WEBVTT 00:00.240 --> 00:02.790 Halo dan selamat datang di tutorial Python ini. 00:02.790 --> 00:07.230 Baiklah kita memiliki satu fungsi terakhir untuk diimplementasikan di kelas memori ulangan kami. 00:07.230 --> 00:12.060 Itu fungsi sederhana dan itu tentu saja untuk mendapatkan beberapa sampel acak dari ingatan kita. 00:12.210 --> 00:16.080 Dan karena itu fungsi ini akan mengembalikan sampel acak ini. 00:16.080 --> 00:17.850 Baiklah jadi mari kita ke dalamnya. 00:17.870 --> 00:20.630 Kita akan menyebutnya sederhana. 00:20.640 --> 00:21.330 Kita mulai. 00:21.420 --> 00:25.030 Dan fungsi ini membutuhkan dua argumen sebagai input. 00:25.260 --> 00:32.490 Yang pertama seperti biasa objek masa depan kita untuk memutar ulang kelas memori dan argumen kedua adalah dapat Anda 00:32.490 --> 00:33.430 coba tebak. 00:33.510 --> 00:40.290 Kami mengambil beberapa sampel dengan ukuran tetap dan oleh karena itu kami perlu memilih ukuran untuk sampel dan 00:40.290 --> 00:42.610 lebih tepatnya kami menyebutnya ukuran batch. 00:42.820 --> 00:47.910 Jadi itulah nama yang akan kami berikan untuk ukuran batch argumen kedua kami. 00:48.180 --> 00:49.530 Dan kita mulai. 00:49.560 --> 00:54.490 Kami memiliki dua argumen kami dan sekarang kami dapat menerapkan fungsi sederhana. 00:54.500 --> 01:00.780 Jadi sekarang saya hanya ingin memperingatkan Anda ini akan mendapatkan sedikit teknis tetapi saya akan mencoba yang terbaik untuk menjelaskan. 01:01.250 --> 01:05.140 Jadi kita akan mulai dengan membuat variabel sampel. 01:05.150 --> 01:09.620 Ini hanya variabel yang akan berisi sampel memori. 01:09.620 --> 01:11.340 Baiklah begitu sederhana itu sama. 01:11.360 --> 01:14.090 Dan sekarang bagaimana kita akan mendapatkan sampel ini. 01:14.450 --> 01:20.960 Yah pertama-tama kita harus mengambil ingatan kita karena kita mendapatkan sampel dari ingatan kita. 01:20.960 --> 01:26.870 Maka kita mungkin perlu ukuran batch karena sampel akan mendapatkan ukuran batch yang terkandung 01:26.930 --> 01:27.720 Elon. 01:27.830 --> 01:33.920 Jadi kita perlu memori kita perlu ukuran batch dan kemudian kita perlu beberapa trik torche atau bison untuk mendapatkan 01:34.040 --> 01:35.600 format sampel yang baik. 01:35.600 --> 01:40.790 Jadi apa yang akan saya lakukan saya akan menulis baris kode dan kemudian saya akan menjelaskan 01:40.790 --> 01:41.900 elemen demi elemen. 01:41.990 --> 01:42.860 Jadi ayo kita lakukan. 01:42.860 --> 01:48.580 Saya mulai dengan mengambil fungsi zip. Saya akan segera menjelaskan apa fungsinya. 01:48.620 --> 01:51.980 Dan di dalam fungsi ini saya akan menambahkan bintang. 01:52.100 --> 01:53.800 Saya akan memperluas itu juga. 01:53.900 --> 02:02.600 Bintang dan pusat pemikiran acak begitu acak seperti yang Anda duga adalah perpustakaan acak yang kami impor di 02:02.600 --> 02:03.360 sini. 02:03.410 --> 02:08.900 Jadi itulah alasan utama mengapa kami harus mengimpor perpustakaan acak ini karena kami mengambil beberapa 02:08.900 --> 02:09.730 sampel acak. 02:10.040 --> 02:15.570 Jadi dari pustaka acak ini kita akan menggunakan fungsi sederhana. 02:15.600 --> 02:20.060 Jadi ini adalah variabel kami dan ini adalah fungsi jadi saya akan menambahkan beberapa tanda kurung. 02:20.210 --> 02:26.110 Dan sekarang seperti yang Anda lihat sampel adalah fungsi dan kami harus meletakkan beberapa argumen sehingga Anda dapat 02:26.110 --> 02:27.850 melihat argumen pertama itu sendiri. 02:27.850 --> 02:34.660 Dan sebenarnya berbicara tentang diri ini berhubungan dengan memori self-talk, memori objek contoh masa depan kita 02:34.870 --> 02:36.970 dari memori replay kita. 02:37.180 --> 02:44.290 Jadi saya akan menambahkan di sini sendiri memori itu dan kemudian argumen kedua adalah karena Anda mungkin sudah 02:44.530 --> 02:51.360 menebak ukuran Bechuana secara acak dari ingatan kita dan bahwa kita memberinya nama yang ukuran batch. 02:51.550 --> 02:55.690 Jadi argumen kedua akan menjadi Bachche menyebalkan. 02:55.870 --> 02:56.410 Baiklah. 02:56.470 --> 03:01.080 Jadi baris kode diketik dan saya akan menjelaskan apa fungsinya. 03:01.510 --> 03:08.260 Jadi pertama-tama dengan fungsi acak titik sederhana ini kami mengambil beberapa sampel acak dari memori 03:08.800 --> 03:11.820 yang memiliki ukuran tetap sebesar itu. 03:12.550 --> 03:13.940 Jadi itu bisa dimengerti. 03:14.150 --> 03:18.230 Tapi lalu apa fungsi bintang Zipp ini. 03:18.530 --> 03:20.500 Yah tidak ada misteri tentang itu. 03:20.540 --> 03:22.870 Ini seperti fungsi membentuk kembali. 03:22.880 --> 03:28.460 Jadi misalnya saya akan menambahkan sedikit ke sini hanya untuk menjelaskan bahwa saya akan menghapusnya. 03:28.460 --> 03:34.680 Jadi katakanlah misalnya kita memiliki daftar elemen berikut misalnya. 03:34.820 --> 03:37.900 Pertama satu dua tiga. 03:38.180 --> 03:39.680 Dan kemudian elemen kedua. 03:39.680 --> 03:43.180 Empat lima enam. 03:43.190 --> 03:48.020 Jadi kami memiliki daftar dua ganda dari tiga elemen satu dua tiga empat lima enam. 03:48.380 --> 03:52.690 Kalau begitu saya menerapkan fungsi zip dengan bintang di atasnya. 03:52.880 --> 04:02.840 Nah apa yang akan jadi daftar bintang Zip akan sama dengan daftar baru tetapi dari bentuk yang berbeda 04:03.380 --> 04:12.440 dan bentuk yang berbeda akan menjadi satu untuk kemudian dua tiga dan kemudian lima enam. 04:12.460 --> 04:12.770 Baiklah. 04:12.800 --> 04:13.950 Jadi begitulah fungsinya. 04:13.970 --> 04:16.640 Itu hanya membentuk kembali daftar Anda. 04:16.990 --> 04:21.610 OK jadi sekarang Anda mengerti apa yang dilakukan daftar bintang Zipp ini. 04:21.680 --> 04:24.560 Baiklah sekarang mari kita jelaskan mengapa kita harus melakukannya. 04:24.590 --> 04:30.360 Jadi seperti yang Anda pahami, kami akan menambahkan acara ke memori dan acara memiliki formulir. 04:30.440 --> 04:34.530 Pertama, negara, lalu aksi, lalu ganjaran. 04:34.820 --> 04:40.330 Tetapi untuk algoritma kami, kami tidak ingin format ini, kami sebenarnya ingin sampel kami memiliki format berikut. 04:40.330 --> 04:47.540 Format terdiri dari tiga sampel satu sampel untuk negara bagian satu sampel untuk tindakan dan satu sampel 04:47.540 --> 04:48.660 untuk hadiah. 04:48.800 --> 04:53.690 Jadi misalnya katakanlah ini 1-3 adalah negara satu tindakan satu. 04:53.800 --> 05:01.100 Kami ingin satu dan kemudian menyatakan untuk bertindak dua dan kami dengan baik apa yang kami inginkan adalah satu batch untuk masing-masing satu 05:01.100 --> 05:03.630 batch untuk negara satu dan menyatakan dua. 05:03.680 --> 05:10.090 Satu adalah pertandingan untuk aksi satu dalam aksi dua dan sepertiga untuk kami adalah satu dan kami berdua. 05:10.190 --> 05:15.680 Itu hanya format yang akan diharapkan selanjutnya karena kita akan membungkus batch ini 05:15.770 --> 05:22.610 menjadi pie menuju dampak mengerikan yang jauh kita akan ingat adalah variabel yang berisi tensor dan 05:22.610 --> 05:23.280 gradien 05:23.510 --> 05:29.750 Dan itu agar dapat membedakan sehubungan dengan tensor untuk dapat membedakan 05:29.750 --> 05:35.480 sehubungan dengan intensor dalam struktur tensor dan gradien yang mengerikan. 05:35.540 --> 05:37.820 Lagi-lagi itulah cara kerja obor Pi. 05:37.820 --> 05:44.480 Jadi untuk meringkas kita membuat satu batch untuk setiap tindakan negara dan penghargaan dan kemudian kita akan 05:44.480 --> 05:50.600 menempatkan masing-masing vetches secara terpisah menjadi beberapa byte yang Horrible's yang masing-masing akan mendapatkan gradien sehingga 05:50.840 --> 05:54.360 akhirnya kita akan dapat membedakan masing-masing dari mereka. 05:54.620 --> 05:57.430 Baiklah jadi itulah tujuan dari fungsi Zipp. 05:57.480 --> 06:00.350 Jadi izinkan saya hapus saja komentar ini. 06:00.530 --> 06:05.980 Dan sekarang satu-satunya hal yang harus kita lakukan adalah mengembalikan sampel. 06:06.230 --> 06:12.650 Jadi seperti yang saya jelaskan kami tidak dapat mengembalikan sampel secara langsung karena alasan sederhana bahwa kami ingin 06:12.830 --> 06:15.670 menempatkan sampel ke dalam by torche viable. 06:15.680 --> 06:22.580 Jadi untuk melakukan ini untuk masing-masing sampel kita akan menggunakan fungsi peta dan fungsi 06:22.580 --> 06:30.180 peta ini akan melakukan pemetaan dari sampel ke variabel penyiksaan yang akan mengandung tensor dan gradien. 06:30.200 --> 06:33.550 Jadi seperti yang Anda lihat, fungsi peta ini membutuhkan beberapa argumen. 06:33.620 --> 06:38.600 Argumen pertama adalah fungsi dan fungsi ini akan menjadi fungsi yang akan mengkonversi 06:38.600 --> 06:40.590 sampel menjadi beberapa variabel torche. 06:40.760 --> 06:45.340 Dan argumen kedua adalah ke mana kita ingin menerapkan fungsi ini. 06:45.590 --> 06:50.580 Sehingga akan menjadi argumen dari fungsi ini dan karena itu akan menjadi apa. 06:50.600 --> 06:52.780 Itu tentu saja akan menjadi sampel. 06:52.790 --> 06:55.510 Jadi argumen kedua di sini adalah simbol. 06:55.870 --> 06:59.440 Tapi mari kita mendefinisikan fungsi yang ingin kita terapkan. 06:59.480 --> 07:00.620 Masing-masing simbol. 07:01.040 --> 07:06.890 Jadi untuk mendefinisikan suatu fungsi di sini kita harus terlebih dahulu memberi nama pada fungsi yang akan memanggil lambda. 07:07.070 --> 07:14.330 Itu hanya nama dan memberikan Lenda maka X yang akan menjadi variabel dari fungsi ini. 07:14.420 --> 07:18.390 Jadi itu hanya nama dan pemberian untuk variabel dan kemudian. 07:18.500 --> 07:24.140 Dan di sini kita memberikan ekspresi fungsi yang kita inginkan fungsi lambda ini kembali 07:25.400 --> 07:32.010 dan melihat apa yang akan baik itu seharusnya menjadi sesuatu yang akan mengkonversi sampel kita menjadi variabel 07:32.250 --> 07:34.800 obor dan untuk melakukan ini. 07:34.800 --> 07:37.370 Kami sudah menyebutkannya di beberapa tutorial sebelumnya. 07:37.560 --> 07:39.880 Kami memiliki fungsi Voivode untuk mereka. 07:40.110 --> 07:46.680 Suara akan berfungsi, kami akan melakukan konversi dari penari obor ke variabel yang akan mengandung 07:46.690 --> 07:48.590 sensor dan yang terbesar. 07:48.810 --> 07:55.830 Jadi hal pertama yang akan saya tambahkan di sini adalah variabel variabel di dalamnya saya akan mengonversi 07:56.010 --> 08:01.540 X karena X akan menjadi yang sederhana yang akan diterapkan ke sampel. 08:02.420 --> 08:09.080 Tapi kemudian itu semua ada satu hal teknis terakhir yang perlu kita terapkan adalah kenyataan bahwa 08:09.140 --> 08:15.680 untuk setiap batch yang terkandung dalam sampel misalnya batch tindakan 1 8 2 3 08:15.680 --> 08:23.080 dan tindakan lain kita harus menggabungkannya dengan hormat ke mesin waktu pertama yang sesuai dengan Amerika Serikat. 08:23.120 --> 08:25.380 Dan mengapa kita harus membuat rangkaian ini. 08:25.550 --> 08:27.610 Itu hanya agar semuanya selaras. 08:27.710 --> 08:34.740 Itu adalah bahwa di setiap baris untuk menyatakan tindakan dan hadiah sesuai dengan waktu yang sama .. 08:35.180 --> 08:42.240 Sehingga pada akhirnya kami mendapatkan daftar semua batch-disejajarkan dengan baik dan setiap batch adalah pie menuju Voivod. 08:42.470 --> 08:44.700 Jadi bagaimana kita bisa membuat rangkaian ini. 08:44.840 --> 08:48.030 Kita harus menggunakan fungsi kucing dari pustaka obor. 08:48.170 --> 08:55.400 Jadi kita akan menambahkan di sini obor yang kita tambahkan yang diterapkan ke X tetapi kemudian dalam fungsi 08:55.400 --> 09:00.820 ini kita perlu menentukan dimensi sehubungan dengan yang ingin kita buat rangkaian itu. 09:00.860 --> 09:05.460 Dan seperti yang saya sebutkan ini adalah mesin pertama kali yang memiliki era indeks. 09:05.900 --> 09:12.320 Dan di sini kita pergi kita memiliki fungsi kita siap Lunda ini yang berfungsi akan mengambil 09:12.320 --> 09:18.110 sampel menggabungkannya sehubungan dengan mesin waktu pertama dan kemudian akhirnya kita mengkonversi sensor menjadi 09:18.110 --> 09:24.230 beberapa variabel torche yang berisi tensor dan gradien sehingga nanti ketika kita berlaku untuk castigate 09:24.230 --> 09:28.610 dalam arti kita akan dapat membedakan untuk memiliki bobot data. 09:28.610 --> 09:30.170 Baiklah jadi fungsi ini sudah siap. 09:30.410 --> 09:35.270 Dan inilah argumen kedua dari fungsi peta. 09:35.270 --> 09:42.960 Kita perlu menentukan ke apa kita ingin menerapkan fungsi ini dan itu ada di semua sampel kami. 09:43.040 --> 09:43.850 Itu dia. 09:43.850 --> 09:50.750 Kami akan menerapkan fungsi lambda ini pada semua sampel sehingga pada akhirnya kami mendapatkan daftar kecocokan di mana 09:50.990 --> 09:53.840 setiap kecocokan adalah obor PI yang layak. 09:53.840 --> 09:58.810 Baiklah jadi itu cukup teknis tetapi sekarang setidaknya semuanya akan bekerja dengan baik. 09:58.850 --> 10:00.060 Kami ingin menggunakan teknik ini. 10:00.080 --> 10:05.150 Setelah itu kami hanya menggunakannya di sini jadi jika Anda tidak ingin memiliki pemahaman yang mendalam tentang 10:05.150 --> 10:11.060 detail teknis di sini, tidak apa-apa, Anda cukup menyalin tiga baris kode ini untuk menyederhanakan memori Anda jika Anda ingin 10:11.060 --> 10:14.460 membuat kecerdasan buatan dengan menggunakan obor. seperti yang kamu inginkan. 10:14.600 --> 10:21.110 Tapi sekarang kabar baiknya adalah kita sudah selesai dengan pengalaman kelas memori replay replay sekarang diimplementasikan dan kita 10:21.470 --> 10:26.780 bisa beralih ke kelas berikutnya dan terakhir yang akan menjadi mode keamanan keseluruhan. 10:26.960 --> 10:34.520 Jadi dalam model ini kita tentu saja memiliki jaringan kami yang akan mengalami replay dan kemudian 10:34.640 --> 10:36.600 semua algoritma keamanan lainnya. 10:36.620 --> 10:39.150 Jadi ini akan menjadi kelas yang jauh lebih besar. 10:39.200 --> 10:44.240 Kami akan membuat sekitar 10 fungsi tapi itu hanya karena kami melakukan langkah demi langkah sehingga Anda 10:44.240 --> 10:46.130 dapat lebih memahami apa yang terjadi. 10:46.520 --> 10:49.260 Jadi saya tidak sabar untuk menerapkan model keamanan kami. 10:49.280 --> 10:50.900 Dan sampai saat itu aku.