WEBVTT 00:00.300 --> 00:02.930 Ciao e benvenuto in questo tutorial Python. 00:02.940 --> 00:08.700 Va bene, quindi costruiamo l'architettura di una rete neurale con la funzione della nostra classe di rete 00:09.030 --> 00:13.650 e quindi faremo una seconda funzione che sarà la funzione di avanzamento e questa 00:13.650 --> 00:15.810 è la funzione che attiverà i neuroni. 00:15.840 --> 00:19.770 Questa è la funzione che verrà eseguita per la propagazione. 00:19.830 --> 00:27.240 Facciamo così, facciamo questa funzione, chiamiamola in avanti come abbiamo appena detto e questa 00:27.240 --> 00:29.550 funzione prenderà due argomenti. 00:29.610 --> 00:35.070 solito che sai essere in grado di usare le variabili dell'oggetto perché useremo SE1 NFC. 00:35.070 --> 00:37.400 Il primo è come sempre il 00:37.500 --> 00:43.440 Quindi abbiamo bisogno del sé per poter usare queste variabili e quindi avremo bisogno di un secondo 00:43.590 --> 00:50.100 argomento che è il nostro input e lo chiameremo stato perché lo stato è esattamente l'input delle nostre reti 00:50.100 --> 00:50.580 neurali. 00:50.580 --> 00:51.980 Sai che sono gli Stati Uniti. 00:51.990 --> 00:57.320 Ci sono altri ingressi che entrano nella rete neurale e poi come uscite avranno i valori di q delle 00:57.330 --> 01:00.560 tre azioni possibili andate a sinistra andate dritte o andate a destra. 01:00.690 --> 01:06.210 soprattutto restituirà i valori del cubo per ogni azione possibile a seconda della stato di input qui. 01:06.210 --> 01:11.880 Ma non abbiamo bisogno di metterlo come argomento qui perché è esattamente quello che vogliamo tornare a 01:11.880 --> 01:16.640 questa funzione in avanti non è solo andando ad attivare i neuroni ma anche e 01:16.650 --> 01:17.060 Tutto ok. 01:17.100 --> 01:19.000 Quindi sono i due argomenti di cui abbiamo bisogno. 01:19.140 --> 01:24.440 E ora entriamo nella funzione e specifichiamo cosa volevamo fare. 01:24.740 --> 01:29.940 OK, la prima cosa che faremo è attivare i neuroni nascosti e chiameremo 01:29.940 --> 01:34.690 i neuroni nascosti dalla variabile x così x rappresenta i neuroni nascosti. 01:34.800 --> 01:36.750 E quindi come attivarli. 01:36.930 --> 01:39.990 Beh, certo, prenderemo i nostri neuroni di input. 01:40.170 --> 01:45.360 Useremo la nostra prima connessione completa se vuoi ottenere i neuroni nascosti e poi applicheremo 01:45.360 --> 01:49.570 su di loro la funzione di inattivazione che sarà la funzione rettificata. 01:49.860 --> 01:51.450 Quindi, come hai intenzione di farlo. 01:51.450 --> 01:54.680 Ricorda che abbiamo importato la torcia. 01:54.730 --> 02:01.450 Ed è quel modulo funzionale che contiene tutte le funzioni per implementare la rete neurale. 02:01.560 --> 02:02.960 E gli abbiamo dato la scorciatoia. 02:03.450 --> 02:08.130 useremo una di queste funzioni dal modulo funzionale e questa funzione è davvero funzionale. 02:08.130 --> 02:11.240 Quindi in realtà quello che faremo ora è che 02:11.430 --> 02:16.490 Quindi ciò che è veramente rilevante è la funzione di raddrizzatore che hai visto nelle lezioni di intuizione. 02:16.620 --> 02:19.040 Questo è giusto e poi dato alla funzione raddrizzatore. 02:19.170 --> 02:26.130 Ma dal momento che questa funzione è presa da e in quel funzionale a cui è stata data la 02:26.130 --> 02:31.860 scorciatoia, dobbiamo digitare qui prima i pensieri e quindi è lì che possiamo prendere questa funzione. 02:31.990 --> 02:36.610 E in realtà se digito sono qui, abbiamo la vera funzione. 02:36.630 --> 02:41.980 Quindi è diretto da una funzione che attiverà i neuroni nascosti che è x. 02:42.030 --> 02:47.640 funzione, ora capiamo perfettamente che cosa dobbiamo inserire, cioè i neuroni che vogliamo attivare. 02:47.640 --> 02:48.920 Quindi, in questa 02:48.990 --> 02:54.300 Questi sono i neuroni nascosti e quindi per ottenere questi neuroni nascosti, prenderemo la 02:54.520 --> 03:01.540 nostra prima connessione completa, che applicheremo ai nostri neuroni di input per passare dai neuroni di input ai neuroni. 03:01.800 --> 03:04.450 Quindi prendiamo la nostra prima connessione completa. 03:04.620 --> 03:08.070 Ma la nostra prima connessione completa è una variabile del nostro oggetto. 03:08.130 --> 03:12.070 Quindi dobbiamo digitare qui prima se stessi. 03:12.120 --> 03:13.550 FC uno qui andiamo. 03:13.620 --> 03:16.660 Questa è la prima connessione completa della nostra rete neurale. 03:16.980 --> 03:22.890 E all'interno di questa connessione personale inseriremo i nostri stati di input per passare dai neuroni di 03:23.010 --> 03:24.210 input ai neuroni nascosti. 03:24.480 --> 03:30.680 E così da quando gli abbiamo dato il nome STATE Bene, qui abbiamo due stati di input e ce ne andiamo. 03:30.720 --> 03:34.360 Ora attiviamo i neuroni nascosti. 03:34.510 --> 03:35.000 Tutto ok. 03:35.040 --> 03:40.610 E ora che abbiamo i neuroni nascosti, restituiremo i neuroni di uscita. 03:40.640 --> 03:46.240 Quindi la prossima linea e come hai capito i neuroni di uscita corrispondono alle nostre azioni. 03:46.370 --> 03:48.170 Ma queste non sono le azioni direttamente. 03:48.290 --> 03:55.760 Questi sono i valori di q perché stiamo costruendo un modello digitale che combina un modello più profondo con Q learning e 03:56.020 --> 04:02.090 quindi usiamo q learning qui per ottenere i valori q per ognuna delle nostre azioni e poi in 04:02.090 --> 04:09.560 seguito usando Max soughed o nel nostro Max lo faremo ottenere l'azione finale così qui il Voivode che sto per introdurre corrisponderà 04:09.560 --> 04:13.560 alla sfumatura APA e poiché i neuroni di output sono i valori chiave. 04:13.640 --> 04:15.590 Bene, ho intenzione di chiamare questa variabile. 04:15.590 --> 04:24.630 Q Questo significa che andiamo ai valori q e ora prendiamo direttamente la nostra connessione alimentare che è la variabile. 04:24.810 --> 04:27.010 Per inserire una variabile dal nostro oggetto. 04:27.020 --> 04:33.830 qui F C autodidatta e, naturalmente, qui inseriamo i neuroni del lato sinistro di questa connessione. 04:34.010 --> 04:34.860 Quindi prendiamo 04:34.910 --> 04:38.050 Questo è ciò che abbiamo ottenuto dalla prima riga che è x. 04:38.270 --> 04:40.770 Quindi x Eccoci. 04:40.790 --> 04:42.650 Ora otteniamo i nostri valori di Q. 04:42.680 --> 04:45.790 Sono i neuroni di uscita della nostra rete neurale. 04:46.100 --> 04:46.800 OK. 04:47.060 --> 04:53.050 E poi l'ultima riga di codice, ovviamente questa funzione forward è usata per restituire questi valori. 04:53.210 --> 05:02.900 i valori di Q e questo restituirà i valori chiave per ogni azione possibile andate a sinistra andate dritte o andate a destra. 05:02.900 --> 05:06.310 Quindi, dobbiamo solo aggiungere un ritorno e semplicemente 05:06.370 --> 05:06.760 Tutto ok. 05:06.760 --> 05:08.370 Quindi congratulazioni. 05:08.370 --> 05:13.720 Abbiamo finito con la nostra prima classe e in realtà avevamo finito di creare l'architettura della rete neurale. 05:13.720 --> 05:15.550 Ricorda che questo non è un lavoro finito. 05:15.550 --> 05:19.890 Puoi sempre migliorare l'architettura della rete neurale provandone di differenti. 05:20.020 --> 05:22.780 Quindi sentitevi liberi di farlo aggiungendo più neuroni qui. 05:22.780 --> 05:28.270 50 50 e 50 e quindi è possibile aggiungere altri livelli nascosti creando alcune connessioni utili. 05:28.270 --> 05:34.860 Ad esempio, se si desidera aggiungere 50 neuroni nascosti, è sufficiente sostituire il 30 qui e il 30 qui per 05:34.990 --> 05:37.630 Beh, questo è davvero il lavoro di un artista. 05:37.660 --> 05:41.980 Non esiste una regola generale di quale sarebbe la migliore architettura in ogni situazione. 05:42.040 --> 05:43.720 Ecco perché dobbiamo sperimentare. 05:43.940 --> 05:50.140 Proviamo con questo vedrai che alla fine riusciremo a ottenere una buona macchina con guida autonoma. 05:50.170 --> 05:50.590 Tutto ok. 05:50.620 --> 05:55.960 E ora faremo la prossima lezione che riguarda la ripetizione dell'esperienza e la faremo nelle prossime 05:55.990 --> 05:57.450 tre o due ore. 05:57.610 --> 05:59.080 Fino ad allora goditi l'intelligenza artificiale.