WEBVTT 00:00.520 --> 00:05.830 Halo dan selamat datang di tutorial terakhir dari bagian ini, kita akan membuat fungsi 00:06.180 --> 00:12.510 terakhir dari D2 ini di kelas yang tentu saja akan memuat fungsi yang muncul setelah fungsi yang sama. 00:12.580 --> 00:17.450 Anda menyimpan model Anda dan kemudian Anda ingin dapat memuatnya setiap kali Anda kembali ke aplikasi. 00:17.500 --> 00:18.940 Jadi mari kita lakukan ini. 00:18.940 --> 00:22.420 Kita akan membuat def lalu memuat. 00:22.480 --> 00:29.230 Kami memanggil fungsi kelas memuat lagi fungsi memuat ini akan mengambil sebagai argumen diri dan Anda mungkin menebak di 00:29.230 --> 00:35.210 mana diri ini akan untuk itu akan persis memuat apa yang disimpan dalam fungsi yang sama. 00:35.230 --> 00:37.170 Jadi kita akan mengambil besok langsung. 00:37.210 --> 00:39.310 Dan tentu saja menyelesaikan optimizer itu. 00:39.550 --> 00:42.620 Jadi self-heal adalah untuk model dan optimizer. 00:43.030 --> 00:46.530 Jadi Cullin Dan sekarang mari kita memperlambat modelnya. 00:46.900 --> 00:53.350 Jadi karena Dymo ada di file ph terakhir yang sudah di-flind, kami ingin memastikan file ini ada dan oleh karena itu 00:53.350 --> 00:54.620 kami akan mulai dengan. 00:54.690 --> 01:00.520 Kami akan membuat kondisi IF untuk memastikan bahwa file ini ada dan jika ada, kami akan memuat 01:00.790 --> 01:05.160 apa yang ada di kamus yang ada di PDA cetak terakhir ini. 01:05.500 --> 01:13.430 Jadi kita mulai dengan jika kita akan mengambil sistem operasi kita dan jalan menuju otak terakhir ini 01:13.450 --> 01:14.980 yang ditemukan PVH. 01:15.160 --> 01:19.730 Jadi jalur itu persis jalur yang mengarah ke folder direktori yang berfungsi. 01:19.810 --> 01:26.530 Jadi sejauh yang saya ketahui itu desktop cepat ini daripada kecerdasan buatan saya itu adalah folder kemudian memodelkan satu 01:26.530 --> 01:32.080 mobil self-driving dan kemudian modul satu folder mobil self-driving ada folder ini di sini dengan 01:32.080 --> 01:33.970 cetakan terakhir yang Anda temukan. 01:34.210 --> 01:39.570 Dan kemudian kita akan menambahkan file file apa ini. 01:39.850 --> 01:40.990 Jadi itu sebuah fungsi. 01:41.080 --> 01:42.700 Jadi saya akan menambahkan beberapa tanda kurung. 01:42.850 --> 01:48.040 Dan di dalam tanda kurung saya akan memasukkan nama nama file dari file 01:48.040 --> 01:50.810 yang berisi model yang terakhir otak-th. 01:50.890 --> 01:53.660 Jadi kita harus menuliskannya dalam tanda kutip. 01:53.860 --> 02:04.000 Dan jadi saya memasuki otak terakhir yang menentukan dan demikian juga mengajukan otak terakhir halaman itu akan kembali benar jika file yang teman itu 02:04.000 --> 02:10.750 ada usia dan turun jika tidak ada dan oleh karena itu kondisi ini berarti jika 02:10.990 --> 02:13.410 kita memiliki yang terakhir memberikan. 02:13.630 --> 02:18.110 Nah sekarang folder direktori yang berfungsi kemudian mari kita pergi. 02:18.110 --> 02:19.900 Apa yang akan terjadi dalam kasus itu. 02:19.900 --> 02:22.470 Dalam hal ini jika file ini ada. 02:22.660 --> 02:28.150 Baiklah pertama kita akan mencetak sesuatu untuk mengatakan bahwa Anda tahu kita 02:28.150 --> 02:35.900 memuat moral misalnya Anda dapat mengatakan panah kecil dan kemudian memuat pos pemeriksaan dengan tiga titik kecil. 02:35.980 --> 02:36.320 Baiklah. 02:36.340 --> 02:38.350 Itu hanya untuk mengatakan kita memuat besok. 02:38.620 --> 02:41.050 Dan tentu saja kita akan memuat model. 02:41.080 --> 02:46.690 Jadi moral dan optimizer dan kita akan meletakkan apa yang kita muat dalam surat wasiat yang 02:46.840 --> 02:54.040 akan saya sebut sama dengan pos pemeriksaan dan di situlah kita akan menggunakan fungsi memuat untuk memuat apa yang disimpan dalam fungsi 02:54.040 --> 02:54.920 yang sama. 02:55.150 --> 03:02.530 Jadi tentu saja ini adalah fungsi dari pustaka obor ke titik obor dan nama fungsi Sloat adalah 03:02.530 --> 03:08.990 tanda kurung dan di dalam tanda kurung menurut Anda apa yang perlu kita input. 03:09.190 --> 03:15.340 Yah sangat sederhana kita perlu memasukkan file yang berisi besok disimpan 03:15.370 --> 03:24.150 dan optimizer optimisasi disimpan sehingga kita hanya perlu memasukkan nama file yang terakhir membawa titik de-th. 03:24.390 --> 03:30.300 Mari kita bawa BGH itu dan kita memuat file ini hanya dengan syarat file ini ada. 03:30.300 --> 03:33.040 Jadi itu sebabnya kami harus memanggil kondisi ini di sini. 03:33.860 --> 03:36.590 OK jadi sekarang kita memuat model dan optimizer. 03:36.690 --> 03:43.520 Nah yang akan kita lakukan adalah memperbarui model dan optimizer secara terpisah karena sebenarnya kita 03:43.530 --> 03:48.080 memuat parameter yang kita muat bobot dan parameter optimizer. 03:48.160 --> 03:56.490 Jadi sekarang yang perlu kita lakukan adalah memperbarui model kita yang sudah ada yaitu model blok sel yang 03:56.550 --> 04:04.890 satu ini dan pengoptimal kita yang ada menyelesaikan pengoptimal dengan parameter dengan bobot yang ada di Brender terakhir ini. 04:05.150 --> 04:10.680 Jadi kita hanya perlu membuat dua pembaruan ini secara terpisah dan untuk melakukan ini kita akan menggunakan metode 04:10.680 --> 04:11.980 dari modul penyiksaan. 04:12.150 --> 04:17.970 Jadi akan ada warisan yang akan memungkinkan kita untuk menggunakan metode ini yang disebut 04:17.970 --> 04:25.500 Load state dict dan metode statis yang lambat akan memungkinkan kita untuk memberi tahu semua parameter model dan pengoptimal kita. 04:25.500 --> 04:28.710 Jadi mari kita lakukan ini dan mari kita mulai dengan memperbarui model kita. 04:28.710 --> 04:35.820 Jadi kami mengambil model kami yang merupakan model otodidak karena model otodidak mewarisi dari 04:35.820 --> 04:40.530 metode modul obor untuk menggunakan metode state state dict. 04:40.650 --> 04:43.190 Jadi itulah metode yang kami ambil dari warisan. 04:43.380 --> 04:48.490 Dan berkat metode ini kita akan memperbarui semua parameter model yang ada. 04:48.810 --> 04:54.120 Jadi apa yang perlu kita masukkan ke dalam metode Dick ini adalah pos pemeriksaan kami dengan sangat baik. 04:54.180 --> 04:56.210 Itu adalah hasil dari fungsi beban. 04:56.290 --> 05:04.080 Jadi pos-pos pemeriksaan kemudian tanda kurung dan sekarang kita harus memasukkan nama kunci yang sesuai dengan model kita yaitu yang 05:04.470 --> 05:07.270 sesuai dengan tanggal keadaan model subduksi. 05:07.560 --> 05:09.490 Dan itu adalah keadaan. 05:09.800 --> 05:17.970 Jadi di pos-pos pemeriksaan dan tanda kurung yang kami masukkan di Amerika Serikat menyatakan garis bawah tiket dan baris kode ini 05:18.210 --> 05:20.170 akan memperbarui model Anda. 05:20.220 --> 05:23.440 Itu adalah alat yang menunggu parameter model Anda. 05:23.580 --> 05:26.330 Dan sekarang kita perlu melakukan hal yang sama untuk pengoptimal. 05:26.520 --> 05:28.380 Dan itu akan hampir sama. 05:28.470 --> 05:33.290 Jadi saya akan menyalin baris yang ditempel di bawah ini. 05:33.420 --> 05:40.620 Dan kali ini kita akan berkencan bukan besok tapi optimizer optimizer itu. 05:40.650 --> 05:47.730 Kemudian lagi kita gunakan untuk memuat metode negara Dick yang mewarisi dari metode modul obor dan 05:47.730 --> 05:52.020 kami menerapkan fungsi ini ke pos pemeriksaan keadaan dict. 05:52.170 --> 05:56.970 Tetapi kunci yang sesuai dengan optimizer dan itu adalah optimizer. 05:57.150 --> 06:02.260 Jadi di sini kita hanya mengganti tanggal hingga Mizer. 06:02.280 --> 06:03.180 Itu dia. 06:03.180 --> 06:04.880 Di sini kami memperbarui bobot. 06:04.920 --> 06:07.600 Dan di sini kami memperbarui parameter pengoptimal. 06:08.340 --> 06:15.870 Sempurna dan kemudian hanya untuk menyelesaikan kita dapat mencetak sedikit selesai seperti itu. 06:15.870 --> 06:21.510 Dan akhirnya kita hanya perlu menentukan apa yang terjadi jika kondisi ini tidak dihormati. 06:21.570 --> 06:29.670 Itu jika tidak ada banyak percobaan Pythia dan jadi kita hanya perlu menambahkan yang lain selain Colin dan Cindy kita hanya akan 06:29.700 --> 06:32.630 mengatakan bahwa tidak ada file seperti itu. 06:32.640 --> 06:34.110 Mari kita bawa usia PTA. 06:34.200 --> 06:44.350 Jadi kita hanya akan mencetak sesuatu seperti Tidak ada titik periksa dan tiga jika itu yang Anda inginkan. 06:44.360 --> 06:45.180 Baiklah. 06:45.230 --> 06:50.500 Dan itu memberi kita fungsi beban fungsional dan sebagian besar fungsional. 06:50.540 --> 06:57.890 Apakah Anda di kelas dan sekarang selamat karena kecerdasan buatan kami siap, Anda mungkin dapat mendengar suara saya 06:57.890 --> 07:02.230 dan saya menjadi sangat bersemangat karena sekarang saatnya untuk demo. 07:02.330 --> 07:08.510 Kami baru saja membuat otak dan kami akan memasukkan otak ini ke dalam mobil dan kami akan melihat betapa 07:08.840 --> 07:13.440 pintarnya melakukan perjalanan bolak-balik antara bandara dan pusat kota di mana pun jalan berada. 07:13.520 --> 07:15.310 Jadi saya tidak sabar untuk menunjukkan demo kepada Anda. 07:15.410 --> 07:17.430 Ini akan berada di bagian selanjutnya. 07:17.510 --> 07:19.100 Dan sampai saat itu aku.