WEBVTT 00:00.300 --> 00:02.930 Bună ziua și bun venit la acest tutorial Python. 00:02.940 --> 00:08.700 Așa că am construit doar arhitectura unei rețele neuronale cu funcția clasei noastre de rețea și apoi 00:09.030 --> 00:13.650 vom face oa doua funcție care va fi funcția de transmitere și aceasta 00:13.650 --> 00:15.810 este funcția care va activa neuronii. 00:15.840 --> 00:19.770 Aceasta este funcția care va funcționa pentru propagare. 00:19.830 --> 00:27.240 Deci haideți să facem acest lucru să facem această funcție să o spunem așa cum am spus și această 00:27.240 --> 00:29.550 funcție va lua două argumente. 00:29.610 --> 00:35.070 Mai întâi este ca de obicei sine pe care o cunoașteți pentru a putea utiliza variabilele obiectului 00:35.070 --> 00:37.400 pentru că vom folosi SE1 pentru NFC. 00:37.500 --> 00:43.440 Așadar, avem nevoie de sine pentru a putea folosi aceste variabile și atunci vom avea nevoie de 00:43.590 --> 00:50.100 un al doilea argument, care este intrarea noastră și o vom numi stat, deoarece statul este exact intrarea rețelelor noastre 00:50.100 --> 00:50.580 neuronale. 00:50.580 --> 00:51.980 Stii ca sunt statele. 00:51.990 --> 00:57.320 Există alte intrări care intră în rețeaua neuronală și apoi ca ieșiri vor avea valorile q ale celor trei 00:57.330 --> 01:00.560 posibile acțiuni mergi la stânga mergeți drept sau mergeți drept. 01:00.690 --> 01:06.210 Dar nu avem nevoie să punem acest argument aici pentru că exact ceea ce vrem să ne întoarcem 01:06.210 --> 01:11.880 la această funcție în față nu este doar de a activa neuronii ci și de cele mai multe 01:11.880 --> 01:16.640 ori va returna valorile cubului pentru fiecare acțiune posibilă în funcție de intrare aici. 01:16.650 --> 01:17.060 In regula. 01:17.100 --> 01:19.000 Deci asta sunt cele două argumente de care avem nevoie. 01:19.140 --> 01:24.440 Acum, hai să intrăm în funcție și să specificăm ce vrem să facem. 01:24.740 --> 01:29.940 OK, primul lucru pe care îl vom face este să activați neuronii ascunși și noi 01:29.940 --> 01:34.690 vom numi neuronii ascunși de variabila x, astfel încât x reprezintă neuronii ascunși. 01:34.800 --> 01:36.750 Și cum să le activați. 01:36.930 --> 01:39.990 Bineînțeles că vom lua neuronii noștri de intrare. 01:40.170 --> 01:45.360 Vom folosi prima noastră conexiune completă dacă doriți să obțineți neuronii ascunși și apoi vom 01:45.360 --> 01:49.570 aplica funcția de inactivare asupra lor, care va fi funcția rectificată. 01:49.860 --> 01:51.450 Și cum o să faci asta? 01:51.450 --> 01:54.680 Amintiți-vă că am importat torța. 01:54.730 --> 02:01.450 Și modulul funcțional care conține toate funcțiile pentru implementarea rețelei neuronale. 02:01.560 --> 02:02.960 Și i-am dat comanda rapidă. 02:03.450 --> 02:08.130 Deci, de fapt, ceea ce vom face acum este că vom folosi una dintre aceste funcții din 02:08.130 --> 02:11.240 modulul funcțional și această funcție este de a funcționa într-adevăr. 02:11.430 --> 02:16.490 Deci, ceea ce este cu adevărat relevant este funcția de redresor pe care ați văzut-o în lecturile de intuiție. 02:16.620 --> 02:19.040 Acesta este doar și apoi dat la funcția de redresor. 02:19.170 --> 02:26.130 Dar, deoarece această funcție este preluată din și în acea funcționalitate care a primit comanda rapidă, trebuie să 02:26.130 --> 02:31.860 tastăm aici primele f gânduri și apoi acolo putem să luăm această funcție. 02:31.990 --> 02:36.610 Și, de fapt, dacă scriu, suntem aici, mergem, avem funcția reală. 02:36.630 --> 02:41.980 Deci asta este dirijat de o funcție care va activa neuronii ascunși care este x. 02:42.030 --> 02:47.640 Deci, în această funcție, acum înțelegem perfect ceea ce avem de introdus, neuronii pe care vrem 02:47.640 --> 02:48.920 să îi acționăm. 02:48.990 --> 02:54.300 Acestea sunt neuronii ascunși și, astfel, pentru a obține acești neuroni ascunși, vom lua prima 02:54.520 --> 03:01.540 noastră conexiune completă pe care o vom aplica neuronilor noștri de intrare pentru a merge de la neuronii de intrare la neuroni. 03:01.800 --> 03:04.450 Deci, să luăm prima noastră conexiune completă. 03:04.620 --> 03:08.070 Dar prima noastră legătură întreagă este o variabilă a obiectului nostru. 03:08.130 --> 03:12.070 Prin urmare, trebuie să tastăm aici primul sine. 03:12.120 --> 03:13.550 FC unul aici mergem. 03:13.620 --> 03:16.660 Aceasta este prima conexiune completă a rețelei noastre neuronale. 03:16.980 --> 03:22.890 Și în interiorul acestei conexiuni personale vom introduce stările noastre de intrare pentru a merge de la neuronii de intrare 03:23.010 --> 03:24.210 la neuronii ascunși. 03:24.480 --> 03:30.680 Și din moment ce i-am dat numele STATE Ei bine, aici avem două state de intrare și acolo mergem. 03:30.720 --> 03:34.360 Acum primim neuroni ascunși activi. 03:34.510 --> 03:35.000 In regula. 03:35.040 --> 03:40.610 Și acum că avem neuronii ascunși vom reveni la neuronii de ieșire. 03:40.640 --> 03:46.240 Deci, următoarea linie și după cum ați înțeles neuronii de ieșire corespund acțiunilor noastre. 03:46.370 --> 03:48.170 Dar acestea nu sunt direct acțiunile. 03:48.290 --> 03:55.760 Acestea sunt valorile q pentru că construim un model digital care combină un model mai profund cu învățarea Q și, prin 03:56.020 --> 04:02.090 urmare, folosim q învățarea aici pentru a obține valorile q pentru fiecare dintre acțiunile noastre și apoi 04:02.090 --> 04:09.560 mai târziu folosind Max concasat sau în Max noastre vom obțineți acțiunea finală, astfel încât voivodul pe care urmează să-l prezint 04:09.560 --> 04:13.560 va corespunde nuanței APA și deoarece neuronii de ieșire sunt valorile-cheie. 04:13.640 --> 04:15.590 Ei bine, o să numesc această variabilă. 04:15.590 --> 04:24.630 Aceasta înseamnă că mergem la valorile q și acum luăm direct conexiunea noastră alimentară, care este variabila. 04:24.810 --> 04:27.010 Pentru a pune o variabilă din obiectul nostru. 04:27.020 --> 04:33.830 Așadar, luăm aici auto-învățat F C și, bineînțeles, aici introducem neuronii din partea stângă a acestei 04:34.010 --> 04:34.860 conexiuni. 04:34.910 --> 04:38.050 Asta am obținut de la prima linie care este x. 04:38.270 --> 04:40.770 Așa că am plecat. 04:40.790 --> 04:42.650 Acum obținem valorile noastre Q. 04:42.680 --> 04:45.790 Asta e neuronii de ieșire ai rețelei noastre neuronale. 04:46.100 --> 04:46.800 O.K. 04:47.060 --> 04:53.050 Și apoi ultima linie de cod, desigur, această funcție înainte este folosită pentru a returna aceste valori. 04:53.210 --> 05:02.900 Deci, trebuie doar să adăugăm o întoarcere și pur și simplu valorile Q și care vor reveni valorile cheie pentru fiecare acțiune posibilă mergeți 05:02.900 --> 05:06.310 la stânga mergeți drept sau mergeți la dreapta. 05:06.370 --> 05:06.760 In regula. 05:06.760 --> 05:08.370 Deci, felicitări. 05:08.370 --> 05:13.720 Am terminat cu prima noastră clasă și, de fapt, am terminat realizarea arhitecturii rețelei neuronale. 05:13.720 --> 05:15.550 Amintiți-vă că acest lucru nu este finalizat. 05:15.550 --> 05:19.890 Puteți întotdeauna să îmbunătățiți arhitectura rețelei neuronale încercând altele diferite. 05:20.020 --> 05:22.780 Așa că nu ezitați să faceți asta adăugând mai mulți neuroni aici. 05:22.780 --> 05:28.270 De exemplu, dacă doriți să adăugați 50 de neuroni ascunși, puteți înlocui doar 30 de aici și 05:28.270 --> 05:34.860 30 de aici cu 50 50 și 50 și apoi puteți adăuga câteva straturi mai ascunse prin realizarea unor conexiuni utile. 05:34.990 --> 05:37.630 Ei bine, asta e treaba unui artist. 05:37.660 --> 05:41.980 Nu există o regulă generală despre ceea ce ar fi cea mai bună arhitectură în fiecare situație. 05:42.040 --> 05:43.720 De aceea trebuie să experimentăm. 05:43.940 --> 05:50.140 Hai să încercăm cu asta veți vedea că vom obține în cele din urmă o mașină destul de bună de auto-conducere. 05:50.170 --> 05:50.590 In regula. 05:50.620 --> 05:55.960 Și acum vom face următoarea clasă, care este vorba despre reluarea experienței și o vom face 05:55.990 --> 05:57.450 în următoarele trei-două ore. 05:57.610 --> 05:59.080 Până atunci, bucurați-vă de AI.