WEBVTT 00:00.150 --> 00:02.550 مرحبًا ومرحبًا بكم في برنامج Python التعليمي هذا. 00:02.580 --> 00:07.010 حسنًا ، لدينا وظيفة أخيرة يجب تنفيذها في فئة ذاكرة إعادة التشغيل. 00:07.020 --> 00:08.460 هذه هي الوظيفة البسيطة. 00:08.460 --> 00:11.970 وذلك بالطبع للحصول على بعض العينات العشوائية من ذاكرتنا. 00:11.970 --> 00:15.570 وبالتالي ، ستعيد هذه الدالة هذه العينات العشوائية. 00:15.900 --> 00:16.290 حسنا. 00:16.290 --> 00:17.670 لذلك دعونا ننفذها. 00:17.670 --> 00:20.370 سوف نسميها عينة. 00:20.400 --> 00:21.240 ها نحن ذا. 00:21.240 --> 00:24.960 وهذه الوظيفة تأخذ حجتين كمدخلات. 00:24.990 --> 00:27.120 الأول ، كالعادة ، النفس. 00:27.300 --> 00:29.970 هدفنا المستقبلي من فئة ذاكرة إعادة التشغيل. 00:29.970 --> 00:33.320 والحجة الثانية هي ، هل يمكنك محاولة التخمين؟ 00:33.330 --> 00:39.930 حسنًا ، نحن نأخذ بعض العينات ، بحجم ثابت ، وبالتالي نحتاج إلى اختيار حجم عيناتنا. 00:39.930 --> 00:42.480 وبشكل أكثر دقة ، نسميها حجم الدفعة. 00:42.570 --> 00:47.880 هذا هو الاسم الذي سنطلقه على الوسيطة الثانية ، حجم الدفعة. 00:47.880 --> 00:49.440 وها نحن ذا. 00:49.440 --> 00:53.670 لدينا حجتان ويمكننا الآن تنفيذ دالة العينة. 00:54.310 --> 01:00.450 لذا الآن أريد فقط أن أحذرك ، سيحصل هذا على القليل من التقنية ، لكنني سأبذل قصارى جهدي في التوضيح. 01:01.000 --> 01:05.080 لذلك سنبدأ بإنشاء متغير العينات. 01:05.080 --> 01:08.860 هذا هو المتغير الذي سيحتوي على عينات من الذاكرة. 01:09.430 --> 01:09.790 حسنا. 01:09.790 --> 01:11.170 حتى العينات متساوية. 01:11.170 --> 01:13.870 والآن كيف سنحصل على هذه العينات؟ 01:14.200 --> 01:20.410 حسنًا ، أولاً وقبل كل شيء ، علينا أن نأخذ ذاكرتنا لأننا نحصل على هذه العينات من ذاكرتنا. 01:20.740 --> 01:27.580 ثم سنحتاج على الأرجح إلى حجم الدُفعة لأن العينات التي نريد الحصول عليها تحتوي على عناصر حجم الدُفعة. 01:27.580 --> 01:33.310 لذلك نحن بحاجة إلى ذاكرة ، ونحتاج إلى حجم دفعة ، ثم نحتاج إلى بعض حيل PyTorch أو Python للحصول على التنسيق 01:33.310 --> 01:34.930 الجيد لهذه العينات. 01:35.350 --> 01:40.720 إذن ما سأفعله ، سأكتب سطرًا من التعليمات البرمجية ثم سأشرحها عنصرًا 01:40.720 --> 01:41.590 عنصرًا. 01:41.680 --> 01:42.660 لنفعلها اذا. 01:42.670 --> 01:45.760 سأبدأ بأخذ وظيفة مضغوطة. 01:45.970 --> 01:48.250 سأشرح قريبًا ما يفعله. 01:48.310 --> 01:51.810 وداخل وظيفة zip هذه ، سأضيف نجمة. 01:51.820 --> 01:53.620 سأقوم بتوسيع ذلك أيضًا. 01:53.800 --> 01:57.670 عينة النجمة والنقطة العشوائية. 01:58.030 --> 02:03.240 عشوائية جدًا ، كما قد تكون خمنت ، هي المكتبة العشوائية التي قمنا باستيرادها هنا. 02:03.250 --> 02:09.550 هذا هو السبب الرئيسي الذي دفعنا لاستيراد هذه المكتبة العشوائية ، لأننا كنا نأخذ بعض العينات العشوائية. 02:09.760 --> 02:15.250 لذا من هذه المكتبة العشوائية ، سنستخدم دالة العينة. 02:15.250 --> 02:17.860 إذن هذه هي المتغيرات لدينا وهذه دالة. 02:17.860 --> 02:19.900 لذا سأضيف بعض الأقواس. 02:19.900 --> 02:24.520 والآن كما ترى ، فإن العينة هي دالة وعلينا إدخال بعض المتغيرات. 02:25.350 --> 02:27.660 لذا كما ترى ، فإن الحجة الأولى هي الذات. 02:27.660 --> 02:34.710 وفي الواقع ، عند الحديث عن الذات ، هذا يتوافق مع ذاكرة الذات ، وذاكرة مثالنا المستقبلي ، كائن 02:34.710 --> 02:36.910 من فئة ذاكرة إعادة العرض. 02:36.930 --> 02:40.530 لذا سأضيف هنا تلك الذكرى. 02:41.130 --> 02:46.320 ثم الحجة الثانية ، كما قد تكون خمنت ، هي حجم الدفعة التي نريد أن نأخذها 02:46.320 --> 02:51.280 عشوائيًا من ذاكرتنا وأننا أعطيناها اسمًا بحجم الدُفعة. 02:51.300 --> 02:55.650 لذا فإن الحجة الثانية ستكون حجم الدُفعة. 02:55.680 --> 02:56.250 حسنا. 02:56.250 --> 03:00.720 لذلك تمت كتابة سطر الكود وسأشرح الآن ما يفعله. 03:01.260 --> 03:08.400 لذلك أولاً وقبل كل شيء ، باستخدام وظيفة العينة العشوائية هذه ، نأخذ بعض العينات العشوائية من 03:08.550 --> 03:11.670 الذاكرة التي لها حجم ثابت لحجم الدُفعة. 03:12.340 --> 03:13.920 لذلك هذا مفهوم. 03:13.930 --> 03:18.070 ولكن ما الذي تفعله وظيفة zip store هذه؟ 03:18.280 --> 03:20.320 حسنًا ، لا يوجد لغز حول هذا الموضوع. 03:20.350 --> 03:22.580 إنها مثل وظيفة إعادة التشكيل. 03:22.600 --> 03:28.030 لذا ، على سبيل المثال ، سأضيف القليل من الشائع هنا فقط لشرح أنني سأزيله. 03:28.210 --> 03:33.490 لنفترض ، على سبيل المثال ، أن لدينا قائمة بالعناصر التالية. 03:33.490 --> 03:42.400 على سبيل المثال ، أول واحد ، اثنان ، ثلاثة ، ثم العنصر الثاني ، أربعة ، خمسة ، ستة. 03:43.000 --> 03:47.770 إذن لدينا قائمة من مجموعتين من ثلاثة عناصر ، واحد ، اثنان ، ثلاثة ، أربعة ، خمسة ، ستة. 03:48.160 --> 03:54.370 حسنًا ، إذا قمت بتطبيق وظيفة zip مع وجود النجمة عليها ، حسنًا ، ماذا ستصبح؟ 03:54.490 --> 04:03.100 لذا فإن قائمة النجوم المضغوطة ستكون مساوية لقائمة جديدة ، ولكن بشكل مختلف. 04:03.100 --> 04:11.410 وهذا الشكل المختلف سيكون أربعة ، ثم اثنان ، وثلاثة ، ثم خمسة ، وستة. 04:12.370 --> 04:12.700 حسنا. 04:12.700 --> 04:13.840 هذا ما يفعله بالضبط. 04:13.840 --> 04:16.360 إنها فقط تعيد تشكيل قائمتك. 04:17.050 --> 04:17.280 تمام. 04:17.320 --> 04:23.650 والآن بعد أن فهمت ما تفعله قائمة النجوم المضغوطة هذه ، حسنًا ، الآن دعنا نشرح لماذا يتعين علينا القيام 04:23.650 --> 04:24.040 بذلك. 04:24.370 --> 04:31.000 لذا كما فهمت ، سنضيف الأحداث إلى الذاكرة وستكون الأحداث بالشكل ، الحالة 04:31.000 --> 04:34.450 أولاً ، ثم الفعل ، ثم المكافأة. 04:34.570 --> 04:37.060 لكن بالنسبة للخوارزمية الخاصة بنا ، لا نريد هذا التنسيق. 04:37.060 --> 04:43.480 نريد في الواقع أن تحتوي عيناتنا على التنسيق التالي ، وهو تنسيق يتكون من ثلاث عينات ، وعينة 04:43.480 --> 04:48.370 واحدة للحالة ، وعينة واحدة للإجراءات ، وعينة واحدة للمكافأة. 04:48.520 --> 04:55.360 لذلك ، على سبيل المثال ، لنفترض أن هذه 1 إلى 3 هي الحالة الأولى ، والعمل الأول ، والمكافأة واحد ، ثم صر على 04:55.360 --> 04:57.520 اتخاذ إجراء ومكافأة اثنين. 04:57.550 --> 05:04.720 حسنًا ، ما نريده هو دفعة واحدة لكل دفعة واحدة للحالة الأولى والبقاء اثنتين من الدُفعة لإجراء واحد 05:04.720 --> 05:08.710 واحد في العمل الثاني ودفعة ثالثة للمكافأة الأولى. 05:08.710 --> 05:09.700 وكنا اثنان. 05:10.030 --> 05:15.670 هذا هو التنسيق الذي سيكون متوقعًا بعد ذلك لأننا سنلف هذه الدُفعات في 05:15.670 --> 05:16.990 متغير PyTorch. 05:16.990 --> 05:23.290 وتذكر أن متغير بايثون هو متغير يحتوي على موتر وتدرج. 05:23.290 --> 05:29.470 وذلك لكي نتمكن من الاشتقاق فيما يتعلق بالموتر ، لكي نتمكن من الاشتقاق 05:29.470 --> 05:35.260 بالنسبة للموتر ، نحتاج إلى بنية متغير يحتوي على موتر وتدرج. 05:35.350 --> 05:37.590 مرة أخرى ، هكذا يعمل PyTorch. 05:37.600 --> 05:44.290 للتلخيص ، نقوم بإنشاء دفعة واحدة لكل حالة من الإجراءات والمكافآت ، وبعد ذلك سنضع كل مجموعة من 05:44.290 --> 05:49.870 هذه الدُفعات بشكل منفصل في بعض متغيرات PyTorch ، والتي سيحصل كل منها على تدرج 05:49.870 --> 05:54.220 حتى نتمكن في النهاية من تكون قادرة على التفريق بين كل منهم. 05:54.430 --> 05:54.880 حسنا. 05:54.880 --> 05:57.370 إذن هذا هو الغرض من هذه الوظيفة. 05:57.370 --> 06:00.310 لذلك اسمحوا لي فقط إزالة هذا التعليق. 06:00.310 --> 06:05.950 والآن الشيء الوحيد الذي يتعين علينا القيام به هو إعادة العينات. 06:05.950 --> 06:12.010 لذلك كما أوضحت للتو ، لا يمكننا إرجاع العينات مباشرة لسبب بسيط هو أننا 06:12.010 --> 06:15.280 نريد وضع العينات في متغير PyTorch. 06:15.430 --> 06:22.540 للقيام بذلك لكل عينة ، سنستخدم وظيفة الخريطة وستقوم وظيفة الخريطة 06:22.540 --> 06:29.860 هذه بالتخطيط من العينات للمس المتغيرات التي ستحتوي على موتر وتدرج. 06:29.950 --> 06:33.460 كما ترى ، تأخذ وظيفة الخريطة هذه العديد من الحجج. 06:33.460 --> 06:38.530 الوسيطة الأولى هي دالة ، وستكون هذه الوظيفة هي الوظيفة التي ستحول العينات إلى بعض 06:38.530 --> 06:40.480 المتغيرات التي تم تدريسها. 06:40.510 --> 06:45.280 والحجة الثانية هي ما نريد تطبيق هذه الدالة عليه. 06:45.310 --> 06:48.400 إذن هذه ستكون حجة هذه الوظيفة. 06:48.610 --> 06:50.350 وبالتالي ، ماذا سيكون؟ 06:50.350 --> 06:52.570 هذا بالطبع سيكون العينات. 06:52.570 --> 06:58.540 إذن ، الحجة الثانية هنا ستكون العينات ، ولكن بعد ذلك دعنا نحدد الوظيفة التي نريد 06:58.540 --> 07:00.490 تطبيق كل عينة عليها. 07:00.790 --> 07:06.520 لتعريف دالة هنا ، نحتاج أولاً إلى تسمية الدالة التي سنسميها Lambda. 07:06.880 --> 07:14.170 هذا مجرد اسم لإعطاء lambda ، ثم x ، والتي ستكون متغير هذه الدالة. 07:14.170 --> 07:18.310 هذا هو الاسم الذي أعطيه للمتغير ثم القولون. 07:18.310 --> 07:21.010 وهنا نعطي التعبير عن الدالة. 07:21.010 --> 07:24.250 هذا ما نريد أن تعيده دالة lambda. 07:25.180 --> 07:32.110 وبالتالي ، ما سيكون عليه ، حسنًا ، من المفترض أن يكون شيئًا يتحول أو يأخذ عينات إلى 07:32.110 --> 07:33.280 متغير شعلة. 07:33.640 --> 07:39.160 وللقيام بذلك ، ذكرنا ذلك بالفعل في بعض البرامج التعليمية السابقة حيث لدينا الوظيفة المتغيرة 07:39.160 --> 07:39.700 لذلك. 07:39.820 --> 07:46.600 ستجعل الوظيفة المتغيرة هذا التحويل من موتر الشعلة إلى متغير يحتوي على هذا 07:46.600 --> 07:48.490 الموتر والتدرج. 07:48.580 --> 07:55.840 لذا فإن أول شيء سأضيفه هنا هو متغير متغير سأقوم بداخله بتحويل X لأن 07:55.840 --> 08:01.480 X ستكون العينات بمجرد تطبيق لامدا على العينات. 08:02.230 --> 08:03.430 لكن هذا ليس كل شيء. 08:03.460 --> 08:07.180 هناك شيء تقني أخير نحتاج إلى تنفيذه. 08:07.420 --> 08:13.000 إنها حقيقة أنه بالنسبة لكل دفعة موجودة في العينة ، على سبيل المثال ، مجموعة 08:13.000 --> 08:19.660 الإجراءات واحد واثنين وثلاثة والإجراءات الأخرى ، يتعين علينا ربطها فيما يتعلق بالبعد 08:19.660 --> 08:22.720 الأول الذي يتوافق مع الولاية. 08:22.930 --> 08:25.120 ولماذا علينا أن نجعل هذا التسلسل؟ 08:25.330 --> 08:27.510 إنه فقط لكل شيء ليكون محاذيًا بشكل جيد. 08:27.520 --> 08:33.940 أي أنه في كل صف تتطابق الحالة والعمل والمكافأة في نفس الوقت. 08:33.970 --> 08:42.180 T حتى نحصل في النهاية على قائمة بالدُفعات المحاذاة جيدًا وكل دفعة عبارة عن متغير pytorch. 08:42.190 --> 08:44.600 فكيف يمكننا أن نجعل هذا التسلسل؟ 08:44.620 --> 08:47.950 حسنًا ، نحتاج إلى استخدام وظيفة القط من مكتبة الشعلة. 08:47.950 --> 08:53.800 سنضيف هنا الشعلة التي نضيف إليها تلك القطة التي تنطبق على X. 08:53.950 --> 08:59.170 ولكن بعد ذلك في وظيفة cat هذه ، نحتاج إلى تحديد البعد الذي نريد أن نجعل هذا التسلسل 08:59.170 --> 09:00.340 بالنسبة له. 09:00.670 --> 09:05.110 وكما ذكرت للتو ، هذا هو البعد الأول الذي يحتوي على مؤشر صفري. 09:05.660 --> 09:06.600 وها قد بدأنا. 09:06.620 --> 09:08.600 لدينا وظيفتنا جاهزة. 09:08.630 --> 09:14.300 ستأخذ وظيفة lambda هذه العينات ، وتسلسلها فيما يتعلق بالبعد الأول ، ثم في 09:14.300 --> 09:20.930 النهاية نقوم بتحويل المستشعرات إلى بعض متغيرات الشعلة التي تحتوي على مستشعر وتدرج ، 09:20.930 --> 09:26.810 لذلك لاحقًا عندما نطبق شبكة عشوائية بمعنى أننا سوف تكون قادرة على التفاضل لتحديث 09:26.810 --> 09:28.070 الأوزان. 09:28.520 --> 09:30.170 حسنًا ، هذه الوظيفة جاهزة. 09:30.170 --> 09:38.090 ثم هنا ، بصفتنا الوسيطة الثانية لدالة الخريطة ، نحتاج إلى تحديد ما نريد تطبيق دالة lambda 09:38.090 --> 09:45.680 هذه على جميع العينات التي نذهب إليها ، وسنطبق دالة lambda هذه على جميع العينات حتى نتمكن 09:45.680 --> 09:53.210 في النهاية من الحصول على قائمة بالدُفعات حيث تكون كل دفعة عبارة عن متغير pytorch. 09:53.690 --> 09:54.080 حسنا. 09:54.080 --> 09:58.040 لذلك كان ذلك تقنيًا تمامًا ، ولكن الآن على الأقل كل شيء سيعمل. 09:58.040 --> 10:00.440 حسنًا ، لن نستخدم هذه التقنية بعد ذلك. 10:00.440 --> 10:01.730 نحن نستخدمه هنا فقط. 10:01.730 --> 10:06.320 لذلك إذا كنت لا ترغب في الحصول على فهم عميق للتفاصيل الفنية هنا ، فلا بأس بذلك. 10:06.320 --> 10:10.520 يمكنك فقط نسخ هذه الأسطر الثلاثة من التعليمات البرمجية لأخذ عينات من ذاكرتك. 10:10.520 --> 10:14.390 إذا كنت ترغب في صنع ذكاء اصطناعي باستخدام PyTorch ، فهذا هو ما تريده. 10:14.390 --> 10:21.200 ولكن الخبر السار الآن هو أننا انتهينا من إعادة تشغيل تجربة فئة الذاكرة هذه ، ويمكننا الانتقال 10:21.200 --> 10:26.720 إلى الفصل التالي والأخير ، والذي سيكون نموذج التعلم العميق بالكامل. 10:26.720 --> 10:32.900 لذلك في نموذج التعلم العميق هذا ، سيكون لدينا بالطبع شبكتنا التي ستضيف الخبرة وإعادة 10:32.900 --> 10:36.380 التشغيل ثم كل خوارزمية التعلم العميق. 10:36.380 --> 10:38.990 لذلك ستكون فئة أكبر بكثير. 10:38.990 --> 10:44.150 سنقوم بعمل حوالي عشر وظائف ، ولكن هذا فقط لأننا نقوم بذلك خطوة بخطوة حتى تتمكن 10:44.150 --> 10:45.830 من فهم ما يجري بشكل أفضل. 10:46.310 --> 10:49.100 لذلك لا أطيق الانتظار لتنفيذ نموذج التعلم العميق الخاص بنا. 10:49.100 --> 10:50.930 وحتى ذلك الحين ، استمتع بـ I.