WEBVTT 00:00.300 --> 00:02.930 Halo dan selamat datang di tutorial Python ini. 00:02.940 --> 00:08.700 Baiklah jadi kita hanya membangun arsitektur jaringan saraf dengan fungsi kelas jaringan kita dan kemudian 00:09.030 --> 00:13.650 kita akan membuat fungsi kedua yang akan menjadi fungsi maju dan itulah 00:13.650 --> 00:15.810 fungsi yang akan mengaktifkan neuron. 00:15.840 --> 00:19.770 Itu adalah fungsi yang akan tampil untuk propagasi. 00:19.830 --> 00:27.240 Jadi mari kita lakukan ini, mari buat fungsi ini, sebut saja maju seperti yang baru saja kita katakan dan fungsi 00:27.240 --> 00:29.550 ini akan mengambil dua argumen. 00:29.610 --> 00:35.070 Pertama adalah seperti biasa, Anda tahu untuk dapat menggunakan variabel objek karena 00:35.070 --> 00:37.400 kita akan menggunakan NFC SE1. 00:37.500 --> 00:43.440 Jadi kita membutuhkan diri untuk dapat menggunakan variabel-variabel ini dan kemudian kita akan membutuhkan argumen 00:43.590 --> 00:50.100 kedua yang merupakan input kita dan kita akan menyebutnya negara karena negara adalah input dari jaringan saraf 00:50.100 --> 00:50.580 kita. 00:50.580 --> 00:51.980 Anda tahu itu Amerika. 00:51.990 --> 00:57.320 Ada input lain memasuki jaringan saraf dan kemudian sebagai output akan memiliki nilai q dari 00:57.330 --> 01:00.560 tiga tindakan yang mungkin ke kiri lurus atau lurus. 01:00.690 --> 01:06.210 Tapi kita tidak perlu menempatkannya sebagai argumen di sini karena itulah yang ingin kita kembalikan ke 01:06.210 --> 01:11.880 fungsi maju ini tidak hanya akan mengaktifkan neuron tetapi juga dan sebagian besar akan mengembalikan nilai 01:11.880 --> 01:16.640 kubus untuk setiap tindakan yang mungkin tergantung pada masukan negara di sini. 01:16.650 --> 01:17.060 Baiklah. 01:17.100 --> 01:19.000 Jadi itulah dua argumen yang kita butuhkan. 01:19.140 --> 01:24.440 Dan sekarang mari kita masuk ke dalam fungsi dan mari kita tentukan apa yang ingin kita lakukan. 01:24.740 --> 01:29.940 OK jadi hal pertama yang akan kita lakukan adalah mengaktifkan neuron tersembunyi dan kita 01:29.940 --> 01:34.690 akan memanggil neuron tersembunyi dengan variabel x jadi x mewakili neuron tersembunyi. 01:34.800 --> 01:36.750 Dan bagaimana cara mengaktifkannya. 01:36.930 --> 01:39.990 Ya tentu saja kita akan mengambil neuron input kita. 01:40.170 --> 01:45.360 Kita akan menggunakan koneksi penuh pertama kami jika Anda ingin mendapatkan neuron tersembunyi dan kemudian kami 01:45.360 --> 01:49.570 akan menerapkan fungsi inaktivasi pada mereka yang akan menjadi fungsi yang diperbaiki. 01:49.860 --> 01:51.450 Jadi bagaimana Anda akan melakukannya. 01:51.450 --> 01:54.680 Ingat kami mengimpor obor. 01:54.730 --> 02:01.450 Dan itu adalah modul fungsional yang berisi semua fungsi untuk mengimplementasikan jaringan saraf. 02:01.560 --> 02:02.960 Dan kami memberikannya jalan pintas. 02:03.450 --> 02:08.130 Jadi sebenarnya yang akan kita lakukan sekarang adalah kita akan menggunakan salah satu fungsi 02:08.130 --> 02:11.240 ini dari modul fungsional dan fungsi ini benar-benar berfungsi. 02:11.430 --> 02:16.490 Jadi yang benar-benar relevan adalah fungsi penyearah yang Anda lihat dalam kuliah intuisi. 02:16.620 --> 02:19.040 Itu hanya dan kemudian diberikan ke fungsi penyearah. 02:19.170 --> 02:26.130 Tetapi karena fungsi ini diambil dari dan dalam fungsional yang diberi jalan pintas, kita perlu mengetik 02:26.130 --> 02:31.860 di sini pertama-tama dan kemudian di situlah kita dapat mengambil fungsi ini. 02:31.990 --> 02:36.610 Dan sebenarnya jika saya mengetik kita di sini kita pergi, kita memiliki fungsi nyata. 02:36.630 --> 02:41.980 Jadi itu diarahkan oleh fungsi yang akan mengaktifkan neuron tersembunyi yaitu x. 02:42.030 --> 02:47.640 Jadi, dalam fungsi yang benar-benar ini sekarang kita memahami dengan sempurna apa yang harus kita input, itulah neuron 02:47.640 --> 02:48.920 yang ingin kita aktifkan. 02:48.990 --> 02:54.300 Itulah neuron tersembunyi dan untuk mendapatkan neuron tersembunyi ini kita akan mengambil 02:54.520 --> 03:01.540 koneksi penuh pertama yang akan kita terapkan pada neuron input kita untuk beralih dari neuron input ke neuron. 03:01.800 --> 03:04.450 Jadi mari kita ambil koneksi penuh pertama kami. 03:04.620 --> 03:08.070 Tetapi koneksi penuh pertama kami adalah variabel dari objek kami. 03:08.130 --> 03:12.070 Oleh karena itu kita perlu mengetik di sini dulu. 03:12.120 --> 03:13.550 FC satu di sini kita mulai. 03:13.620 --> 03:16.660 Itu koneksi penuh pertama dari jaringan saraf kita. 03:16.980 --> 03:22.890 Dan di dalam koneksi pribadi ini kita akan memasukkan status input kita untuk beralih dari neuron input 03:23.010 --> 03:24.210 ke neuron tersembunyi. 03:24.480 --> 03:30.680 Dan karena kami memberikannya NEGARA NEGARA Nah di sini kami memiliki dua negara input dan di sana kami pergi. 03:30.720 --> 03:34.360 Kita sekarang bisa mengaktifkan neuron tersembunyi. 03:34.510 --> 03:35.000 Baiklah. 03:35.040 --> 03:40.610 Dan sekarang kita memiliki neuron tersembunyi, kita akan mengembalikan neuron output. 03:40.640 --> 03:46.240 Jadi baris berikutnya dan ketika Anda memahami neuron output sesuai dengan tindakan kami. 03:46.370 --> 03:48.170 Tapi ini bukan tindakan secara langsung. 03:48.290 --> 03:55.760 Ini adalah nilai-nilai q karena kami sedang membangun model digital yang menggabungkan model yang lebih dalam untuk pembelajaran Q dan oleh 03:56.020 --> 04:02.090 karena itu kami menggunakan pembelajaran q di sini untuk mendapatkan nilai q untuk setiap tindakan kami dan 04:02.090 --> 04:09.560 kemudian menggunakan Max soughed atau di Max kami akan dapatkan aksi terakhir jadi di sini Voivode yang akan saya perkenalkan akan 04:09.560 --> 04:13.560 sesuai dengan nuansa APA dan karena neuron output adalah nilai-nilai utama. 04:13.640 --> 04:15.590 Saya akan memanggil variabel ini. 04:15.590 --> 04:24.630 Q Itu berarti bahwa kita pergi ke nilai q dan sekarang kita langsung mengambil koneksi makanan kita yang merupakan variabel. 04:24.810 --> 04:27.010 Untuk meletakkan variabel dari objek kita. 04:27.020 --> 04:33.830 Jadi kita ambil di sini yang diajarkan FC sendiri dan tentu saja di sini kita masukkan neuron dari sisi kiri 04:34.010 --> 04:34.860 koneksi ini. 04:34.910 --> 04:38.050 Itulah yang kami dapatkan dari baris pertama yaitu x. 04:38.270 --> 04:40.770 Jadi x Ini dia. 04:40.790 --> 04:42.650 Kami sekarang mendapatkan nilai Q kami. 04:42.680 --> 04:45.790 Itulah neuron keluaran dari jaringan saraf kita. 04:46.100 --> 04:46.800 BAIK. 04:47.060 --> 04:53.050 Dan kemudian baris terakhir dari kode tentu saja fungsi maju ini digunakan untuk mengembalikan nilai-nilai ini. 04:53.210 --> 05:02.900 Jadi kita hanya perlu menambahkan return dan cukup nilai Q dan itu akan mengembalikan nilai-nilai kunci untuk setiap tindakan yang 05:02.900 --> 05:06.310 mungkin ke kiri lurus atau lurus. 05:06.370 --> 05:06.760 Baiklah. 05:06.760 --> 05:08.370 Jadi selamat. 05:08.370 --> 05:13.720 Kami sudah selesai dengan kelas pertama kami dan sebenarnya kami sudah selesai membuat arsitektur jaringan saraf. 05:13.720 --> 05:15.550 Ingat ini bukan pekerjaan selesai. 05:15.550 --> 05:19.890 Anda selalu dapat meningkatkan arsitektur jaringan saraf dengan mencoba yang berbeda. 05:20.020 --> 05:22.780 Jadi jangan ragu untuk melakukannya dengan menambahkan lebih banyak neuron di sini. 05:22.780 --> 05:28.270 Sebagai contoh jika Anda ingin menambahkan 50 neuron tersembunyi, Anda dapat mengganti 30 di sini dan 30 di 05:28.270 --> 05:34.860 sini dengan 50 50 dan 50 dan kemudian Anda dapat menambahkan beberapa lapisan yang lebih tersembunyi dengan membuat beberapa koneksi yang bermanfaat. 05:34.990 --> 05:37.630 Nah itu benar-benar pekerjaan seorang seniman. 05:37.660 --> 05:41.980 Tidak ada aturan umum tentang apa yang akan menjadi arsitektur terbaik di setiap situasi. 05:42.040 --> 05:43.720 Jadi itu sebabnya kami harus bereksperimen. 05:43.940 --> 05:50.140 Mari kita coba dengan itu Anda akan melihat bahwa pada akhirnya kita akan mendapatkan mobil self-driving yang cukup bagus. 05:50.170 --> 05:50.590 Baiklah. 05:50.620 --> 05:55.960 Dan sekarang kita akan membuat kelas berikutnya yaitu tentang replay pengalaman dan kami akan membuatnya dalam tiga hingga 05:55.990 --> 05:57.450 dua jam ke depan. 05:57.610 --> 05:59.080 Sampai kemudian menikmati AI.