WEBVTT 00:00.240 --> 00:06.600 Cześć i witamy w tutorialu Pythona w Statoil, zrobimy pierwszy krok do wdrożenia 00:06.630 --> 00:08.270 modelu głębokiej teorii. 00:08.280 --> 00:13.590 Zasadniczo więc zaimplementujemy cały proces algorytmu dyfuzji. 00:13.830 --> 00:16.580 A więc wykorzystamy to, co stworzyliśmy wcześniej. 00:16.590 --> 00:22.460 Taka jest architektura sieci neuronowej, która odtwarza pamięć, aby zintegrować ją z całym 00:22.530 --> 00:24.180 procesem uczenia się. 00:24.180 --> 00:28.320 Cały ten algorytm uczenia się zmieści się w jednej klasie. 00:28.380 --> 00:32.340 To ostatnie, co robimy, aby wprowadzić sztuczną inteligencję. 00:32.340 --> 00:35.650 Klasa ta będzie zawierała tylko różne funkcje. 00:35.700 --> 00:41.790 Będziemy mieli w nim funkcje, które stworzą i zainicjują wszystkie zmienne związane 00:41.790 --> 00:48.450 z naszymi przyszłymi obiektami objazdowymi, które będą reprezentować sam model i będą miały inne funkcje. 00:48.510 --> 00:52.830 Jednym z nich będzie oczywiście wybór odpowiedniego działania za każdym razem. 00:52.950 --> 00:59.250 Będziemy mieć także podstawową funkcję funkcji aktualizacji, aby uzyskać ten rdzeń i mieć pojęcie o tym, jak nauka 00:59.250 --> 01:01.030 idzie, jeśli wszystko idzie dobrze. 01:01.090 --> 01:07.080 Jeśli eksploracja idzie dobrze i jeśli może przejść do eksploatacji, a następnie będziemy mieć bezpieczną 01:07.080 --> 01:12.430 funkcję, aby zaoszczędzić jutro, to jest uratować mózg samochodu, a następnie załadować funkcję. 01:12.480 --> 01:14.590 Mamy więc kilka funkcji do wykonania. 01:14.640 --> 01:17.440 Zamierzamy wykonać jedną funkcję, aby każdy mógł pracować. 01:17.490 --> 01:22.820 A dzisiaj zaczniemy od funkcji końcowej, jak zwykle, kiedy robimy zajęcia. 01:23.010 --> 01:30.040 Ale najpierw nie zapominajmy o wprowadzeniu klasy, więc nazwiemy ją D. 01:30.200 --> 01:35.970 Q A dla twojej sieci wywołujemy nawias. 01:36.030 --> 01:39.440 A potem idziemy z naszą pierwszą funkcją. 01:39.500 --> 01:47.910 Zróbmy więc def, a następnie podwójny podkreślenie, a następnie jego podwójne podkreślenie i nawias. 01:48.170 --> 01:53.530 Tak jak zrozumieliście w tej funkcji, zamierzamy wprowadzić zmienne związane z naszym obiektem. 01:53.570 --> 01:59.240 Tak więc będziemy mieć kilka linii rozpoczynających się od siebie, a my w zasadzie stworzymy 01:59.300 --> 02:03.530 i zainicjujemy wszystkie zmienne, które są potrzebne do wdrożenia sieci D2. 02:03.530 --> 02:09.740 Tak więc na przykład stworzymy obiekt lub sieć, ponieważ oczywiście potrzebujemy naszej głębokiej sieci neuronowej, 02:10.310 --> 02:12.190 wtedy potrzebujemy naszej pamięci. 02:12.300 --> 02:14.630 Stworzymy kolejną zmienną dla pamięci. 02:14.740 --> 02:20.430 Więc będziemy mieć kolejną zmienną samouwielbienie, ale to nie wszystko, co będziemy musieli stworzyć. 02:20.480 --> 02:22.390 Niektóre zmienne dla ostatniej daty. 02:22.490 --> 02:24.820 Ostatnia akcja i ostatnie słowo. 02:24.920 --> 02:30.520 To oczywiście znasz zmienne, które widzisz w algorytmie dyfuzji. 02:30.920 --> 02:31.830 A co jeszcze. 02:31.940 --> 02:38.150 No cóż, potrzebujemy również optymalizatora, który znamy, aby wykonać siatkę stochastyczną w znaczeniu wag danych w 02:38.510 --> 02:42.170 zależności od tego, ile przyczynią się do błędu. 02:42.320 --> 02:48.650 Kiedy sztuczna inteligencja robi błąd, a potem myślę, że to w zasadzie zmienne, które musimy teraz 02:48.650 --> 02:50.230 stworzyć i zainicjować. 02:50.510 --> 02:58.460 Ale w tej funkcji init najpierw wstawimy kilka argumentów jako zwykłe self, które jest argumentami odnoszącymi się 02:58.460 --> 03:00.190 do naszego obiektu. 03:00.200 --> 03:05.210 Odkąd wiesz, że stworzymy obiekt klasy sieciowej. 03:05.390 --> 03:12.740 No cóż, ponieważ klasa sieci przyjmuje argumenty w rozmiarze wejściowym funkcji init, a akcja Cóż jest 03:12.740 --> 03:13.740 taka sama. 03:13.850 --> 03:19.110 Tworząc obiekt klasy sieciowej, musimy wybrać argument wielkości wejściowej i faktyczny 03:19.160 --> 03:20.180 argument. 03:20.180 --> 03:22.140 Dlatego możemy po prostu skopiować je 03:25.660 --> 03:27.520 tutaj i tutaj idziemy. 03:27.710 --> 03:30.450 Te argumenty staną się teraz. 03:30.560 --> 03:33.160 Również niektóre argumenty nie trwały długo. 03:33.170 --> 03:39.680 Ilekroć tworzymy jakieś przyszłe obiekty różnych klas, które będą miały pewne przyszłe modele ról, będziemy 03:39.680 --> 03:45.010 musieli określić rozmiar wejściowy, który przypominam, to liczba wymiarów w wektorach, które zawierają 03:45.010 --> 03:46.330 twoje stany. 03:46.370 --> 03:52.940 Twoje stany wejściowe i liczba akcji, czyli liczba możliwych działań, które może wykonać samochód. 03:53.150 --> 03:54.000 Więc wam przypomina. 03:54.110 --> 03:57.830 Są to albo idź w lewo idź prosto, albo idź w prawo. 03:58.190 --> 03:59.270 W porządku, doskonale. 03:59.270 --> 04:04.640 Wtedy wiesz, że będziesz tworzyć nowy obiekt klasy pamięci powtórek, aby utworzyć 04:04.640 --> 04:10.680 obiekt pamięci, aby uzyskać naszą pamięć przejść oraz w informacji, którą mamy argument pojemności. 04:10.850 --> 04:16.640 Ale ponieważ będziemy go używać tylko raz, kiedy tworzymy pamięć, a nie później, 04:16.640 --> 04:20.000 więc nie będziemy musieli określać argumentu wydajności. 04:20.030 --> 04:25.330 Moglibyśmy to zrobić, ale bezpośrednio wprowadzimy liczbę przejść, które chcemy mieć w naszej pamięci. 04:26.150 --> 04:32.390 Ale wtedy potrzebujemy ostatniego argumentu, który ma uzyskać parametr w modelu nauczyciela. 04:32.480 --> 04:35.470 Pamiętaj, że parametr gamma to opóźnienie. 04:35.750 --> 04:41.300 I to jest parametr równania, dlatego go tutaj umieścimy, ponieważ będziemy go później 04:41.510 --> 04:42.920 używać kilka razy. 04:43.160 --> 04:44.990 Więc, ułóżmy to tutaj. 04:45.070 --> 04:47.140 Nazwiemy to Gamma. 04:47.150 --> 04:52.610 W związku z tym jest to tylko nazwa argumentu, a następnie podajemy wszystkie argumenty potrzebne do tego celu 04:52.610 --> 04:53.740 w jego funkcji. 04:53.750 --> 05:00.320 Oznacza to, że ilekroć tworzymy nasz słownikowy model, ilekroć tworzymy obiekt nauczyciela w 05:00.320 --> 05:01.390 klasie. 05:01.520 --> 05:08.060 Będziemy musieli określić jako argumenty wielkość wejściową liczbę akcji i parametr. 05:08.360 --> 05:10.590 I skończymy z prawdziwymi wartościami dla nich. 05:11.210 --> 05:13.870 W porządku, więc teraz wejdźmy do funkcji. 05:14.100 --> 05:14.400 DOBRZE. 05:14.410 --> 05:16.480 Więc teraz to w zasadzie będzie łatwe. 05:16.510 --> 05:21.090 Zaraz stworzymy i zainicjujemy wszystkie potrzebne nam zmienne. 05:21.110 --> 05:22.770 Zacznijmy więc od pierwszego. 05:22.910 --> 05:24.460 Zacznijmy od gamma. 05:24.530 --> 05:26.090 Właściwie współczynnik opóźnienia. 05:26.330 --> 05:31.850 Ponieważ wojewoda chce być przywiązany do jej obiektu, zaczynamy od siebie. 05:31.880 --> 05:39.500 Więc gamma będzie zmienną naszego nauczyciela i samego modelu, że gamma równa się argumentom, które będą 05:39.530 --> 05:42.930 wprowadzane podczas tworzenia obiektu klasy detune. 05:42.950 --> 05:46.900 Więc Janna i tam idziemy z drugim argumentem. 05:47.040 --> 05:50.560 Drugim argumentem będzie okno nagrody. 05:50.840 --> 05:52.340 Czym jest to okno? 05:52.520 --> 05:57.950 Cóż, to będzie przesuwane okno średniej z ostatnich 100 słów, które użyjesz tylko do 05:58.010 --> 06:04.280 oceny ewolucji wykonania, o którym wiesz, że będzie miało znaczenie tego słowa w tym wojennym Windu, 06:04.280 --> 06:06.320 które z czasem ześlizgnie. 06:06.440 --> 06:11.680 A tym, co chcemy zaobserwować, jest znaczenie ostatnich 100 słów narastających z czasem. 06:11.930 --> 06:18.610 Więc zainicjujmy to samo, aby nagradzać okno podkreślenia. 06:18.710 --> 06:24.690 A więc, ponieważ będzie to przesuwane okno ewoluującej średniej z ostatnich 100 słów. 06:24.860 --> 06:31.710 Cóż, zamierzamy go zainicjować jako pustą listę, a następnie rozszerzymy, aby oznaczać, że pracujemy w godzinach nadliczbowych. 06:32.860 --> 06:35.320 W porządku, potem bardziej ekscytujące. 06:35.420 --> 06:37.430 Stwórzmy naszą sieć neuronową. 06:37.580 --> 06:43.780 Więc nazwiemy to samoukiem Mario, ponieważ to jest sedno modeli. 06:43.790 --> 06:51.890 Nazywam to modelem, a ten model będzie niczym innym jak przedmiotem w tej klasie i stworzeniem 06:51.890 --> 06:53.270 takiego obiektu. 06:53.300 --> 07:02.630 Przyjmujemy naszą klasową sieć w nawiasach i tutaj właśnie podajemy argumenty klasy, ale argumenty te umieszczamy w argumentach 07:02.750 --> 07:08.930 funkcji init i dlatego po prostu musimy je skopiować tutaj i 07:08.930 --> 07:15.290 wkleić je do klasy sieci, a potem idź z tym wierszem kodu. 07:15.350 --> 07:22.690 Tworzymy jedną sieć neuronową do nauki modelu idealnego, a następnie stwórzmy pamięć. 07:22.880 --> 07:29.930 Znowu zamierzamy stworzyć nowe Vargo, które nazywamy samoukiem. 07:29.930 --> 07:34.190 I znowu będzie to obiekt klasy pamięci powtórzeń. 07:34.220 --> 07:42.320 Po prostu weźmy nazwę lub klasę, dajmy skopiować, spójrzmy prawdzie w oczy, że w tym nawiasie musimy umieścić 07:42.320 --> 07:48.680 pojemność, ponieważ pojemność jest argumentem funkcji i jest to jedyny argument, który musimy 07:48.680 --> 07:49.880 tu zastosować. 07:50.240 --> 07:55.100 Jaką więc pojemność wybieramy pamiętajmy, że odpowiada liczbie przejść, na końcu 07:55.100 --> 07:59.800 liczba ostatnich zdarzeń wskazuje na ostatnią akcję i ostatnie słowo. 07:59.830 --> 08:07.550 I tak, jak wspomniano w jednym z trudów z Priester, przeniesiemy do pamięci sto tysięcy sto 08:07.550 --> 08:14.390 tysięcy przejść, a potem spróbujemy z tej pamięci, aby uzyskać niewielką liczbę losowych przejść 08:14.390 --> 08:18.670 i tego, na którym model będzie w porządku. 08:18.720 --> 08:21.210 Teraz mamy doskonałą pamięć. 08:21.210 --> 08:23.180 Teraz pobierzmy nasz optymalizator. 08:23.430 --> 08:31.800 Znowu więc tworzymy nową zmienną, którą nazywamy optymalizatorem, więc optymalizator to kolejna zmienna naszego przyszłego 08:31.800 --> 08:35.320 wycofywania obiektu z tego optymalizatora. 08:35.520 --> 08:44.130 A teraz, gdy wrócimy, zobaczysz, że przywieźliśmy torturowany Upton, który jest modułową pochodnią, zawierającą wszystkie narzędzia do wykonania, 08:44.160 --> 08:47.080 aby uzyskać siatkę w środku. 08:47.130 --> 08:54.260 Oczywiście zawiera on kilka optymalizatorów, a my daliśmy mu skrót Upton, a więc tutaj, co zamierzamy zrobić, 08:54.270 --> 09:00.900 to wziąć model do niego, który jest pochodnią do niego i z tego modułu mamy zamiar 09:00.900 --> 09:03.060 wziąć jeden z optymalizatory. 09:03.180 --> 09:05.670 Jak widać, wszystkie są tutaj wymienione. 09:05.880 --> 09:10.630 Wiele z nich jest doskonałych, na przykład Propp jest doskonałym optymalizatorem. 09:10.640 --> 09:16.170 Jest na przykład wysoce zalecany do zapisu sieci neuronowych lub bez głębokiego uczenia się bez nadzoru. 09:16.230 --> 09:22.140 Ale drugi, który jest doskonały i że wybierze, to optymalizator atomu. 09:22.500 --> 09:26.400 To właśnie zobaczysz, że dzięki temu otrzymasz dobry samochód do samodzielnego prowadzenia. 09:26.580 --> 09:32.000 Ale znów jesteście mile widziani, aby wypróbować inne, z którymi możecie wypróbować rekwizyty, ale do metalu 09:32.000 --> 09:32.810 wybierzemy Adama. 09:32.850 --> 09:34.290 Więc naciskam enter. 09:34.560 --> 09:37.240 I faktycznie zauważysz, że tu jest stolica. 09:37.260 --> 09:40.430 To dlatego, że tworzymy obiekt klasy Atom. 09:40.430 --> 09:44.990 To jest klasa, ale obiektem będzie sam optymalizator atomu. 09:45.060 --> 09:50.970 Ale ponieważ jest to klasa, musimy podać kilka argumentów, argumenty klasy Atom i 09:51.060 --> 09:55.270 argumenty są parametrami, które mogą dostosować twój i optymalizator. 09:55.380 --> 10:00.330 Na przykład zwykle jest to szybkość uczenia się zaniku lub inne parametry. 10:00.510 --> 10:05.690 A oprócz podjęcia wszystkich parametrów Ormeau określimy współczynnik uczenia się. 10:05.970 --> 10:08.650 To początek parametrów naszego modelu. 10:08.670 --> 10:12.830 Możemy uzyskać je z własnym modelem wątpliwości. 10:12.870 --> 10:17.530 Więc to jest model, który stworzyliśmy w tym modelu samouka z naszej własnej klasy. 10:17.580 --> 10:24.780 Tak więc samouk modelu, a następnie, aby uzyskać dostęp do parametrów modelu, dodajemy po prostu kolejną kropkę, 10:25.500 --> 10:28.170 a następnie parametry z pewnym nawiasem. 10:28.170 --> 10:35.860 Chodzi o to, aby podłączyć optymalizator addonów do naszej sieci neuronowej, którą stworzyliśmy tutaj ponownie, a jak 10:35.880 --> 10:42.810 już wspomnieliśmy, dodamy współczynnik uczenia się, a argumentem jest to, że jest to nasz. 10:43.170 --> 10:50.540 I ustawimy wartość równą wartości takiej, że uczenie się nie nastąpi zbyt szybko, jeśli uzyskamy zbyt duży stopień uczenia 10:50.540 --> 10:53.910 się, wtedy AI AI będzie się uczyć poprawnie. 10:53.910 --> 10:58.890 Chcemy dać naszej AI trochę czasu na zbadanie uczyć się na błędach. 10:58.890 --> 11:04.320 Wiesz, kiedy karzemy, gdy popełnia się błędy, takie jak przechodzenie przez jakiś sens lub zbliżanie 11:04.320 --> 11:05.510 się do ściany. 11:05.770 --> 11:08.780 Chcemy dać trochę czasu na naukę. 11:08.880 --> 11:12.030 Chcemy, aby droga do sieci neuronowej była na bieżąco. 11:12.180 --> 11:21.010 I tak dobra wartość dla szybkości uczenia się, którą otrzymałem po wypróbowaniu kilku z nich, wynosi 0. 2 lub jeden. 11:21.210 --> 11:24.540 W porządku i to wszystko, czego potrzebujemy do stworzenia optymalizatora. 11:24.720 --> 11:28.320 Zasadniczo tworzysz obiekt klasy Atom. 11:28.530 --> 11:29.050 Świetny. 11:29.070 --> 11:35.980 A ostatnie trzy zmienne, których potrzebujemy, to zmienne składające się na nasze zdarzenia przejściowe. 11:36.150 --> 11:40.130 To jest ostatnia data ostatniej akcji i ostatniego słowa. 11:40.170 --> 11:45.280 W zasadzie to właśnie teraz stworzymy i będziemy musieli je zainicjować. 11:45.300 --> 11:50.130 Zacznijmy więc od ostatniej daty ostatniej daty, którą nazwijmy to samoukiem. 11:50.400 --> 11:56.000 Ostatni stan podkreślenia, a następnie w jaki sposób zamierzasz go zainicjować. 11:56.190 --> 12:03.840 Pamiętajmy, że ostatnia data to wektor 5 dominacji wektora zakodowanego w jednym stanie 12:03.840 --> 12:04.700 środowiska. 12:04.950 --> 12:10.800 Dla przypomnienia, te pięć wymiarów to trzy sygnały z trzech czujników w linii 12:10.800 --> 12:15.180 prostej i prawej oraz orientacji i orientacji ujemnej. 12:15.210 --> 12:18.350 Jest to więc wektor i intuicyjny zmysł. 12:18.420 --> 12:21.060 Ale przez pochodnie musi być czymś więcej niż wektorem. 12:21.210 --> 12:23.640 W rzeczywistości musi to być tensor palnika. 12:23.820 --> 12:29.970 Ale nie tylko musi to być czujnik palnika, ale także musi mieć jeszcze jeden wymiar, 12:29.970 --> 12:33.510 który chciałbym nazwać fałszywym wymiarem, który odpowiada partii. 12:33.630 --> 12:39.810 A to dlatego, że ostatnie osiem będzie wejściem sieci neuronowej, ale podczas pracy ze mną, kiedy to 12:39.810 --> 12:46.220 działa w ogóle, czy to z gęstszym przepływem niesie pochodnię, podczas gdy wektor wejściowy nie może sam w 12:46.290 --> 12:48.040 sobie być zwykłym wektorem. 12:48.210 --> 12:49.760 Musi być w partii. 12:49.830 --> 12:57.660 Sieć może akceptować tylko wsad obserwacji wejściowych i dlatego nie tylko stworzy tensor 12:57.870 --> 13:05.140 dla wektorów stanu wejściowego, ale także utworzy ten fałszywy wymiar odpowiadający partii. 13:05.190 --> 13:11.490 Zróbmy to i zacznijmy od zainicjowania tensora palnika, aby to zrobić, nie ma nic 13:11.490 --> 13:12.340 prostszego. 13:12.510 --> 13:21.810 Przyjmujemy bibliotekę torche, a następnie kropkę, a następnie użyjemy klasy tensorów, ponieważ jak można się domyślić, 13:21.810 --> 13:27.950 stworzy to obiekt klasy tensorowej, która jest obiektem tensorowym. 13:28.120 --> 13:34.660 I w tym tensorze musimy postawić argument, który określi wielkość tensora. 13:34.660 --> 13:38.720 Możesz to zrobić, jak tablicę z jednym rodzajem. 13:38.890 --> 13:45.430 Ale w zasadzie to, co teraz będzie reprezentować, jest oczywiście tym stanem wejściowym, który widzisz ma wektor, a 13:46.180 --> 13:49.380 więc określenie liczby elementów, które musi mieć odległość. 13:49.570 --> 13:55.180 Musimy oczywiście użyć wielkości wejściowej, ponieważ wielkość wejściowa jest dokładnie liczbą wymiarów 13:55.510 --> 13:57.520 naszych wektorów stanu wejściowego. 13:57.520 --> 13:59.050 Teraz powinienem powiedzieć tensory. 13:59.170 --> 14:05.650 A więc po prostu musimy wprowadzić w naszej klasie tensorów, aby stworzyć obiekt tensorowy. 14:06.010 --> 14:07.260 Cóż, to jest nieprecyzyjne. 14:07.540 --> 14:10.230 Później wielkość wejściowa zostanie określona ilościowo. 14:11.350 --> 14:12.430 W porządku, to dobrze. 14:12.430 --> 14:13.670 To pierwsza rzecz wykonana. 14:13.720 --> 14:17.390 Właśnie zainicjowaliśmy tensor tak, jak powinien. 14:17.530 --> 14:23.080 Ale pamiętajmy, że musimy zrobić jeszcze jedną rzecz, której potrzebujemy, aby stworzyć ten fałszywy wymiar, 14:23.080 --> 14:30.070 ponieważ jest to tym, czego sieć oczekuje od swoich danych wejściowych i aby stworzyć ten do badania, który przy 14:30.070 --> 14:35.840 okazji musi być pierwszym mechanizmem, w którym znasz obrażenia wrzucony do partii pierwszy raz o tym 14:35.940 --> 14:37.800 wspomnę, powiedzmy bardzo dobrze. 14:38.230 --> 14:46.050 Cóż, aby to zrobić, musimy po prostu dodać to i wycisnąć, a następnie w jakimś nawiasie. 14:46.050 --> 14:49.580 Musimy umieścić indeks tego wielkiego wymiaru. 14:49.620 --> 14:55.790 I jak właśnie powiedziałem, ten fałszywy wymiar musi być pierwszą animacją z ostatniej daty, a ponieważ 14:55.790 --> 15:02.460 indeksy i bajty i początkowe zero, musimy wprowadzić zero, aby ten nowy silnik paradygmatu stał się silnikiem 15:02.460 --> 15:03.570 pierwszego rzędu. 15:03.570 --> 15:09.360 Mamy zatem pierwszy silnik czasu odpowiadający partii, a następnie diament powinien odpowiedzieć na 15:09.360 --> 15:15.960 ten czujnik, który będzie zawierał pięć elementów twojego wejścia, wskazując trzy orientacje sygnałów i orientację 15:15.990 --> 15:16.910 ujemną. 15:17.370 --> 15:21.960 A potem zaczynamy poprawnie inicjować nasze stany wejściowe. 15:21.960 --> 15:22.850 Idealny. 15:23.310 --> 15:30.840 A następnie dwie zmienne, które należy przejść i to będzie znacznie łatwiejsze, ponieważ następna zmienna jest ostatnią 15:31.110 --> 15:31.850 akcją. 15:32.190 --> 15:36.340 Oto nowy Roybal, który tworzymy dla ostatniej akcji obiektu. 15:36.510 --> 15:43.440 I pamiętajcie w pierwszym samouczku sekcji Powiedziałem wam, że działania będą miały wartość 15:43.440 --> 15:52.470 0 1 lub 2, a następnie za pomocą wektora obrotu akcji przekształcimy te indeksy tych działań w 15:52.470 --> 15:58.010 kąty obrotu, które przypominam 0 20 lub minus 20. 15:58.050 --> 16:00.980 Możemy dzięki temu odświeżyć naszą pamięć. 16:01.200 --> 16:03.170 Cóż, jest dokładnie tutaj. 16:03.170 --> 16:06.260 Akcja do rotacji, jeśli akcja wynosi zero. 16:06.390 --> 16:11.650 Cóż, to będzie odpowiadać pierwszemu indeksowi zerowemu, jeśli czynność wynosi 1. 16:11.700 --> 16:17.310 Będzie to odpowiadało indeksowi jednego z tych wektorów o 20 stopniach, a 16:17.310 --> 16:23.490 jeśli to działanie, otrzymamy minus 20 stopni, czyli kąt obrotu naszego samochodu, kiedy gramy akcję. 16:23.510 --> 16:24.200 W porządku. 16:24.380 --> 16:31.040 A zatem, ponieważ akcja będzie miała wartość 0 1 lub 2, akcja jest wykonywana dla prostej 16:31.040 --> 16:31.740 liczby. 16:31.850 --> 16:35.440 I tak po prostu możemy go zainicjować do zera. 16:35.660 --> 16:38.330 Nie musimy tworzyć dziesiątek ani słyszeć niczego innego. 16:38.360 --> 16:40.880 Musimy tylko zainicjować go zerem. 16:41.420 --> 16:42.850 I w końcu. 16:43.010 --> 16:44.460 Cóż, to jest ostatnie słowo. 16:44.550 --> 16:48.840 To ja, to ostatnie słowo. 16:48.860 --> 16:49.940 No to jedziemy. 16:49.940 --> 16:56.510 I znowu słowo jest liczbą zmiennoprzecinkową, którą przypominam między minus 1 a plus 1. 16:56.510 --> 16:57.790 To znowu numer. 16:57.860 --> 16:59.400 A co do akcji. 16:59.510 --> 17:02.900 Zainicjujemy go na zero, a następnie jedziemy. 17:02.900 --> 17:06.330 Gratulacje są w nim funkcja jest gotowa. 17:06.350 --> 17:08.930 Teraz jesteśmy gotowi przejść do ekscytujących rzeczy. 17:08.930 --> 17:16.040 A tak naprawdę to najważniejsza rzecz w sztucznej inteligencji, która decyduje o tym, które akcje należy grać 17:16.080 --> 17:23.240 za każdym razem i za każdym razem. A to właśnie zamierzamy zrobić w następnym ćwiczeniu, tworząc metodę wyboru akcji. 17:23.510 --> 17:27.310 Zróbmy to w następnej pracy i do tego czasu I.