WEBVTT 00:00.300 --> 00:02.930 Hola y bienvenidos a este tutorial de Python. 00:02.940 --> 00:08.700 Muy bien, así que simplemente construimos la arquitectura de una red neuronal con la función de nuestra clase de red y 00:09.030 --> 00:13.650 luego vamos a hacer una segunda función que va a ser la función de reenvío y esa 00:13.650 --> 00:15.810 es la función que activará las neuronas. 00:15.840 --> 00:19.770 Esa es la función que realizará para la propagación. 00:19.830 --> 00:27.240 Así que hagamos esto, hagamos que esta función lo llamemos como acabamos de decir, y 00:27.240 --> 00:29.550 esta función tomará dos argumentos. 00:29.610 --> 00:35.070 puedes usar las variables del objeto porque vamos a usar SE1 NFC para. 00:35.070 --> 00:37.400 Primero, como de costumbre, sabes que 00:37.500 --> 00:43.440 Entonces, necesitamos que el yo sea capaz de usar estas variables y luego vamos a necesitar un segundo 00:43.590 --> 00:50.100 argumento, que es nuestra entrada y vamos a llamarlo estado porque el estado es exactamente la entrada de nuestras redes 00:50.100 --> 00:50.580 neuronales. 00:50.580 --> 00:51.980 Sabes que son los Estados. 00:51.990 --> 00:57.320 Hay otras entradas que ingresan a la red neuronal y luego, como salidas, tendrán los valores q de las tres acciones 00:57.330 --> 01:00.560 posibles, ir a la izquierda, ir directamente o ir a la derecha. 01:00.690 --> 01:06.210 devolverá los valores de cubo para cada acción posible, dependiendo de la estado de entrada aquí. 01:06.210 --> 01:11.880 Pero no necesitamos ponerlo como argumento aquí porque eso es exactamente lo que queremos volver a esta 01:11.880 --> 01:16.640 función de reenvío, no solo va a activar las neuronas sino también, y principalmente, 01:16.650 --> 01:17.060 Todo bien. 01:17.100 --> 01:19.000 Entonces esos son los dos argumentos que necesitamos. 01:19.140 --> 01:24.440 Y ahora entremos en la función y especifiquemos lo que queríamos hacer. 01:24.740 --> 01:29.940 De acuerdo, lo primero que vamos a hacer es activar las neuronas ocultas y vamos a llamar 01:29.940 --> 01:34.690 a las neuronas ocultas por la variable x, por lo que x representa las neuronas ocultas. 01:34.800 --> 01:36.750 Y entonces, cómo activarlos. 01:36.930 --> 01:39.990 Bueno, por supuesto, vamos a tomar nuestras neuronas de entrada. 01:40.170 --> 01:45.360 Vamos a usar nuestra primera conexión completa si quieres obtener las neuronas ocultas y 01:45.360 --> 01:49.570 luego aplicaremos la función de inactivación, que será la función rectificada. 01:49.860 --> 01:51.450 Entonces, ¿cómo vas a hacer eso? 01:51.450 --> 01:54.680 Recuerde que importamos la antorcha. 01:54.730 --> 02:01.450 Y es ese módulo funcional que contiene todas las funciones para implementar la red neuronal. 02:01.560 --> 02:02.960 Y le dimos el atajo. 02:03.450 --> 02:08.130 usar una de estas funciones del módulo funcional y esta función es realmente funcionar. 02:08.130 --> 02:11.240 Entonces, en realidad, lo que vamos a hacer ahora es 02:11.430 --> 02:16.490 Entonces, lo realmente relevante es la función rectificadora que viste en las conferencias de intuición. 02:16.620 --> 02:19.040 Eso es justo y luego dado a la función de rectificador. 02:19.170 --> 02:26.130 Pero como esta función se toma de y en esa función funcional a la que se le dio el 02:26.130 --> 02:31.860 atajo, primero debemos escribir aquí f pensamientos y entonces es donde podemos tomar esta función. 02:31.990 --> 02:36.610 Y en realidad si escribo estamos aquí vamos tenemos la función real. 02:36.630 --> 02:41.980 Entonces eso está dirigido por una función que activará las neuronas ocultas que son x. 02:42.030 --> 02:47.640 realmente ahora entendemos perfectamente lo que tenemos que ingresar, que son las neuronas que queremos activar. 02:47.640 --> 02:48.920 Entonces en esta función 02:48.990 --> 02:54.300 Esas son las neuronas ocultas y, para obtener estas neuronas ocultas, tomaremos nuestra primera 02:54.520 --> 03:01.540 conexión completa, que aplicaremos a nuestras neuronas de entrada para pasar de las neuronas de entrada a las neuronas. 03:01.800 --> 03:04.450 Así que tomemos nuestra primera conexión completa. 03:04.620 --> 03:08.070 Pero nuestra primera conexión completa es una variable de nuestro objeto. 03:08.130 --> 03:12.070 Por lo tanto, necesitamos escribir aquí primero. 03:12.120 --> 03:13.550 FC uno aquí vamos. 03:13.620 --> 03:16.660 Esa es la primera conexión completa de nuestra red neuronal. 03:16.980 --> 03:22.890 Y dentro de esta conexión personal, vamos a ingresar nuestros estados de entrada para ir desde las neuronas de entrada 03:23.010 --> 03:24.210 a las neuronas ocultas. 03:24.480 --> 03:30.680 Y así que le dimos el nombre ESTADO Bueno, aquí tenemos dos estados de entrada y allí vamos. 03:30.720 --> 03:34.360 Ahora tenemos neuronas ocultas activadas. 03:34.510 --> 03:35.000 Todo bien. 03:35.040 --> 03:40.610 Y ahora que tenemos las neuronas ocultas, vamos a devolver las neuronas de salida. 03:40.640 --> 03:46.240 Entonces, la próxima línea y, como has entendido, las neuronas de salida corresponden a nuestras acciones. 03:46.370 --> 03:48.170 Pero estas no son las acciones directamente. 03:48.290 --> 03:55.760 Estos son los valores q porque estamos construyendo un modelo digital que combina un modelo más profundo con el aprendizaje Q y por 03:56.020 --> 04:02.090 lo tanto usamos q aprendiendo aquí para obtener los valores q para cada una de nuestras acciones y luego 04:02.090 --> 04:09.560 usando Max alucinado o en nuestro Max lo haremos obtener la acción final así que aquí el voivoda que voy a presentar corresponderá 04:09.560 --> 04:13.560 al matiz APA y las neuronas de salida son los valores clave. 04:13.640 --> 04:15.590 Bueno, voy a llamar a esta variable. 04:15.590 --> 04:24.630 Q Eso significa que vamos a q valores y ahora tomamos directamente nuestra conexión de alimentos, que es la variable. 04:24.810 --> 04:27.010 Para poner una variable de nuestro objeto. 04:27.020 --> 04:33.830 FC autodidacta y por supuesto aquí ingresamos las neuronas del lado izquierdo de esta conexión. 04:34.010 --> 04:34.860 Entonces tomamos 04:34.910 --> 04:38.050 Eso es lo que obtuvimos de la primera línea que es x. 04:38.270 --> 04:40.770 Así que x ahí vamos. 04:40.790 --> 04:42.650 Ahora obtenemos nuestros valores Q 04:42.680 --> 04:45.790 Esas son las neuronas de salida de nuestra red neuronal. 04:46.100 --> 04:46.800 DE ACUERDO. 04:47.060 --> 04:53.050 Y luego, la última línea de código, por supuesto, esta función directa se usa para devolver estos valores. 04:53.210 --> 05:02.900 simplemente Q valores y eso devolverá los valores clave para cada acción posible, vaya hacia la izquierda, siga recto o hacia la derecha. 05:02.900 --> 05:06.310 Entonces solo tenemos que agregar un retorno y 05:06.370 --> 05:06.760 Todo bien. 05:06.760 --> 05:08.370 Así que felicitaciones. 05:08.370 --> 05:13.720 Hemos terminado con nuestra primera clase y, de hecho, hemos terminado de hacer la arquitectura de la red neuronal. 05:13.720 --> 05:15.550 Recuerde que este no es un trabajo terminado. 05:15.550 --> 05:19.890 Siempre puede mejorar la arquitectura de la red neuronal probando diferentes. 05:20.020 --> 05:22.780 Así que siéntete libre de hacer eso agregando más neuronas aquí. 05:22.780 --> 05:28.270 50 y 50 y luego puede agregar algunas capas más ocultas haciendo algunas conexiones útiles. 05:28.270 --> 05:34.860 Por ejemplo, si desea agregar 50 neuronas ocultas, puede reemplazar las 30 aquí y las 30 aquí por 50 05:34.990 --> 05:37.630 Bueno, ese es realmente el trabajo de un artista. 05:37.660 --> 05:41.980 No hay una regla general de cuál sería la mejor arquitectura en cada situación. 05:42.040 --> 05:43.720 Entonces es por eso que tenemos que experimentar. 05:43.940 --> 05:50.140 Vamos a intentar con eso, verás que eventualmente obtendremos un auto auto conducido bastante bueno. 05:50.170 --> 05:50.590 Todo bien. 05:50.620 --> 05:55.960 Y ahora vamos a hacer que la próxima clase sea sobre la repetición de la experiencia y lo haremos en 05:55.990 --> 05:57.450 las próximas tres o dos horas. 05:57.610 --> 05:59.080 Hasta entonces, disfruta de la IA.