WEBVTT 00:00.420 --> 00:02.490 Hallo und herzlich willkommen zu diesem Tutorial. 00:02.490 --> 00:06.930 In Ordnung, so werden wir heute eine Funktion erstellen, die das Gehirn des Autos 00:06.930 --> 00:11.420 rettet oder ein Modell speichert, sodass wir es verwenden können, wenn wir die Anwendung beenden. 00:11.430 --> 00:14.350 Dank der Funktion Speichern kann das Modell gespeichert werden. 00:14.400 --> 00:19.470 Dann beenden Sie die Anwendung und wenn wir zu den Anwendungssachen zurückkehren, zu 00:19.470 --> 00:24.720 einer anderen Funktion, der Ladefunktion, die nach dieser Funktion ausgeführt wird, werden wir die 00:24.720 --> 00:30.210 letzte Version unseres Modells laden, die trainiert wurde Machen Sie diese beiden Funktionen zur gleichen 00:30.210 --> 00:32.190 Funktion und zur Ladefunktion. 00:32.190 --> 00:35.490 Beginnen wir also mit der gleichen Funktion in diesem Tutorial. 00:35.520 --> 00:42.830 Also hier kommt die neue Def, dann speichern und dann braucht man ein Argument, dass es sich selbst sein wird. 00:43.140 --> 00:49.830 Und der Grund ist, dass wir nicht das ganze Modell hier sagen wollen, sondern unser neuronales 00:50.160 --> 00:57.510 Netz Selldorf-Modell und unsere Optimiererzellen, die es optimieren, weil wir nur die letzten Gewichte speichern möchten, die bei 00:57.510 --> 01:03.740 der letzten Iteration datiert wurden Wann immer wir unsere Ersparnisse später wiederverwenden wollen, wollten 01:03.990 --> 01:08.900 wir die Aktion mit den bereits trainierten Gewichten zum Spielen bringen. 01:09.150 --> 01:11.310 Wir müssen also die letzte Version der Gewichte nehmen. 01:11.520 --> 01:16.510 Außerdem müssen wir die letzte Version des Optimierers verwenden, da diese mit diesen Gewichten verbunden ist. 01:16.860 --> 01:17.970 Also lass uns das tun. 01:17.970 --> 01:24.330 Wir haben unsere Zellen, so dass wir unser That-Modell in den Optimierer übernehmen können, und wir werden diese 01:24.330 --> 01:28.800 beiden Objekte in einem Python-Wörterbuch speichern und diese beiden Objekte speichern. 01:28.850 --> 01:32.460 Wir werden dieselbe Funktion aus dem Brennermodul verwenden. 01:32.460 --> 01:40.620 Also fange ich hier mit einer fackeligen Fackel an und in Klammern setzen wir diese Wörterbuchklammern in ein 01:40.880 --> 01:41.690 Wörterbuch. 01:41.680 --> 01:45.550 Bison funktioniert so, dass Sie einen Schlüssel haben, der Ihre Kennung ist. 01:45.660 --> 01:46.650 Das ist also einzigartig. 01:46.810 --> 01:49.840 Und für jeden haben Sie den Wert, den Sie zu diesem Schlüssel bekommen möchten. 01:49.890 --> 01:56.840 Es ist also wie eine Zuordnungsfunktion von eindeutigen Bezeichnern zu einem Wert, den Sie diese Bezeichner erhalten möchten. 01:56.910 --> 02:03.990 Wenn Sie ein einfaches Wörterbuchbuch gut nehmen, sind die Schlüssel die Wörter und die Werte sind die Definitionen der 02:03.990 --> 02:04.690 Wörter. 02:04.830 --> 02:10.830 Nun, das heißt, wir werden zwei Schlüssel erstellen, einen Schlüssel für das erste Objekt, das wir speichern möchten. Dieses 02:10.830 --> 02:13.750 Modell ist ein Subduct-Modell und eine Sekunde zuvor. 02:13.760 --> 02:19.770 Die zweite Sache, die wir sagen wollen, ist unser Optimizer und wir beginnen mit dem ersten 02:19.770 --> 02:20.250 Schlüssel. 02:20.430 --> 02:26.370 Also mussten wir diesem Schlüssel einen Namen geben, und ich werde ihn beim Score-Dikt als state bezeichnen, da Sie dann 02:26.370 --> 02:31.550 sehen werden, wie er die Funktion say dict verwendet, um unser Modell im Wörterbuch zu speichern. 02:31.740 --> 02:38.020 Das ist also unser erster Schlüssel, um den Wert anzugeben, den wir dem ersten Schlüssel zuordnen möchten. 02:38.190 --> 02:44.130 Nun, wie Sie sehen, habe ich hier eine kleine Con hinzugefügt und hier füge ich dem Objekt das Objekt hinzu, das ich 02:44.130 --> 02:44.790 sagen möchte. 02:45.000 --> 02:53.340 Das erste Objekt, das ich sagen möchte, ist das Selbstmodell, sodass wir dieses Selbst morgen kopieren und als Wert 02:53.640 --> 02:56.240 unserer ersten Schlüsselzelle einfügen können. 02:56.250 --> 03:00.490 Jetzt fügen wir diesen Zustandsunterstrich hinzu. 03:00.510 --> 03:00.930 Auf geht's. 03:00.960 --> 03:01.820 Der erste. 03:02.190 --> 03:07.430 Und dann fügen wir Klammern hinzu und speichern die Parameter Ihres Modells. 03:07.470 --> 03:09.670 In diesem ersten wichtigen Zustandsdikt. 03:09.950 --> 03:12.330 Und jetzt sagen wir unser Optimierer. 03:12.360 --> 03:17.640 Also fügen wir einen zweiten Schlüssel in das Wörterbuch ein und dazu haben wir hier ein Komma. 03:17.640 --> 03:21.010 Dann drücken Sie die Eingabetaste und dann gehen wir mit unserer zweiten Taste. 03:21.270 --> 03:22.970 Der zweite Schlüssel nennen wir es. 03:23.190 --> 03:30.480 Nun, wir können es Optimizer nennen, dann reinrufen und dann den Namen des zu speichernden Objekts 03:30.480 --> 03:31.070 hinzufügen. 03:31.260 --> 03:33.390 Und das ist selbst. 03:33.390 --> 03:34.650 Das ist unser Optimierer. 03:34.800 --> 03:38.700 Also fügen wir hier selbst diesen Optimierer hinzu. 03:39.180 --> 03:45.080 Und dann, um die Parameter dieses Optimierers erneut einzustellen, sind wir hier wieder in diesem Zustand. 03:45.210 --> 03:53.310 Und dann gehen wir, wir haben unser Modell mit all dem Gewicht gespeichert und unser Optimierer speichert perfekt und dann 03:53.310 --> 03:59.550 speichern wir das alles in einer Datei und dazu füge ich der Save-Funktion ein zweites 03:59.550 --> 04:06.810 Argument hinzu Geben Sie den Namen dieser Datei an, in der unser Modell in unserem Optimierungsset enthalten sein 04:06.810 --> 04:07.470 soll. 04:07.680 --> 04:13.050 Denken Sie daran, ich sollte im ersten Abschnitt dieses ersten selbstfahrenden Autos eine kurze Demo machen. 04:13.140 --> 04:16.530 Das war eine Demo, bei der wir nur zufällige Aktionen hatten. 04:16.580 --> 04:21.690 Das war also noch nicht das selbstfahrende Auto, aber dann erinnere ich mich, dass ich auf den 04:21.690 --> 04:28.530 Speichern-Button geklickt habe, um das Modell zu speichern. Dadurch wurde das letzte Gehirn erstellt, das PCH gefunden hat. Diese Datei enthält die gleiche Version 04:28.530 --> 04:29.330 Ihrer E-Mail. 04:29.520 --> 04:39.270 Also füge ich hier das letzte Mal hinzu, dass Gehirn dieses Alter unterstreicht, damit Ihre Moral und Ihr Optimierer in 04:39.270 --> 04:41.790 dieser erstellten Datei gespeichert werden. 04:41.790 --> 04:44.750 Lassen Sie uns diese Seite mitbringen, damit Sie sie noch nicht haben. 04:44.850 --> 04:50.450 Sobald Sie jedoch Ihr Modell in der Anwendung angegeben haben, wird diese Datei mit dem gerade hinzugefügten 04:50.460 --> 04:51.370 Code erstellt. 04:51.690 --> 04:52.220 Gut. 04:52.260 --> 04:53.780 Und jetzt perfekt. 04:53.850 --> 04:59.430 Wir haben eine sichere Funktion, die Ihr Modell rettet, indem Sie die Gewichte und 04:59.440 --> 05:06.240 den Optimierer des neuen Netzwerks speichern, das eigentlich das Gehirn des Autos ist. So perfekt, dass wir nur 05:06.240 --> 05:08.250 noch eine Funktion haben. 05:08.250 --> 05:13.310 Das ist die Ladefunktion und das deshalb, weil dieselbe Funktion niemals ohne Ladefunktion geht. 05:13.350 --> 05:15.440 Nein, es gibt keinen Zweck, das Modell zu speichern. 05:15.510 --> 05:17.820 Wenn Sie das, was Sie sagen, nicht laden können. 05:17.820 --> 05:23.060 Das ist also der letzte Schritt auf unserer Reise vor der aufregenden Demo und wir werden diese Sloat-Funktion erstellen. 05:23.130 --> 05:26.870 In den letzten beiden Toyota-Abschnitten werde ich Sie also in diesem nächsten Tutorial sehen. 05:26.900 --> 05:28.470 Und bis dahin genießen Sie AI.