WEBVTT

00:00.520 --> 00:05.830
Hola y bienvenidos al último tutorial de la sección, vamos a hacer la última función de este

00:06.180 --> 00:12.510
D2 en clase, que va a ser, por supuesto, la función de carga que viene naturalmente después de la misma función.

00:12.580 --> 00:17.450
Guarda su modelo y luego desea poder cargarlo cada vez que regrese a la aplicación.

00:17.500 --> 00:18.940
Entonces, hagamos esto.

00:18.940 --> 00:22.420
Vamos a hacer def y luego cargar.

00:22.480 --> 00:29.230
Llamamos a la función de clase que cargue de nuevo. Esta función de carga tomará como argumentos uno mismo y probablemente

00:29.230 --> 00:35.210
adivine dónde estará este ser, ya que será exactamente cargar lo que se guardó en la misma función.

00:35.230 --> 00:37.170
Entonces tomaremos el mañana autodirigido.

00:37.210 --> 00:39.310
Y, por supuesto, resolver ese optimizador.

00:39.550 --> 00:42.620
Entonces la auto-sanación será para el modelo y el optimizador.

00:43.030 --> 00:46.530
Entonces Cullin Y ahora vamos a ralentizar el modelo.

00:46.900 --> 00:53.350
Entonces, como Dymo está en el último archivo de ph brindled, queremos asegurarnos de que este archivo exista y, por lo tanto, con

00:53.350 --> 00:54.620
eso vamos a empezar.

00:54.690 --> 01:00.520
Vamos a hacer una condición IF para asegurarnos de que este archivo existe y, si existe, cargaremos lo

01:00.790 --> 01:05.160
que tenemos en el diccionario que está en esta última PDA de impresión.

01:05.500 --> 01:13.430
if, entonces vamos a tomar nuestro sistema operativo y el camino que conduce a este último cerebro que PVH encontró.

01:13.450 --> 01:14.980
Entonces comenzamos con un

01:15.160 --> 01:19.730
Entonces esa ruta es exactamente la ruta que conduce a la carpeta del directorio de trabajo.

01:19.810 --> 01:26.530
Así que, en lo que a mí respecta, este es un escritorio rápido que mi inteligencia artificial, es una carpeta y

01:26.530 --> 01:32.080
luego un auto sin conductor y luego una carpeta auto del carro del módulo. Aquí hay esta carpeta

01:32.080 --> 01:33.970
con la última impresión que encontraste.

01:34.210 --> 01:39.570
Y luego vamos a agregar a lo que es un archivo de este.

01:39.850 --> 01:40.990
Entonces esa es una función.

01:41.080 --> 01:42.700
Así que voy a agregar algunos paréntesis.

01:42.850 --> 01:48.040
Y dentro del paréntesis, voy a ingresar el nombre del nombre del archivo que contiene

01:48.040 --> 01:50.810
el modelo que es el último cerebro de-th.

01:50.890 --> 01:53.660
Entonces tenemos que ponerlo entre comillas.

01:53.860 --> 02:04.000
Y entonces estoy ingresando el último cerebro que de-th y así es el archivo del último cerebro que la página devolverá verdadero si el archivo que

02:04.000 --> 02:10.750
es amigo de esa edad existe y cae si no existe y por lo tanto esta condición

02:10.990 --> 02:13.410
si significa que tenemos la última hacer.

02:13.630 --> 02:18.110
Bueno, ahora la carpeta de directorio de trabajo, entonces vamos.

02:18.110 --> 02:19.900
¿Qué va a pasar en ese caso?

02:19.900 --> 02:22.470
En ese caso, si este archivo existe.

02:22.660 --> 02:28.150
Bueno, primero vamos a imprimir algo para decir que sabes que estamos cargando la

02:28.150 --> 02:35.900
moral de, por ejemplo, puedes decir una pequeña flecha y luego cargar puntos de control con tres pequeños puntos.

02:35.980 --> 02:36.320
Todo bien.

02:36.340 --> 02:38.350
Eso es solo para decir que estamos cargando mañana.

02:38.620 --> 02:41.050
Y luego, por supuesto, vamos a cargar el modelo.

02:41.080 --> 02:46.690
y el optimizador y vamos a poner lo que cargamos en un testamento que vamos a llamar igual a

02:46.840 --> 02:54.040
punto de control y ahí es donde vamos a usar la función de carga para cargar lo que se guardó en la misma función.

02:54.040 --> 02:54.920
Entonces la moral

02:55.150 --> 03:02.530
Así que, por supuesto, esta es una función de la biblioteca de antorchas para soplar puntos y el nombre de la

03:02.530 --> 03:08.990
función Sloat es simplemente ese paréntesis y, dentro de los paréntesis, de acuerdo con usted, qué necesitamos ingresar.

03:09.190 --> 03:15.340
Bueno, simplemente necesitamos ingresar el archivo que contiene nuestro archivo guardado mañana y se guardan

03:15.370 --> 03:24.150
optimizando el optimizador, así que simplemente necesitamos poner el nombre del archivo que es el último que trae el punto décimo.

03:24.390 --> 03:30.300
Vamos a traer ese BGH y cargamos este archivo solo en la condición de que este archivo exista.

03:30.300 --> 03:33.040
Entonces, es por eso que tuvimos que llamar a esta condición aquí.

03:33.860 --> 03:36.590
Bien, entonces ahora que cargamos el modelo y el optimizador.

03:36.690 --> 03:43.520
Bueno, lo que vamos a hacer es actualizar por separado nuestro modelo y el optimizador porque en realidad

03:43.530 --> 03:48.080
cargamos los parámetros que cargamos los pesos y los parámetros del optimizador.

03:48.160 --> 03:56.490
Entonces, ahora lo que tenemos que hacer es actualizar nuestro modelo existente, que es este modelo de un bloque de

03:56.550 --> 04:04.890
células, y nuestro optimizador existente resolvió ese optimizador con los parámetros con los pesos que están en este último Brender.

04:05.150 --> 04:10.680
Así que simplemente necesitamos hacer estas dos actualizaciones por separado y para hacer esto vamos a usar un método

04:10.680 --> 04:11.980
de los módulos de tortura.

04:12.150 --> 04:17.970
Entonces habrá herencia que nos permitirá usar este método que se llama Dict de estado

04:17.970 --> 04:25.500
de carga y el método estático lento reducirá la fecha de todos los parámetros de nuestro modelo y nuestro optimizador.

04:25.500 --> 04:28.710
Así que hagámoslo y empecemos por actualizar nuestros modelos.

04:28.710 --> 04:35.820
Por lo tanto, tomamos nuestro modelo, que es autodidacta, ya que el modelo autodidacta hereda de los

04:35.820 --> 04:40.530
métodos del módulo de soplete el método dict del estado de carga.

04:40.650 --> 04:43.190
Entonces ese es el método que estamos tomando de la herencia.

04:43.380 --> 04:48.490
Y gracias a este método vamos a actualizar todos los parámetros del modelo que está en el camino.

04:48.810 --> 04:54.120
Y entonces, lo que tenemos que poner en este estado El método Dick es nuestro punto de control muy bien.

04:54.180 --> 04:56.210
Ese es el resultado de la función de carga.

04:56.290 --> 05:04.080
ahora necesitamos ingresar el nombre de la clave que corresponde a nuestro modelo que corresponde a la fecha de estado del modelo de subducto.

05:04.470 --> 05:07.270
Entonces, los puntos de revisión se corchean y

05:07.560 --> 05:09.490
Y eso es estado.

05:09.800 --> 05:17.970
Por lo tanto, en los puntos de control y los corchetes que ingresamos, los estados citan los billetes de subrayado y esta línea

05:18.210 --> 05:20.170
de código actualizará su modelo.

05:20.220 --> 05:23.440
Esa es una herramienta que espera los parámetros de su modelo.

05:23.580 --> 05:26.330
Y ahora tenemos que hacer lo mismo con el optimizador.

05:26.520 --> 05:28.380
Y eso va a ser casi lo mismo.

05:28.470 --> 05:33.290
Así que voy a copiar esta línea pegada a continuación.

05:33.420 --> 05:40.620
Y esta vez no saldremos mañana, sino con el optimizador que optimiza.

05:40.650 --> 05:47.730
Entonces, de nuevo, usamos para cargar el método Dick de estado que hereda de los métodos del módulo de

05:47.730 --> 05:52.020
antorcha y aplicamos esta función al punto de control de estado dict.

05:52.170 --> 05:56.970
Pero la clave que corresponde al optimizador y que es el optimizador.

05:57.150 --> 06:02.260
Así que aquí simplemente reemplazamos una fecha por hasta Mizer.

06:02.280 --> 06:03.180
Aquí vamos.

06:03.180 --> 06:04.880
Aquí actualizamos los pesos de.

06:04.920 --> 06:07.600
Y aquí actualizamos los parámetros del optimizador.

06:08.340 --> 06:15.870
Perfecto y luego solo para terminar podemos imprimir un poco así.

06:15.870 --> 06:21.510
Y, finalmente, solo debemos especificar qué sucede si no se respeta esta condición.

06:21.570 --> 06:29.670
Es decir, si no hay una gran cantidad de pruebas de Pythia, entonces solo necesitamos agregar algo más que Colin y Cindy, solo

06:29.700 --> 06:32.630
vamos a decir que no hay tal archivo.

06:32.640 --> 06:34.110
Vamos a traer la edad de la PTA.

06:34.200 --> 06:44.350
Así que solo vamos a imprimir algo como No check point y tres pequeños si lo desea.

06:44.360 --> 06:45.180
Todo bien.

06:45.230 --> 06:50.500
Y eso nos da una función de carga funcional y en su mayoría funcional.

06:50.540 --> 06:57.890
Lo hice en clase y ahora las felicitaciones son enormes porque nuestra inteligencia artificial está lista, probablemente pueda escuchar por el sonido de

06:57.890 --> 07:02.230
mi voz y estoy muy emocionado porque ahora es el momento de la demostración.

07:02.330 --> 07:08.510
Acabamos de hacer un cerebro y vamos a poner este cerebro en el coche y veremos cómo es lo suficientemente inteligente como para hacer estos viajes

07:08.840 --> 07:13.440
de ida y vuelta entre el aeropuerto y el centro de la ciudad, donde sea que esté el camino.

07:13.520 --> 07:15.310
Así que no puedo esperar para mostrarte la demo.

07:15.410 --> 07:17.430
Esto va a ser en la próxima sección.

07:17.510 --> 07:19.100
Y hasta entonces yo