız nöronların sayısıdır. 12:55.190 --> 12:56.510 İşte orada gizli var. 12:56.720 --> 13:03.810 Ve bu nedenle bu 30 ve daha sonra ikinci argüman, bağlantı ikinci katmanındaki 13:04.010 --> 13:08.810 nöronların sayısıdır ve çıktı katmanına ve çıktıya karşılık gelir. 13:08.980 --> 13:15.020 Ve daha sonra üç olacak gerçek nöronlar, çünkü üç olası işlemi var, ancak şimdiye 13:15.020 --> 13:16.930 kadar tanımladığımız isimleri kullanmamız gerekiyor. 13:17.050 --> 13:23.990 argümanının adı budur ve bundan dolayı burada giriyoruz ve eylem ve oraya gidiyoruz. 13:23.990 --> 13:24.950 Init işlevinin 13:24.950 --> 13:27.760 Her şeyden önce tuple bağlantılarımız yeniden. 13:27.920 --> 13:30.980 Ve ikincisi İsrail'in herhangi bir işlevi. 13:31.400 --> 13:36.940 Bu nedenle, ağ sınıfından bir nesne oluşturduğumuzda nesnemizi başlatacağız. 13:37.130 --> 13:44.300 Ve en kısa sürede bir nesne yarattığımızda değişkenlerin tümü için bu değişkenler boyut ve tepki girdiler. 13:44.380 --> 13:46.980 Siz ve ikiniz tanımlanacaktır. 13:47.180 --> 13:52.060 Ve yarattığımız her nesne için hayvan ağı mimarisini alacağız. 13:52.160 --> 13:59.450 beş girdi nöronunun 30 sinyallenmiş nöron ve üç çıktı nöronunun sinir ağı ile uyumlu olacak. 13:59.450 --> 14:00.440 Her nesne, 14:00.470 --> 14:01.430 İşte gidiyoruz. 14:01.430 --> 14:06.980 Bu birinci işleve son verildi ve şimdi ileri fonksiyon olan ikinci 14:06.980 --> 14:13.100 işleve geçebiliriz ve doğrultucu aktivasyon işlevini kullanarak sinir ağındaki nöronları aktive etmek 14:13.100 --> 14:19.500 için kullanılacak ve çoğunlukla sonuçta küp değerlerine dönecektir. sadece bir ağın çıktıları. 14:19.580 --> 14:23.420 Bu yüzden, bir sonraki öğreticide ve o zamana kadar bunu yapmak için sabırsızlanıyorum.