WEBVTT 00:00.490 --> 00:02.550 Olá e bem vindo a este tutorial. 00:02.560 --> 00:07.550 Tudo bem, então vamos começar com o primeiro companheiro de nossa galinha moral e a mais importante 00:07.630 --> 00:08.410 que está confusa. 00:08.440 --> 00:09.020 Por quê. 00:09.180 --> 00:14.590 E este é neste arquivo que implementaremos o cérebro do homo, você conhece o cérebro no coração 00:14.650 --> 00:20.290 do Simmo 8: 3 que está neste arquivo que tornará a rede neural que, naturalmente, conviverá alguma 00:20.290 --> 00:25.030 vontade convolucional saberá quando isso funciona Por certo, ainda estamos fazendo alguma aprendizagem de reforço 00:25.030 --> 00:25.570 profundo. 00:25.690 --> 00:31.690 Assim, são capazes de ter olhos e dentro desta rede neural integrará tudo o que está 00:31.870 --> 00:34.600 relacionado ao Craigmile ativo e há um bônus. 00:34.630 --> 00:39.550 Como eu lhe disse que estamos implementando uma das mais poderosas Morais A-3 e o que a 00:39.550 --> 00:45.910 torna poderoso é que ela conterá um registro de uma nova rede e, mais precisamente, na memória LCN a longo prazo para 00:45.910 --> 00:48.660 que possamos aprender as propriedades temporais do que é indo. 00:48.670 --> 00:54.710 Mais uma vez, essas são as propriedades temporais da entrada para que as previsões possam ser ainda melhores. 00:55.270 --> 00:56.050 Então vamos lá. 00:56.050 --> 01:01.330 modelo muito poderoso que combina basicamente todas as redes neurais que vimos no curso de aprofundamento. 01:01.420 --> 01:02.590 Estamos implementando um 01:02.680 --> 01:08.070 Essa é uma rede neural artificial, uma rede neural convolutiva e uma nova rede recorde. 01:08.260 --> 01:13.240 E, no coração de todas essas redes, há, naturalmente, o modelo A-380 que tornará o AI 01:13.240 --> 01:14.040 AI muito poderoso. 01:14.410 --> 01:18.300 Então, vamos fazer isso, vamos atacar esse modelo e implementado. 01:18.430 --> 01:21.760 Então vamos começar fazendo duas funções. 01:21.850 --> 01:26.410 ter pesos e queremos fazer essas duas funções para nós, para que já temos uma 01:26.410 --> 01:30.460 ferramenta para integrar muito facilmente dentro da casa para que a rede neural. 01:30.460 --> 01:36.740 Existem apenas algumas funções que cuidarão de como podemos inicializar os pesos porque você sabe que vamos ter algumas novas 01:36.750 --> 01:38.090 redes e, portanto, vamos 01:38.290 --> 01:41.600 Então, essas duas funções serão colunas normalizadas. 01:41.600 --> 01:48.730 Inicializador que é basicamente uma função que não pode apenas inicializar alguns pesos, mas define uma variância 01:48.730 --> 01:50.370 específica de pesos tensores. 01:50.380 --> 01:52.770 Então é exatamente isso que estamos prestes a implementar agora. 01:53.020 --> 01:57.700 E então, implementaremos a segunda função, que será o peso dessa função e, 01:57.700 --> 02:01.840 basicamente, inicializará os pesos em tempo suficiente como forma de aprender. 02:01.840 --> 02:02.330 Tudo bem. 02:02.350 --> 02:08.070 E então, uma vez que terminamos com essas duas funções, começaremos a implementar a rede neural. 02:08.330 --> 02:14.770 Então, vamos fazer isso, vamos rapidamente fazer essas duas funções, então estou começando 02:14.770 --> 02:24.420 com uma def aqui, então vou dar o nome dessa função que é normalizada e essas colunas baseçam no inicializador. 02:24.720 --> 02:25.550 Aqui vamos nós. 02:25.650 --> 02:28.780 E esta função vai ter apenas duas entradas. 02:29.010 --> 02:35.790 Primeiro, serão os pesos que queremos inicializar e o desvio padrão porque, como acabei de dizer, 02:35.790 --> 02:40.200 queremos definir uma variância específica para o nosso tensor de pesos. 02:40.230 --> 02:45.300 E se você quiser entender por que temos que fazer isso, é porque você sabe quando fazemos a 02:45.620 --> 02:50.490 rede neural que será o ator e o crítico de acordo com o amanha e faremos duas 02:50.490 --> 02:53.670 camadas separadas totalmente conectadas para o ator e um para o crítico. 02:53.880 --> 02:59.970 E estas duas camadas totalmente conectadas terão pesos e definiremos um desvio padrão para cada um 02:59.970 --> 03:01.810 desses dois grupos de pesos. 03:01.860 --> 03:05.650 E então, o que faremos é que vamos definir um pequeno desvio padrão para o ator. 03:05.700 --> 03:12.570 Será em torno de 0. 01 e um grande desvio padrão para a crítica que será em torno de 1, eu acho. 03:12.750 --> 03:18.690 possamos definir facilmente o desvio padrão para os pesos que inicializaremos mais tarde para o ator e o craic. 03:18.690 --> 03:21.900 Então, é por isso que estamos fazendo essa função para que 03:21.930 --> 03:23.560 É por isso que estamos fazendo isso. 03:23.560 --> 03:28.860 Então, agora vamos definir um valor padrão, mas isso mudará depois quando inicializarmos 03:28.860 --> 03:29.500 os pesos. 03:29.520 --> 03:32.100 Então, vamos usar isso para 1. 0. 03:32.240 --> 03:32.920 Tudo bem. 03:33.000 --> 03:37.340 E agora estamos prontos para definir o que está dentro desta função. 03:37.410 --> 03:41.960 Então, o que primeiro preparará é a saída que vamos chamar. 03:42.000 --> 03:46.310 Então, isso é tudo o que será retornado por esta função. 03:46.380 --> 03:50.210 E então, no início, o que vamos fazer é isso. 03:50.330 --> 03:56.750 Então, como você entendeu, essa saída será um tensor de pesos que terá um desvio padrão específico. 03:56.850 --> 04:01.970 Mas antes de cuidar da configuração do desvio padrão, queremos inicializá-lo e, em seguida, vamos definir 04:02.010 --> 04:06.550 o desvio padrão aqui, que é o argumento que é a entrada dessa função. 04:06.870 --> 04:10.670 Então, para inicializar os pesos do tensor, você pode saber como fazê-lo. 04:10.680 --> 04:12.150 Nós já fizemos isso. 04:12.180 --> 04:20.250 tomar a rodada e a função que irá inicializar a resposta torched com pesos aleatórios que seguem uma distribuição normal. 04:21.180 --> 04:27.540 Nós vamos usar nossa biblioteca de torche e, a partir desta biblioteca de torche, vamos 04:27.540 --> 04:29.630 Então é por isso que se chama rant. 04:29.820 --> 04:31.100 E quanto ao normal. 04:31.230 --> 04:36.380 E agora, o que simplesmente precisamos inserir é o número de elementos que a distensão irá conter. 04:36.510 --> 04:41.510 E este número de elementos é, naturalmente, o número de pesos porque estávamos realmente inicializando um 04:41.500 --> 04:43.140 tensor para esses pesos aqui. 04:43.350 --> 04:53.410 E para obter esse número de elementos, podemos simplesmente pegar nossos pesos e adicionar pontos para obter tamanho com parênteses. 04:53.410 --> 05:00.280 do mesmo número de elementos de nossos pesos e será inicializado com pesos aleatórios após uma distribuição normal. 05:00.280 --> 05:05.320 E isso dará o número de elementos e pesos para que ele crie 05:05.320 --> 05:06.860 o tensor da tocha 05:06.860 --> 05:07.330 Tudo bem. 05:07.360 --> 05:13.390 E agora é hora de definir o desvio padrão que queremos ter, que é o desvio padrão aqui. 05:13.510 --> 05:16.960 Então, vamos fazer agora é uma simples normalização. 05:16.960 --> 05:21.400 Temos um sentimento torturado de pesos e agora queremos normalizá-lo. 05:21.600 --> 05:25.810 E então, para normalizar, simplesmente escreverá a computação explícita. 05:25.840 --> 05:34.960 saída e atualizá-la, multiplicando-a pelo desvio padrão que queremos dividir pela soma que acabei de mencionar. 05:34.960 --> 05:41.140 E então, o que simplesmente precisamos fazer aqui é levar nossa 05:41.140 --> 05:44.960 E assim, para obter a soma, vamos usar a função de raiz quadrada pela tocha. 05:45.010 --> 05:48.700 E então, quando é levado aqui torche que s q r t. 05:48.820 --> 05:50.710 Essa é a função de raiz quadrada. 05:50.830 --> 05:55.980 E dentro, vamos entrar no quadrado alguns dos pesos de um vetor. 05:56.160 --> 05:58.000 E assim nós levamos nossas saídas. 05:58.210 --> 06:06.040 Então, usamos a função de poder à qual inseremos porque queremos pegar o quadrado da 06:06.040 --> 06:08.950 soma e depois tomamos o sol. 06:09.000 --> 06:15.300 E dentro, vamos especificar o índice do cone que contém o peso. 06:15.310 --> 06:23.990 Quer alguns e, em seguida, obter esses pesos separadamente, porque você quer resumi-los bem, geralmente 06:24.490 --> 06:29.440 expandimos a escola como uma função de nossa saída. 06:29.470 --> 06:29.820 Tudo bem. 06:29.820 --> 06:37.280 Então, isso levará os pesos que até agora foram inicializados como um tipo de pesos de Torchin que obtém 06:37.340 --> 06:38.320 todos esses pesos. 06:38.330 --> 06:43.850 Tomamos a soma do quadrado e depois tomamos a raiz quadrada para aplicar a normalização. 06:44.030 --> 06:50.230 o fato de ter esse desvio padrão no numerador, teremos certeza de que podemos escrevê-lo aqui. 06:50.230 --> 06:50.900 E com 06:51.960 --> 06:58.890 As variantes serão iguais ao quadrado do desvio padrão. 06:58.890 --> 07:05.940 Esta fórmula aqui irá garantir que esse tensor de pesos que inicializamos terá uma variação que 07:06.030 --> 07:10.860 será igual ao quadrado do desvio padrão que colocamos como argumentos. 07:11.190 --> 07:17.940 E é assim que podemos definir um desvio padrão específico para o futuro e o crítico que fará 07:17.940 --> 07:24.150 em breve e escolheremos um pequeno desvio padrão para o ator e um maior para o crítico 07:24.340 --> 07:27.780 e faremos isso com muita facilidade desde essa função. 07:27.780 --> 07:28.150 Tudo bem. 07:28.170 --> 07:31.120 E agora, temos apenas uma coisa a fazer à esquerda. 07:31.200 --> 07:38.940 É claro que retorna a saída que agora está normalizada com este desvio padrão específico. 07:38.940 --> 07:40.340 Tudo bem, tão perfeito. 07:40.350 --> 07:42.680 Essa é a primeira função que devemos fazer. 07:42.870 --> 07:46.220 Essa é a primeira ferramenta com a qual faremos muito prazer em usar esta noite. 07:46.250 --> 07:47.290 H-3 cérebro do mar. 07:47.370 --> 07:49.250 Temos mais uma função a fazer agora. 07:49.350 --> 07:51.130 Vai ser a função de peso. 07:51.360 --> 07:57.160 E essa é apenas uma função que lembrará inicializar os pesos para tornar a aprendizagem ideal. 07:57.570 --> 08:01.110 Então vamos fazer isso no próximo tutorial e até então eu.