WEBVTT 00:00.300 --> 00:06.120 Hallo und willkommen zu dem super aufregenden Teil unserer Kreation, dem Teil, in dem wir es schlau machen. 00:06.270 --> 00:08.540 Genau das passiert beim Training der Luft. 00:08.590 --> 00:13.200 Ich werde seine Intelligenz trainieren, um das Ziel zu erreichen, das wir erreichen wollten. 00:13.350 --> 00:18.870 Und um dies zu tun, werden wir im Grunde das neuronale Netzwerk trainieren, um die richtigen Vorhersagen auszugeben. 00:19.110 --> 00:24.360 Und dann ist schon alles fertig, denn diese Ausgangssignale des Gehirns haben bereits die richtige 00:24.360 --> 00:27.300 Übertragung zum Körper, um die letzten Aktionen auszuführen. 00:27.660 --> 00:32.130 Im Grunde genommen tun wir jetzt etwas, was wir bereits zuvor getan haben. 00:32.280 --> 00:37.680 Wir werden nur einige zufällige Stapel aus dem Speicher entnehmen, unsere Eingaben aus diesen Stichproben abrufen, 00:37.680 --> 00:42.930 die Ausgabe abrufen, das Ziel abrufen, die Vorhersagen abrufen, den letzten Fehler zwischen den Vorhersagen und 00:42.930 --> 00:48.360 dem Ziel berechnen und dann die Rückwärtsausbreitung durchführen um den Gradientenabstieg zu veranlassen, die Gewichte entsprechend 00:48.360 --> 00:51.430 dem Beitrag zu diesem letzten Fehler zu aktualisieren. 00:51.900 --> 00:53.040 Also lass uns das alles machen. 00:53.040 --> 00:57.660 Sie werden sehen, wie einfach es sein wird, denn wir haben bereits alle Tools, um dies zu 00:57.660 --> 00:58.020 implementieren. 00:58.200 --> 01:04.230 Wir haben nicht nur den Weg zu Tools wie dem Optimierer und den Verlustfunktionen, sondern auch alle Klassen, die 01:04.440 --> 01:09.600 wir zuvor erstellt haben, wie natürlich unser Gehirn, die wir verwenden werden, um die Vorhersagen 01:09.600 --> 01:10.290 zu erhalten. 01:10.620 --> 01:17.970 Dann werden unsere Erfahrung, die Nachverfolgung der Implementierungsberechtigung und all diese Tools zusammen mit dem Piloten kombiniert. Diese 01:17.970 --> 01:23.790 Tools machen das Training zu einer Superleistung und daher erhalten wir schließlich ein superstarkes 01:23.790 --> 01:26.250 A. ICH. Lassen Sie uns dieses Training durchführen. 01:26.400 --> 01:28.110 Machen wir unsere Augen schlau. 01:28.290 --> 01:33.380 Und das erste, was wir jetzt tun werden, ist, die letzte Funktion zu erhalten, die wir während des Trainings 01:33.390 --> 01:36.200 verwenden, um den Fehler zu berechnen und zu optimieren. 01:36.540 --> 01:37.680 Das ist das erste, was wir tun werden. 01:37.980 --> 01:40.590 Erstellen wir also eine Variable für die letzte Funktion. 01:40.590 --> 01:42.150 Wir werden es Verlust nennen. 01:42.810 --> 01:50.340 Und dies entspricht der MSE-Verlustfunktion des Endmoduls. 01:50.850 --> 01:52.470 Und dann dieser Mercilus. 01:52.740 --> 01:56.940 Dies ist die letzte Funktion, die wir verwenden werden, da unsere Vorhersagen im Grunde genommen Werte sind. 01:56.940 --> 01:59.940 Sie wissen, wir prognostizieren die Grundwerte der verschiedenen Aktionen. 01:59.940 --> 02:05.970 Und deshalb, da dies reelle Zahlen sind, machen wir eine Art neuronales Netzwerk für die Regression und 02:05.970 --> 02:08.910 daher ist die Verlustfunktion das Mittel für Fehler. 02:09.120 --> 02:11.880 Das ist die Verlustfunktion, die wir im Allgemeinen für die Regression verwenden. 02:12.450 --> 02:12.960 Gut. 02:13.080 --> 02:18.180 Nachdem wir nun unsere letzte Funktion haben, lassen Sie uns unseren Optimierer hier so optimieren. 02:18.180 --> 02:21.240 Das ist die Variable, die wir für den Optimierer erstellen. 02:21.270 --> 02:23.940 Und wir werden wie gewohnt nehmen. 02:23.940 --> 02:30.750 Das selbstfahrende Auto, der Atomoptimierer, ist ein sehr leistungsfähiger Optimierer, der Wunder für das Training 02:30.930 --> 02:31.710 bewirkt. 02:32.130 --> 02:35.820 Also lasst uns dieses auf dieses Atom bringen. 02:36.810 --> 02:42.720 Und denken Sie daran, genau das ist das selbstfahrende Auto, für das wir zwei wesentliche Argumente eingeben müssen. 02:43.080 --> 02:49.200 Der erste ist derjenige, der die Verbindung zwischen dem Optimierer und den Parametern unseres neuronalen Netzwerks 02:49.200 --> 02:52.650 herstellt, dh den Gewichten der Neuronen unseres Gehirns. 02:53.040 --> 02:56.640 Und dazu nehmen wir unser Gehirn, das wir CNN nannten. 02:57.030 --> 02:59.040 Das ist das Objekt, das wir für unser Gehirn geschaffen haben. 02:59.280 --> 03:05.860 Und so CNN, die sich an Parameter erinnern, die wir gehen, und einige Klammern. 03:06.270 --> 03:11.970 Das stellt also die Verbindung zwischen dem Optimierer und den Gewichten der Neuronen im 03:11.970 --> 03:18.630 Gehirn unseres A her. ICH. Und dann ist das zweite Argument eine Lernrate, und das ist gegeben durch l. R. 03:18.990 --> 03:24.510 Deshalb müssen wir hier eine geringere Lernrate wählen, weil wir nicht zu schnell konvergieren wollen und etwas erforschen wollen, 03:24.510 --> 03:29.370 und daher ist eine gute Lernmethode, die wir hier sagen können, eine kleine, die vier Punkte 03:29.370 --> 03:33.150 oder eine solche ist ist 0. 01 Prozent. 03:33.390 --> 03:36.270 Ich denke, das ist das gleiche, was wir für das selbstfahrende Auto verwendet haben. 03:37.320 --> 03:43.410 Also gut, jetzt haben wir einen Funktionsoptimierer für verlorene Funktionen, sodass wir fast bereit sind, die vollständige Schleife zu starten. 03:43.470 --> 03:45.890 Nun, eigentlich werden wir jetzt die vollständige Schleife starten. 03:46.140 --> 03:52.100 Aber kurz bevor wir es tun, werden wir die Größe der Anzahl der Epochen bestimmen, in die 03:52.100 --> 03:58.170 wir uns verwandeln werden, und daher hier eine neue Variable erstellen, die auf diese Anzahl von Epochen reagiert. 03:59.320 --> 04:02.140 Und lassen Sie es uns gleich hundert setzen. 04:02.530 --> 04:08.350 Das wird gut genug sein, um die Luft zu trainieren, und ich wette sogar, dass die Luft es schaffen wird, den besten 04:08.500 --> 04:11.140 Weg vor einhundert wie zwanzig oder dreißig zu erreichen. 04:11.500 --> 04:12.000 Mal schauen. 04:12.010 --> 04:13.750 Aber jetzt nehmen wir hundert. 04:13.990 --> 04:15.940 Und wenn wir es brauchen, werden wir es erhöhen. 04:16.090 --> 04:17.710 Aber ich denke nicht, dass das notwendig sein wird. 04:18.370 --> 04:22.660 OK, jetzt, da wir unsere Anzahl an Flughäfen haben, können wir beginnen, die vollständige 04:22.840 --> 04:26.680 Schleife des Trainings zu machen, wenn wir über die Flughäfen trainieren. 04:27.010 --> 04:31.530 Dann wird also der gesamte Volleyball am Werk sein. 04:31.540 --> 04:34.240 Dafür wählen wir wieder. 04:34.990 --> 04:42.310 Jetzt werden wir natürlich die Bereichsfunktion verwenden, um zu sagen, dass wir von der ersten bis 04:42.670 --> 04:44.500 zur Anzahl von ca. 04:47.120 --> 04:52.730 Plus eins, denn denken Sie daran, dass die Obergrenze eines Bereichs nicht enthalten ist. Wenn Sie 04:52.730 --> 04:58.730 also auf 100 steigen möchten, müssen wir angeben und ein Plus eins sein, um auf 100 zu kommen. 04:59.390 --> 04:59.840 Gut. 04:59.840 --> 05:00.800 Also, Colin. 05:00.980 --> 05:02.800 Und jetzt kommen wir zur Schleife. 05:03.620 --> 05:03.980 Gut. 05:03.980 --> 05:08.300 Das erste, was wir tun werden, sind 200 Läufe mit zehn Schritten. 05:08.660 --> 05:13.630 Jede Epoche besteht also aus 200 Läufen nacheinander in 10 Schritten. 05:13.940 --> 05:19.550 Dazu haben wir diese Ein-Schritt-Funktion aus unserer Erfahrungsklasse und verwenden daher diese Funktion, die eigentlich 05:19.550 --> 05:24.770 eine Methode ist, da wir sie aus unserem Speicherobjekt abrufen, das ein 05:24.770 --> 05:30.080 Objekt aus der Ersatzklasse ist, um diese beiden Läufe zu generieren von zehn Schritten. 05:30.320 --> 05:36.020 Nun, wir müssen unser Erinnerungsobjekt nehmen, an das ich Sie erinnere, dass wir es hier erstellt haben. 05:36.170 --> 05:40.400 Speicher ist ein Ziel, um die Speicherklasse mit Insteps wiederzugeben. 05:40.400 --> 05:43.300 Das sind 10 Schritte und eine Kapazität von zehntausend. 05:43.910 --> 05:52.370 Wir haben dieses Objekt erstellt und von diesem Objekt nehmen wir gut, diese Rundstedt-Funktion führt Schritte aus und wir geben 05:52.370 --> 06:00.430 zweihundert aufeinanderfolgende Runden von zehn Schritten an, so dass wir bei jedem im Grunde genommen 200 Schritte ausführen. 06:00.860 --> 06:08.060 Und jetzt, da diese 200 Schritte bei jedem Apoc ausgeführt werden, ist es an der Zeit, einige Chargen aus diesen Läufen 06:08.060 --> 06:10.630 zu testen und diese Chargen zu testen. 06:10.640 --> 06:16.700 Wir haben eine andere Funktion aus unserem Speicher, nämlich den Beispielstapel, der genau einige Stapel 06:16.700 --> 06:18.910 aus diesen 200 Läufen generiert. 06:19.400 --> 06:26.720 Denken Sie jedoch daran, dass es sich bei diesen Stapeln diesmal um Stapel einer Reihe von Übergängen handelt, die eine Reihe von zehn Schritten umfassen, im Gegensatz 06:27.020 --> 06:31.630 zu zuvor, bei denen es sich bei den Stapeln hier nur um einige Stapel einzelner Übergänge handelte. 06:31.640 --> 06:37.040 Dieses Mal werden es Stapel von zehn Schritten, zehn Übergängen sein, und deshalb ist es jetzt an 06:37.040 --> 06:41.870 der Zeit, diese zufälligen Stapel aus unserem Gedächtnis zu holen und sie zu erhalten. 06:41.870 --> 06:48.320 Wir haben die einfache Chargenfunktion verwendet, auf die wir die Chargengröße anwenden müssen, und für die Chargengröße, 06:48.320 --> 06:53.480 bei der wir zweiunddreißig oder sogar vierundsechzig oder sogar einhundertachtundzwanzig nehmen können. 06:54.080 --> 06:57.830 Denken Sie daran, für diese Größe ist es üblich, zweiunddreißig zu verwenden. 06:58.070 --> 07:03.470 Das sehen Sie im Allgemeinen in den Architekturen neuronaler Netze, wenn Sie Batch-Lernen durchführen. 07:03.740 --> 07:05.470 Aber diesmal ist es ganz anders. 07:05.660 --> 07:11.530 Wir probieren nur einige Chargen in 10 Schritten aus, daher ist es besser, Chargen mit größeren Größen zu nehmen. 07:11.690 --> 07:14.710 Dort können wir also vierundsechzig, einhundertachtundzwanzig nehmen. 07:15.170 --> 07:16.940 Also nehmen wir einhundertachtundzwanzig. 07:17.150 --> 07:25.130 Und tatsächlich wird dies innerhalb der Schleife sein, weil wir mehrere Stapel aufnehmen möchten und sie in dem 07:25.130 --> 07:28.870 aufnehmen, was von dieser einfachen Stapelfunktion zurückgegeben wird. 07:29.420 --> 07:36.020 Diese vollständige Schleife für Batch in Memory-Beispiel-Batch, einhundertachtundzwanzig, bedeutet also, dass unser Speicher 07:36.020 --> 07:41.720 alle einhundertachtundzwanzig Schritte einen Stapel mit einer Größe von einhundertachtundzwanzig ergibt, der 07:41.720 --> 07:47.210 tatsächlich den letzten enthält Hundertundzwanzig Schritte, die wir gerade laufen. 07:47.960 --> 07:53.060 Wir bekommen nur ein paar Chargen von sechs, einhundertachtundzwanzig und das Lernen wird auf diesen 07:53.210 --> 07:54.080 Chargen stattfinden. 07:54.320 --> 07:58.910 Außerdem werden in diesen Stapeln alle 10 Schritte Eignungsabläufe ausgeführt, um zu 07:58.910 --> 07:59.480 lernen. 08:00.230 --> 08:00.620 Gut. 08:00.620 --> 08:06.950 Also jetzt in dieser Schleife, die immer noch in einer Epoche stattfindet, aber jetzt sind wir in einer bestimmten 08:06.950 --> 08:07.360 Charge. 08:07.790 --> 08:14.060 Und jetzt werden wir als erstes unsere Eingaben und unser Ziel getrennt erhalten. 08:14.570 --> 08:16.610 Und das ist, wie ich Ihnen sagte, sehr einfach. 08:16.610 --> 08:21.290 Wir können dies mit einem der von uns implementierten Tools tun, nämlich der Berechtigungsverfolgung. 08:21.620 --> 08:27.950 Wie Sie hier sehen können, nimmt diese Berechtigungsverfolgungsfunktion die Eingaben als und jetzt haben wir den Stapel 08:28.310 --> 08:32.060 und geben als Ausgabe die Eingaben und die Ziele zurück. 08:32.420 --> 08:37.490 Im Moment können wir also einfach zwei neue Variablen erstellen, die die Eingaben und das Ziel 08:37.490 --> 08:38.300 sein werden. 08:38.690 --> 08:48.610 Und kommen diese Eingaben zu Zielen, die genau dem entsprechen, was diese Berechtigungsverfolgungsfunktion für einen Stapel zurückgibt? 08:49.010 --> 08:51.950 Wir werden diese Funktion also auf den Stapel unserer Schleife anwenden. 08:52.280 --> 08:55.160 Was wir also tun werden, ist nur die Berechtigung. 08:56.460 --> 09:00.110 Trace bezog sich auf die Charge unserer Hoffnung. 09:00.660 --> 09:07.110 Also gut, das bringt uns die Inputs und die Ziele, aber in engen Schichten gibt es immer etwas mehr 09:07.110 --> 09:07.850 zu tun. 09:08.100 --> 09:13.530 Und dies dient natürlich dazu, die Eingabe des neuronalen Netzwerks und auch das Ziel in einige tahj-Variablen 09:13.530 --> 09:14.030 umzuwandeln. 09:14.340 --> 09:16.170 Aber es gibt auch nichts Neues. 09:16.200 --> 09:17.310 Wir wissen, wie es geht. 09:17.490 --> 09:18.450 Wir können es so machen. 09:18.460 --> 09:24.930 Wir nehmen unsere Eingaben, dann unsere Ziele und nun, sie werden gleich verbal sein. 09:25.820 --> 09:26.510 Eingaben. 09:27.750 --> 09:30.210 Das ist für die Eingabe und verbal. 09:31.150 --> 09:33.580 Ziele, und das ist für die Ziele. 09:34.090 --> 09:42.250 Also gut, die Eingaben des Gehirns werden in einige Tahj-Variablen umgewandelt, und die Ziele werden auch in 09:42.250 --> 09:43.900 einige Tahj-Variablen umgewandelt. 09:44.320 --> 09:48.320 Jetzt können wir die Eingaben in das neuronale Netzwerk erhalten. 09:48.640 --> 09:50.530 Und warum müssen wir das so machen? 09:50.530 --> 09:55.270 Da der nächste Schritt darin besteht, die Vorhersagen zu erhalten, haben wir die Eingaben, auf die wir abzielen müssen. 09:55.540 --> 09:59.980 Jetzt brauchen wir natürlich unsere Vorhersagen, denn dann werden wir den Verlust zwischen den 10:00.190 --> 10:02.120 Vorhersagen und den Zielen berechnen. 10:02.890 --> 10:06.350 Lassen Sie uns diese Vorhersagen erhalten, um sie zu erhalten. 10:06.640 --> 10:07.930 Nun, das ist wieder so einfach. 10:07.930 --> 10:14.650 Jetzt müssen wir nur noch unser Gehirn, CNN, unser Faltungsnetzwerk, nehmen und auf 10:14.830 --> 10:16.730 unsere Eingaben anwenden. 10:17.320 --> 10:17.950 Na, bitte. 10:18.320 --> 10:23.320 Die Eingaben gehen in das neuronale Netzwerk und das neuronale Netzwerk gibt die Vorhersagen aus. 10:24.170 --> 10:29.270 Perfekt, jetzt haben wir die Vorhersagen, wir haben die Ziele, damit wir die Gesetze bekommen können, und das 10:29.270 --> 10:34.640 ist der nächste Schritt, wir werden ein neues mehr einführen, weil wir jetzt den letzten Fehler bekommen, der anders 10:34.790 --> 10:39.660 ist als die letzte Funktion, weil wir sie als Funktion verwenden, um den letzten Fehler zu erhalten. 10:40.100 --> 10:50.570 So weniger Fehler hier und dass wir es mit der weniger Funktion bekommen, die auf unsere Vorhersagen und die Ziele angewendet wird, die wir 10:50.570 --> 10:54.860 gehen, um zu sehen, wie alles jetzt glatt ist. 10:55.070 --> 10:56.170 Alles ist logisch. 10:56.180 --> 11:00.590 Wir erhalten zuerst die Eingabe, die Ziele, und dank der Eingabe erhalten wir die Vorhersagen. 11:00.590 --> 11:03.800 Und dank der Vorhersagen und Ziele, die wir erhalten, desto weniger Fehler. 11:05.070 --> 11:08.850 Also sehr logisch und reibungslos, und was ist nun der nächste Schritt? 11:09.150 --> 11:14.940 Nun, der gleiche logische Pfad, jetzt wo wir den letzten haben, können wir diesen weniger Fehler zurück in das neue Netzwerk 11:14.940 --> 11:16.890 übertragen, um die Gewichte zu aktualisieren. 11:17.190 --> 11:21.540 Und das tun wir mit stochastischem Gradientenabstieg und um stochastischen Gradientenabstieg durchzuführen. 11:21.540 --> 11:24.010 Wir brauchen unseren Optimierer, aber wir haben ihn bereits. 11:24.030 --> 11:26.040 Hier sind Adam Optimizer. 11:26.430 --> 11:29.010 Aber jetzt denken Sie daran, was wir tun müssen. 11:29.370 --> 11:32.380 Wir müssen es initialisieren und initialisieren. 11:32.400 --> 11:40.620 Denken Sie daran, wir nehmen unser Optimierungsobjekt und wenden dann die Methode des Gradienten Null an. 11:41.440 --> 11:48.220 Los geht's, wir vergessen nicht die Klammern, die es initialisieren, und jetzt besteht der nächste Schritt darin, 11:48.220 --> 11:55.630 den letzten Fehler zurück in das neue Netzwerk zu übertragen und dies zu tun, wo wir unseren letzten 11:55.630 --> 11:58.950 Fehler nehmen und die Rückwärtsmethode darauf anwenden. 11:58.960 --> 12:01.800 Das ist also genau das, um die Rückwärtsausbreitung anzuwenden. 12:02.110 --> 12:06.380 Und schließlich, jetzt, da der letzte Fehler zurück ist, verbreiten Sie ihn in das neue Netzwerk. 12:06.610 --> 12:09.610 Nun, wir können die Gewichte mit dem Cassi-Gradientenabstieg aktualisieren. 12:10.300 --> 12:16.950 Denken Sie dazu daran, dass wir unseren Optimierer verwenden und dann die Schrittmethode anwenden. 12:17.500 --> 12:18.210 Na, bitte. 12:18.400 --> 12:19.900 Die Gewichte werden jetzt aktualisiert. 12:20.200 --> 12:25.500 Wie ich Ihnen sagte, haben wir es nicht nur bereits getan, sondern es scheint jetzt so einfach und so natürlich zu sein. 12:26.200 --> 12:28.440 Jetzt machen wir also etwas Spaß. 12:28.600 --> 12:31.650 Wir werden die durchschnittliche Belohnung für jeden Apoc drucken. 12:31.840 --> 12:35.830 Sie wissen also, wir können verfolgen, wie die A. ICH. geht, wie das Training läuft. 12:36.190 --> 12:40.420 Wir möchten, dass die durchschnittliche Belohnung über die Stufen hinweg steigt. 12:40.630 --> 12:44.070 Und zunächst gibt es natürlich diese Explorationsphase. 12:44.080 --> 12:49.690 Die durchschnittliche Belohnung steigt also zu Beginn möglicherweise nicht an, aber sobald sie die Ausbeutungsphase erreicht 12:49.690 --> 12:56.050 hat, steigt die durchschnittliche Belohnung definitiv an und steigt auf ein bestimmtes Niveau an, wenn sie den Westen 12:56.290 --> 12:58.740 so schnell wie möglich erreicht möglich. 12:59.380 --> 13:01.210 Beginnen wir also mit dem Druck. 13:02.200 --> 13:07.660 Weißt du, wir machen das in einem, also müssen wir zum Loopier-Druck zurückkehren und 13:07.660 --> 13:12.610 dann werden wir gut drucken, zuerst ungefähr eine Spalte, dann Prozent. 13:12.610 --> 13:18.850 S, weil wir alles in eine bessere Zeichenfolge konvertieren und dann die 13:18.850 --> 13:21.100 durchschnittliche Belohnung hinzufügen. 13:22.490 --> 13:27.620 Und dann addieren wir auch Prozent, dann schließen wir das Angebot. 13:28.890 --> 13:35.220 Und dann addieren wir ein Prozent und geben auf der anderen Seite die Variablen ein, die die erste Person 13:35.220 --> 13:41.430 sein werden, da dies hier das Epos ist, und die zweite Variable, die der durchschnittlichen Belohnung entspricht, die 13:41.610 --> 13:42.840 jetzt berechnet wird. 13:43.020 --> 13:45.560 Die durchschnittliche Belohnungsvariable existiert also noch nicht. 13:45.780 --> 13:47.600 Wir werden es jetzt schaffen. 13:48.120 --> 13:51.930 Also werden wir ETR bei der Arbeit verwenden. 13:52.470 --> 13:55.440 Selbst wenn Époque die Zahl ist, werden wir das in eine Zeichenfolge umwandeln. 13:55.440 --> 13:57.090 Das ist besser und. 13:58.110 --> 14:03.150 Wir werden hinzufügen, Estie, dass dies die durchschnittliche Belohnung sein wird, und deshalb werden wir 14:03.150 --> 14:09.810 eine Variable erstellen, die wir eine große Belohnung nennen werden, und jetzt werden wir diese Variable erstellen und sie berechnen ? 14:10.560 --> 14:12.430 OK, also lass uns das machen. 14:12.450 --> 14:13.980 Das ist das einzige, was wir noch tun müssen. 14:13.980 --> 14:15.900 Also Époque haben wir schon. 14:16.170 --> 14:20.040 Jetzt berechnen wir die durchschnittliche Welt und wir müssen sie genau hier berechnen. 14:20.130 --> 14:27.090 Immer noch in der Schleife, aber außerhalb der Schleife, denn jetzt haben wir unseren Batch abgetastet und unser Training findet im 14:27.090 --> 14:28.050 Batch statt. 14:28.350 --> 14:31.940 Aber jetzt erfolgt die Vorwärtsausbreitung plus die Rückwärtsausbreitung im Stapel. 14:32.190 --> 14:39.900 Wir kehren also in die Schleife zurück und können nun die kumulativen Belohnungen berechnen, die wir mit unserem Rist-Objekt 14:39.900 --> 14:41.100 erzielen können. 14:41.430 --> 14:47.910 Da unser Insteps-Objekt diese Funktion enthält, würden wir Schritte ausführen, mit denen wir die kumulativen Belohnungen erhalten, 14:47.910 --> 14:51.250 die in den Schritten während des Insteps-Laufs auftreten. 14:51.660 --> 14:57.330 Wir werden es jetzt verwenden, um die neuen Belohnungen der Schritte zu aktualisieren. 14:57.660 --> 15:05.640 Und dann werden wir das Objekt mit dem gleitenden Durchschnitt aktualisieren, indem wir die kumulativen Belohnungen zum Objekt mit dem sich bewegenden Alltag hinzufügen 15:05.640 --> 15:07.770 und dann den Durchschnitt neu berechnen. 15:07.780 --> 15:09.910 Und so bekommen wir die durchschnittliche Belohnung. 15:10.590 --> 15:11.510 Also lass uns das machen. 15:11.520 --> 15:14.640 Das erste, was wir brauchen, sind die Belohnungen der DARABA-Daten. 15:14.970 --> 15:16.950 Nennen wir sie also Belohnungen. 15:18.100 --> 15:27.700 Schritte und dann, wie gesagt, nehmen wir unser Endschritt-Objekt, das, wie ich mich erinnere, hier ein Objekt der Instant-Progress-Klasse aus unserer 15:27.700 --> 15:33.310 Erfahrung erstellt hat, die wir mit einem so sensiblen Thema verschmutzen. 15:34.000 --> 15:39.410 Dann fügen wir Belohnungen, Schritte und dann einige Klammern hinzu. 15:39.760 --> 15:40.150 Gut. 15:40.180 --> 15:43.690 Das bringt uns die neuen kumulativen Belohnungen der Schritte. 15:43.990 --> 15:44.500 Gut. 15:45.310 --> 15:50.800 Aber dann müssen wir diese neuen kumulativen Belohnungen zu unseren Objekten mit gleitendem Durchschnitt hinzufügen. 15:50.980 --> 15:57.760 Und dazu haben wir diesmal eine Methode in der Klasse des gleitenden Durchschnitts. Diese Anzeigenmethode ist sehr 15:57.760 --> 15:58.210 einfach. 15:58.220 --> 16:03.190 Wir nehmen unser gleitendes Durchschnittsobjekt, das wir hier mit hundert Schritten erstellt haben. 16:03.790 --> 16:11.710 Dann verwenden wir unsere ADD-Methode und geben dann in der Atmosphäre unsere Belohnungsschritte ein. Dadurch werden die 16:11.710 --> 16:15.130 Belohnungen der Schritte zum gleitenden Durchschnitt addiert. 16:15.970 --> 16:16.360 Gut. 16:16.360 --> 16:21.960 Und schließlich können wir die durchschnittliche Belohnung berechnen, und das ist gut, wissen Sie, das ist hier dieselbe Variable. 16:22.690 --> 16:26.440 Das ist es also, was der durchschnittlichen Belohnung entspricht. 16:26.860 --> 16:33.250 Und um es zu bekommen, müssen wir diesmal nur die Durchschnittsmethode von unserem Objekt mit gleitendem Durchschnitt verwenden. 16:33.700 --> 16:41.470 Und das ist, was wir tun und ein Punktdurchschnitt einfach so, weil unser gleitender Durchschnitt bereits mit den neuen Belohnungsschritten 16:41.710 --> 16:45.520 aktualisiert wurde, die wir gerade der ADD-Methode hinzugefügt haben. 16:46.430 --> 16:46.890 Toll. 16:46.960 --> 16:52.990 Jetzt haben wir unsere durchschnittliche Auszeichnung, die hier sehr beliebt ist und die jedes Jahr gedruckt wird. 16:53.420 --> 16:54.990 Also gut, wir sind fertig. 16:55.030 --> 16:57.170 Ich bin so gespannt auf die Ergebnisse. 16:57.170 --> 17:01.670 Und tatsächlich werde ich im nächsten Tutorial eine Überraschung für Sie haben, während ich mir die Ergebnisse ansehe. 17:01.700 --> 17:03.380 Es wird also ziemlich aufregend. 17:03.650 --> 17:06.740 Und jetzt ist es wohl Zeit, mit der Luft zu spielen und Spaß zu haben. 17:07.610 --> 17:08.060 Gut. 17:08.060 --> 17:11.240 Bereiten Sie sich also einen guten Kaffee oder einen guten Tee zu. 17:11.480 --> 17:17.410 Jetzt ist es Zeit, bequem auf unserem Stuhl zu sitzen und einige sehr coole Videos unseres Flugzeugs anzusehen, um zu sehen, das 17:17.430 --> 17:18.760 ist im nächsten Tutorial. 17:18.770 --> 17:20.160 Und bis dahin viel Spaß.