WEBVTT 00:00.300 --> 00:02.010 Hallo en welkom bij deze tutorial. 00:02.340 --> 00:06.750 Oké, dus vandaag gaan we een functie maken die ons model zal redden, dat wil zeggen dat het brein 00:06.750 --> 00:10.730 van de auto zal worden gered, zodat we het kunnen gebruiken wanneer we de applicatie maken. 00:11.280 --> 00:15.570 Dankzij dezelfde functie kunnen we het model opslaan en vervolgens de applicatie afsluiten. 00:15.780 --> 00:20.340 En als we dan teruggaan naar de applicatie, dingen naar een andere functie, dat is de 00:20.340 --> 00:25.340 laadfunctie die hierna zal worden gemaakt, zullen we de laatste versie van ons model laden dat is getraind. 00:25.680 --> 00:27.300 Dus dat zal heel praktisch zijn. 00:27.300 --> 00:31.500 En laten we daarom van deze twee functies dezelfde functie en de laadfunctie maken. 00:32.100 --> 00:35.000 Dus laten we beginnen met dezelfde functie in deze tutorial. 00:35.360 --> 00:42.570 Dus hier komt een nieuwe def, dan opslaan, en dan is er één argument nodig dat zichzelf zal zijn. 00:42.960 --> 00:49.770 En de reden is dat wat we gaan redden niet het hele model hier is, maar ons neurale 00:50.040 --> 00:54.240 netwerk zelf dat model en onze optimizer zelf die optimizer. 00:54.600 --> 01:00.180 Want wat we willen besparen, zijn alleen de laatste gewichten die bij de laatste iteratie zijn bijgewerkt. 01:00.390 --> 01:06.420 Want wanneer we ons opgeslagen model later opnieuw willen gebruiken, wilden we de actie voorspellen om te spelen met de 01:06.420 --> 01:08.570 gewichten die we al hebben getraind. 01:09.000 --> 01:13.140 Dus we moeten deze laatste versie van het gewicht nemen en we moeten ook de laatste versie van 01:13.140 --> 01:15.770 de optimizer nemen omdat deze is verbonden met deze gewichten. 01:16.710 --> 01:17.790 Dus laten we dit doen. 01:17.790 --> 01:19.230 We hebben onszelf. 01:19.230 --> 01:24.630 Dus we zullen onszelf kunnen nemen, dat model en onszelf die optimizer, en we zullen deze 01:24.630 --> 01:26.790 twee objecten opslaan in een Python-woordenboek. 01:27.030 --> 01:31.940 En om deze twee objecten op te slaan, gaan we dezelfde functie van de toortsmodule gebruiken. 01:32.310 --> 01:39.360 Dus ik begin hier met Tahj die opslaat en tussen haakjes gaan we dat woordenboek invoeren. 01:39.840 --> 01:42.660 Brackett's en een woordenboek in Python werken zo. 01:42.660 --> 01:45.330 Je hebt een sleutel, dat is je identificatie. 01:45.480 --> 01:46.350 Dus dat is uniek. 01:46.650 --> 01:49.460 En voor elk jaar heb je de waarde die je aan die sleutel wilt geven. 01:49.740 --> 01:56.580 Het is dus als een mapping-functie van unieke identifiers naar een waarde die je aan deze identifiers wilt geven. 01:56.740 --> 02:03.300 Als je een eenvoudig woordenboekboek neemt, nou, de sleutels zouden de woorden zijn en de waarden zouden de definities van 02:03.300 --> 02:04.410 de woorden zijn. 02:04.710 --> 02:05.820 Nou, hier is dat hetzelfde. 02:06.150 --> 02:12.240 We gaan twee sleutels maken, één sleutel voor het eerste object dat we willen opslaan, dat zelf dat model is. 02:12.360 --> 02:17.490 En een tweede sleutel voor het tweede dat we willen redden, dat is onszelf, die optimizer. 02:17.700 --> 02:19.950 En laten we daarom beginnen met de eerste sleutel. 02:20.260 --> 02:26.220 Dus we moeten die sleutel een naam geven en ik noem het state en dit kerndictaat, want dan zul je zien dat 02:26.220 --> 02:31.250 ik de functie state dict ga gebruiken om ons model in het woordenboek op te slaan . 02:31.590 --> 02:37.730 Dus dat is onze eerste sleutel om de waarde te geven die we aan die dartel willen toeschrijven. 02:38.040 --> 02:41.760 Nou, zoals je kunt zien, heb ik hier en hier een kleine column toegevoegd. 02:41.760 --> 02:44.450 Ik ga het object toevoegen, het object dat ik wil opslaan. 02:44.850 --> 02:53.220 Dus het eerste object dat ik wil opslaan is zelf dat model, dus we kunnen dit zelf dat model kopiëren en plakken als de 02:53.430 --> 02:56.340 waarde van ons eerste sleutelzelf, dat model. 02:56.730 --> 03:00.310 Dan voegen we die staat toe, onderstrepen dict. 03:00.330 --> 03:06.630 Hier gaan we, de eerste en dan voegen we enkele haakjes toe en dat zal de parameters van uw model 03:06.630 --> 03:09.150 opslaan in dit eerste dictaat van de sleutelstatus. 03:09.780 --> 03:11.910 En laten we nu zeggen onze optimizer. 03:12.210 --> 03:14.970 Dus we gaan een tweede sleutel toevoegen aan het woordenboek. 03:15.330 --> 03:21.780 En om dit te doen, zijn we hier gekomen en druk dan op enter en daar gaan we met onze tweede sleutel naar de tweede sleutel, we 03:21.780 --> 03:22.670 gaan het noemen. 03:23.010 --> 03:25.080 Nou, we kunnen het optimalisatie noemen. 03:26.010 --> 03:32.460 Dan Colin, en dan hoeven we alleen maar de naam toe te voegen van het object dat we willen opslaan, en dat is zelf, 03:33.240 --> 03:34.380 dat is onze optimizer. 03:34.650 --> 03:38.210 Dus we houden ons aan die optimizer. 03:39.030 --> 03:45.270 En nogmaals, om de parameters van deze optimizer op te slaan, zijn we hier weer, die staat DECT en daar gaan 03:45.270 --> 03:45.810 we. 03:45.810 --> 03:51.420 We hebben ons model opgeslagen met al het bespaarde gewicht en onze optimizers opgeslagen. 03:51.960 --> 03:52.560 Perfect. 03:53.010 --> 03:56.160 En dan zullen we dit alles opslaan in een bestand. 03:56.340 --> 04:02.880 En om dit te doen, ga ik een tweede argument toevoegen aan de opslagfunctie, wat de naam zal zijn van 04:02.880 --> 04:07.120 dit bestand waar we ons model in onze geoptimaliseerde staat willen hebben. 04:07.530 --> 04:12.630 Dus onthoud, ik liet je een korte demo zien in het eerste deel van deze eerste module, zelfrijdende auto. 04:12.960 --> 04:16.260 Weet je, dat was een demo waar we gewoon wat willekeurige acties hadden. 04:16.470 --> 04:18.350 Dat was dus nog geen zelfrijdende auto. 04:18.600 --> 04:22.050 Maar bedenk dan dat ik op de knop Opslaan heb geklikt om het model op te slaan. 04:22.230 --> 04:29.030 En dit creëerde het laatste brein dat bestand, het bestand dat de opgeslagen versie van je model bevat. 04:29.400 --> 04:39.090 Dus ik ga hier het laatste onderstrepingsteken toevoegen, breng dat naar voren zodat je model en je optimalisatieprogramma in 04:39.090 --> 04:41.700 dit gemaakte bestand worden opgeslagen. 04:41.730 --> 04:44.550 Laten we dat naar buiten brengen, zodat je het nog niet hebt. 04:44.670 --> 04:50.400 Maar zodra u uw model opslaat in de applicatie, wordt dit bestand aangemaakt dankzij deze code die we zojuist 04:50.400 --> 04:51.020 hebben toegevoegd. 04:51.510 --> 04:52.070 Oke. 04:52.080 --> 04:53.690 En dus nu perfect. 04:53.700 --> 04:59.160 We hebben een veilige functie die uw model zal redden, het brein van uw auto zal redden door het gewicht te besparen 04:59.160 --> 05:03.220 en de optimizer van het neurale netwerk dat in feite het brein van de auto is. 05:03.810 --> 05:04.620 Zo perfect. 05:04.650 --> 05:07.740 We hoeven nu nog maar één functie te creëren. 05:08.130 --> 05:09.390 Dat is de laadfunctie. 05:09.750 --> 05:12.920 En dat komt omdat dezelfde functie nooit zonder een laadfunctie gaat. 05:13.170 --> 05:17.390 Weet je, het heeft geen zin om je model op te slaan als je niet kunt laden wat je daarna opslaat. 05:17.700 --> 05:20.580 Dus dat is de laatste stap in onze reis voor de spannende demo. 05:20.760 --> 05:24.690 En we zullen deze belasting laten functioneren in de laatste twee Toyota-secties. 05:25.050 --> 05:26.760 Dus ik zie je hierin naast zwoegen. 05:26.760 --> 05:28.380 En tot die tijd, geniet van I.