WEBVTT 00:00.240 --> 00:06.600 Bună ziua și bun venit la acest tutorial Python din Statoil vom face primul pas în 00:06.630 --> 00:08.270 implementarea modelului teoriei profunde. 00:08.280 --> 00:13.590 Deci, practic, suntem pe punctul de a implementa întregul proces al algoritmului de difuzie. 00:13.830 --> 00:16.580 Și așa vom folosi ceea ce am creat înainte. 00:16.590 --> 00:22.460 Aceasta este arhitectura rețelei neuronale pentru reluarea memoriei pentru a integra acest lucru în întregul 00:22.530 --> 00:24.180 proces de învățare. 00:24.180 --> 00:28.320 Și acest întreg algoritm de învățare se va potrivi într-o singură clasă. 00:28.380 --> 00:32.340 Acesta este ultimul lucru pe care îl facem să punem în aplicare inteligența artificială. 00:32.340 --> 00:35.650 Și această clasă va conține doar funcții diferite. 00:35.700 --> 00:41.790 Așadar, vom avea funcțiile care vor crea și iniția toate variabilele atașate obiectelor 00:41.790 --> 00:48.450 noastre viitoare de ocolire care vor reprezenta modelul însuși și vor avea și alte funcții. 00:48.510 --> 00:52.830 Unul dintre ei va fi, desigur, acela de a selecta acțiunea potrivită în fiecare moment. 00:52.950 --> 00:59.250 Vom avea, de asemenea, o funcție de bază a funcției de actualizare pentru a obține acest nucleu și a avea o idee despre modul în care procesul 00:59.250 --> 01:01.030 de învățare se desfășoară dacă merge bine. 01:01.090 --> 01:07.080 Dacă explorarea merge bine și dacă se poate trece la exploatare și atunci vom avea o funcție 01:07.080 --> 01:12.430 sigură pentru a salva mâine, care înseamnă salvarea creierului mașinii și apoi încărcarea funcției. 01:12.480 --> 01:14.590 Deci, avem câteva funcții de făcut. 01:14.640 --> 01:17.440 Vom face o singură funcție pentru fiecare să lucreze. 01:17.490 --> 01:22.820 Și astăzi vom începe cu funcția de sfârșit ca de obicei atunci când vom face o cursă. 01:23.010 --> 01:30.040 Dar mai întâi să nu uităm să introducem clasa, așa că o vom numi D. 01:30.200 --> 01:35.970 Și pentru rețeaua dvs., atunci vă invităm la o paranteză. 01:36.030 --> 01:39.440 Și apoi mergem cu prima noastră funcție. 01:39.500 --> 01:47.910 Deci haideți să facem acest def, apoi dublu subliniați apoi dublu subliniază din nou și paranteză. 01:48.170 --> 01:53.530 Așa cum ați înțeles în această funcție, vom introduce variabilele atașate obiectului nostru. 01:53.570 --> 01:59.240 Așadar, vom avea câteva linii care să pornească de la sine și vom crea 01:59.300 --> 02:03.530 și vom inițializa toate variabilele necesare pentru implementarea rețelei D2. 02:03.530 --> 02:09.740 De exemplu, vom crea un obiect sau o rețea deoarece, desigur, avem nevoie de rețeaua noastră neuronală profundă, atunci vom 02:10.310 --> 02:12.190 avea nevoie de memoria noastră. 02:12.300 --> 02:14.630 Vom crea o altă variabilă pentru memorie. 02:14.740 --> 02:20.430 Așadar, vom avea o altă memorie variabilă, dar nu este tot ce va trebui să creăm și noi. 02:20.480 --> 02:22.390 Unele variabile pentru ultima dată. 02:22.490 --> 02:24.820 Ultima acțiune și ultimul cuvânt. 02:24.920 --> 02:30.520 Desigur, știți variabilele pe care le vedeți în algoritmul de difuzie. 02:30.920 --> 02:31.830 Și apoi ce altceva. 02:31.940 --> 02:38.150 Ei bine, vom avea nevoie, de asemenea, de un optimizator pe care îl cunoașteți pentru a efectua o rețea stochastică în sensul 02:38.510 --> 02:42.170 greutății datelor, în funcție de cât de mult va contribui la eroare. 02:42.320 --> 02:48.650 Atunci când AI face o greșeală și apoi cred că așa că este în esență variabilele pe care trebuie acum să le 02:48.650 --> 02:50.230 creăm și să le inițializăm. 02:50.510 --> 02:58.460 Dar în această funcție init vom pune mai întâi câteva argumente ca sinele obișnuit, care este argumentele care se 02:58.460 --> 03:00.190 referă la obiectul nostru. 03:00.200 --> 03:05.210 Apoi, deoarece știți că vom crea un obiect al clasei de rețea. 03:05.390 --> 03:12.740 Ei bine, deoarece clasa de rețea are ca argument în dimensiunea de intrare funcția init și acțiunea Ei bine, este același 03:12.740 --> 03:13.740 lucru aici. 03:13.850 --> 03:19.110 Atunci când creați un obiect al clasei de rețea, va trebui să alegeți un argument de dimensiune de intrare 03:19.160 --> 03:20.180 și argumentul real. 03:20.180 --> 03:22.140 Prin urmare, putem să le copiem 03:25.660 --> 03:27.520 doar aici și aici mergem. 03:27.710 --> 03:30.450 Deci, aceste argumente vor deveni acum. 03:30.560 --> 03:33.160 De asemenea, unele argumente nu au rezistat. 03:33.170 --> 03:39.680 Ori de câte ori creăm niște obiecte viitoare ale clasei diferite că unele modele de rol dical viitor, bine, va 03:39.680 --> 03:45.010 trebui să specificăm dimensiunea de intrare pe care am amintit este numărul de dimensiuni în vectorii care 03:45.010 --> 03:46.330 includ stările tale. 03:46.370 --> 03:52.940 Situațiile dvs. de intrare și o serie de acțiuni care reprezintă numărul de posibile acțiuni pe care le poate face mașina. 03:53.150 --> 03:54.000 Vă reamintesc. 03:54.110 --> 03:57.830 Acestea sunt fie mergeți la stânga mergeți drept sau mergeți la dreapta. 03:58.190 --> 03:59.270 Bine perfect. 03:59.270 --> 04:04.640 Apoi știți că veți crea un obiect nou al clasei de memorie replay pentru a 04:04.640 --> 04:10.680 crea obiectul de memorie pentru a ne memora tranzițiile și în informațiile pe care le avem argumentul capacității. 04:10.850 --> 04:16.640 Dar din moment ce o vom folosi doar odată, atunci când vom crea memorie și nu orice după 04:16.640 --> 04:20.000 aceea Ei bine, nu va trebui să specificăm argumentul capacității. 04:20.030 --> 04:25.330 Am putea face acest lucru, dar vom introduce direct numărul de tranziții pe care vrea să le aibă memoria noastră. 04:26.150 --> 04:32.390 Dar avem nevoie de un ultim argument, care este de a obține parametrul în modelul profesorului. 04:32.480 --> 04:35.470 Amintiți-vă că acest parametru gamma este întârzierea. 04:35.750 --> 04:41.300 Și acesta este un parametru al ecuației și, prin urmare, o vom pune aici pentru că o vom folosi ulterior 04:41.510 --> 04:42.920 de mai multe ori. 04:43.160 --> 04:44.990 Așa că haideți să o punem aici. 04:45.070 --> 04:47.140 O vom numi Gamma. 04:47.150 --> 04:52.610 Deci, pentru că este doar numele argumentului și apoi vom merge toate argumentele de care veți avea nevoie pentru acest 04:52.610 --> 04:53.740 lucru în funcția sa. 04:53.750 --> 05:00.320 Asta înseamnă că ori de câte ori creăm modelul nostru de dicționare, atunci când creăm un obiect al profesorului 05:00.320 --> 05:01.390 în clasă. 05:01.520 --> 05:08.060 Ei bine, va trebui să specificăm ca argumente dimensiunea intrării numărul de acțiune și parametru. 05:08.360 --> 05:10.590 Și vom termina cu valorile reale pentru ei. 05:11.210 --> 05:13.870 Acum să mergem în interiorul funcției. 05:14.100 --> 05:14.400 O.K. 05:14.410 --> 05:16.480 Deci acum, practic, acest lucru va fi ușor. 05:16.510 --> 05:21.090 Suntem pe cale să creăm și să inițializăm toate variabilele de care avem nevoie. 05:21.110 --> 05:22.770 Și să începem cu prima. 05:22.910 --> 05:24.460 Să începem cu gamma. 05:24.530 --> 05:26.090 De fapt, coeficientul de întârziere. 05:26.330 --> 05:31.850 Deci, deoarece acesta este un voievod care vrea să fie atașat obiectului ei, începem cu sine. 05:31.880 --> 05:39.500 Deci, gama va fi o variabilă a învățătorului și a modelului propriu, că gama este egală cu argumentele care vor fi introduse 05:39.530 --> 05:42.930 când se creează un obiect al clasei de detune. 05:42.950 --> 05:46.900 Deci, Janna și acolo mergem cu al doilea argument. 05:47.040 --> 05:50.560 Al doilea argument va fi fereastra de recompensă. 05:50.840 --> 05:52.340 Deci, ce este această fereastră. 05:52.520 --> 05:57.950 Ei bine, asta va fi fereastra de alunecare din mijlocul ultimelor 100 de cuvinte pe care le 05:58.010 --> 06:04.280 vei folosi doar pentru a evalua evoluția performanței pe care o știi că va avea sensul cuvântului în acest război 06:04.280 --> 06:06.320 Windu care va aluneca în timp. 06:06.440 --> 06:11.680 Și ceea ce dorim să observăm este semnificația ultimelor 100 de cuvinte care cresc în timp. 06:11.930 --> 06:18.610 Deci, să o inițializăm cu sine care recompensează fereastra de subliniere. 06:18.710 --> 06:24.690 Și din moment ce aceasta va fi o fereastră alunecoasă a mediei evolutive a ultimelor 100 de cuvinte. 06:24.860 --> 06:31.710 Ei bine, o vom inițializa ca pe o listă goală și apoi ne vom extinde pentru a însemna că lucrăm suplimentar. 06:32.860 --> 06:35.320 Bine, atunci mai interesant. 06:35.420 --> 06:37.430 Să ne creăm rețeaua neurală. 06:37.580 --> 06:43.780 Așa că o să-l numim "auto-învățat Mario", pentru că în esență asta este inima modelelor. 06:43.790 --> 06:51.890 Îl numesc model și acest model nu va fi altceva decât un subiect din acea clasă și să creeze un 06:51.890 --> 06:53.270 astfel de obiect. 06:53.300 --> 07:02.630 Noi luăm rețeaua de clasă în paranteză și aici am pus doar argumentele clasei dar am pus aceste argumente în argumentele 07:02.750 --> 07:08.930 funcției init și de aceea trebuie doar să le copiem aici și să 07:08.930 --> 07:15.290 le lipim în clasa de rețea și apoi noi du-te cu această linie de cod. 07:15.350 --> 07:22.690 Creăm o rețea neurală pentru a învăța modelul perfect, apoi să ne creăm o memorie. 07:22.880 --> 07:29.930 Așa că din nou vom crea un nou Vargo pe care îl numim memorie auto-învățată. 07:29.930 --> 07:34.190 Și din nou, acest lucru va fi un obiect al clasei de memorie reluată. 07:34.220 --> 07:42.320 Deci, să luăm numele sau clasa să copiem și să ne confruntăm cu asta aici și în unele paranteze trebuie să 07:42.320 --> 07:48.680 punem capacitatea deoarece capacitatea este un argument al funcției și acesta este singurul argument de care 07:48.680 --> 07:49.880 avem nevoie aici. 07:50.240 --> 07:55.100 Deci, ce capacitate vom alege să ne amintim că corespunde numărului de tranziții numărul 07:55.100 --> 07:59.800 de evenimente ultima stare pe care le menționați ultima acțiune și ultimul cuvânt. 07:59.830 --> 08:07.550 Și așa cum am menționat într-unul din trupele lui Priester, vom lua o sută de mii o sută de mii 08:07.550 --> 08:14.390 de tranziții în memorie și apoi vom încerca din această memorie să obținem un număr mic de 08:14.390 --> 08:18.670 tranziții aleatorii și pe care modelul va fi în regulă. 08:18.720 --> 08:21.210 Deci acum avem memoria noastră perfectă. 08:21.210 --> 08:23.180 Acum, să luăm optimizatorul nostru. 08:23.430 --> 08:31.800 Așadar, din nou, vom crea o nouă variabilă pe care o numim optimizator, astfel încât optimizatorul este o altă variabilă a 08:31.800 --> 08:35.320 viitorului nostru dequeue un sine obiect care optimizator. 08:35.520 --> 08:44.130 Și acum, dacă ne întoarcem în sus, puteți vedea că am importat torturat Upton, care este o torță modulară, care conține toate instrumentele 08:44.160 --> 08:47.080 necesare pentru a face grila în centru. 08:47.130 --> 08:54.260 Așa că, desigur, acesta conține unii optimizatori și i-am dat scurtatura Upton și de aici aici ceea ce vom face 08:54.270 --> 09:00.900 este să luăm modelul până la el, care este torța care până la el și din acest modul 09:00.900 --> 09:03.060 vom lua unul dintre optimizatori. 09:03.180 --> 09:05.670 Așa cum puteți vedea că sunt enumerate aici. 09:05.880 --> 09:10.630 Multe dintre ele sunt excelente, de exemplu, armura lui Propp este un optimizator excelent. 09:10.640 --> 09:16.170 Există, de exemplu, foarte recomandat pentru înregistrarea rețelelor neuronale sau învățarea adâncă nesupravegheată. 09:16.230 --> 09:22.140 Dar celălalt care este excelent și că va alege este optimizatorul de atomi. 09:22.500 --> 09:26.400 Asta o vei vedea că cu asta o să ai o mașină bună de auto-conducere. 09:26.580 --> 09:32.000 Dar din nou sunteti bineveniti sa incercati si alti oameni pe care puteti incerca sa-i incercati, dar pentru metal vom 09:32.000 --> 09:32.810 alege Adam. 09:32.850 --> 09:34.290 Deci, apăs pe Enter. 09:34.560 --> 09:37.240 Și, de fapt, veți observa că aici este capitolul. 09:37.260 --> 09:40.430 Asta pentru că creăm un obiect al clasei Atom. 09:40.430 --> 09:44.990 Aceasta este o clasă, dar obiectul va fi un optimizator atomic în sine. 09:45.060 --> 09:50.970 Dar, deoarece aceasta este o clasă, trebuie să punem câteva argumente argumentele clasei Atom și 09:51.060 --> 09:55.270 argumentele sunt toți parametrii care vă pot personaliza și optimizatorul. 09:55.380 --> 10:00.330 De exemplu, aceasta este de obicei rata de învățare a degradării sau alți parametri. 10:00.510 --> 10:05.690 Și, pe lângă luarea tuturor parametrilor Ormeau, vom specifica o rată de învățare. 10:05.970 --> 10:08.650 Deci este începutul parametrilor modelului nostru. 10:08.670 --> 10:12.830 Le putem obține cu un model de îndoială. 10:12.870 --> 10:17.530 Deci acesta este modelul pe care l-am creat aici modelul de auto-învățat din clasa noastră. 10:17.580 --> 10:24.780 Astfel, modelul auto-predat și apoi accesul la parametrii modelului adaugăm un alt punct și apoi parametrii cu 10:25.500 --> 10:28.170 o anumită paranteză foarte simplu. 10:28.170 --> 10:35.860 Deci, doar pentru a conecta optimizatorul de addon la rețeaua noastră neuronală, cea pe care am creat-o aici, atunci, după 10:35.880 --> 10:42.810 cum am menționat deja, vom adăuga o rată de învățare, iar argumentul pentru aceasta este al nostru. 10:43.170 --> 10:50.540 Și o vom stabili cu o valoare astfel încât învățarea să nu se întâmple prea repede dacă obținem o rată de învățare 10:50.540 --> 10:53.910 prea mare, atunci când AI AI va învăța cum trebuie. 10:53.910 --> 10:58.890 Vrem să oferim AI-ului nostru un timp pentru a explora învăța din greșelile sale. 10:58.890 --> 11:04.320 Știți când o pedepsim atunci când face niște greșeli ca să mergem într-un sens sau să ne apropiem prea 11:04.320 --> 11:05.510 mult de un zid. 11:05.770 --> 11:08.780 Ei bine, vrem să dăm ceva timp pentru a învăța. 11:08.880 --> 11:12.030 Vrem o cale spre rețeaua neuronală corectă. 11:12.180 --> 11:21.010 Și astfel, o valoare bună pentru rata de învățare la care am ajuns după ce am încercat mai multe dintre ele este 0. 2 sau una. 11:21.210 --> 11:24.540 În regulă și asta e tot ce trebuie pentru a crea un optimizator. 11:24.720 --> 11:28.320 Deci, în principiu creați un obiect al clasei Atom. 11:28.530 --> 11:29.050 Grozav. 11:29.070 --> 11:35.980 Și apoi ultimele trei variabile de care avem nevoie sunt variabilele care compun evenimentele noastre de tranziție. 11:36.150 --> 11:40.130 Deci este ultima dată ultima acțiune și ultimul cuvânt. 11:40.170 --> 11:45.280 Și, în principiu, asta vom crea acum și va trebui să le inițializăm. 11:45.300 --> 11:50.130 Deci, să începem cu ultima dată la ultima dată pe care o vom numi auto-predată. 11:50.400 --> 11:56.000 Ultima stare de subliniere și apoi cum o să inițializați. 11:56.190 --> 12:03.840 Amintiți-vă ultima dată este un vector de 5 dominări un vector care este codificat într-o stare a 12:03.840 --> 12:04.700 mediului. 12:04.950 --> 12:10.800 Și ca o reamintire, aceste cinci dimensiuni sunt cele trei semnale ale celor trei 12:10.800 --> 12:15.180 senzori lăsați drept și drept și orientare orientată și minus. 12:15.210 --> 12:18.350 Deci, acesta este un vector și un sens intuitiv. 12:18.420 --> 12:21.060 Dar, datorită torței, trebuie să fie mai mult decât un vector. 12:21.210 --> 12:23.640 De fapt, trebuie să fie un tensor al torței. 12:23.820 --> 12:29.970 Dar nu numai că trebuie să fie un senzor de torță, dar trebuie să aibă încă o dimensiune pe care 12:29.970 --> 12:33.510 îmi place să o numesc dimensiune falsă care corespunde lotului. 12:33.630 --> 12:39.810 Și asta pentru că ultimele opt vor fi intrarea rețelei neuronale, dar atunci când lucrează cu mine când funcționează în 12:39.810 --> 12:46.220 general dacă este cu un flux mai dens poartă o lanternă, în timp ce vectorii de intrare nu pot fi un 12:46.290 --> 12:48.040 vector simplu de la sine. 12:48.210 --> 12:49.760 Trebuie să fie într-un lot. 12:49.830 --> 12:57.660 Rețeaua poate accepta doar loturi de observații de intrare și, prin urmare, nu numai că va crea un 12:57.870 --> 13:05.140 tensor pentru vectorii de stare de intrare, ci și vom crea această dimensiune falsă corespunzătoare lotului. 13:05.190 --> 13:11.490 Deci, haideți să facem acest lucru și să începem prin inițierea unui tensor de torță pentru a face acest lucru nu este nimic 13:11.490 --> 13:12.340 mai simplu. 13:12.510 --> 13:21.810 Noi luăm biblioteca torchelor apoi punct și apoi vom folosi clasa tensor deoarece, după cum probabil ați ghicit, acest lucru 13:21.810 --> 13:27.950 va crea un obiect al clasei tensor care este un obiect tensor. 13:28.120 --> 13:34.660 Și în acest tensor trebuie să punem un argument care să precizeze dimensiunea tensorului. 13:34.660 --> 13:38.720 Poți să-ți imaginezi că te ia ca o matrice care are un singur tip. 13:38.890 --> 13:45.430 Dar, în esență, ceea ce va reprezenta acum este, bineînțeles, această stare de intrare pe care o puteți vedea are un vector și astfel să 13:46.180 --> 13:49.380 specificați numărul de elemente pe care trebuie să le aibă distanța. 13:49.570 --> 13:55.180 Ei bine, trebuie să folosim, bineînțeles, dimensiunea intrărilor deoarece mărimea intrării este exact numărul de dimensiuni ale 13:55.510 --> 13:57.520 vectorilor de stare de intrare. 13:57.520 --> 13:59.050 Acum ar trebui să spun tensorii. 13:59.170 --> 14:05.650 Și așa trebuie doar să introducem în clasa noastră tensor pentru a crea obiect tensor. 14:06.010 --> 14:07.260 Ei bine, este imprecis. 14:07.540 --> 14:10.230 Mai târziu, mărimea intrărilor va fi cuantificată. 14:11.350 --> 14:12.430 Bine, asta e bine. 14:12.430 --> 14:13.670 Acesta este primul lucru făcut. 14:13.720 --> 14:17.390 Tocmai am inițializat așa cum ar trebui să fie. 14:17.530 --> 14:23.080 Dar, atunci amintiți-vă că trebuie să facem un alt lucru necesar pentru a crea acea dimensiune falsă, 14:23.080 --> 14:30.070 deoarece aceasta este ceea ce va aștepta rețeaua pentru intrările sale și pentru a crea aceasta pentru examinare care, apropo, trebuie să 14:30.070 --> 14:35.840 fie motorul pentru prima dată când știți dauna pus în lot va fi prima dată când menționez acest 14:35.940 --> 14:37.800 lucru să spunem foarte bine. 14:38.230 --> 14:46.050 Ei bine, pentru a face acest lucru, pur și simplu trebuie să adăugăm asta și să strângem și apoi în unele paranteze. 14:46.050 --> 14:49.580 Trebuie să punem indicele acestei mari dimensiuni. 14:49.620 --> 14:55.790 Și cum tocmai am spus că această dimensiune falsă trebuie să fie prima animație a ultimei date și din moment 14:55.790 --> 15:02.460 ce indici și octeți și a început zero trebuie să introduceți zero, astfel încât acest nou motor de paradigmă să devină primul 15:02.460 --> 15:03.570 motor de linie. 15:03.570 --> 15:09.360 Așadar, avem un motor pentru prima dată care corespunde lotului și apoi diamantul ar trebui să 15:09.360 --> 15:15.960 răspundă acelui senzor care va conține cele cinci elemente ale stărilor dvs. de intrare, orientarea celor trei semnale și 15:15.990 --> 15:16.910 orientarea minus. 15:17.370 --> 15:21.960 Și apoi mergem am inițializat stările noastre de intrare în mod corespunzător. 15:21.960 --> 15:22.850 Perfect. 15:23.310 --> 15:30.840 Și apoi două variabile pentru a merge și thats va fi mult mai ușor, deoarece următoarea variabilă este ultima 15:31.110 --> 15:31.850 acțiune. 15:32.190 --> 15:36.340 Acesta este un nou Roybal pe care îl creăm pentru ultima acțiune Object. 15:36.510 --> 15:43.440 Și amintiți-vă în primul tutorial al secțiunii v-am spus că acțiunile vor fi 0 15:43.440 --> 15:52.470 1 sau 2 și apoi folosind vectorul de rotație a acțiunii vom transforma acești indici ai acestor acțiuni în 15:52.470 --> 15:58.010 unghiurile rotației pe care le reamintesc 0 20 sau minus 20. 15:58.050 --> 16:00.980 De fapt, ne putem reîmprospăta memoria cu asta. 16:01.200 --> 16:03.170 Este exact aici. 16:03.170 --> 16:06.260 Acțiune la rotație dacă acțiunea este zero. 16:06.390 --> 16:11.650 Ei bine, acest lucru va corespunde primului indice de zero dacă acțiunea este 1. 16:11.700 --> 16:17.310 Aceasta va corespunde indexului unuia dintre acești vectori de 20 de grade și dacă acțiunea este de până 16:17.310 --> 16:23.490 la noi vom obține minus 20 grade care va fi unghiul de rotație al mașinii noastre atunci când vom juca acțiunea. 16:23.510 --> 16:24.200 In regula. 16:24.380 --> 16:31.040 Și, prin urmare, acțiunea va fi 0 1 sau 2 Ei bine acțiunea este acolo pentru un număr 16:31.040 --> 16:31.740 simplu. 16:31.850 --> 16:35.440 Și așa pur și simplu putem inițializa-o la zero. 16:35.660 --> 16:38.330 Nu avem nevoie de a crea nici un zeci sau de a auzi altceva. 16:38.360 --> 16:40.880 Trebuie doar să îl inițializăm cu zero. 16:41.420 --> 16:42.850 Și, în sfârșit. 16:43.010 --> 16:44.460 Ei bine, acesta este ultimul cuvânt. 16:44.550 --> 16:48.840 Eul este ultimul cuvânt. 16:48.860 --> 16:49.940 Vom merge acolo. 16:49.940 --> 16:56.510 Și din nou cuvântul este un număr de float pe care-mi amintesc că este între minus 1 și plus 1. 16:56.510 --> 16:57.790 Deci asta e numărul din nou. 16:57.860 --> 16:59.400 Și în ceea ce privește acțiunea. 16:59.510 --> 17:02.900 Vom iniția acest lucru la zero și apoi vom merge. 17:02.900 --> 17:06.330 Felicitări sunt în ea funcția este gata. 17:06.350 --> 17:08.930 Deci, acum suntem gata să trecem la lucrurile interesante. 17:08.930 --> 17:16.040 Și, de fapt, cel mai important lucru pentru AI este acela de a decide care acțiune să joace 17:16.080 --> 17:23.240 în fiecare moment și fiecare tanty Și exact asta vom face în următorul tutorial prin crearea metodei selective de acțiune. 17:23.510 --> 17:27.310 Asa ca sa facem asta in urmatoarea perioada de munca si pana atunci.