WEBVTT 00:00.500 --> 00:02.810 مرحبًا ومرحبًا بكم في برنامج Python التعليمي هذا. 00:02.960 --> 00:08.150 حسنًا ، الآن في الوظيفة التالية التي نحن على وشك تنفيذها ، سنقوم بتدريب الشبكة العصبية 00:08.150 --> 00:11.230 العميقة الموجودة داخل ذكاءنا الاصطناعي. 00:11.240 --> 00:16.700 لذلك بشكل أساسي ، سنقوم بالعملية الكاملة للانتشار الأمامي ثم التكاثر 00:16.700 --> 00:20.630 الخلفي حتى نحصل على مخرجاتنا ، وسنحصل على الهدف. 00:20.630 --> 00:24.290 سنقارن الناتج بالهدف لحساب الخطأ الأخير. 00:24.290 --> 00:28.400 ثم سنعيد نشر هذا الخطأ الأخير في الشبكة العصبية. 00:28.400 --> 00:33.590 وباستخدام النسب المتدرج العشوائي ، سنقوم بتحديث الأوزان وفقًا لمقدار مساهمتها 00:33.590 --> 00:34.700 في تقليل الخطأ. 00:34.910 --> 00:36.290 لذلك دعونا نفعل كل هذا. 00:36.290 --> 00:41.360 بالنسبة لأولئك القادمين من دورة التعلم العميق ، ستكون هذه أشياء أطفال ، لكن بالنسبة للآخرين 00:41.360 --> 00:43.580 ، لا تقلق ، سأشرح ذلك مرة أخرى. 00:43.880 --> 00:47.240 لذلك سنسمي هذه الوظيفة الجديدة "تعلم". 00:47.390 --> 00:51.350 وستتطلب وظيفة التعلم هذه عدة حجج. 00:51.350 --> 00:57.260 الذات الأولى ، بالطبع ، ستشير إلى موضوع الطبقة المختلفة. 00:57.260 --> 01:08.780 ثم سنأخذ حالة الدُفعات الخاصة بنا للحالة الحالية ، ثم الحالة التالية للدفعة ، ثم مكافأة المجموعة 01:08.780 --> 01:14.810 ، وأخيرًا إجراء المجموعة الخاص بنا. 01:15.350 --> 01:16.790 فلماذا نأخذ هذا؟ 01:16.790 --> 01:19.700 ربما تعرفت على ما هو المسلسل؟ 01:19.700 --> 01:25.430 حسنًا ، هذا ، بالطبع ، انتقال ، انتقال لعملية اتخاذ قرار ماركوف التي هي 01:25.430 --> 01:27.290 أساس التعلم العميق. 01:27.290 --> 01:30.350 ولماذا نأخذهم جميعًا في بعض الدفعات؟ 01:30.350 --> 01:36.140 حسنًا ، هذا بسبب ، تذكر ، أننا لا نأخذ في الاعتبار التحولات من خلال سلسلة من أعلى الحالة الحالية 01:36.140 --> 01:39.410 ، والمكافأة الحالية ، والإجراء الحالي. 01:39.410 --> 01:43.940 لقد أنشأنا بعض دفعات العينات هنا بفضل وظيفة العينة. 01:43.940 --> 01:49.400 والآن أصبحت انتقالاتنا في النموذج ، الدفعة الأولى للحالة ، الدفعة الثانية للتاريخ 01:49.400 --> 01:53.120 التالي ، مجموعة المكافأة ، ومجموعة الإجراء. 01:53.300 --> 01:58.880 هذا هو شكل انتقالاتنا الآن ، وكلها متوافقة جيدًا فيما يتعلق بالوقت ، بفضل 01:58.880 --> 02:03.620 هذا التسلسل الذي قمنا به هنا فيما يتعلق بالبعد الأول. 02:03.980 --> 02:10.130 لذا فالنقطة الآن لدينا هذا الانتقال من الدُفعات ، دفعة واحدة لكل ولاية ، ومكافأة الحالات 02:10.130 --> 02:11.450 التالية والعمل. 02:11.450 --> 02:17.150 ونفعل كل هذا لأننا نستخدم خدعة التجربة هذه في إعادة العرض حتى تتمكن شبكتنا العصبية العميقة 02:17.150 --> 02:18.410 من تعلم شيء ما. 02:18.410 --> 02:24.110 تذكر ، إذا كانت لدينا التحولات فقط من تلقاء نفسها ، فسيكون ذلك بمثابة تعلم فوري. 02:24.110 --> 02:28.850 أو إذا كنت تريد تعلم ذاكرة قصيرة جدًا ، وبالتالي لن يتعلم النموذج شيئًا. 02:28.850 --> 02:35.540 لذلك علينا أن نأخذ هذه الدُفعات من الذاكرة التي أصبحت انتقالاتنا ، وبعد ذلك في النهاية سنحصل على المخرجات 02:35.540 --> 02:39.320 المختلفة لكل حالة من حالات حالة دفعة الإدخال. 02:39.320 --> 02:44.810 وسنفعل ذلك من أجل حالة الدُفعة والحالة التالية للدفعة لأننا سنحتاج إلى كليهما لحساب 02:44.810 --> 02:45.470 الخسارة. 02:45.470 --> 02:51.080 سأذكر قريبًا معادلة التوازن الموجودة في قلب خوارزمية التعلم العميق. 02:51.680 --> 02:56.930 لننتقل الآن إلى الدالة ودعنا نحصل أولاً على مخرجات حالة الدُفعة. 02:56.930 --> 02:59.600 لذلك سأسمي هذا أول مخرجات متغيرة. 03:00.480 --> 03:04.980 وبعد ذلك سنأخذ بالطبع نموذجنا الذاتي. 03:05.190 --> 03:14.230 لذا فإن النموذج الذي يدرس ذاتيًا لأننا نريد الحصول على مخرجات نموذجنا لحالات الإدخال لحالة الدُفعة. 03:14.250 --> 03:22.200 ونظرًا لأن نموذجنا يتوقع في الواقع مجموعة من حالات الإدخال ، حسنًا ، يمكننا تمامًا إدخال حالة الدُفعات 03:22.440 --> 03:25.080 الآن لإدخال النموذج. 03:25.110 --> 03:31.470 هذا هو بالضبط كيف قمنا بتهيئة الحالات التي تدخل الشبكة مع موتر الشعلة بهذا 03:31.470 --> 03:33.390 البعد المزيف للدفعة. 03:33.780 --> 03:34.900 لذلك هذا مثالي. 03:34.920 --> 03:40.550 نحصل الآن على مخرجات النموذج ، ولكن هناك خدعة فنية أخرى. 03:40.560 --> 03:47.730 إذا قمنا فقط بأنفسنا بأن هذه الدُفعة النموذجية جيدة ، فسنحصل على مخرجات جميع الإجراءات الممكنة ، كما تعلمون 03:47.730 --> 03:49.140 ، صفر واحد واثنان. 03:49.260 --> 03:50.700 لكن هذا ليس ما نريده. 03:50.730 --> 03:56.850 نحن مهتمون فقط بالأفعال التي تم اختيارها ، الإجراءات التي قررت الشبكة 03:56.850 --> 03:58.600 أن تلعبها في كل مرة. 03:58.620 --> 04:03.060 ومن أجل الحصول على هذه الإثارة التي نحن مهتمون بها ، فهذه هي الإجراءات التي يتم لعبها بشكل جيد. 04:03.060 --> 04:11.640 علينا استخدام وظيفة التجميع هذه حيث نقوم بإدخال واحدة لأننا نريد فقط الإجراء الذي تم اختياره. 04:12.000 --> 04:20.880 ثم نضيف إجراءً دفعيًا مع هذا الإجراء ، الإجراء الواحد والدُفعي الذي سنجمعه في كل مرة أفضل إجراء يتم تشغيله لكل 04:20.880 --> 04:24.390 حالة من حالات الإدخال لحالة الدُفعات. 04:24.540 --> 04:30.180 نريد فقط الإجراء الذي يتم لعبه ، الإجراء الذي تم اختياره ، ونحصل على هذا من خلال إجراء التجميع 04:30.180 --> 04:31.650 واحد والدُفعات. 04:31.920 --> 04:33.150 ولكن بعد ذلك كن حذرا. 04:33.180 --> 04:39.540 حالة الدُفعات هنا لها هذا البعد المزيف المطابق للإجراء الدُفعي ولم يتم استعادته مرة 04:39.540 --> 04:41.040 أخرى ، هل تعرفه؟ 04:41.040 --> 04:46.230 لأننا نستخدم الإدخالات هنا ، لكننا لم نستخدم أيًا منها عند الضغط على الإجراءات. 04:46.230 --> 04:52.740 لذلك يتعين علينا إضافته هنا بحيث يكون لإجراء الدُفعة نفس بُعد حالة الدُفعة بالضبط. 04:52.890 --> 04:57.000 إذن سنضيف نقطة على الضغط صفر. 04:57.730 --> 04:58.780 هنا. 04:58.900 --> 05:05.620 وفي الواقع ، هذا ليس صفراً ، ولكنه واحد لأن الصفر يتوافق مع البعد الإيماني للدولة وسيتوافق 05:05.620 --> 05:09.050 المرء مع البعد الوهمي للأفعال. 05:09.070 --> 05:16.000 وأخيرًا ، آخر شيء يتعين علينا القيام به هنا هو أننا بحاجة إلى قتل هذه المجموعة المزيفة بضغطة واحدة. 05:16.300 --> 05:17.910 ولماذا نحن بحاجة للقيام بذلك؟ 05:17.920 --> 05:19.990 لأننا الآن خارج الشبكة العصبية. 05:19.990 --> 05:22.840 لدينا مخرجاتنا ، لكننا لا نريدها دفعة واحدة. 05:22.840 --> 05:27.460 نريدهم في موتر بسيط ، متجه بسيط ، متجه للإخراج. 05:27.610 --> 05:32.800 الدفعة هي فقط عندما نعمل في الشبكة العصبية ، لأن الشبكة العصبية تتوقع تنسيق 05:32.800 --> 05:34.750 المستشعرات في دفعة. 05:34.780 --> 05:40.420 لكن الآن لدينا مخرجاتنا وفي المعادلة المتوازنة التالية للتعلم العميق ، لن نحتاجها 05:40.420 --> 05:41.290 في دفعة. 05:41.290 --> 05:43.090 لذلك أنا أقتل الدفعة هنا. 05:43.090 --> 05:47.920 أنا أقتل البعد الزائف لاستعادة الشكل البسيط لمخرجاتنا. 05:47.920 --> 05:50.710 لذلك أنا فقط أضيف هنا ، نقطة ثم ضغط. 05:51.320 --> 05:56.000 ثم منذ ذلك الحين أريد أن أقتل البعد المزيف المقابل لمجموعة العمل. 05:56.000 --> 06:01.130 حسنًا ، نظرًا لأن هذا البعد الزائف يحتوي على فهرس واحد ، فأنا أضيف واحدًا هنا. 06:01.370 --> 06:01.940 حسنا. 06:01.940 --> 06:03.500 والآن ، ها نحن ذا. 06:03.500 --> 06:05.810 لدينا مخرجاتنا ، OC. 06:05.810 --> 06:06.860 لدينا القليل من التحذير. 06:06.860 --> 06:07.670 ما هذا؟ 06:07.700 --> 06:10.940 يتم تعيين مخرجات المتغير المحلي ولكن لم يتم استخدامها أبدًا. 06:10.940 --> 06:11.750 حسنا. 06:11.750 --> 06:13.220 سوف نستخدمه بسرعة كبيرة. 06:13.670 --> 06:15.410 إذن هذه هي مخرجاتنا. 06:15.410 --> 06:18.560 والآن نريد أن نحصل على التالي. 06:19.360 --> 06:20.260 النواتج. 06:20.260 --> 06:23.560 الآن ربما تفكر ، لماذا نحتاج إلى الناتج التالي؟ 06:23.590 --> 06:28.840 حسنًا ، لفهم هذا ، نحتاج إلى العودة إلى خوارزمية التعلم العميق ، الموجودة هنا. 06:28.840 --> 06:31.600 هذا جزء من كتيب المنطق. 06:31.600 --> 06:33.730 هذه هي عملية التعلم العميق برمتها. 06:33.730 --> 06:38.470 في البداية ، نقوم بتهيئة جميع القيم ثم في كل مرة. 06:38.470 --> 06:40.090 تي حسنا ، ها نحن ذا. 06:40.090 --> 06:42.190 نختار الإجراء باستخدام soft max. 06:42.190 --> 06:44.560 هذا ما فعلناه بوظيفة Select Action. 06:44.590 --> 06:50.890 ثم نلحق الانتقال ثم كما ترى ، نحصل على التنبؤ ، نحصل على الهدف ونحسب 06:50.890 --> 06:51.940 الخسارة. 06:51.940 --> 06:54.130 فلماذا نحتاج إلى النواتج التالية أيضًا؟ 06:54.130 --> 06:55.780 هذا بسبب الهدف. 06:55.990 --> 07:02.680 الهدف يساوي أوقات جاما ، الناتج التالي بالإضافة إلى المكافأة ، وسوف نحسب الهدف بعد 07:02.680 --> 07:03.670 ذلك مباشرة. 07:03.670 --> 07:07.360 ولكن نظرًا لأننا نحتاج إلى الناتج التالي للهدف ، فلنحسب هذا أولاً. 07:07.540 --> 07:10.780 لذا مرة أخرى ، للحصول على الناتج التالي ، هذا بسيط للغاية. 07:10.780 --> 07:17.710 سيكون الإخراج التالي نتيجة لشبكتنا العصبية عندما يتم إدخالها في التاريخ التالي 07:17.710 --> 07:18.790 كمدخلات. 07:18.910 --> 07:26.830 ببساطة شديدة ، نأخذ نموذجنا الذي هو شبكتنا العصبية ، ثم هذه المرة ستكون مدخلات الشبكة 07:26.830 --> 07:30.640 العصبية هي المجموعة في التاريخ التالي. 07:31.540 --> 07:32.940 تاريخ الدفعة التالي. 07:32.950 --> 07:39.580 لكن الآن ، تذكر ، إذا عدنا إلى خوارزمية التعلم العميق ، حسنًا ، يمكنك أن ترى أن الناتج التالي هو 07:39.580 --> 07:45.430 الحد الأقصى لقيم قائمة الانتظار للمجموعة التالية فيما يتعلق بجميع الإجراءات. 07:45.460 --> 07:49.920 الآن ، للحصول على الناتج التالي ، نحتاج إلى الحصول على الحد الأقصى لقيم Q هذه. 07:49.930 --> 07:57.910 وبالتالي ، سأفعل هنا فصلًا ، كما تعلمون ، لفصل جميع مخرجات النموذج لأن لدينا العديد من الحالات في 07:57.910 --> 08:04.210 هذه الدفعة التالية ، وهذه هي مجموعة جميع الحالات التالية في جميع الانتقالات 08:04.210 --> 08:07.510 المأخوذة من عينة عشوائية من ذاكرتنا. 08:07.600 --> 08:14.440 لذا أقوم بفصلهم جميعًا باستخدام وظيفة الفصل ، ثم أقوم بأخذ الحد الأقصى لجميع قيم قائمة الانتظار 08:14.440 --> 08:15.100 هذه. 08:15.100 --> 08:20.350 ونظرًا لأننا نأخذ الحد الأقصى من قيم Q هذه فيما يتعلق بالإجراء ، حسنًا ، علينا 08:20.350 --> 08:22.810 أن نحدد أنه فيما يتعلق بالإجراء. 08:22.810 --> 08:29.320 ونظرًا لأن الإجراء يمثله المؤشر الأول ، حسنًا ، مرة أخرى ، علينا وضع الفهرس 08:29.650 --> 08:36.010 هنا ثم علينا تحديد أننا نأخذ قيم Q لـ s t زائد واحد وهي الحالة التالية. 08:36.010 --> 08:42.250 ويتم تمثيل الحالة التالية بالرقم القياسي صفر لأن مؤشر الصفر يتوافق مع الحالة. 08:42.250 --> 08:47.140 ومن ثم ، علينا هنا إضافة قوسين بحيث يكون الفهرس صفرًا. 08:47.590 --> 08:54.310 بهذه الطريقة نحصل على الحد الأقصى لقيم Q للحالة التالية التي يمثلها مؤشر الصفر وفقًا لجميع 08:54.310 --> 08:57.430 الإجراءات التي يمثلها الفهرس واحد. 08:58.000 --> 08:59.080 والآن مثالي. 08:59.080 --> 09:01.400 نحصل على ناتجنا التالي. 09:01.420 --> 09:02.770 هذه دولة جديدة. 09:02.770 --> 09:04.120 هذا هو المكان الذي تلقينا فيه التحذير. 09:04.120 --> 09:04.930 لكن هذا جيد. 09:04.930 --> 09:07.690 سنستخدمه الآن لحساب الهدف. 09:08.170 --> 09:12.160 وبالحديث عن الهدف ، هذه هي الخطوة التالية لوظيفة التعلم هذه. 09:12.310 --> 09:13.060 لذا ها نحن ذا. 09:13.090 --> 09:15.400 الهدف يساوي. 09:15.430 --> 09:18.140 الآن دعنا نعود إلى كتيب الذكاء الاصطناعي الخاص بنا. 09:18.160 --> 09:22.090 الهدف يساوي المكافأة بالإضافة إلى أوقات جاما. 09:22.090 --> 09:27.160 الإخراج التالي هو الحد الأقصى لقيم Q في التاريخ التالي وفقًا للإجراءات. 09:27.430 --> 09:28.030 لذا ها نحن ذا. 09:28.030 --> 09:29.080 دعونا نحسب ذلك. 09:29.080 --> 09:36.730 لذلك هذا يساوي الذات ، تلك الجاما والذات ، تلك الجاما تمت تهيئتها هنا يتم تقديمها. 09:36.730 --> 09:46.960 إذن ، هذا متغير من GQ وذات الكائن الذي يضاعف جاما الناتج التالي كما قلنا للتو بالإضافة إلى المكافأة التي هي مكافأة 09:47.110 --> 09:53.170 الدُفعات التي نعمل بها مع الدُفعات هنا بالإضافة إلى الدُفعات. 09:54.570 --> 09:55.290 جائزة. 09:55.620 --> 09:59.190 وهذا هو الهدف في عينة واحدة من الذاكرة. 09:59.580 --> 10:03.360 ضرب جاما في النواتج التالية ، بالإضافة إلى المكافأة. 10:03.720 --> 10:04.980 حسنًا ، رائع. 10:04.980 --> 10:06.890 والآن لدينا مخرجاتنا. 10:06.900 --> 10:08.670 لدينا أيضا هدفنا. 10:08.670 --> 10:14.240 وبالتالي ، يمكننا حساب الخسارة ، الخسارة التي تمثل خطأ التنبؤ. 10:14.250 --> 10:15.690 لذلك دعونا نسمي هذه الخسارة. 10:15.720 --> 10:23.850 خسارة TD هي ، بالطبع ، للاختلاف الزمني الذي هو مرة أخرى في قلب تعلم CU وستكون خسارة 10:24.270 --> 10:30.290 TD هذه مساوية لخسارة Huber التي تحسن كثيرًا من تعلم Q. 10:30.300 --> 10:34.350 هذه هي الوظيفة الأخيرة التي سنختارها لذكائنا الاصطناعي. 10:34.560 --> 10:39.000 بالنسبة لأولئك القادمين من دورة التعلم العميق ، هذه هي الخسارة التي أوصي بها إذا كنت 10:39.000 --> 10:40.620 ترغب في تنفيذ التعلم العميق. 10:40.620 --> 10:43.260 فكيف سنحصل على خسارة هوبر هذه؟ 10:43.260 --> 10:49.110 حسنًا ، مرة أخرى ، سنأخذ دالة من الوحدة الوظيفية التي تمثلها F. 10:49.710 --> 10:57.660 وبالتالي ، سأستخدم الوحدة الوظيفية F dot و Hubble كما يمكن الحصول عليها بفضل الوظيفة 10:57.660 --> 11:05.850 السلسة لخسارة واحدة يتم الضغط على إدخال واحد وهي حقًا أفضل وظيفة مفقودة أوصي بها للتعلم 11:05.850 --> 11:07.710 العميق. 11:07.740 --> 11:10.650 إنه يحسن حقًا تعلم Q ، لكن هذه وظيفة. 11:10.650 --> 11:17.010 لذلك أقوم بإضافة بعض الأقواس والآن لا يوجد شيء أكثر بساطة من الحجج التي نحتاجها لإدخال 11:17.250 --> 11:19.200 توقعاتنا والأهداف. 11:19.200 --> 11:24.000 لذا فإن التنبؤات هي بالطبع مخرجاتنا لأن هذا هو ناتج الشبكة العصبية. 11:24.000 --> 11:27.480 كما تعلمون ، ناتج الشبكة العصبية هو ما تتوقعه الشبكة العصبية. 11:27.480 --> 11:28.950 إذن هذا هو التوقع. 11:28.950 --> 11:31.860 لذا فإن الحجة الأولى هنا هي المخرجات. 11:32.250 --> 11:35.730 ثم الحجة الثانية ، بالطبع ، هي الهدف. 11:35.910 --> 11:43.530 الشيء الذي نحاول الحصول عليه وقد تم حسابه بشكل مثالي بالفعل ، يمكننا إدخال الهدف بشكل مثالي والآن 11:43.530 --> 11:45.180 لدينا الخسارة. 11:45.210 --> 11:47.520 فقط نسيت قليلا ر هنا. 11:48.060 --> 11:48.690 هناك نذهب. 11:48.690 --> 11:50.340 الآن يجب أن يختفي التحذير. 11:50.670 --> 11:52.020 نعم ممتاز. 11:52.020 --> 11:57.900 والآن بعد أن حصلنا على الخطأ الأخير ، يمكننا إعادة نشر هذا الخطأ مرة أخرى في الشبكة لتحديث الأوزان 11:57.900 --> 12:00.270 باستخدام نزول متدرج عشوائي. 12:00.270 --> 12:03.150 وهذا بالضبط ما سنفعله في الخطوة التالية. 12:03.240 --> 12:09.600 لذلك بالطبع ، ما يتعين علينا فعله الآن ، كما قد تتخيل ، هو استخدام المُحسِّن الخاص بنا. 12:10.050 --> 12:17.190 مُحسِّننا ، الذي قدمناه هنا مرة أخرى ، قمنا بتهيئته ، وهو مُحسِّن الذرة ، وهو في 12:17.190 --> 12:23.580 الواقع كائن من فئة الذرة ومُزود بالفعل بمعلمات نموذجنا وقد اخترنا بالفعل 12:23.580 --> 12:27.570 معدل التعلم 0. 1 بالمائة. 12:27.570 --> 12:34.830 مثالي جدًا ، مُحسِّننا جاهز ، لكننا الآن بحاجة إلى تطبيقه على الخطأ الأخير لإجراء النسب المتدرج 12:34.830 --> 12:36.960 العشوائي وأوزان البيانات. 12:36.960 --> 12:43.980 لذلك عند العمل مع PyTorch ، فإن أول شيء يتعين علينا القيام به هو إعادة تهيئته في كل تكرار للحلقة. 12:43.980 --> 12:50.940 يجب إعادة تهيئة المُحسِّن من تكرار إلى آخر في حلقة هبوط التدرج العشوائي 12:50.940 --> 12:54.780 وإعادة تهيئته في كل مدة الحلقة. 12:54.930 --> 12:59.700 حسنًا ، سنستخدم الطريقة التالية وهي الشبكة الصفرية. 12:59.730 --> 13:05.010 هنا نبدأ ، ستعيد الشبكة الصفرية تهيئة المحسن الخاص بك في كل تكرار للحلقة. 13:05.010 --> 13:06.990 ثم دعونا لا ننسى الأقواس. 13:07.380 --> 13:08.040 في احسن الاحوال. 13:08.040 --> 13:14.700 والآن بعد أن تمت إعادة تهيئته ، حسنًا ، يمكننا إجراء نشر عكسي باستخدام مُحسِّننا. 13:15.000 --> 13:16.290 وكيف لنا أن نفعل ذلك؟ 13:16.290 --> 13:23.100 حسنًا ، نأخذ خسارة TD الخاصة بنا وسنعيد نشرها مرة أخرى في الشبكة ولإعادة نشرها 13:23.100 --> 13:27.720 في الشبكة ، نحتاج إلى استخدام الوظيفة الخلفية. 13:27.960 --> 13:35.220 وداخل هذه الوظيفة العكسية ، أوصي بإدخال المتغيرات والاحتفاظ بها وتأكيدها وتعيينها على 13:35.220 --> 13:36.510 أنها صحيحة. 13:37.080 --> 13:40.950 أوصي بالقيام بذلك لأن هذا سيؤدي إلى تحسين التكاثر الخلفي. 13:40.980 --> 13:46.350 استخدام متغيرات الإرجاع يساوي صحيحًا لتحرير بعض الذاكرة ونحتاج إلى تحرير 13:46.350 --> 13:48.900 الذاكرة لأننا سنخسر عدة مرات. 13:48.900 --> 13:52.650 لذلك سيؤدي ذلك بالتأكيد إلى تحسين أداء التدريب. 13:52.650 --> 13:58.890 وأخيرًا ، تتمثل الخطوة الأخيرة في وظيفة التعلم هذه في تحديث الأوزان وفقًا للانتشار الخلفي 13:58.890 --> 14:02.550 ، أي وفقًا لمقدار الوزن الذي ساهم في حدوث الخطأ. 14:02.550 --> 14:11.160 وللقيام بذلك ، نأخذ مُحسِّننا مرة أخرى ، والذي تمت تهيئته وإعادة تهيئته ونستخدم وظيفة الخطوة وببساطة 14:11.160 --> 14:19.110 مع هذا السطر من التعليمات البرمجية باستخدام وظيفة الخطوة ، سيؤدي ذلك إلى تحديث الأوزان. 14:19.260 --> 14:21.630 هذا هو سطر التعليمات البرمجية الذي يقوم بتحديث الوزن. 14:21.660 --> 14:28.710 ينشر هذا السطر من التعليمات البرمجية الخطأ في الشبكة العصبية ويستخدم هذا السطر من التعليمات البرمجية المُحسِّن 14:28.710 --> 14:29.940 لتحديث الأوزان. 14:30.210 --> 14:31.290 وها نحن ذا. 14:31.290 --> 14:33.990 لدينا شبكة التعلم العصبية. 14:35.030 --> 14:35.360 حسنا. 14:35.360 --> 14:36.650 لذا تهانينا. 14:36.650 --> 14:42.200 ربما كان هذا هو الجزء الأكثر تقنية وصعوبة في كل نموذج التعلم العميق هذا. 14:42.200 --> 14:47.750 أعلم أن PyTorch يمكن أن تكون خادعة في بعض الأحيان مع هؤلاء والضغط والضغط ، لكن في 14:47.750 --> 14:54.110 النهاية أعدك أنك ستحصل على شبكة عصبية وظيفية للغاية وبالتالي نموذج التعلم العميق وفي النهاية 14:54.110 --> 14:55.850 ذكاء اصطناعي رائع. 14:56.360 --> 15:02.300 لذا دعنا الآن ننتقل إلى الخطوة التالية من نموذج التعلم العميق الخاص بنا ، والتي ستكون وظيفة التحديث 15:02.300 --> 15:06.950 التي سيتم تحديثها بوضوح عندما يكتشف الذكاء الاصطناعي الحالة الجديدة. 15:06.950 --> 15:12.140 لذلك ، كما تعلم ، سوف يكتشف الحالة الجديدة وبعد ذلك سيحصل على المكافأة اعتمادًا على الإجراء 15:12.140 --> 15:14.960 الذي لعبته للتو وهذه الحالة الجديدة. 15:14.960 --> 15:19.460 لذلك سنهتم بهذا من خلال وظيفة التحديث وسنفعل ذلك في البرنامج التعليمي التالي. 15:19.460 --> 15:20.810 حتى ذلك الحين ، استمتع. 15:20.810 --> 15:21.290 أنا.