WEBVTT 00:00.300 --> 00:02.930 Cześć i witamy w tutorialu Python. 00:02.940 --> 00:08.700 W porządku, więc właśnie budujemy architekturę sieci neuronowej z funkcją naszej klasy sieciowej, 00:09.030 --> 00:13.650 a następnie stworzymy drugą funkcję, która będzie funkcją naprzód i 00:13.650 --> 00:15.810 która będzie aktywować neurony. 00:15.840 --> 00:19.770 To jest funkcja, która będzie działać dla propagacji. 00:19.830 --> 00:27.240 Zróbmy to, zróbmy tę funkcję, nazwijmy ją naprzód, tak jak właśnie powiedzieliśmy, a ta funkcja 00:27.240 --> 00:29.550 będzie wymagać dwóch argumentów. 00:29.610 --> 00:35.070 Najpierw, tak jak zwykle, wiesz, że możesz używać zmiennych obiektu, ponieważ 00:35.070 --> 00:37.400 zamierzamy użyć SE1 NFC. 00:37.500 --> 00:43.440 Więc potrzebujemy jaźni, aby móc używać tych zmiennych, a wtedy potrzebujemy drugiego argumentu, 00:43.590 --> 00:50.100 który jest naszym wkładem i będziemy go nazywać stanem, ponieważ stan jest dokładnie wkładem naszych sieci 00:50.100 --> 00:50.580 neuronowych. 00:50.580 --> 00:51.980 Wiesz, że to są Stany. 00:51.990 --> 00:57.320 Są inne wejścia wchodzące do sieci neuronowej, a następnie jako wyjścia będą miały q wartości trzech możliwych 00:57.330 --> 01:00.560 działań idących w lewo, idź prosto lub idź w prawo. 01:00.690 --> 01:06.210 Ale nie musimy tu podawać tego jako argumentu, ponieważ właśnie to chcemy przywrócić do 01:06.210 --> 01:11.880 tej funkcji, która nie tylko aktywuje neurony, ale także i przede wszystkim zwróci wartości 01:11.880 --> 01:16.640 kostek dla każdej możliwej akcji w zależności od tutaj wprowadź stan. 01:16.650 --> 01:17.060 W porządku. 01:17.100 --> 01:19.000 Oto dwa argumenty, których potrzebujemy. 01:19.140 --> 01:24.440 A teraz przejdźmy do funkcji i określmy, co chcemy zrobić. 01:24.740 --> 01:29.940 OK, więc pierwszą rzeczą, którą zrobimy, jest aktywacja ukrytych neuronów, a my nazwiemy 01:29.940 --> 01:34.690 ukryte neurony zmienną x, dzięki czemu x reprezentuje ukryte neurony. 01:34.800 --> 01:36.750 A więc jak je aktywować. 01:36.930 --> 01:39.990 No cóż, oczywiście weźmiemy nasze neurony wejściowe. 01:40.170 --> 01:45.360 Zamierzamy użyć naszego pierwszego pełnego połączenia, jeśli chcemy uzyskać ukryte neurony, a następnie 01:45.360 --> 01:49.570 zastosujemy na nich funkcję dezaktywacji, która będzie rektyfikowaną funkcją. 01:49.860 --> 01:51.450 Jak zamierzasz to zrobić? 01:51.450 --> 01:54.680 Pamiętaj, że sprowadziliśmy pochodnię. 01:54.730 --> 02:01.450 I to jest ten moduł funkcjonalny, który zawiera wszystkie funkcje potrzebne do wdrożenia sieci neuronowej. 02:01.560 --> 02:02.960 I daliśmy mu skrót. 02:03.450 --> 02:08.130 Tak więc to, co teraz zrobimy, to wykorzystanie jednej z tych funkcji z 02:08.130 --> 02:11.240 modułu funkcjonalnego, a ta funkcja naprawdę działa. 02:11.430 --> 02:16.490 Tak więc istotna jest funkcja prostownika, którą zobaczyliście w wykładach intuicyjnych. 02:16.620 --> 02:19.040 To jest właśnie, a następnie przekazywane do funkcji prostownika. 02:19.170 --> 02:26.130 Ale skoro ta funkcja jest wzięta z tej funkcji, która otrzymała skrót, musimy najpierw wpisać 02:26.130 --> 02:31.860 tutaj pierwsze f myśli, a wtedy możemy skorzystać z tej funkcji. 02:31.990 --> 02:36.610 A tak naprawdę, jeśli piszę, to jesteśmy tutaj, mamy prawdziwą funkcję. 02:36.630 --> 02:41.980 Więc jest to sterowane przez funkcję, która aktywuje ukryte neurony, które są x. 02:42.030 --> 02:47.640 W tej właśnie funkcji rozumiemy doskonale, co musimy wprowadzić, to neurony, które 02:47.640 --> 02:48.920 chcemy aktywować. 02:48.990 --> 02:54.300 To są ukryte neurony, a więc aby uzyskać te ukryte neurony, wezmę 02:54.520 --> 03:01.540 pierwsze pełne połączenie, które zastosujemy do naszych neuronów wejściowych, aby przejść od neuronów wejściowych do neuronów. 03:01.800 --> 03:04.450 Weźmy więc pierwsze pełne połączenie. 03:04.620 --> 03:08.070 Ale nasze pierwsze pełne połączenie jest zmienną naszego obiektu. 03:08.130 --> 03:12.070 Dlatego musimy wpisać tutaj pierwsze ja. 03:12.120 --> 03:13.550 FC jeden tutaj. 03:13.620 --> 03:16.660 To pierwsze pełne połączenie naszej sieci neuronowej. 03:16.980 --> 03:22.890 Wewnątrz tego osobistego połączenia będziemy wprowadzać nasze stany wejściowe, aby przejść od neuronów wejściowych do 03:23.010 --> 03:24.210 ukrytych neuronów. 03:24.480 --> 03:30.680 I dlatego, że nadaliśmy mu nazwę STATE Cóż, tutaj mamy dwa stany wejściowe i zaczynamy. 03:30.720 --> 03:34.360 Teraz aktywujemy ukryte neurony. 03:34.510 --> 03:35.000 W porządku. 03:35.040 --> 03:40.610 A teraz, gdy mamy ukryte neurony, zwrócimy neurony wyjściowe. 03:40.640 --> 03:46.240 Więc następny wiersz i jak zrozumiałeś, neurony wyjściowe odpowiadają naszym działaniom. 03:46.370 --> 03:48.170 Ale to nie są działania bezpośrednio. 03:48.290 --> 03:55.760 Są to wartości q, ponieważ budujemy model cyfrowy, który łączy głębszy model z uczeniem się Q, a zatem 03:56.020 --> 04:02.090 używamy tutaj q learningu, aby uzyskać wartości q dla każdej z naszych akcji, a później 04:02.090 --> 04:09.560 używając soughed Max lub w naszym Maxu będziemy uzyskać ostateczną akcję, więc tutaj wojewoda, który zamierzam wprowadzić, będzie 04:09.560 --> 04:13.560 odpowiadał niuansowi APA, a neurony wyjściowe są kluczowymi wartościami. 04:13.640 --> 04:15.590 Cóż, nazwę tę zmienną. 04:15.590 --> 04:24.630 Q Oznacza to, że idziemy do wartości q, a teraz bezpośrednio przyjmujemy nasze połączenie żywnościowe, które jest zmienną. 04:24.810 --> 04:27.010 Aby wstawić zmienną z naszego obiektu. 04:27.020 --> 04:33.830 Więc bierzemy tutaj samouk F C i oczywiście tutaj wprowadzamy neurony po lewej stronie tego 04:34.010 --> 04:34.860 połączenia. 04:34.910 --> 04:38.050 To właśnie otrzymaliśmy z pierwszej linii, która jest x. 04:38.270 --> 04:40.770 Więc x Tam idziemy. 04:40.790 --> 04:42.650 Otrzymujemy teraz nasze wartości Q. 04:42.680 --> 04:45.790 To neurony wyjściowe naszej sieci neuronowej. 04:46.100 --> 04:46.800 DOBRZE. 04:47.060 --> 04:53.050 A następnie ostatnia linia kodu oczywiście ta funkcja forward jest używana do zwracania tych wartości. 04:53.210 --> 05:02.900 Musimy więc dodać zwrot i po prostu wartości Q, które zwrócą kluczowe wartości dla każdej możliwej akcji, idąc w lewo, 05:02.900 --> 05:06.310 idź prosto lub idź w prawo. 05:06.370 --> 05:06.760 W porządku. 05:06.760 --> 05:08.370 Gratulacje. 05:08.370 --> 05:13.720 Skończyliśmy z naszą pierwszą klasą i faktycznie skończyliśmy tworzyć architekturę sieci neuronowej. 05:13.720 --> 05:15.550 Pamiętaj, że to nie jest zakończona praca. 05:15.550 --> 05:19.890 Zawsze możesz ulepszyć architekturę sieci neuronowej, próbując różnych. 05:20.020 --> 05:22.780 Więc możesz to zrobić, dodając więcej neuronów. 05:22.780 --> 05:28.270 Na przykład, jeśli chcesz dodać 50 ukrytych neuronów, możesz po prostu zastąpić tutaj 05:28.270 --> 05:34.860 30 i 30 tutaj 50 50 i 50, a następnie dodać kilka ukrytych warstw, tworząc przydatne połączenia. 05:34.990 --> 05:37.630 Cóż, to naprawdę jest praca artysty. 05:37.660 --> 05:41.980 Nie ma ogólnej zasady, jaka byłaby najlepsza architektura w każdej sytuacji. 05:42.040 --> 05:43.720 Dlatego musimy eksperymentować. 05:43.940 --> 05:50.140 Spróbujemy z tym, że zobaczysz, że w końcu dostaniemy całkiem niezły samochód do samodzielnego prowadzenia. 05:50.170 --> 05:50.590 W porządku. 05:50.620 --> 05:55.960 A teraz zamierzamy stworzyć następną klasę, która będzie dotyczyć powtórki z doświadczenia, a zrobimy to w ciągu najbliższych 05:55.990 --> 05:57.450 trzech do dwóch godzin. 05:57.610 --> 05:59.080 Do tego czasu ciesz się AI.