WEBVTT 00:00.240 --> 00:06.600 Bonjour et bienvenue dans ce tutoriel Python de Statoil, nous allons faire le premier pas vers la mise en œuvre 00:06.630 --> 00:08.270 du modèle de théorie approfondie. 00:08.280 --> 00:13.590 Nous sommes donc sur le point de mettre en œuvre l’ensemble du processus de l’algorithme de diffusion. 00:13.830 --> 00:16.580 Et nous allons utiliser ce que nous avons créé auparavant. 00:16.590 --> 00:22.460 C’est l’architecture du réseau de neurones qui permet de rejouer la mémoire pour l’intégrer dans l’ensemble du processus 00:22.530 --> 00:24.180 d’apprentissage en file d'attente. 00:24.180 --> 00:28.320 Et tout cet algorithme d'apprentissage va s'inscrire dans une classe. 00:28.380 --> 00:32.340 C'est la dernière que nous faisons pour mettre en œuvre l'intelligence artificielle. 00:32.340 --> 00:35.650 Et cette classe ne contiendra que des fonctions différentes. 00:35.700 --> 00:41.790 Nous aurons donc les fonctions internes qui créeront et initialiseront toutes les variables attachées 00:41.790 --> 00:48.450 à nos futurs objets de détournement qui représenteront le modèle lui-même et qui auront d’autres fonctions. 00:48.510 --> 00:52.830 L’un d’eux sera bien sûr de choisir la bonne action à chaque fois. 00:52.950 --> 00:59.250 Nous aurons également une fonction de base de la fonction de mise à jour pour obtenir ce noyau et avoir une idée de la progression 00:59.250 --> 01:01.030 de l’apprentissage s’il se déroule bien. 01:01.090 --> 01:07.080 Si l’exploration se déroule bien et si elle peut passer à l’exploitation, nous aurons une fonction sûre 01:07.080 --> 01:12.430 pour sauver demain, c’est sauver le cerveau de la voiture et ensuite, charger la fonction. 01:12.480 --> 01:14.590 Nous avons donc deux fonctions à remplir. 01:14.640 --> 01:17.440 Nous allons faire une fonction pour chacun de peiner. 01:17.490 --> 01:22.820 Et aujourd'hui, nous allons commencer avec la fonction de fin comme d'habitude lorsque nous faisons un cours. 01:23.010 --> 01:30.040 Mais d'abord, n'oublions pas de présenter le cours afin que nous l'appelions D. 01:30.200 --> 01:35.970 Q Et pour votre réseau, des parenthèses s’appellent. 01:36.030 --> 01:39.440 Et puis nous allons avec notre première fonction. 01:39.500 --> 01:47.910 Faisons donc cette définition puis double soulignement puis son double soulignement et sa parenthèse. 01:48.170 --> 01:53.530 Donc, comme vous l'avez compris dans cette fonction, nous allons introduire les variables attachées à notre objet. 01:53.570 --> 01:59.240 Nous allons donc avoir quelques lignes commençant tout seul et nous allons créer et initialiser toutes 01:59.300 --> 02:03.530 les variables nécessaires à la mise en œuvre du réseau D2. 02:03.530 --> 02:09.740 Ainsi, nous allons par exemple créer un objet ou un réseau car nous avons bien sûr besoin de notre réseau de 02:10.310 --> 02:12.190 neurones profonds, puis de notre mémoire. 02:12.300 --> 02:14.630 Nous allons créer une autre variable pour la mémoire. 02:14.740 --> 02:20.430 Nous aurons donc une autre mémoire variable, mais ce n’est pas tout ce que nous devrons créer également. 02:20.480 --> 02:22.390 Quelques variables pour la dernière date. 02:22.490 --> 02:24.820 La dernière action et le dernier mot. 02:24.920 --> 02:30.520 Bien sûr, vous connaissez les variables que vous voyez dans l'algorithme de diffusion. 02:30.920 --> 02:31.830 Et puis quoi d'autre. 02:31.940 --> 02:38.150 Nous aurons également besoin d’un optimiseur que vous connaissez pour réaliser une grille stochastique en termes de 02:38.510 --> 02:42.170 pondération des données en fonction de leur contribution à l’erreur. 02:42.320 --> 02:48.650 Lorsque l’intelligence artificielle commet une erreur, je pense que c’est donc essentiellement les variables que nous devons 02:48.650 --> 02:50.230 maintenant créer et initialiser. 02:50.510 --> 02:58.460 Mais dans cette fonction init, nous allons mettre deux arguments en premier, comme d'habitude, les arguments faisant référence 02:58.460 --> 03:00.190 à notre objet. 03:00.200 --> 03:05.210 Ensuite, puisque vous savez que nous allons créer un objet de la classe network. 03:05.390 --> 03:12.740 Eh bien, puisque la classe réseau prend comme argument la taille d'entrée de la fonction init et l'action, c'est la même 03:12.740 --> 03:13.740 chose ici. 03:13.850 --> 03:19.110 Lors de la création d'un objet de la classe network, nous devrons choisir un argument de taille d'entrée 03:19.160 --> 03:20.180 et l'argument réel. 03:20.180 --> 03:22.140 Nous pouvons donc simplement les 03:25.660 --> 03:27.520 copier ici et ici. 03:27.710 --> 03:30.450 Donc, ces arguments vont maintenant devenir. 03:30.560 --> 03:33.160 De plus, certains arguments n'ont pas duré. 03:33.170 --> 03:39.680 Chaque fois que nous créons des objets futurs de la classe différente que des modèles de rôle futurs, nous devrons 03:39.680 --> 03:45.010 spécifier la taille de la saisie. Je rappelle le nombre de dimensions dans les vecteurs qui 03:45.010 --> 03:46.330 incluent vos états. 03:46.370 --> 03:52.940 Vos états d'entrée et un certain nombre d'actions, qui correspond au nombre d'actions possibles que la voiture peut effectuer. 03:53.150 --> 03:54.000 Alors je te le rappelle. 03:54.110 --> 03:57.830 Ce sont soit aller à gauche aller tout droit ou aller à droite. 03:58.190 --> 03:59.270 Ok parfait. 03:59.270 --> 04:04.640 Ensuite, vous savez que vous allez créer un nouvel objet de la classe de mémoire de 04:04.640 --> 04:10.680 relecture afin de créer l’objet de mémoire afin d’obtenir la mémoire des transitions et, dans les informations, l’argument de capacité. 04:10.850 --> 04:16.640 Mais comme nous ne l'utilisons qu'une fois, en fait, lorsque nous créons de la mémoire et non plus 04:16.640 --> 04:20.000 après, nous n'aurons pas besoin de spécifier l'argument de capacité. 04:20.030 --> 04:25.330 Nous pourrions le faire, mais nous entrerons directement le nombre de transitions que nous voulons que notre mémoire ait. 04:26.150 --> 04:32.390 Mais nous avons besoin d’un dernier argument, à savoir obtenir le paramètre dans le modèle de l’enseignant. 04:32.480 --> 04:35.470 Rappelez-vous que ce paramètre gamma est le délai. 04:35.750 --> 04:41.300 Et c’est un paramètre de l’équation et nous allons donc le mettre ici car nous l’utiliserons 04:41.510 --> 04:42.920 ensuite plusieurs fois. 04:43.160 --> 04:44.990 Alors mettons-le ici. 04:45.070 --> 04:47.140 Nous allons l'appeler Gamma. 04:47.150 --> 04:52.610 Donc, pour cela, il ne s'agit que du nom de l'argument, puis nous allons inclure tous les arguments dont vous aurez besoin pour 04:52.610 --> 04:53.740 cela dans sa fonction. 04:53.750 --> 05:00.320 Cela signifie donc que chaque fois que nous créons notre modèle de dictionnaire, c’est chaque fois que nous créons un objet de 05:00.320 --> 05:01.390 l’enseignant en classe. 05:01.520 --> 05:08.060 Eh bien, nous devrons spécifier comme arguments la taille de l’entrée, le nombre d’actions et le paramètre. 05:08.360 --> 05:10.590 Et nous finirons avec les vraies valeurs pour eux. 05:11.210 --> 05:13.870 D'accord, allons maintenant dans la fonction. 05:14.100 --> 05:14.400 D'ACCORD. 05:14.410 --> 05:16.480 Donc, au fond, cela va être facile. 05:16.510 --> 05:21.090 Nous sommes sur le point de créer et d’initialiser toutes les variables dont nous avons besoin. 05:21.110 --> 05:22.770 Et alors commençons par le premier. 05:22.910 --> 05:24.460 Commençons par le gamma. 05:24.530 --> 05:26.090 En fait, le coefficient de retard. 05:26.330 --> 05:31.850 Donc, puisqu'il s'agit d'un voïvode qui veut être attaché à son objet, nous commençons par soi-même. 05:31.880 --> 05:39.500 Ainsi, le gamma va être une variable de notre professeur et un modèle lui-même qui équivaut aux arguments qui seront entrés lors de 05:39.530 --> 05:42.930 la création d'un objet de la classe de désaccord. 05:42.950 --> 05:46.900 Alors Janna et là nous allons avec le deuxième argument. 05:47.040 --> 05:50.560 Le deuxième argument va être la fenêtre de récompense. 05:50.840 --> 05:52.340 Alors, quelle est cette fenêtre. 05:52.520 --> 05:57.950 Eh bien, ce sera la fenêtre glissante de la moyenne des 100 derniers mots que vous utiliserez 05:58.010 --> 06:04.280 simplement pour évaluer l’évolution de la performance qui, comme vous le savez, aura la signification du mot dans cette guerre 06:04.280 --> 06:06.320 Windu qui glissera avec le temps. 06:06.440 --> 06:11.680 Et ce que nous voulons observer, c’est la signification des 100 derniers mots qui augmente avec le temps. 06:11.930 --> 06:18.610 Donc initialisons-le avec la fenêtre de soulignement de la récompense auto. 06:18.710 --> 06:24.690 Et puis, puisque cela va être une fenêtre glissante de l'évolution de la moyenne des 100 derniers mots. 06:24.860 --> 06:31.710 Eh bien, nous allons l’initialiser sous forme de liste vide, puis nous élargirons pour indiquer que nous travaillons des heures supplémentaires. 06:32.860 --> 06:35.320 Très bien alors plus excitant. 06:35.420 --> 06:37.430 Créons notre réseau de neurones. 06:37.580 --> 06:43.780 Nous allons donc appeler cela un Mario autodidacte, car au fond, c'est le cœur des modèles. 06:43.790 --> 06:51.890 Je l'appelle modèle et ce modèle ne sera rien d'autre qu'un sujet de cette classe et permettra de créer 06:51.890 --> 06:53.270 un tel objet. 06:53.300 --> 07:02.630 Nous prenons notre réseau de classes entre parenthèses et ici nous venons de mettre les arguments de la classe mais nous plaçons ces arguments dans 07:02.750 --> 07:08.930 les arguments de la fonction init et par conséquent nous avons juste besoin de les copier 07:08.930 --> 07:15.290 ici et de les coller dans la classe réseau puis nous aller avec cette ligne de code. 07:15.350 --> 07:22.690 Nous créons un réseau de neurones pour un modèle d’apprentissage parfait, puis créons une mémoire. 07:22.880 --> 07:29.930 Encore une fois, nous allons créer un nouveau Vargo que nous appelons mémoire autodidacte. 07:29.930 --> 07:34.190 Et encore une fois, cela va être un objet de la classe de mémoire de rejeu. 07:34.220 --> 07:42.320 Alors prenons simplement le nom ou la classe, copions encore, mais faisons face ici et entre parenthèses, nous devons définir la capacité, 07:42.320 --> 07:48.680 car la capacité est un argument de la fonction et c'est le seul argument dont nous 07:48.680 --> 07:49.880 avons besoin ici. 07:50.240 --> 07:55.100 Alors, quelle capacité allons-nous choisir? Rappelez-vous que cela correspond au nombre de transitions 07:55.100 --> 07:59.800 au nombre d'événements passés, indiquez la dernière action et le dernier mot. 07:59.830 --> 08:07.550 Et ainsi, comme mentionné dans l’un des travaux du Priester, nous allons prendre cent mille cent mille transitions en 08:07.550 --> 08:14.390 mémoire, puis nous allons échantillonner à partir de cette mémoire pour obtenir un petit nombre de 08:14.390 --> 08:18.670 transitions aléatoires et celle sur laquelle le modèle ira. 08:18.720 --> 08:21.210 Alors maintenant, nous avons notre mémoire parfaite. 08:21.210 --> 08:23.180 Maintenant, obtenons notre optimiseur. 08:23.430 --> 08:31.800 Encore une fois, nous créons une nouvelle variable que nous appelons optimiseur. Ainsi, l’optimiseur est une autre variable de notre future 08:31.800 --> 08:35.320 retrait de la file d’objets que cet optimiseur. 08:35.520 --> 08:44.130 Et maintenant, si nous remontons en arrière, vous pouvez voir que nous avons importé Upton torturé, une torche modulaire contenant tous les outils à 08:44.160 --> 08:47.080 utiliser pour placer la grille au centre. 08:47.130 --> 08:54.260 Donc, bien sûr, il contient des optimiseurs et nous lui avons donné le raccourci Upton. Nous allons donc 08:54.270 --> 09:00.900 lui présenter le modèle, qui est la torche qui lui revient et à partir de ce module, 09:00.900 --> 09:03.060 nous allons prendre un optimiseurs. 09:03.180 --> 09:05.670 Comme vous pouvez le voir, ils sont tous énumérés ici. 09:05.880 --> 09:10.630 Bon nombre d'entre eux sont excellents, par exemple Armor's Propp est un excellent optimiseur. 09:10.640 --> 09:16.170 Il est par exemple fortement recommandé d’enregistrer les réseaux de neurones ou l’apprentissage en profondeur non supervisé. 09:16.230 --> 09:22.140 Mais l’autre excellent et qu’il choisira est l’optimiseur d’atomes. 09:22.500 --> 09:26.400 C'est celle que vous verrez avec celle-ci qui vous donnera une bonne voiture autonome. 09:26.580 --> 09:32.000 Mais encore une fois, vous êtes totalement le bienvenu pour essayer d’autres, vous pouvez essayer l’appui-bras mais pour le métal, nous 09:32.000 --> 09:32.810 choisirons Adam. 09:32.850 --> 09:34.290 Alors j'appuie sur entrer. 09:34.560 --> 09:37.240 Et en fait, vous remarquerez qu'il y a la capitale ici. 09:37.260 --> 09:40.430 C'est parce que nous créons un objet de la classe Atom. 09:40.430 --> 09:44.990 C'est une classe mais l'objet sera un optimiseur d'atomes lui-même. 09:45.060 --> 09:50.970 Mais comme il s’agit d’une classe, nous devons définir quelques arguments. Les arguments de la classe Atom et 09:51.060 --> 09:55.270 ceux-ci sont tous les paramètres permettant de personnaliser votre et votre optimiseur. 09:55.380 --> 10:00.330 Ainsi, par exemple, il s’agit généralement du taux d’apprentissage de la décroissance ou de certains autres paramètres. 10:00.510 --> 10:05.690 Et en plus de prendre tous les paramètres d’Ormeau, nous spécifierons un taux d’apprentissage. 10:05.970 --> 10:08.650 C'est donc le début des paramètres de notre modèle. 10:08.670 --> 10:12.830 Nous pouvons les obtenir avec le modèle de doute de soi. 10:12.870 --> 10:17.530 Voilà donc le modèle que nous avons créé ici, modèle autodidacte de notre propre classe. 10:17.580 --> 10:24.780 Donc modèle autodidacte, puis pour accéder aux paramètres du modèle, nous ajoutons un autre point, puis des 10:25.500 --> 10:28.170 paramètres avec des parenthèses très simplement. 10:28.170 --> 10:35.860 Il s’agit donc simplement de connecter l’optimiseur d’addon à notre réseau de neurones, celui que nous avons créé ici à nouveau. Comme 10:35.880 --> 10:42.810 nous venons de le dire, nous allons ajouter un taux d’apprentissage et l’argument de ce principe est le nôtre. 10:43.170 --> 10:50.540 Et nous allons lui attribuer une valeur telle que l'apprentissage ne se produise pas trop rapidement si nous obtenons 10:50.540 --> 10:53.910 un taux d'apprentissage trop élevé, l'IA apprendra correctement. 10:53.910 --> 10:58.890 Nous voulons donner à l'IA un peu de temps pour explorer les leçons de ses erreurs. 10:58.890 --> 11:04.320 Vous savez quand nous punissons cela quand il commet des erreurs comme aller sur un sens ou s'approcher trop 11:04.320 --> 11:05.510 près d'un mur. 11:05.770 --> 11:08.780 Eh bien, nous voulons donner du temps pour apprendre. 11:08.880 --> 11:12.030 Nous voulons que le réseau de neurones soit correctement daté. 11:12.180 --> 11:21.010 Et donc, un bon rapport qualité-prix pour le taux d'apprentissage auquel j'ai abouti après avoir essayé plusieurs d'entre eux est 0. 2 ou un. 11:21.210 --> 11:24.540 Très bien et c'est tout ce dont nous avons besoin pour créer un optimiseur. 11:24.720 --> 11:28.320 Donc, fondamentalement, vous créez un objet de la classe Atom. 11:28.530 --> 11:29.050 Génial. 11:29.070 --> 11:35.980 Et puis les trois dernières variables dont nous avons besoin sont les variables composant nos événements de transition. 11:36.150 --> 11:40.130 Donc, c'est la dernière date la dernière action et le dernier mot. 11:40.170 --> 11:45.280 Et donc, c’est essentiellement ce que nous allons créer maintenant et nous aurons juste besoin de les initialiser. 11:45.300 --> 11:50.130 Commençons donc par la dernière date, la dernière date que nous appellerons autodidacte. 11:50.400 --> 11:56.000 Dernier état de soulignement et comment allez-vous l’initialiser? 11:56.190 --> 12:03.840 Souvenez-vous bien que la dernière date est un vecteur de 5 dominations, un vecteur codé dans un état 12:03.840 --> 12:04.700 de l'environnement. 12:04.950 --> 12:10.800 Et pour rappel, ces cinq dimensions sont les trois signaux des trois capteurs laissés 12:10.800 --> 12:15.180 droits et à droite ainsi que l’orientation et l’orientation moins. 12:15.210 --> 12:18.350 Donc, ceci est un vecteur et un sens intuitif. 12:18.420 --> 12:21.060 Mais pour le flambeau, il doit être plus qu'un vecteur. 12:21.210 --> 12:23.640 En réalité, il doit s'agir d'un tenseur de torche. 12:23.820 --> 12:29.970 Mais non seulement il doit s'agir d'un capteur de torche, mais il doit également comporter une autre dimension 12:29.970 --> 12:33.510 que j'aime appeler une fausse dimension correspondant au lot. 12:33.630 --> 12:39.810 Et c’est parce que les huit derniers seront l’entrée du réseau de neurones mais lorsqu’on travaille avec moi quand cela fonctionne en 12:39.810 --> 12:46.220 général, que ce soit avec un flux plus dense, on porte une torche alors que les vecteurs d’entrée ne peuvent pas être 12:46.290 --> 12:48.040 un simple vecteur en soi. 12:48.210 --> 12:49.760 Il doit être dans un lot. 12:49.830 --> 12:57.660 Le réseau ne peut accepter qu'un lot d'observations d'entrée et crée donc non seulement un tenseur pour 12:57.870 --> 13:05.140 les vecteurs d'état d'entrée, mais nous allons également créer cette fausse dimension correspondant au lot. 13:05.190 --> 13:11.490 Faisons ceci et commençons par initialiser un tenseur de torche pour faire cela, rien de 13:11.490 --> 13:12.340 plus simple. 13:12.510 --> 13:21.810 Nous prenons notre bibliothèque de torches puis point, puis nous allons utiliser la classe tenseur car, comme vous l’auriez peut-être deviné, 13:21.810 --> 13:27.950 cela créera un objet de la classe tenseur qui est un objet tenseur. 13:28.120 --> 13:34.660 Et dans ce tenseur, nous devons mettre un argument qui spécifiera la taille du tenseur. 13:34.660 --> 13:38.720 Vous pouvez imaginer que cela vous prend comme un tableau ayant un seul type. 13:38.890 --> 13:45.430 Mais fondamentalement, ce que cela va représenter maintenant est bien sûr cet état d'entrée que vous pouvez voir avec un vecteur et donc 13:46.180 --> 13:49.380 pour spécifier le nombre d'éléments que la distance doit avoir. 13:49.570 --> 13:55.180 Nous devons bien sûr utiliser la taille d’entrée car celle-ci correspond exactement au nombre de dimensions 13:55.510 --> 13:57.520 de nos vecteurs d’état d’entrée. 13:57.520 --> 13:59.050 Maintenant je devrais dire des tenseurs. 13:59.170 --> 14:05.650 Et c’est ce que nous devons simplement entrer dans notre classe de tenseurs pour créer un objet tensor. 14:06.010 --> 14:07.260 Eh bien c'est imprécis. 14:07.540 --> 14:10.230 Et plus tard, la taille de l'entrée sera quantifiée. 14:11.350 --> 14:12.430 D'accord c'est bon. 14:12.430 --> 14:13.670 C'est la première chose faite. 14:13.720 --> 14:17.390 Nous venons d'initialiser le tenseur comme il se doit. 14:17.530 --> 14:23.080 Mais rappelez-vous que nous devons faire autre chose: créer cette fausse dimension, car c’est ce 14:23.080 --> 14:30.070 à quoi le réseau s’attend pour ses entrées et créer celle-ci pour examen qui, en passant, doit être le premier moteur 14:30.070 --> 14:35.840 à connaître les dommages que vous subissez. mis dans le lot sera la première fois que je 14:35.940 --> 14:37.800 mentionne cela disons très bien. 14:38.230 --> 14:46.050 Eh bien, pour ce faire, nous devons simplement ajouter cela, puis presser, puis entre parenthèses. 14:46.050 --> 14:49.580 Nous devons mettre l’indice de cette grande dimension. 14:49.620 --> 14:55.790 Et comme je viens de le dire, cette fausse dimension doit être la première animation de la dernière date et, depuis 14:55.790 --> 15:02.460 les index et les octets et le zéro commencé, nous devons saisir zéro pour que ce nouveau moteur de paradigme devienne le premier 15:02.460 --> 15:03.570 moteur de ligne. 15:03.570 --> 15:09.360 Nous avons donc un premier moteur temporel correspondant au lot, puis le losange devrait répondre 15:09.360 --> 15:15.960 à ce capteur qui contiendra les cinq éléments de vos états d'entrée, l'orientation des trois signaux et 15:15.990 --> 15:16.910 l'orientation moins. 15:17.370 --> 15:21.960 Et ensuite nous allons initialiser correctement nos états d’entrée. 15:21.960 --> 15:22.850 Parfait. 15:23.310 --> 15:30.840 Et puis deux variables à parcourir et cela sera beaucoup plus facile car la variable suivante est la dernière 15:31.110 --> 15:31.850 action. 15:32.190 --> 15:36.340 C’est un nouveau Roybal que nous créons pour la dernière action de Object. 15:36.510 --> 15:43.440 Et rappelez-vous que dans le premier tutoriel de la section, je vous ai dit que les actions vont 15:43.440 --> 15:52.470 être soit 0 1 ou 2, puis en utilisant le vecteur de rotation des actions, nous allons convertir ces index de ces actions en 15:52.470 --> 15:58.010 angles de rotation que je rappelle à notre 0 20 ou moins 20. 15:58.050 --> 16:00.980 Nous pouvons réellement rafraîchir notre mémoire avec cela. 16:01.200 --> 16:03.170 Eh bien c'est exactement ici. 16:03.170 --> 16:06.260 Action en rotation si l'action est zéro. 16:06.390 --> 16:11.650 Cela correspondra au premier indice de zéro si l’action est 1. 16:11.700 --> 16:17.310 Cela correspond à l'index un de ces vecteurs de 20 degrés et si l'action est 16:17.310 --> 16:23.490 à nous aurons moins 20 degrés, ce sera l'angle de rotation de notre voiture lorsque nous jouerons l'action. 16:23.510 --> 16:24.200 D'accord. 16:24.380 --> 16:31.040 Et donc puisque l'action va être soit 0 1 ou 2 bien l'action est là pour un nombre 16:31.040 --> 16:31.740 simple. 16:31.850 --> 16:35.440 Et très simplement, nous pouvons l’initialiser à zéro. 16:35.660 --> 16:38.330 Nous n'avons pas besoin de créer des dizaines ou d'entendre autre chose. 16:38.360 --> 16:40.880 Nous avons juste besoin de l'initialiser avec zéro. 16:41.420 --> 16:42.850 Et enfin. 16:43.010 --> 16:44.460 Eh bien c'est le dernier mot. 16:44.550 --> 16:48.840 C'est le soi qui est le dernier mot. 16:48.860 --> 16:49.940 Nous y voilà. 16:49.940 --> 16:56.510 Et encore une fois, le mot est un nombre flottant que je rappelle entre moins 1 et plus 1. 16:56.510 --> 16:57.790 Donc, c'est encore le numéro. 16:57.860 --> 16:59.400 Et comme pour l'action. 16:59.510 --> 17:02.900 Nous allons l'initialiser à zéro et ensuite nous irons. 17:02.900 --> 17:06.330 Félicitations sont dans sa fonction est prête. 17:06.350 --> 17:08.930 Alors maintenant, nous sommes prêts à passer aux choses excitantes. 17:08.930 --> 17:16.040 Et en réalité, la chose la plus importante pour l'IA est de décider quelle action jouer à chaque fois et à 17:16.080 --> 17:23.240 chaque jeu. Et c'est exactement ce que nous allons faire dans le prochain tutoriel en créant la méthode de sélection de l'action. 17:23.510 --> 17:27.310 Alors faisons ceci dans le prochain travail et jusque-là I.