WEBVTT 00:00.330 --> 00:03.420 こんにちは､ このセクションの最後のチュートリアルへようこそ｡ 00:03.420 --> 00:12.360 このドキュメントクラスの最後の関数は､ もちろんsave関数の後に当然来るload関数にするつもりです｡ 00:12.360 --> 00:17.250 モデルを保存して､ アプリケーションに戻ったときにいつでもロードできるようにしたい｡ 00:17.250 --> 00:18.660 では､ こうしてみましょう｡ 00:18.660 --> 00:22.440 デフを作り､ ロードする｡ 00:22.440 --> 00:31.020 この最後の関数を再びloadと呼びます｡ このload関数は引数としてselfを取り､ このselfが何のためにあるのかは､ おそらく皆さんも想像がつくでしょう｡ 00:31.020 --> 00:34.980 まさに､ セーブ機能で保存したものをロードすることになります｡ 00:34.980 --> 00:39.060 そこで､ 自己のモデル､ そしてもちろん自己のそのオプティマイザーを取り上げることにします｡ 00:39.270 --> 00:42.330 つまり､ ここでの自分は､ モデルとオプティマイザーのためにあることになる｡ 00:42.780 --> 00:46.290 それではコロンと､ 今度はモデルをロードしてみましょう｡ 00:46.650 --> 00:54.420 つまり､ モデルは最後のブランドのファイルにあるので､ このファイルが存在することを確認したいので､ そのファイルから始めることになります｡ 00:54.420 --> 00:58.230 このファイルが存在することを確認するためにFコンディションを作るのです｡ 00:58.230 --> 01:04.980 そして､ もしそれが存在すれば､ この最後のプリントファイルにある辞書にあるものを読み込むことになるのです｡ 01:05.280 --> 01:14.880 Fから始めて､ オペレーティングシステムと､ この最後のばかげたファイルにつながるパスを取るわけです｡ 01:14.880 --> 01:19.650 つまり､ OSのドットパスは､ まさにワーキングディレクトリフォルダにつながるパスなのです｡ 01:19.650 --> 01:26.100 だから､ 私の人工知能よりもこのパスのデスクトップであることを懸念している限り､ それはそのフォルダその後モデル1自動運転車､ 01:26.100 --> 01:31.770 そしてモジュール1自動運転車のフォルダは､ ファイルの最後のポイントとここにこのフォルダであり､ 01:31.770 --> 01:39.330 我々はドットがファイルであるファイルこの1つを追加しようとしている｡ 01:39.660 --> 01:40.890 それが機能なんですね｡ 01:40.890 --> 01:42.570 そこで､ カッコを付けてみる｡ 01:42.570 --> 01:49.760 そして､ 括弧の中には､ 最後のブレーンドットであるモデルを含むファイル名を入力します｡ 01:50.610 --> 01:53.490 だから､ 引用符で入力する必要がある｡ 01:53.610 --> 02:04.470 それで､ last brain dotを入力しているので､ このファイルleft brain dotが存在すればtrueを､ 02:04.470 --> 02:08.400 存在しなければfalseを返します｡ 02:08.400 --> 02:19.590 したがって､ このif条件は､ 作業ディレクトリフォルダに左脳のファイルがある場合､ その場合に何が起こるかということを意味します｡ 02:19.590 --> 02:22.380 その場合､ このファイルが存在すれば 02:22.380 --> 02:27.450 さて､ まず､ モデルをロードしていることを示す何かをプリントすることにします｡ 02:27.460 --> 02:35.520 ですから､ 例えば､ 小さな矢印と､ 3つの小さなドットでチェックポイントを読み込むと言うことができます｡ 02:35.790 --> 02:36.180 わかりました｡ 02:36.180 --> 02:40.890 ということで､ あくまでモデルを読み込むということですが､ もちろん､ モデルを読み込むということです｡ 02:40.890 --> 02:49.560 そこで､ モデルとオプティマイザ､ そしてロードしたものを､ チェックポイント・イコールと呼ぶ変数に入れることにします｡ 02:49.560 --> 02:54.900 そして､ そこでload関数を使って､ save関数で保存したものを読み込むことになります｡ 02:54.900 --> 02:58.950 ということで､ もちろんこれはトーチライブラリの関数です｡ 02:58.950 --> 03:08.910 トーチ・ドット､ そしてこのロード機能の名前は､ 単純にロード・パレット､ そしてパレットの中には何を入力する必要があるのでしょうか？ 03:08.910 --> 03:15.840 さて､ 非常に簡単に言うと､ 保存したモデルと保存したオプティマイザを含むファイルを入力する必要があるのです｡ 03:15.990 --> 03:22.080 そこで､ 単純にファイル名を入力するのですが､ これがLast Brain Dotです｡ 03:24.170 --> 03:30.100 そのページを持ってきて､ このファイルが存在する場合にのみ､ このファイルを読み込むことにしましょう｡ 03:30.110 --> 03:33.020 そのため､ ここにif条件を記述する必要があったのです｡ 03:33.770 --> 03:33.980 なるほど｡ 03:33.980 --> 03:40.460 モデルとオプティマイザをロードしたので､ これから行うのはモデルとオプティマイザを別々にアップデートすることです｡ 03:40.460 --> 03:47.930 実際にパラメータをロードしたので､ オプティマイザの重みとパラメータをロードしました｡ 03:47.930 --> 03:55.880 そこで今必要なことは､ 既存のモデル､ つまりこの自分､ このモデル､ そして既存のオプティマイザ､ 03:55.880 --> 04:04.700 このオプティマイザを､ この最後のばかげたファイルにある重みとパラメータで更新することです｡ 04:05.000 --> 04:07.910 ですから､ 単純にこの2つのアップデートを別々に行うだけでいいのです｡ 04:07.910 --> 04:11.900 そのために､ トーチモジュールにあるメソッドを使うんだ｡ 04:11.900 --> 04:18.560 そこで､ ロードステートDictと呼ばれるこのメソッドを使用できるようにするための継承が行われることになります｡ 04:18.560 --> 04:25.250 そして､ スローステート法により､ モデルとオプティマイザーのすべてのパラメータを更新することができるようになるのです｡ 04:25.250 --> 04:28.580 では､ これを実行し､ まずモデルを更新してみましょう｡ 04:28.580 --> 04:35.870 そこで､ 私たちのモデル（self thatモデルはtorchモジュールのメソッドを継承しているので､ self taughtモデル）を使って､ 04:35.870 --> 04:40.490 load state dictメソッドを使用します｡ 04:40.490 --> 04:43.130 ということで､ 継承している方法です｡ 04:43.130 --> 04:48.380 そして､ この方法のおかげで､ モデルのすべてのパラメータ､ つまりすべての重みを更新することができるのです｡ 04:48.530 --> 04:56.030 そして､ このload静的メソッドに入力する必要があるのは､ load関数の結果であるチェックポイント変数です｡ 04:56.030 --> 05:04.190 チェックポイントはブラケットで､ モデルに対応するキーの名前を入力する必要があります｡ つまり､ selfに対応するモデル､ 05:04.190 --> 05:09.410 state dict､ そしてstate dictです｡ 05:10.000 --> 05:19.950 だからチェックポイントとブラケットで我々はスコアチケットに引用符の状態を入力し､ コードのこの行は､ あなたのモデルを更新します｡ 05:19.960 --> 05:22.960 つまり､ モデルのパラメータである重みを更新するのです｡ 05:23.290 --> 05:28.240 そして今度は､ オプティマイザーにも同じことをする必要があり､ それはほとんど同じになります｡ 05:28.240 --> 05:30.370 そこで､ この行をコピーすることにする｡ 05:32.070 --> 05:33.110 以下ベース｡ 05:33.120 --> 05:39.330 そこで､ 今回はモデルではなく､ オプティマイザーそのものを更新することにしました｡ 05:39.330 --> 05:40.400 そのオプティマイザー｡ 05:40.410 --> 05:47.670 そしてまた､ torchモジュールのメソッドを継承したload state decayメソッドを使い､ state 05:47.670 --> 05:56.930 dictではなく､ optimizerに対応するキー､ つまりoptimizerのチェックポイントにこの関数を適用しています｡ 05:56.940 --> 06:01.680 そこで､ ここではdictをmiserまでで置き換えているだけです｡ 06:02.100 --> 06:02.910 これでよしとしよう｡ 06:02.910 --> 06:07.560 ここでは､ モデルの重みを更新し､ ここではオプティマイザのパラメータを更新します｡ 06:08.220 --> 06:08.910 完璧です｡ 06:08.910 --> 06:15.360 そして､ 仕上げに､ こんな風にちょっとだけ印刷することができるんです｡ 06:15.630 --> 06:21.330 そして最後に､ この条件が守られないとどうなるかを指定すればよいのです｡ 06:21.330 --> 06:24.420 つまり､ よりブランドの低いファイルがない場合です｡ 06:24.420 --> 06:27.990 そして､ LS thenのカラムを追加すればいいわけです｡ 06:29.000 --> 06:33.890 そして､ 単純に「その年齢の反則的な少ない脳は存在しない」と言い切ってしまうのです｡ 06:34.040 --> 06:42.950 そこで､ チェックポイントが見つかりませんでしたというような印字と､ 必要であれば小さな点を3つ印字するだけです｡ 06:44.200 --> 06:44.980 わかりました｡ 06:44.980 --> 06:51.670 そして､ それによって､ 機能的な負荷関数と､ ほとんど機能的なクラス中が得られるのです｡ 06:51.670 --> 06:56.920 そして今､ 私たちの人工知能の準備が整ったので､ 大きな祝福を受けています｡ 06:56.950 --> 07:02.050 私の声から察するに､ いよいよデモの時間ということで､ 非常に興奮しているのがわかると思います｡ 07:02.080 --> 07:08.620 私たちは今､ 脳を作りました｡ この脳を車に乗せて､ 空港とダウンタウン､ どんな道でも往復できるほど賢いのか､ 07:08.620 --> 07:13.330 見てみたいと思います｡ 07:13.330 --> 07:15.250 だから､ 早くデモをお見せしたいんです｡ 07:15.280 --> 07:17.290 これは次のセクションで紹介する予定です｡ 07:17.290 --> 07:18.580 そしてそれまで､ お楽しみに｡ 07:18.580 --> 07:19.150 I.