WEBVTT

00:00.300 --> 00:02.930
สวัสดีและยินดีต้อนรับสู่การสอน Python นี้

00:02.940 --> 00:15.810
เอาล่ะเราแค่สร้างสถาปัตยกรรมของโครงข่ายประสาทด้วยฟังก์ชันคลาสเครือข่ายของเราแล้วเราจะสร้างฟังก์ชันที่สองซึ่งจะเป็นฟังก์ชันส่งต่อและนั่นคือฟังก์ชันที่จะเปิดใช้งานเซลล์ประสาท

00:15.840 --> 00:19.770
นั่นคือฟังก์ชั่นที่จะใช้ในการขยายพันธุ์

00:19.830 --> 00:29.550
งั้นลองทำฟังก์ชั่นนี้กันเถอะเรียกมันไปข้างหน้าอย่างที่เราเพิ่งพูดไปและฟังก์ชั่นนี้จะเอาสองอาร์กิวเมนต์

00:29.610 --> 00:37.400
อันดับแรกคือตัวเองตามปกติที่คุณรู้ว่าสามารถใช้ตัวแปรของวัตถุได้เพราะเรากำลังจะใช้ SE1 NFC

00:37.500 --> 00:50.580
ดังนั้นเราต้องการตัวเองเพื่อให้สามารถใช้ตัวแปรเหล่านี้แล้วเราจะต้องมีข้อโต้แย้งที่สองซึ่งเป็นข้อมูลของเราและเราจะเรียกมันว่ารัฐเพราะรัฐเป็นอินพุตของเครือข่ายประสาทของเรา

00:50.580 --> 00:51.980
คุณก็รู้นั่นคืออเมริกา

00:51.990 --> 00:57.320
มีอินพุตอื่นเข้าสู่เครือข่ายประสาทและจากนั้นเอาต์พุตจะมีค่า q

00:57.330 --> 01:00.560
ของการกระทำสามอย่างที่เป็นไปได้ไปทางซ้ายหรือตรงไป

01:00.690 --> 01:06.210
แต่เราไม่จำเป็นต้องใส่มันเป็นอาร์กิวเมนต์ที่นี่เพราะนั่นคือสิ่งที่เราต้องการกลับไปที่ฟังก์ชั่นการส่งต่อนี้ไม่เพียง

01:06.210 --> 01:16.640
แต่จะกระตุ้นเซลล์ประสาทเท่านั้น สถานะอินพุตที่นี่

01:16.650 --> 01:17.060
เอาล่ะ

01:17.100 --> 01:19.000
นั่นคือสองข้อโต้แย้งที่เราต้องการ

01:19.140 --> 01:24.440
และตอนนี้เราจะเข้าไปในฟังก์ชันและระบุสิ่งที่เราต้องการ

01:24.740 --> 01:29.940
ตกลงสิ่งแรกที่เราจะทำคือเปิดใช้งานเซลล์ประสาทที่ซ่อนอยู่และเราจะเรียกเซลล์ประสาทที่ซ่อนอยู่โดยตัวแปร x ดังนั้น

01:29.940 --> 01:34.690
x แทนเซลล์ประสาทที่ซ่อนอยู่

01:34.800 --> 01:36.750
ดังนั้นวิธีการเปิดใช้งานพวกเขา

01:36.930 --> 01:39.990
แน่นอนว่าเรากำลังจะใช้เซลล์ประสาทอินพุตของเรา

01:40.170 --> 01:49.570
เราจะใช้การเชื่อมต่อเต็มรูปแบบครั้งแรกของเราหากคุณต้องการได้รับเซลล์ประสาทที่ซ่อนอยู่และจากนั้นเราจะใช้ฟังก์ชั่นการยับยั้งกับพวกมัน

01:49.860 --> 01:51.450
ดังนั้นคุณจะทำอย่างไร

01:51.450 --> 01:54.680
จำไว้ว่าเรานำเข้าคบเพลิง

01:54.730 --> 02:01.450
และนั่นคือโมดูลการทำงานที่มีฟังก์ชั่นทั้งหมดเพื่อใช้งานโครงข่ายประสาท

02:01.560 --> 02:02.960
และเราให้ทางลัดแก่มัน

02:03.450 --> 02:11.240
ที่จริงแล้วสิ่งที่เรากำลังจะทำตอนนี้คือเราจะใช้หนึ่งในฟังก์ชั่นเหล่านี้จากโมดูลการทำงานและฟังก์ชั่นนี้คือการทำงานจริง ๆ

02:11.430 --> 02:16.490
ดังนั้นสิ่งที่เกี่ยวข้องจริงๆคือฟังก์ชันเรียงกระแสที่คุณเห็นในการบรรยายปรีชา

02:16.620 --> 02:19.040
นั่นเป็นเพียงแล้วมอบให้กับฟังก์ชั่นการแก้ไข

02:19.170 --> 02:26.130
แต่เนื่องจากฟังก์ชั่นนี้นำมาจากและในฟังก์ชั่นที่ได้รับทางลัดที่เราต้องพิมพ์ที่นี่ก่อน f

02:26.130 --> 02:31.860
ความคิดแล้วนั่นคือสิ่งที่เราสามารถใช้ฟังก์ชั่นนี้

02:31.990 --> 02:36.610
และถ้าฉันพิมพ์พวกเราอยู่ที่นี่เราไปเรามีฟังก์ชั่นจริง

02:36.630 --> 02:41.980
ดังนั้นมันจึงถูกกำกับโดยฟังก์ชั่นที่จะกระตุ้นเซลล์ประสาทที่ซ่อนอยู่นั่นคือ x

02:42.030 --> 02:48.920
ดังนั้นในฟังก์ชั่นนี้จริงๆตอนนี้เราเข้าใจอย่างสมบูรณ์แบบว่าเราต้องป้อนข้อมูลนั่นคือเซลล์ประสาทที่เราต้องการเปิดใช้

02:48.990 --> 03:01.540
นั่นคือเซลล์ประสาทที่ซ่อนอยู่และเพื่อให้ได้เซลล์ประสาทที่ซ่อนอยู่เหล่านี้เราจะใช้การเชื่อมต่อเต็มรูปแบบครั้งแรกของเราซึ่งเราจะนำไปใช้กับเซลล์ประสาทการป้อนข้อมูลของเราที่จะไปจากเซลล์ประสาท

03:01.800 --> 03:04.450
ดังนั้นเรามาเชื่อมต่อกับเราครั้งแรก

03:04.620 --> 03:08.070
แต่การเชื่อมต่อเต็มรูปแบบครั้งแรกของเราคือตัวแปรของวัตถุของเรา

03:08.130 --> 03:12.070
ดังนั้นเราต้องพิมพ์ที่นี่ด้วยตนเองก่อน

03:12.120 --> 03:13.550
เอฟซีหนึ่งที่นี่เราไป

03:13.620 --> 03:16.660
นั่นคือการเชื่อมต่อเต็มรูปแบบครั้งแรกของเครือข่ายประสาทของเรา

03:16.980 --> 03:24.210
และภายในการเชื่อมโยงส่วนบุคคลนี้เราจะป้อนสถานะอินพุตของเราเพื่อไปจากเซลล์รับข้อมูลเข้าสู่เซลล์ประสาทที่ซ่อน

03:24.480 --> 03:30.680
และเนื่องจากเราตั้งชื่อรัฐไว้ที่นี่เรามีสถานะอินพุตสองสถานะและไปที่นั่น

03:30.720 --> 03:34.360
ตอนนี้เราได้รับการเปิดใช้งานเซลล์ประสาทที่ซ่อนอยู่

03:34.510 --> 03:35.000
เอาล่ะ

03:35.040 --> 03:40.610
และตอนนี้เรามีเซลล์ประสาทที่ซ่อนอยู่เรากำลังจะกลับเซลล์ประสาทเอาท์พุท

03:40.640 --> 03:46.240
ดังนั้นบรรทัดถัดไปและเมื่อคุณเข้าใจเซลล์ประสาทขาออกที่สอดคล้องกับการกระทำของเรา

03:46.370 --> 03:48.170
แต่สิ่งเหล่านี้ไม่ใช่การกระทำโดยตรง

03:48.290 --> 03:55.760
นี่คือค่า q เพราะเรากำลังสร้างแบบจำลองดิจิตอลที่รวมโมเดลที่ลึกกว่าเข้ากับการเรียนรู้ Q ดังนั้นเราจึงใช้การเรียนรู้

03:56.020 --> 04:02.090
q ที่นี่เพื่อรับค่า q สำหรับการกระทำของเราแต่ละครั้ง

04:02.090 --> 04:09.560
รับการดำเนินการขั้นสุดท้ายดังนั้นที่นี่ Voivode ที่ฉันกำลังจะแนะนำจะตรงกับความแตกต่างของ APA

04:09.560 --> 04:13.560
และเนื่องจากเซลล์ประสาทเอาท์พุทเป็นค่าที่สำคัญ

04:13.640 --> 04:15.590
ฉันจะเรียกตัวแปรนี้ว่า

04:15.590 --> 04:24.630
ถามนั่นหมายความว่าเราไปที่ค่า q และตอนนี้เราทำการเชื่อมต่ออาหารโดยตรงซึ่งเป็นตัวแปร

04:24.810 --> 04:27.010
เพื่อวางตัวแปรจากวัตถุของเรา

04:27.020 --> 04:34.860
ดังนั้นเราจึงพาตัวเองมาที่นี่เพื่อสอน F C และแน่นอนที่นี่เราใส่เซลล์ประสาททางด้านซ้ายของการเชื่อมต่อนี้

04:34.910 --> 04:38.050
นั่นคือสิ่งที่เราได้จากบรรทัดแรกคือ x

04:38.270 --> 04:40.770
ดังนั้น x เราไปกันแล้ว

04:40.790 --> 04:42.650
ตอนนี้เราได้รับค่า Q ของเราแล้ว

04:42.680 --> 04:45.790
นั่นคือเซลล์ประสาทเอาท์พุทของเครือข่ายประสาทของเรา

04:46.100 --> 04:46.800
ตกลง.

04:47.060 --> 04:53.050
และจากนั้นบรรทัดสุดท้ายของรหัสของฟังก์ชั่นส่งต่อนี้จะใช้ในการส่งกลับค่าเหล่านี้

04:53.210 --> 05:06.310
ดังนั้นเราเพียงแค่ต้องเพิ่มผลตอบแทนและเพียงแค่ค่า Q และจะคืนค่าคีย์สำหรับการกระทำที่เป็นไปได้ไปทางซ้ายหรือตรงไป

05:06.370 --> 05:06.760
เอาล่ะ

05:06.760 --> 05:08.370
ขอแสดงความยินดีด้วย

05:08.370 --> 05:13.720
เราทำกับชั้นเฟิสต์คลาสของเราและจริงๆแล้วเราได้สร้างสถาปัตยกรรมของโครงข่ายประสาทเทียม

05:13.720 --> 05:15.550
จำไว้ว่างานนี้ยังไม่เสร็จ

05:15.550 --> 05:19.890
คุณสามารถปรับปรุงสถาปัตยกรรมของโครงข่ายประสาทเทียมได้ตลอดเวลาโดยลองวิธีอื่น

05:20.020 --> 05:22.780
ดังนั้นอย่าลังเลที่จะทำเช่นนั้นโดยเพิ่มเซลล์ประสาทอื่น ๆ

05:22.780 --> 05:28.270
ตัวอย่างเช่นหากคุณต้องการเพิ่มเซลล์ประสาทที่ซ่อนอยู่ 50 ตัวคุณสามารถแทนที่ 30 ที่นี่และ

05:28.270 --> 05:34.860
30 ที่นี่โดย 50 50 และ 50 จากนั้นคุณสามารถเพิ่มเลเยอร์ที่ซ่อนอยู่ได้มากขึ้นโดยทำการเชื่อมต่อที่มีประโยชน์

05:34.990 --> 05:37.630
นั่นเป็นหน้าที่ของศิลปินจริงๆ

05:37.660 --> 05:41.980
ไม่มีกฎทั่วไปของสิ่งที่จะเป็นสถาปัตยกรรมที่ดีที่สุดในแต่ละสถานการณ์

05:42.040 --> 05:43.720
นั่นคือสาเหตุที่เราต้องทำการทดลอง

05:43.940 --> 05:50.140
ลองมาดูกันว่าคุณจะเห็นว่าในที่สุดเราก็จะได้รถที่ขับขี่ด้วยตนเอง

05:50.170 --> 05:50.590
เอาล่ะ

05:50.620 --> 05:57.450
และตอนนี้เรากำลังจะทำให้คลาสถัดไปซึ่งเกี่ยวกับประสบการณ์การเล่นซ้ำและเราจะทำในอีกสามถึงสองชั่วโมง

05:57.610 --> 05:59.080
จนกว่าจะสนุกกับ AI