WEBVTT 00:00.630 --> 00:03.170 Halo dan selamat datang di tutorial Python ini. 00:03.170 --> 00:03.500 Baiklah. 00:03.510 --> 00:09.120 Sekarang dalam fungsi berikutnya yang akan kita implementasikan, kita akan melatih jaringan saraf yang mendalam yang 00:09.120 --> 00:11.470 ada di dalam kecerdasan buatan kita. 00:11.490 --> 00:16.980 Jadi pada dasarnya kita akan melakukan seluruh proses untuk propagasi dan kemudian kembali propagasi. 00:16.980 --> 00:19.140 Jadi kita akan mendapatkan hasil. 00:19.200 --> 00:20.850 Kami akan mendapatkan target. 00:20.890 --> 00:26.020 Kami akan membandingkan output target untuk menghitung kesalahan terakhir lalu kami akan kembali menyebarkan 00:26.130 --> 00:28.410 kesalahan terakhir ini ke jaringan baru. 00:28.680 --> 00:33.960 Dan menggunakan keturunan gradien yang disarankan yang harus menunggu sesuai dengan berapa banyak mereka berkontribusi pada 00:33.960 --> 00:34.780 kesalahan terakhir. 00:35.190 --> 00:39.030 Jadi mari kita lakukan semua ini untuk Anda yang berasal dari Korps Marinir yang dalam. 00:39.030 --> 00:43.850 Ini akan menjadi hal yang baik tetapi bagi yang lain jangan khawatir saya akan mengembangkannya lagi. 00:44.160 --> 00:51.630 Jadi kita akan memanggil fungsi baru ini, belajar dan fungsi akan mengambil beberapa argumen. 00:51.630 --> 00:57.350 Pertama tentu saja yang akan merujuk ke objek gelar di kelas. 00:57.510 --> 01:08.770 Kemudian kita akan mengambil status kumpulan kita untuk kondisi saat ini kemudian keadaan berikutnya 01:08.860 --> 01:15.570 kita kemudian hadiah itu dan akhirnya tindakan Arbat. 01:15.590 --> 01:16.960 Jadi mengapa kita mengambil ini. 01:16.970 --> 01:19.770 Anda mungkin mengenali seri apa ini. 01:19.880 --> 01:26.350 Yah itu tentu saja transisi transisi dari proses keputusan pasar yang ada di pangkalan. 01:26.360 --> 01:27.440 Apakah kamu belajar. 01:27.500 --> 01:30.420 Dan mengapa kita semua mengambilnya dalam beberapa kelompok. 01:30.560 --> 01:36.200 Nah itu karena Anda tahu ingat kami tidak mempertimbangkan transisi dengan serangkaian keadaan teratas atau saat 01:36.200 --> 01:39.630 ini menyatakan hadiah saat ini dan tindakan saat ini. 01:39.650 --> 01:44.050 Kami membuat beberapa kumpulan sederhana di sini berkat fungsinya yang sederhana. 01:44.210 --> 01:48.430 Dan sekarang transisi kita adalah dalam bentuk gelombang pertama untuk keadaan ini. 01:48.500 --> 01:53.520 Gelombang kedua untuk tanggal berikutnya gelombang untuk hadiah dan gelombang untuk tindakan. 01:53.510 --> 01:59.090 Itulah bentuk transisi kita sekarang dan mereka semua selaras dengan baik sehubungan dengan waktu 01:59.090 --> 02:04.150 berkat rangkaian ini yang kita buat di sini sehubungan dengan dimensi pertama. 02:04.160 --> 02:10.460 Jadi intinya sekarang kita memiliki transisi batch satu batch untuk masing-masing negara hari berikutnya kita menyaksikannya dalam 02:10.450 --> 02:15.400 aksi dan kita melakukan semua ini karena kita menggunakan trik replay pengalaman ini. 02:15.530 --> 02:18.580 Jadi itulah jaringan saraf kita yang dalam bisa belajar sesuatu. 02:18.590 --> 02:24.190 Ingat, jika Anda hanya memiliki transisi sendiri, itu akan menjadi pembelajaran instan. 02:24.260 --> 02:28.930 Atau jika Anda ingin belajar memori yang sangat singkat dan karenanya mol tidak akan belajar apa pun. 02:29.180 --> 02:35.690 Jadi kita harus mengambil kumpulan ini dari memori yang menjadi transisi kita dan akhirnya kita akan mendapatkan output yang 02:35.690 --> 02:40.940 berbeda untuk masing-masing negara bagian status masukan dan kita akan melakukan ini untuk negara bagian 02:41.160 --> 02:45.620 dan negara bagian berikutnya karena kita akan membutuhkan keduanya untuk menghitung kerugian. 02:45.680 --> 02:51.860 Saya akan segera mengingatkan persamaan keseimbangan yang merupakan inti dari algoritma pembelajaran. 02:51.860 --> 02:57.120 Jadi sekarang mari kita masuk ke fungsi dan mari kita pertama-tama mendapatkan output dari kondisi kotak 02:57.170 --> 03:04.740 Jadi saya akan menyebutnya keluaran pertama yang layak dan kemudian kita akan mengatakan tentu saja self-talk kita 03:04.740 --> 03:07.670 tidak semuanya dimulai dari diri sendiri. 03:07.740 --> 03:14.160 Tidak karena kami ingin mendapatkan model keluaran kami dari status masukan negara. 03:14.510 --> 03:19.110 Dan karena model kami sebenarnya mengharapkan sejumlah negara input. 03:19.310 --> 03:25.330 Yah kita benar-benar dapat memasukkan keadaan itu sekarang untuk masukan dari mereka semua. 03:25.340 --> 03:31.550 Itulah tepatnya bagaimana kami menginisialisasi keadaan yang masuk ke jaringan dengan jawaban penyiksaan 03:31.550 --> 03:35.080 dengan dimensi samar untuk batch yang sempurna. 03:35.180 --> 03:37.720 Kami sekarang mendapatkan output dari semuanya. 03:37.880 --> 03:45.680 Tapi kemudian ada trik teknis lain jika kita hanya menjual model itu dengan baik kita akan mendapatkan output dari semua tindakan yang 03:45.860 --> 03:50.980 mungkin Anda tahu 0 1 dan 2 tetapi bukan itu yang kita inginkan. 03:50.990 --> 03:54.580 Kami hanya tertarik pada tindakan yang dipilih. 03:54.740 --> 04:01.190 Tindakan yang diputuskan oleh jaringan untuk dimainkan setiap saat dan untuk membuatnya 04:01.190 --> 04:09.320 tertarik, itulah tindakan yang dimainkan dengan baik. Kita harus menggunakan fungsi kumpul ini di mana kita memasukkan 04:09.320 --> 04:16.840 satu karena kita hanya ingin tindakan yang dipilih dan kami menambahkan tindakan itu dengan yang ini. 04:16.880 --> 04:23.600 Dan di bagian itu kita akan mengumpulkan setiap kali tindakan terbaik untuk bermain untuk masing-masing negara 04:23.600 --> 04:24.560 masukan negara. 04:24.830 --> 04:30.690 Kami tidak ingin aksi yang dimainkan adalah tindakan yang dipilih dan kami mendapatkan ini dengan ini mengumpulkan satu 04:30.840 --> 04:31.770 tindakan itu. 04:32.130 --> 04:33.390 Tapi kemudian hati-hati. 04:33.450 --> 04:40.190 Negara di sini memiliki berlian palsu ini dan melumasi ke dalam batch dan bagian itu tidak memilikinya. 04:40.190 --> 04:46.190 Backstay memilikinya karena kami terbiasa dengan Unsworth di sini tetapi kami belum menggunakan lengan untuk 04:46.430 --> 04:52.880 tindakan, jadi kami harus menambahkannya di sini sehingga tindakan Bache memiliki dimensi yang sama persis dengan keadaan. 04:53.150 --> 05:02.710 Jadi kita akan menambahkan satu titik dan menekan Anda di sini dan sebenarnya ini bukan nol tetapi satu karena nol 05:03.200 --> 05:09.120 tanggapan terhadap Faith bukan negara dan satu akan sesuai dengan pemeriksaan tindakan. 05:09.370 --> 05:16.540 Dan akhirnya hal terakhir yang perlu kita lakukan di sini adalah kita harus membunuh kumpulan palsu ini dengan remasan. 05:16.600 --> 05:18.010 Mengapa kita perlu melakukan itu? 05:18.130 --> 05:20.130 Karena sekarang kita berada di luar jaringan saraf. 05:20.200 --> 05:22.820 Kami memiliki hasil kami tetapi kami tidak ingin mereka kembali. 05:22.900 --> 05:24.080 Kami menginginkan mereka. 05:24.190 --> 05:26.260 Dan jawaban sederhana adalah vektor sederhana. 05:26.260 --> 05:31.540 Vektor keluaran bets hanya ketika kita bekerja di jaringan saraf karena jaringan 05:31.540 --> 05:34.880 saraf mengharapkan format sensor menjadi bets. 05:34.990 --> 05:40.510 Tetapi sekarang kita memiliki hasil kita dan dalam persamaan baluns berikutnya dari pembelajaran mendalam kita tidak akan membutuhkannya 05:40.510 --> 05:41.530 menjadi satu kumpulan. 05:41.530 --> 05:48.130 Jadi saya membunuh itu di sini dan membunuh dimensi iman untuk mendapatkan kembali bentuk sederhana dari hasil kami. 05:48.160 --> 05:54.530 Jadi saya hanya menambahkan di sini Dot dan kemudian memeras dan kemudian karena saya ingin membunuh laminasi palsu yang sesuai 05:54.540 --> 05:56.120 dengan bagian belakang tindakan. 05:56.250 --> 06:01.430 Yah karena mesin ruangwaktu memiliki indeks yang saya tambahkan di sini. 06:01.560 --> 06:02.050 Baiklah. 06:02.100 --> 06:05.480 Dan sekarang kita mulai, kita punya hasil. 06:05.490 --> 06:05.910 BAIK. 06:06.000 --> 06:11.100 Kami memiliki sedikit peringatan apa yang ditetapkan oleh variabel lokal tetapi tidak pernah digunakan. 06:11.190 --> 06:11.860 Tidak apa-apa. 06:11.880 --> 06:13.510 Kami akan menggunakannya dengan sangat cepat. 06:13.920 --> 06:15.540 Jadi itulah output kami. 06:15.600 --> 06:23.660 Dan sekarang kami ingin mendapatkan outwits kami berikutnya Jadi sekarang Anda mungkin berpikir mengapa kita perlu output berikutnya. 06:23.840 --> 06:29.160 Nah untuk memahami ini kita perlu kembali ke algoritma pembelajaran mendalam yang ada di sini 06:29.180 --> 06:31.670 yang merupakan bagian dari buku pegangan letak. 06:31.850 --> 06:33.820 Jadi itulah keseluruhan proses difusi. 06:33.860 --> 06:39.180 Pada awalnya kami menginisialisasi semua nilai kunci dan kemudian pada setiap waktu t. 06:39.440 --> 06:44.770 Nah begitulah kita memilih aksi dengan soughed Max itulah yang kami lakukan dengan fungsi pilih tindakan. 06:44.870 --> 06:51.050 Lalu kami membuka transisi dan kemudian seperti yang Anda lihat kami mendapatkan prediksi kami mendapatkan target dan kami bisa 06:51.050 --> 06:52.120 menjadi yang terakhir. 06:52.190 --> 06:54.330 Jadi mengapa kita perlu output selanjutnya juga. 06:54.350 --> 07:01.640 Itu karena target, targetnya sama dengan Ghana kali output berikutnya ditambah yang kita inginkan dan kami akan 07:01.640 --> 07:06.060 menghitung target setelah itu karena kita membutuhkan output target berikutnya. 07:06.200 --> 07:07.790 Mari kita hitung ini dulu. 07:07.820 --> 07:14.060 Jadi sekali lagi untuk mendapatkan pembaruan berikutnya dengan sangat sederhana, output berikutnya akan menjadi hasil 07:14.060 --> 07:19.180 dari jaringan saraf kita ketika negara berikutnya yang batch memasukkannya sebagai input. 07:19.190 --> 07:27.110 Jadi sangat sederhana kita mengambil model kita yang merupakan jaringan saraf kita dan kemudian kali ini input 07:27.110 --> 07:33.020 dari jaringan saraf akan menjadi keadaan batch berikutnya yang batch berikutnya. 07:33.200 --> 07:41.290 Tapi sekarang ingatlah jika kita kembali ke algoritma awal. Nah, Anda dapat melihat bahwa output berikutnya adalah maksimum dari 07:41.290 --> 07:45.530 nilai q untuk keadaan berikutnya sehubungan dengan semua tindakan. 07:45.730 --> 07:51.790 Jadi sekarang untuk mendapatkan output berikutnya kita perlu mendapatkan nilai q maksimum ini dan karena itu saya akan lakukan 07:51.790 --> 07:52.720 di sini. 07:52.840 --> 08:00.550 Lepaskan Anda tahu untuk melepaskan semua output dari model karena kami memiliki beberapa status dalam batch ini. Negara berikutnya 08:00.550 --> 08:06.730 adalah kumpulan semua status berikutnya dalam semua transisi yang diambil dari sampel acak dari 08:06.730 --> 08:07.620 memori kami. 08:07.840 --> 08:14.530 Jadi saya melepaskan mereka semua menggunakan fungsi detach dan kemudian saya mengambil maks dari kedua nilai 08:14.530 --> 08:15.250 ini. 08:15.340 --> 08:20.920 Dan karena kita mengambil maksimum dari kedua nilai ini sehubungan dengan tindakan tersebut, kita harus menentukan 08:20.920 --> 08:23.080 bahwa itu berkaitan dengan tindakan tersebut. 08:23.080 --> 08:26.310 Dan karena tindakan diwakili oleh indeks satu. 08:26.530 --> 08:32.770 Nah sekali lagi kita harus meletakkan yang berikutnya di sini dan kemudian kita harus menentukan bahwa kita 08:33.290 --> 08:41.140 mengambil nilai isyarat sebagai T plus 1 yang merupakan tahap berikutnya dan negara berikutnya diwakili oleh 0 karena indeks nol sesuai dengan 08:41.380 --> 08:47.370 negara dan oleh karena itu di sini kita perlu menambahkan tanda kurung dengan indeks 0. 08:47.770 --> 08:54.400 Dengan begitu kita mendapatkan nilai kunci maksimum dari status berikutnya yang diwakili oleh nol 08:54.400 --> 09:01.490 berikutnya sesuai dengan semua tindakan yang diwakili oleh indeks satu dan sekarang sempurna kita mendapatkan output berikutnya. 09:01.570 --> 09:02.860 Ini adalah set baru. 09:02.870 --> 09:04.320 Saat itulah kami mendapat peringatan. 09:04.320 --> 09:05.050 Tapi itu tidak masalah. 09:05.080 --> 09:07.950 Kami akan menggunakannya sekarang untuk menghitung target. 09:08.470 --> 09:12.510 Dan berbicara tentang target itulah langkah selanjutnya dari fungsi yang diketahui ini. 09:12.520 --> 09:13.210 Jadi begitulah. 09:13.220 --> 09:15.460 Target sama dengan. 09:15.670 --> 09:18.220 Sekarang mari kita kembali ke buku pegangan AI AI kami. 09:18.400 --> 09:24.800 Targetnya sama dengan kata plus gamma kali output berikutnya adalah maksimum dari nilai kubus pada 09:24.800 --> 09:25.710 hari berikutnya. 09:25.930 --> 09:29.290 Menurut tindakan yang bisa kita hitung itu. 09:29.340 --> 09:35.590 Jadi itu sama dengan diri gamma itu dan diri yang diinisialisasi Gamma. 09:35.590 --> 09:45.100 Ini dia perkenalkan itu adalah variabel yang Virgin Q Sebuah objek dapatkan ke Times output berikutnya seperti yang baru saja 09:45.100 --> 09:49.910 kita katakan plus Apakah kita ingin itu yang paling diinginkan. 09:49.940 --> 09:57.400 Kami bekerja dengan batch di sini jadi ditambah batch yang kami inginkan dan itulah targetnya. 09:57.520 --> 10:03.820 Dalam satu sampel gamma memori dikalikan dengan output berikutnya Plus hadiah. 10:03.900 --> 10:04.480 Baiklah. 10:04.480 --> 10:05.080 Sempurna. 10:05.110 --> 10:07.100 Jadi sekarang kita punya hasil. 10:07.180 --> 10:13.270 Kami juga memiliki target kami dan oleh karena itu kami dapat menghitung kerugian kerugian yang mewakili 10:13.270 --> 10:14.260 kesalahan prediksi. 10:14.500 --> 10:21.000 Jadi mari kita sebut ini yang terakhir, dua yang terakhir tentu saja untuk perbedaan temporal. 10:21.040 --> 10:28.720 Itu lagi di jantung pembelajaran Q dan kita yang tiddy ini akan sama dengan rilis yang 10:28.720 --> 10:30.330 meningkatkan banyak Cunanan. 10:30.520 --> 10:34.730 Itulah fungsi terakhir yang akan kita pilih untuk kecerdasan buatan kita. 10:34.800 --> 10:38.640 Bagi Anda yang datang dari jalur hijau tua, itu benar-benar yang terakhir saya rekomendasikan. 10:38.680 --> 10:43.280 Jika Anda ingin menerapkan Coonerty dan bagaimana cara kita mendapatkannya. 10:43.510 --> 10:50.380 Nah sekali lagi kita akan mengambil fungsi dari modul fungsional yang diwakili oleh F 10:50.380 --> 10:57.970 dan karena itu di sini saya akan menggunakan modul fungsional kami bebek dan Hubble kita dapat 10:57.970 --> 11:02.420 diperoleh berkat fungsi Smoots L-1 suka yang itu. 11:02.420 --> 11:03.850 Jadi menekan enter. 11:03.850 --> 11:07.910 Dan itu benar-benar fungsi hilang terbaik yang saya rekomendasikan untuk pembelajaran yang mendalam. 11:07.930 --> 11:09.680 Ini benar-benar meningkatkan Culin. 11:09.820 --> 11:12.670 Tapi ini adalah fungsi jadi saya menambahkan beberapa tanda kurung. 11:12.850 --> 11:14.740 Dan sekarang tidak ada yang lebih sederhana. 11:14.830 --> 11:19.340 Argumen yang perlu kita masukan adalah prediksi dan target. 11:19.420 --> 11:24.010 Jadi tentu saja prediksi adalah output karena itulah output dari jaringan saraf. 11:24.190 --> 11:27.600 Tidak ada output dari jaringan saraf yang diprediksi oleh jaringan saraf. 11:27.730 --> 11:29.030 Jadi itu prediksi. 11:29.260 --> 11:35.900 Jadi argumen pertama di sini adalah output dan argumen kedua tentu saja target. 11:36.100 --> 11:40.110 Hal yang kami coba dapatkan dan itu sudah dihitung sempurna. 11:40.150 --> 11:43.150 Kami dapat langsung memasukkan target. 11:43.150 --> 11:43.630 Sempurna. 11:43.650 --> 11:48.200 Sekarang kami telah memberi tahu kami bahwa kami punya sedikit teh di sini. 11:48.220 --> 11:48.760 Itu dia. 11:48.760 --> 11:50.470 Sekarang peringatan itu harus hilang. 11:50.890 --> 11:51.420 Iya nih. 11:51.430 --> 11:52.110 Sempurna. 11:52.180 --> 11:58.090 Dan sekarang kita memiliki kesalahan terakhir, kita dapat kembali kesalahan penyebar kembali ke jaringan untuk memperbarui bobot 11:58.090 --> 12:03.230 dengan keturunan gradien stokastik dan itulah yang akan kita lakukan pada langkah berikutnya. 12:03.490 --> 12:12.040 Jadi tentu saja sekarang apa yang harus kita lakukan seperti yang Anda duga adalah mengambil pengoptimal kami dari pengoptimal kami 12:12.190 --> 12:14.850 yang kami perkenalkan akan Anda inisialisasi. 12:15.030 --> 12:21.430 Dan itu adalah pengoptimal atom yang sebenarnya merupakan objek dari kelas Atom dan sudah dilengkapi 12:21.580 --> 12:23.720 dengan parameter model kami. 12:23.810 --> 12:31.480 Dan kami sudah memilih tingkat pembelajaran 0. 1 persen untuk menyempurnakan pengoptimal kami siap tetapi sekarang 12:31.480 --> 12:37.150 kita harus memainkannya pada kesalahan terakhir untuk melakukan grid stokastik dalam arti dan bobot data. 12:37.180 --> 12:43.540 Jadi ketika bekerja dengan para pejuang, hal pertama yang perlu kita lakukan adalah menginisialisasi ulang di setiap iterasi dari 12:43.540 --> 12:44.150 loop. 12:44.200 --> 12:50.620 Kita harus menginisialisasi ulang pengoptimal dari satu interaksi ke interaksi lainnya di loop ini untuk mendapatkan kisi-kisi 12:50.660 --> 12:53.310 di set dan untuk menginisialisasi ulang itu. 12:53.350 --> 12:54.820 Dan setiap iterasi dari loop. 12:55.200 --> 12:59.410 Kita akan menggunakan metode berikut ini yaitu nol. 12:59.940 --> 13:00.400 Kita mulai. 13:00.410 --> 13:05.180 Nol grad akan menginisialisasi ulang pengoptimal pada setiap iterasi loop. 13:05.230 --> 13:07.300 Maka jangan lupa tanda kurung. 13:07.390 --> 13:08.180 Sempurna. 13:08.200 --> 13:14.850 Dan sekarang setelah diinisialisasi ulang, kita dapat melakukan propagasi mundur dengan pengoptimal kami. 13:15.190 --> 13:16.380 Dan bagaimana kita melakukannya. 13:16.540 --> 13:22.660 Kita bawa hukum kita dan kita akan kembali menyebarkannya kembali ke jaringan dan kembali 13:22.660 --> 13:24.330 diperbanyak ke jaringan. 13:24.460 --> 13:33.190 Kita perlu menggunakan fungsi mundur dan di dalam fungsi mundur ini saya sarankan untuk memasukkan variabel 13:33.220 --> 13:37.180 garis bawah dan setel sama dengan true. 13:37.240 --> 13:40.990 Saya merekomendasikan untuk melakukan ini karena ini akan meningkatkan propagasi kembali. 13:41.200 --> 13:46.420 Penggunaan variabel tertulis sama dengan benar adalah untuk membebaskan memori dan kita perlu 13:46.420 --> 13:52.730 membebaskan memori karena kita akan pergi beberapa kali pada yang terakhir sehingga pasti akan meningkatkan kinerja pelatihan. 13:52.900 --> 13:58.980 Dan akhirnya langkah terakhir dari fungsi yang dipelajari ini adalah memiliki bobot data sesuai dengan propagasi belakang. 13:58.980 --> 14:02.570 Itu sesuai dengan seberapa banyak bobot berkontribusi pada kesalahan. 14:02.800 --> 14:11.680 Dan untuk melakukan ini, kami mengambil pengoptimal kami lagi yang diinisialisasi ulang dan kami menggunakan fungsi langkah 14:12.250 --> 14:17.560 dan hanya dengan baris kode ini dengan menggunakan fungsi langkah. 14:17.560 --> 14:19.450 Ini akan memperbarui bobot. 14:19.480 --> 14:21.860 Itulah baris kode ini yang memperbarui bobot. 14:21.910 --> 14:28.750 Baris kode ini yang menyebarkan kesalahan ke jaringan saraf dan baris kode ini menggunakan pengoptimal untuk 14:28.930 --> 14:31.510 memperbarui bobot dan kita mulai. 14:31.510 --> 14:36.800 Kami memiliki jaringan syaraf pembelajaran yang baik-baik saja, jadi selamat. 14:36.840 --> 14:42.320 Ini mungkin bagian yang paling teknis dan paling sulit dari semua perselisihan atau besok ini. 14:42.450 --> 14:47.880 Saya tahu obor saya kadang-kadang sulit dengan mudah dan menekan dan menekan tetapi pada 14:47.880 --> 14:54.900 akhirnya saya berjanji Anda akan mendapatkan jaringan saraf yang sangat fungsional dan karena itu secara khusus model dan akhirnya 14:54.960 --> 14:56.580 kecerdasan buatan yang hebat. 14:56.580 --> 15:03.150 Jadi sekarang mari kita beralih ke langkah selanjutnya atau guru dan model yang akan menjadi fungsi pembaruan 15:03.210 --> 15:07.170 yang jelas akan memperbarui ketika AI akan menemukan negara baru. 15:07.170 --> 15:11.420 Jadi, Anda tahu itu akan menemukan negara baru dan kemudian akan menerima hadiah. 15:11.520 --> 15:16.860 Bergantung pada tindakan yang ditampilkan dan status baru ini akan menangani ini dengan fungsi pembaruan 15:16.860 --> 15:19.510 dan akan melakukan ini di tutorial berikutnya. 15:19.710 --> 15:21.000 Sampai kemudian menikmati. 15:21.020 --> 15:21.300 SAYA.