WEBVTT 00:00.210 --> 00:02.340 Hallo en welkom bij deze Python-tutorial. 00:02.790 --> 00:08.160 Oké, dus we hebben net de architectuur van een neuraal netwerk gebouwd met de energiefunctie van 00:08.170 --> 00:12.900 onze netwerkklasse, en nu gaan we een tweede functie maken, de voorwaartse functie. 00:12.900 --> 00:15.570 En dat is de functie die de neuronen activeert. 00:15.690 --> 00:19.030 Dat wil zeggen, het is de functie die wordt uitgevoerd voor voortplanting. 00:19.680 --> 00:20.640 Dus laten we dit doen. 00:20.760 --> 00:25.320 Laten we deze functie maken, laten we hem naar voren noemen, zoals we net zeiden. 00:25.500 --> 00:29.220 En voor deze functie zijn twee argumenten nodig. 00:29.460 --> 00:31.560 De eerste is, zoals gewoonlijk, zelf. 00:31.680 --> 00:37.040 Je moet de variabelen van het object kunnen gebruiken omdat we EFSI één gaan gebruiken, NFC twee. 00:37.350 --> 00:40.920 We hebben dus het zelf nodig om deze variabelen te kunnen gebruiken. 00:41.220 --> 00:44.790 En dan hebben we een tweede argument nodig, dat is onze input. 00:44.910 --> 00:50.490 En we gaan het staat noemen, omdat staat precies de input is van onze neurale netwerken. 00:50.490 --> 00:51.540 Weet je, dat zijn de staten. 00:51.840 --> 00:57.150 Er zijn inputs die het neurale netwerk binnenkomen en als output zullen we de sleutelwaarden van de drie mogelijke 00:57.150 --> 01:00.360 acties naar links laten gaan, rechtdoor gaan of naar rechts gaan. 01:00.570 --> 01:05.970 Maar we hoeven het hier niet als argument in te voeren, want dat is precies waar we naar willen terugkeren. 01:05.970 --> 01:11.100 Deze voorwaartse functie zal niet alleen de neuronen activeren, maar zal ook en meestal de 01:11.310 --> 01:15.660 kernwaarden retourneren voor elke mogelijke actie, afhankelijk van de invoerstatus hier. 01:16.470 --> 01:16.970 Oke. 01:16.980 --> 01:18.780 Dus dat zijn de twee argumenten die we nodig hebben. 01:18.960 --> 01:23.830 En laten we nu naar de functie gaan en specificeren wat we wilden doen. 01:24.630 --> 01:29.850 Oké, dus het eerste wat we gaan doen is de verborgen neuronen activeren en we gaan de 01:29.850 --> 01:32.070 verborgen neuronen aanroepen met de variabele X. 01:32.070 --> 01:34.370 Dus X vertegenwoordigt de verborgen neuronen. 01:34.620 --> 01:36.480 En hoe gaan we ze dan activeren? 01:36.780 --> 01:39.720 Natuurlijk gaan we onze inputneuronen gebruiken. 01:40.020 --> 01:45.300 We gaan onze eerste volledige verbinding, FS1, gebruiken om de verborgen neuronen te krijgen en dan gaan 01:45.300 --> 01:49.210 we er een activeringsfunctie op toepassen, wat de gelijkrichtfunctie zal zijn. 01:49.740 --> 01:50.920 Dus hoe gaan we dat doen? 01:51.300 --> 01:59.730 Vergeet niet dat we de torch that en functionele module hebben geïmporteerd die alle functies bevat die het recht hebben om een neuraal netwerk te 01:59.730 --> 02:02.880 implementeren en we gaven het de snelkoppeling F.. 02:03.300 --> 02:08.070 Dus wat we nu gaan doen, is dat we een van deze functies van de functionele module 02:08.070 --> 02:10.980 gaan gebruiken en de functie ervan is de RELU-functie. 02:11.280 --> 02:16.170 Dus wat echt relevant is, is de gelijkrichtfunctie die je zag in de intuïtieve lezingen. 02:16.470 --> 02:18.750 Dat is slechts een naam die aan de gelijkrichterfunctie is gegeven. 02:19.030 --> 02:26.310 Maar aangezien deze functie is overgenomen van een in-functionaliteit die de sneltoets f heeft gekregen, moeten we hier 02:26.310 --> 02:31.470 eerst F dat typen, en dan kunnen we deze functie daar nemen. 02:31.860 --> 02:35.900 En eigenlijk, als ik R typ, hier gaan we, hebben we de functie. 02:36.510 --> 02:40.450 Dus dat is de gelijkrichtfunctie die de verborgen neuronen activeert. 02:40.650 --> 02:41.400 Dat is X.. 02:41.880 --> 02:46.020 Dus in deze rijksfunctie begrijpen we nu perfect wat we moeten invoeren. 02:46.230 --> 02:50.360 Dat zijn de neuronen die we willen activeren, dat zijn de verborgen neuronen. 02:50.640 --> 02:55.770 Om deze verborgen neuronen te krijgen, nemen we onze eerste volledige verbinding, FS1, die 02:55.770 --> 03:01.180 we zullen toepassen op onze inputneuronen om van de inputneuronen naar de verborgen neuronen te gaan. 03:01.680 --> 03:04.230 Laten we dus onze eerste volledige verbinding F nemen. C. een. 03:04.500 --> 03:07.970 Maar onze eerste volledige verbinding is een variabele van ons object. 03:07.980 --> 03:13.350 Daarom moeten we hier eerst zelf die FS1 typen, hier gaan we. 03:13.470 --> 03:16.350 Dat is de eerste volledige verbinding van ons neurale netwerk. 03:16.770 --> 03:22.380 En binnen deze eerste volledige verbinding gaan we onze invoerstatussen invoeren om van de invoerneuronen naar de 03:22.380 --> 03:23.860 verborgen neuronen te gaan. 03:24.300 --> 03:30.410 En omdat we je de naam staat hebben gegeven, moeten we hier de staat invoeren en dan gaan we. 03:30.540 --> 03:33.330 We krijgen nu geactiveerde verborgen neuronen. 03:34.340 --> 03:40.750 Oké, en nu we de verborgen neuronen hebben, gaan we de uitgangsneuronen teruggeven op de volgende 03:40.760 --> 03:46.010 regel en zoals je begreep, komen de uitgangsneuronen overeen met onze acties. 03:46.280 --> 03:47.880 Maar dit zijn niet de acties direct. 03:48.140 --> 03:54.190 Dit zijn de belangrijkste waarden omdat we een deep learning-model bouwen dat een deep learning-model combineert om 03:54.200 --> 03:55.640 te blijven leren. 03:55.850 --> 04:00.640 En daarom gebruiken we hier cue learning om de belangrijkste waarden voor elk van onze acties te krijgen. 04:00.890 --> 04:05.570 En later, met Softmax of in RMX, krijgen we de laatste actie. 04:06.620 --> 04:12.080 Dus hier komen de variabelen die ik ga introduceren overeen met de meningen, en aangezien de 04:12.080 --> 04:13.470 output-neuronen de kernwaarden zijn. 04:13.490 --> 04:17.150 Nou, ik ga deze variabele cuke-waarden noemen. 04:18.070 --> 04:18.650 Daar gaan we. 04:18.670 --> 04:26.110 Dus que-waarden en nu nemen we direct onze volledige verbinding, die de verbale 42 is maar beschikbaar is vanuit ons 04:26.110 --> 04:26.880 object. 04:26.890 --> 04:29.590 Dus we nemen hier autodidact FC2. 04:30.040 --> 04:34.530 En natuurlijk voeren we hier de neuronen van de linkerkant van deze voedselverbinding in. 04:34.780 --> 04:39.640 Dat is wat we kregen van de eerste regel, dat is X, dus X. 04:39.880 --> 04:40.620 Daar gaan we. 04:40.660 --> 04:42.390 We krijgen nu onze kernwaarden. 04:42.520 --> 04:45.340 Dat zijn de outputneuronen van ons neurale netwerk. 04:45.960 --> 04:48.660 OK, en dan de laatste regel codes. 04:48.700 --> 04:52.780 Natuurlijk wordt deze vierde functie gebruikt om deze waarden te retourneren. 04:53.080 --> 04:57.610 Dus we hoeven alleen maar een rendement toe te voegen en gewoon schattig. 04:58.730 --> 05:03.230 Waarden en dat levert de kernwaarden op voor elke mogelijke actie. 05:03.440 --> 05:05.300 Ga naar links, ga rechtdoor of ga naar rechts. 05:06.180 --> 05:11.820 Oké, dus gefeliciteerd, we zijn klaar met onze eerste klas en eigenlijk zijn we klaar met het maken van de architectuur 05:11.820 --> 05:13.180 van het neurale netwerk. 05:13.560 --> 05:15.390 Onthoud dat dit geen voltooide klus is. 05:15.420 --> 05:19.670 Je kunt de architectuur van het neurale netwerk altijd verbeteren door verschillende te proberen. 05:19.890 --> 05:22.700 Dus voel je vrij om dat te doen door hier meer neuronen toe te voegen. 05:22.710 --> 05:27.810 Als u bijvoorbeeld 50 verborgen neuronen wilt toevoegen, kunt u de 30 hier en de drie 05:27.810 --> 05:30.060 hier vervangen door 50, 50 en 50. 05:30.510 --> 05:34.600 En dan kun je nog wat verborgen lagen toevoegen door nieuwe verbindingen te maken. 05:34.830 --> 05:37.210 Nou, dat is echt het werk van een artiest. 05:37.530 --> 05:41.570 Er is geen algemene regel van wat de beste architectuur zou zijn in elke situatie. 05:41.910 --> 05:43.410 Daarom moeten we experimenteren. 05:43.620 --> 05:45.780 Maar laten we het daar alvast mee proberen. 05:45.780 --> 05:49.330 Je zult zien dat we uiteindelijk een behoorlijk goede zelfrijdende auto krijgen. 05:50.010 --> 05:50.510 Oke. 05:50.520 --> 05:55.620 En nu gaan we de volgende les maken, die gaat over de ervaring die we spelen en dat zullen we 05:55.620 --> 05:57.240 doen in de volgende drie tutorials. 05:57.420 --> 05:59.010 Tot die tijd, geniet van I.