WEBVTT 00:00.240 --> 00:06.600 Halo dan selamat datang di tutorial Python ini di Statoil kita akan membuat langkah pertama dalam menerapkan 00:06.630 --> 00:08.270 model teori yang mendalam. 00:08.280 --> 00:13.590 Jadi pada dasarnya kita akan mengimplementasikan seluruh proses algoritma difusi. 00:13.830 --> 00:16.580 Jadi kami akan menggunakan apa yang kami buat sebelumnya. 00:16.590 --> 00:22.460 Itu adalah arsitektur jaringan saraf untuk memutar ulang memori untuk mengintegrasikan ini ke dalam seluruh 00:22.530 --> 00:24.180 proses pembelajaran dequeue. 00:24.180 --> 00:28.320 Dan keseluruhan algoritma pembelajaran ini akan masuk ke dalam satu kelas. 00:28.380 --> 00:32.340 Itu yang terakhir yang kami buat untuk mengimplementasikan kecerdasan buatan. 00:32.340 --> 00:35.650 Dan kelas ini hanya akan berisi fungsi yang berbeda. 00:35.700 --> 00:41.790 Jadi kita akan memiliki fungsi-fungsi di dalamnya yang akan membuat dan menginisialisasi semua variabel yang melekat pada 00:41.790 --> 00:48.450 objek-objek memutar kita di masa depan yang akan mewakili model itu sendiri dan mereka akan memiliki beberapa fungsi lainnya. 00:48.510 --> 00:52.830 Salah satunya tentu saja akan memilih tindakan yang tepat setiap kali. 00:52.950 --> 00:59.250 Kami juga akan memiliki fungsi inti fungsi pembaruan untuk mendapatkan inti ini dan memiliki gagasan tentang bagaimana pembelajaran berjalan 00:59.250 --> 01:01.030 jika itu berjalan dengan baik. 01:01.090 --> 01:07.080 Jika eksplorasi berjalan dengan baik dan jika dapat beralih ke eksploitasi, maka kita akan memiliki fungsi 01:07.080 --> 01:12.430 yang aman untuk menyelamatkan besok, yaitu menyelamatkan otak mobil dan akhirnya memuat fungsi. 01:12.480 --> 01:14.590 Jadi kami memiliki beberapa fungsi untuk dibuat. 01:14.640 --> 01:17.440 Kita akan membuat satu fungsi untuk masing-masing bekerja keras. 01:17.490 --> 01:22.820 Dan hari ini kita akan mulai dengan fungsi akhir seperti biasa ketika kita membuat kelas. 01:23.010 --> 01:30.040 Tapi pertama-tama jangan lupa untuk memperkenalkan kelas sehingga kita akan menyebutnya D. 01:30.200 --> 01:35.970 T Dan untuk jaringan Anda maka beberapa panggilan kurung masuk 01:36.030 --> 01:39.440 Dan kemudian kita pergi dengan fungsi pertama kita. 01:39.500 --> 01:47.910 Jadi mari kita lakukan def ini kemudian double garis bawah lalu garis bawah ganda lagi dan tanda kurung. 01:48.170 --> 01:53.530 Jadi seperti yang Anda pahami dalam fungsi ini, kami akan memperkenalkan variabel-variabel yang melekat pada objek kami. 01:53.570 --> 01:59.240 Jadi kita akan memiliki beberapa baris yang memulai semuanya sendiri dan pada dasarnya kita akan 01:59.300 --> 02:03.530 membuat dan menginisialisasi semua variabel yang diperlukan untuk mengimplementasikan jaringan D2. 02:03.530 --> 02:09.740 Jadi kita akan misalnya membuat objek atau jaringan karena tentu saja kita membutuhkan jaringan saraf kita yang dalam maka 02:10.310 --> 02:12.190 kita akan membutuhkan memori kita. 02:12.300 --> 02:14.630 Kami akan membuat variabel lain untuk memori. 02:14.740 --> 02:20.430 Jadi kita akan memiliki memori self-up variabel lain tetapi kemudian itu tidak semua kita harus membuat juga. 02:20.480 --> 02:22.390 Beberapa variabel untuk tanggal terakhir. 02:22.490 --> 02:24.820 Tindakan terakhir dan kata terakhir. 02:24.920 --> 02:30.520 Itu tentu saja Anda tahu variabel yang Anda lihat dalam algoritma difusi. 02:30.920 --> 02:31.830 Lalu apa lagi. 02:31.940 --> 02:38.150 Yah kita juga akan membutuhkan pengoptimal yang Anda tahu untuk melakukan grid stokastik dalam arti bobot data 02:38.510 --> 02:42.170 sesuai dengan berapa banyak mereka akan berkontribusi pada kesalahan. 02:42.320 --> 02:48.650 Ketika AI membuat kesalahan dan kemudian saya berpikir bahwa pada dasarnya itulah variabel yang sekarang perlu kita 02:48.650 --> 02:50.230 buat dan inisialisasi. 02:50.510 --> 02:58.460 Tetapi dalam fungsi init ini kita akan menempatkan beberapa argumen pertama sebagai diri biasa yang merupakan argumen yang mengacu 02:58.460 --> 03:00.190 pada objek kita. 03:00.200 --> 03:05.210 Maka karena Anda tahu kita akan membuat objek dari kelas jaringan. 03:05.390 --> 03:12.740 Nah sejak kelas jaringan mengambil sebagai argumen dalam ukuran input fungsi init dan tindakan Nah itu sama 03:12.740 --> 03:13.740 di sini. 03:13.850 --> 03:19.110 Saat membuat objek kelas jaringan kita perlu memilih argumen ukuran input dan 03:19.160 --> 03:20.180 argumen aktual. 03:20.180 --> 03:22.140 Karena itu kita bisa menyalinnya di 03:25.660 --> 03:27.520 sini dan di sini. 03:27.710 --> 03:30.450 Jadi argumen ini sekarang akan menjadi. 03:30.560 --> 03:33.160 Juga beberapa argumen tidak bertahan lama. 03:33.170 --> 03:39.680 Setiap kali kita membuat beberapa objek masa depan dari kelas yang berbeda yang beberapa model peran masa depan dical 03:39.680 --> 03:45.010 Yah kita akan perlu menentukan ukuran input yang saya ingatkan adalah jumlah dimensi dalam vektor yang 03:45.010 --> 03:46.330 termasuk negara Anda. 03:46.370 --> 03:52.940 Input Anda menyatakan dan sejumlah tindakan yang merupakan jumlah tindakan yang dapat dilakukan mobil. 03:53.150 --> 03:54.000 Jadi saya mengingatkan Anda. 03:54.110 --> 03:57.830 Ini adalah ke kiri ke kanan atau ke kanan. 03:58.190 --> 03:59.270 Oke, sempurna. 03:59.270 --> 04:04.640 Kemudian Anda tahu bahwa Anda akan membuat objek baru dari kelas memori replay untuk 04:04.640 --> 04:10.680 membuat objek memori untuk mendapatkan memori kita tentang transisi dan dalam informasi kita memiliki argumen kapasitas. 04:10.850 --> 04:16.640 Tapi karena kita hanya akan menggunakannya sekali sebenarnya ketika kita membuat memori dan bukan 04:16.640 --> 04:20.000 setelahnya Yah kita tidak perlu menentukan argumen kapasitas. 04:20.030 --> 04:25.330 Kita bisa melakukan ini, tetapi akan secara langsung memasukkan jumlah transisi yang kita inginkan. 04:26.150 --> 04:32.390 Tetapi kemudian kita membutuhkan satu argumen terakhir yaitu untuk mendapatkan parameter dalam model guru. 04:32.480 --> 04:35.470 Ingat parameter gamma ini adalah penundaan. 04:35.750 --> 04:41.300 Dan itu adalah parameter dari persamaan dan oleh karena itu kami akan meletakkannya di sini karena kami 04:41.510 --> 04:42.920 akan menggunakannya beberapa kali. 04:43.160 --> 04:44.990 Jadi mari kita taruh di sini. 04:45.070 --> 04:47.140 Kita akan menyebutnya Gamma. 04:47.150 --> 04:52.610 Jadi untuk itu hanya nama argumen dan kemudian kita lanjutkan bahwa semua argumen yang Anda perlukan untuk 04:52.610 --> 04:53.740 ini dalam fungsinya. 04:53.750 --> 05:00.320 Jadi itu berarti bahwa setiap kali kita membuat model kamus kita, setiap kali kita membuat objek guru 05:00.320 --> 05:01.390 di kelas. 05:01.520 --> 05:08.060 Kita perlu menentukan argumen ukuran input jumlah aksi dan parameter. 05:08.360 --> 05:10.590 Dan kita akan akhiri dengan nilai nyata untuk mereka. 05:11.210 --> 05:13.870 Baiklah jadi sekarang mari kita masuk ke dalam fungsi. 05:14.100 --> 05:14.400 BAIK. 05:14.410 --> 05:16.480 Jadi sekarang pada dasarnya ini akan mudah. 05:16.510 --> 05:21.090 Kami baru saja akan membuat dan menginisialisasi semua variabel yang kita butuhkan. 05:21.110 --> 05:22.770 Jadi mari kita mulai dengan yang pertama. 05:22.910 --> 05:24.460 Mari kita mulai dengan gamma. 05:24.530 --> 05:26.090 Sebenarnya koefisien delay. 05:26.330 --> 05:31.850 Jadi karena ini adalah Voivode yang ingin dilampirkan ke objeknya, kita mulai dengan diri sendiri. 05:31.880 --> 05:39.500 Jadi gamma akan menjadi variabel guru kita dan model itu sendiri bahwa gamma sama dengan argumen yang 05:39.530 --> 05:42.930 akan dimasukkan ketika membuat objek kelas detune. 05:42.950 --> 05:46.900 Jadi Janna dan kita mulai dengan argumen kedua. 05:47.040 --> 05:50.560 Argumen kedua akan menjadi jendela hadiah. 05:50.840 --> 05:52.340 Jadi apa jendela ini? 05:52.520 --> 05:57.950 Nah itu akan menjadi jendela geser dari rata-rata 100 kata terakhir yang akan Anda gunakan 05:58.010 --> 06:04.280 hanya untuk mengevaluasi evolusi kinerja yang Anda tahu akan memiliki arti kata ke dalam perang ini Windu 06:04.280 --> 06:06.320 yang akan meluncur seiring waktu. 06:06.440 --> 06:11.680 Dan apa yang ingin kita amati adalah arti dari 100 kata terakhir meningkat seiring waktu. 06:11.930 --> 06:18.610 Jadi mari kita inisialisasi dengan diri sendiri yang menghargai jendela garis bawah. 06:18.710 --> 06:24.690 Dan karena ini akan menjadi jendela geser dari rata-rata yang berkembang dari 100 kata terakhir. 06:24.860 --> 06:31.710 Yah kita akan menginisialisasi itu sebagai daftar kosong dan kemudian kita akan memperluas berarti bahwa kita bekerja lembur. 06:32.860 --> 06:35.320 Baiklah maka lebih mengasyikkan. 06:35.420 --> 06:37.430 Mari kita buat jaringan saraf kita. 06:37.580 --> 06:43.780 Jadi kita akan menyebutnya Mario otodidak karena pada dasarnya itulah jantung para model. 06:43.790 --> 06:51.890 Saya menyebutnya model dan model ini tidak lain adalah subjek di kelas itu dan untuk membuat objek 06:51.890 --> 06:53.270 seperti itu. 06:53.300 --> 07:02.630 Kami mengambil jaringan kelas kami dalam tanda kurung dan di sini kami hanya menempatkan argumen kelas tetapi kami menempatkan argumen ini 07:02.750 --> 07:08.930 dalam argumen fungsi init dan oleh karena itu kami hanya perlu menyalinnya di 07:08.930 --> 07:15.290 sini dan hanya menempelkannya di kelas jaringan dan kemudian kami pergi dengan baris kode ini. 07:15.350 --> 07:22.690 Kami membuat satu jaringan saraf untuk model pembelajaran yang sempurna kemudian mari kita buat memori. 07:22.880 --> 07:29.930 Jadi sekali lagi kita akan membuat Vargo baru yang kita sebut memori otodidak. 07:29.930 --> 07:34.190 Dan lagi ini akan menjadi objek dari kelas memori replay. 07:34.220 --> 07:42.320 Jadi mari kita ambil nama atau kelas, mari kita salin, tetapi mari kita hadapi itu di sini dan dalam beberapa kurung 07:42.320 --> 07:48.680 kita perlu menempatkan kapasitas karena kapasitas adalah argumen dari fungsi dan itulah satu-satunya argumen yang kita 07:48.680 --> 07:49.880 butuhkan di sini. 07:50.240 --> 07:55.100 Jadi, kapasitas apa yang akan kita pilih mengingat yang sesuai dengan jumlah transisi, 07:55.100 --> 07:59.800 jumlah peristiwa yang terakhir Anda nyatakan tindakan terakhir dan kata terakhir. 07:59.830 --> 08:07.550 Dan seperti yang disebutkan dalam salah satu kerja keras Priester kita akan mengambil seratus ribu seratus ribu transisi 08:07.550 --> 08:14.390 ke dalam memori dan kemudian kita akan mengambil sampel dari memori ini untuk mendapatkan sejumlah kecil 08:14.390 --> 08:18.670 transisi acak dan di mana model tersebut akan OK. 08:18.720 --> 08:21.210 Jadi sekarang kita memiliki ingatan kita yang sempurna. 08:21.210 --> 08:23.180 Sekarang mari kita dapatkan pengoptimal kami. 08:23.430 --> 08:31.800 Jadi sekali lagi kita membuat variabel baru ini kita sebut optimizer jadi optimizer adalah variabel lain dari dequeue 08:31.800 --> 08:35.320 masa depan kita sebuah objek self optimizer. 08:35.520 --> 08:44.130 Dan sekarang jika kita kembali, Anda dapat melihat bahwa kami mengimpor Upton tersiksa yang merupakan obor modular yang berisi semua alat 08:44.160 --> 08:47.080 untuk melakukan untuk mendapatkan grid di tengah. 08:47.130 --> 08:54.260 Jadi tentu saja itu berisi beberapa pengoptimal dan kami memberikannya jalan pintas Upton dan oleh karena itu di sini 08:54.270 --> 09:00.900 yang akan kami lakukan adalah mengambil model kepadanya yang obor yang terserah dia dan dari modul ini kita 09:00.900 --> 09:03.060 akan mengambil salah satu pengoptimal. 09:03.180 --> 09:05.670 Jadi seperti yang Anda lihat mereka semua terdaftar di sini. 09:05.880 --> 09:10.630 Banyak dari mereka sangat baik misalnya Propp baju besi adalah pengoptimal yang sangat baik. 09:10.640 --> 09:16.170 Sebagai contoh, sangat direkomendasikan untuk catatan jaringan saraf atau pembelajaran mendalam tanpa pengawasan. 09:16.230 --> 09:22.140 Tapi yang lain yang sangat bagus dan dia akan pilih adalah pengoptimal atom. 09:22.500 --> 09:26.400 Itu yang Anda akan melihat bahwa dengan ini akan mendapatkan mobil self-driving yang bagus 09:26.580 --> 09:32.000 Tetapi sekali lagi Anda benar-benar dipersilakan untuk mencoba yang lain Anda dapat mencoba alat bantu lengan tetapi untuk logam kami akan 09:32.000 --> 09:32.810 memilih Adam. 09:32.850 --> 09:34.290 Jadi saya menekan enter. 09:34.560 --> 09:37.240 Dan sebenarnya Anda akan melihat ada gedung DPR di sini. 09:37.260 --> 09:40.430 Itu karena kami membuat objek kelas Atom. 09:40.430 --> 09:44.990 Ini adalah kelas tetapi objek akan menjadi pengoptimal atom itu sendiri. 09:45.060 --> 09:50.970 Tetapi karena ini adalah kelas, kita perlu memberikan beberapa argumen, argumen dari kelas Atom dan 09:51.060 --> 09:55.270 argumen adalah semua parameter yang dapat menyesuaikan dan pengoptimal Anda. 09:55.380 --> 10:00.330 Jadi misalnya itu biasanya tingkat belajar pembusukan atau beberapa parameter lainnya. 10:00.510 --> 10:05.690 Dan selain mengambil semua parameter Ormeau kami akan menentukan tingkat pembelajaran. 10:05.970 --> 10:08.650 Jadi ini awal dari parameter model kami. 10:08.670 --> 10:12.830 Kita bisa mendapatkannya dengan model keraguan diri. 10:12.870 --> 10:17.530 Jadi itulah model yang kami buat di sini model otodidak dari kelas kami sendiri. 10:17.580 --> 10:24.780 Jadi model otodidak dan kemudian untuk mengakses parameter model kami menambahkan titik lain dan kemudian parameter dengan 10:25.500 --> 10:28.170 beberapa tanda kurung sangat sederhana. 10:28.170 --> 10:35.860 Jadi itu hanya untuk menghubungkan pengoptimal addon ke jaringan saraf kita yang kita buat di sini lagi kemudian seperti 10:35.880 --> 10:42.810 yang baru saja kita sebutkan kita akan menambahkan tingkat pembelajaran dan argumen untuk ini adalah milik kita. 10:43.170 --> 10:50.540 Dan kita akan mengaturnya sama dengan nilai sehingga pembelajaran tidak terjadi terlalu cepat jika kita mendapatkan tingkat pembelajaran terlalu 10:50.540 --> 10:53.910 besar maka AI AI akan belajar dengan benar. 10:53.910 --> 10:58.890 Kami ingin memberi AI kami waktu untuk mengeksplorasi belajar dari kesalahannya. 10:58.890 --> 11:04.320 Anda tahu kapan kita menghukumnya ketika melakukan kesalahan seperti masuk akal atau terlalu dekat 11:04.320 --> 11:05.510 dengan tembok. 11:05.770 --> 11:08.780 Kami ingin memberi waktu untuk belajar. 11:08.880 --> 11:12.030 Kami ingin cara jaringan saraf untuk berkencan dengan benar. 11:12.180 --> 11:21.010 Jadi nilai bagus untuk tingkat pembelajaran yang saya dapatkan setelah mencoba beberapa diantaranya adalah 0. 2 atau satu. 11:21.210 --> 11:24.540 Baiklah dan hanya itu yang kita butuhkan untuk membuat pengoptimal. 11:24.720 --> 11:28.320 Jadi pada dasarnya Anda membuat objek kelas Atom. 11:28.530 --> 11:29.050 Besar. 11:29.070 --> 11:35.980 Dan kemudian tiga variabel terakhir yang kita butuhkan adalah variabel yang menyusun peristiwa transisi kita. 11:36.150 --> 11:40.130 Jadi itulah tanggal terakhir tindakan terakhir dan kata terakhir. 11:40.170 --> 11:45.280 Dan pada dasarnya itulah yang akan kita buat sekarang dan kita hanya perlu menginisialisasi mereka. 11:45.300 --> 11:50.130 Jadi mari kita mulai dengan kencan terakhir tanggal terakhir kita akan menyebutnya otodidak. 11:50.400 --> 11:56.000 Keadaan garis bawah terakhir dan kemudian bagaimana Anda akan menginisialisasi itu. 11:56.190 --> 12:03.840 Ingat tanggal terakhir adalah vektor 5 dominasi, vektor yang dikodekan dalam satu keadaan 12:03.840 --> 12:04.700 lingkungan. 12:04.950 --> 12:10.800 Dan sebagai pengingat lima dimensi ini adalah tiga sinyal dari tiga sensor kiri 12:10.800 --> 12:15.180 lurus dan kanan dan orientasi dan orientasi minus. 12:15.210 --> 12:18.350 Jadi ini adalah vektor dan pengertian intuitif. 12:18.420 --> 12:21.060 Tetapi untuk obor itu harus lebih dari vektor. 12:21.210 --> 12:23.640 Ini sebenarnya harus menjadi tensor obor. 12:23.820 --> 12:29.970 Tetapi tidak hanya perlu sensor obor tetapi juga perlu memiliki satu dimensi lagi yang saya 12:29.970 --> 12:33.510 suka menyebutnya dimensi palsu yang sesuai dengan batch. 12:33.630 --> 12:39.810 Dan itu karena delapan terakhir akan menjadi input dari jaringan saraf tetapi ketika bekerja dengan saya ketika itu 12:39.810 --> 12:46.220 bekerja secara umum apakah itu dengan aliran yang lebih padat membawa obor sedangkan vektor input tidak bisa menjadi 12:46.290 --> 12:48.040 vektor sederhana dengan sendirinya. 12:48.210 --> 12:49.760 Itu harus dalam batch. 12:49.830 --> 12:57.660 Jaringan hanya dapat menerima kumpulan pengamatan input dan oleh karena itu tidak hanya akan membuat tensor untuk 12:57.870 --> 13:05.140 vektor negara input tetapi juga kami akan membuat dimensi palsu ini sesuai dengan batch. 13:05.190 --> 13:11.490 Jadi mari kita lakukan ini dan mari kita mulai dengan menginisialisasi tensor obor sehingga untuk melakukan ini tidak ada yang 13:11.490 --> 13:12.340 lebih sederhana. 13:12.510 --> 13:21.810 Kita ambil perpustakaan torche kita lalu titik dan kemudian kita akan menggunakan kelas tensor karena seperti yang Anda 13:21.810 --> 13:27.950 duga ini akan membuat objek kelas tensor yang merupakan objek tensor. 13:28.120 --> 13:34.660 Dan dalam tensor ini kita perlu menempatkan argumen yang akan menentukan ukuran tensor. 13:34.660 --> 13:38.720 Anda dapat membayangkannya seperti array yang memiliki satu tipe tunggal. 13:38.890 --> 13:45.430 Tetapi pada dasarnya apa yang akan diwakili sekarang tentu saja keadaan input ini yang dapat Anda lihat memiliki vektor 13:46.180 --> 13:49.380 dan untuk menentukan jumlah elemen yang harus dimiliki jarak. 13:49.570 --> 13:55.180 Yah kita perlu menggunakan tentu saja ukuran input karena ukuran input persis jumlah dimensi 13:55.510 --> 13:57.520 vektor negara input kami. 13:57.520 --> 13:59.050 Sekarang saya harus mengatakan tensor. 13:59.170 --> 14:05.650 Jadi apa yang kita perlu input di kelas tensor kita untuk membuat objek tensor. 14:06.010 --> 14:07.260 Nah itu tidak tepat. 14:07.540 --> 14:10.230 Dan nantinya ukuran input akan dikuantifikasi. 14:11.350 --> 14:12.430 Baiklah itu bagus. 14:12.430 --> 14:13.670 Itu hal pertama yang dilakukan. 14:13.720 --> 14:17.390 Kami baru saja menginisialisasi tensor sebagaimana mestinya. 14:17.530 --> 14:23.080 Tetapi ingatlah bahwa kita perlu melakukan hal lain yang perlu kita buat dimensi palsu itu 14:23.080 --> 14:30.070 karena ini adalah apa yang diharapkan jaringan untuk inputnya dan untuk menciptakan yang ini untuk pemeriksaan yang omong-omong harus menjadi 14:30.070 --> 14:35.840 mesin pertama kali Anda tahu kerusakan Anda Dimasukkan ke dalam batch akan menjadi pertama kalinya saya menyebutkan 14:35.940 --> 14:37.800 ini katakanlah dengan sangat baik. 14:38.230 --> 14:46.050 Nah untuk melakukan ini kita hanya perlu menambahkan itu lalu memeras dan kemudian dalam tanda kurung. 14:46.050 --> 14:49.580 Kita perlu menempatkan indeks dari dimensi besar ini. 14:49.620 --> 14:55.790 Dan seperti yang saya katakan dimensi palsu ini harus menjadi animasi pertama dari tanggal terakhir dan 14:55.790 --> 15:02.460 sejak indeks dan byte dimulai nol kita perlu memasukkan nol sehingga mesin paradigma baru ini menjadi mesin 15:02.460 --> 15:03.570 baris pertama. 15:03.570 --> 15:09.360 Jadi kami memiliki mesin pertama kali yang sesuai dengan batch dan kemudian berlian 15:09.360 --> 15:15.960 harus menanggapi sensor yang akan berisi lima elemen input Anda menyatakan tiga orientasi sinyal dan 15:15.990 --> 15:16.910 orientasi minus. 15:17.370 --> 15:21.960 Dan kemudian kita mulai menginisialisasi keadaan input kita dengan benar. 15:21.960 --> 15:22.850 Sempurna. 15:23.310 --> 15:30.840 Dan kemudian dua variabel untuk pergi dan itu akan menjadi jauh lebih mudah karena variabel berikutnya adalah tindakan 15:31.110 --> 15:31.850 terakhir. 15:32.190 --> 15:36.340 Itu Roybal baru yang kami buat untuk aksi terakhir Object. 15:36.510 --> 15:43.440 Dan ingat dalam tutorial pertama dari bagian yang saya katakan bahwa tindakan akan menjadi 15:43.440 --> 15:52.470 0 1 atau 2 dan kemudian menggunakan vektor rotasi tindakan kita akan mengkonversi indeks tindakan ini menjadi sudut 15:52.470 --> 15:58.010 rotasi yang saya ingatkan 0 kami 20 atau minus 20. 15:58.050 --> 16:00.980 Kita sebenarnya bisa menyegarkan ingatan kita dengan itu. 16:01.200 --> 16:03.170 Yah itu persis di sini. 16:03.170 --> 16:06.260 Aksi berotasi jika aksinya nol. 16:06.390 --> 16:11.650 Nah ini akan sesuai dengan indeks pertama nol jika aksinya 1. 16:11.700 --> 16:17.310 Ini akan sesuai dengan indeks salah satu dari vektor-vektor ini dari 20 derajat dan jika aksinya 16:17.310 --> 16:23.490 adalah kita akan mendapatkan minus 20 derajat itu akan menjadi sudut rotasi mobil kita ketika kita memainkan aksinya. 16:23.510 --> 16:24.200 Baiklah. 16:24.380 --> 16:31.040 Dan karena itu tindakannya akan menjadi 0 1 atau 2 Nah tindakannya ada untuk angka 16:31.040 --> 16:31.740 sederhana. 16:31.850 --> 16:35.440 Dan dengan sangat sederhana kita dapat menginisialisasi ke nol. 16:35.660 --> 16:38.330 Kami tidak perlu membuat puluhan atau mendengar apa pun. 16:38.360 --> 16:40.880 Kita hanya perlu menginisialisasi dengan nol. 16:41.420 --> 16:42.850 Dan akhirnya. 16:43.010 --> 16:44.460 Nah itu kata terakhir. 16:44.550 --> 16:48.840 Diri adalah kata terakhir. 16:48.860 --> 16:49.940 Itu dia. 16:49.940 --> 16:56.510 Dan lagi kata itu adalah angka float yang saya ingatkan adalah antara minus 1 dan plus 1. 16:56.510 --> 16:57.790 Jadi itu angka lagi. 16:57.860 --> 16:59.400 Dan untuk aksinya. 16:59.510 --> 17:02.900 Kami akan menginisialisasi ke nol dan kemudian kita pergi. 17:02.900 --> 17:06.330 Selamat di dalamnya fungsinya sudah siap. 17:06.350 --> 17:08.930 Jadi sekarang kita siap untuk beralih ke hal-hal yang menarik. 17:08.930 --> 17:16.040 Dan sebenarnya hal yang paling penting untuk AI yang menentukan tindakan mana yang akan dimainkan pada setiap 17:16.080 --> 17:23.240 waktu dan setiap tanty. Dan itulah yang akan kita lakukan di tutorial selanjutnya dengan membuat metode tindakan pilih. 17:23.510 --> 17:27.310 Jadi mari kita lakukan ini di sebelah jerih payah dan sampai saat itu.