WEBVTT 00:00.240 --> 00:06.600 Hallo und willkommen zu diesem Python-Tutorial in Statoil. Wir werden den ersten Schritt bei der Implementierung 00:06.630 --> 00:08.270 des tiefen Theoriemodells machen. 00:08.280 --> 00:13.590 Im Grunde sind wir dabei, den gesamten Prozess des Diffusionsalgorithmus zu implementieren. 00:13.830 --> 00:16.580 Und so werden wir das nutzen, was wir zuvor geschaffen haben. 00:16.590 --> 00:22.460 Dies ist die Architektur des neuronalen Netzwerks, um den Speicher nachzuspielen, um ihn in den gesamten Lernprozess 00:22.530 --> 00:24.180 der Dequeue zu integrieren. 00:24.180 --> 00:28.320 Und dieser ganze Lernalgorithmus wird in eine Klasse passen. 00:28.380 --> 00:32.340 Das ist das letzte, was wir machen, um künstliche Intelligenz zu implementieren. 00:32.340 --> 00:35.650 Und diese Klasse wird nur verschiedene Funktionen enthalten. 00:35.700 --> 00:41.790 Wir haben also die Funktionen in ihm, die alle Variablen erstellen und initialisieren, die 00:41.790 --> 00:48.450 mit unseren zukünftigen Umleitungsobjekten verknüpft sind, die das Modell selbst darstellen und einige andere Funktionen haben. 00:48.510 --> 00:52.830 Eine davon ist natürlich, jedes Mal die richtige Aktion auszuwählen. 00:52.950 --> 00:59.250 Wir werden auch eine Update-Funktionskernfunktion haben, um diesen Kern zu erhalten und eine Vorstellung davon zu haben, wie das Lernen 00:59.250 --> 01:01.030 läuft, wenn es gut läuft. 01:01.090 --> 01:07.080 Wenn die Erkundung gut verläuft und sie zur Ausbeutung übergehen kann, dann 01:07.080 --> 01:12.430 haben wir eine sichere Funktion, um morgen zu retten. 01:12.480 --> 01:14.590 Wir müssen also ein paar Funktionen erstellen. 01:14.640 --> 01:17.440 Wir werden eine Funktion für jeden erstellen, die sich darum bemüht. 01:17.490 --> 01:22.820 Und heute beginnen wir wie üblich mit der Endfunktion, wenn wir eine Klasse machen. 01:23.010 --> 01:30.040 Aber vergessen wir nicht zuerst die Klasse einzuführen, also nennen wir sie D. 01:30.200 --> 01:35.970 F Und für Ihr Netzwerk rufen Sie dann einige Klammern an. 01:36.030 --> 01:39.440 Und dann gehen wir mit unserer ersten Funktion. 01:39.500 --> 01:47.910 Also machen wir diese Def, dann doppelte Unterstreichung, dann nochmal doppelte Unterstreichung und Klammern. 01:48.170 --> 01:53.530 So wie Sie in dieser Funktion verstanden haben, werden wir die an unser Objekt angehängten Variablen einführen. 01:53.570 --> 01:59.240 Wir haben also ein paar Zeilen, die alle von selbst beginnen, und wir erstellen und initialisieren 01:59.300 --> 02:03.530 im Wesentlichen alle Variablen, die zur Implementierung des D2-Netzwerks erforderlich sind. 02:03.530 --> 02:09.740 Wir werden zum Beispiel ein Objekt oder ein Netzwerk erstellen, da wir natürlich unser tiefes neuronales Netzwerk brauchen, 02:10.310 --> 02:12.190 um unser Gedächtnis zu brauchen. 02:12.300 --> 02:14.630 Wir erstellen eine weitere Variable für den Speicher. 02:14.740 --> 02:20.430 Wir haben also noch eine andere Variable für sich selbst, aber das ist nicht alles, was wir auch schaffen müssen. 02:20.480 --> 02:22.390 Einige Variablen für das letzte Datum. 02:22.490 --> 02:24.820 Die letzte Aktion und das letzte Wort. 02:24.920 --> 02:30.520 Sie kennen natürlich die Variablen, die Sie im Diffusionsalgorithmus sehen. 02:30.920 --> 02:31.830 Und dann noch was. 02:31.940 --> 02:38.150 Nun, wir benötigen auch ein Optimierungsprogramm, das Sie kennen, um ein stochastisches Raster im Sinne von Datengewichtungen 02:38.510 --> 02:42.170 durchzuführen, je nachdem, wie viel sie zum Fehler beitragen. 02:42.320 --> 02:48.650 Wenn die KI einen Fehler macht, denke ich, dass dies im Wesentlichen die Variablen sind, die wir jetzt 02:48.650 --> 02:50.230 erstellen und initialisieren müssen. 02:50.510 --> 02:58.460 Aber in dieser init-Funktion werden wir ein paar Argumente zuerst als normales Selbst angeben. Dies sind die Argumente, die sich 02:58.460 --> 03:00.190 auf unser Objekt beziehen. 03:00.200 --> 03:05.210 Dann, da Sie wissen, werden wir ein Objekt der Netzwerkklasse erstellen. 03:05.390 --> 03:12.740 Nun, da die Netzwerkklasse als Argument für die Eingabe-Größe der init-Funktion und die Aktion verwendet 03:12.740 --> 03:13.740 wird. 03:13.850 --> 03:19.110 Wenn Sie ein Objekt der Netzwerkklasse erstellen, müssen Sie ein Eingabegrößenargument und das tatsächliche 03:19.160 --> 03:20.180 Argument auswählen. 03:20.180 --> 03:22.140 Deshalb können wir sie einfach hier 03:25.660 --> 03:27.520 kopieren und los geht's. 03:27.710 --> 03:30.450 So werden diese Argumente jetzt werden. 03:30.560 --> 03:33.160 Auch einige Argumente waren nicht von Dauer. 03:33.170 --> 03:39.680 Wann immer wir einige zukünftige Objekte der verschiedenen Klasse erstellen, die einige zukünftige Vorbilder darstellen. Nun müssen wir die 03:39.680 --> 03:45.010 Eingabegröße angeben, an die ich mich erinnere, die Anzahl der Dimensionen in den Vektoren, die 03:45.010 --> 03:46.330 Ihre Zustände enthalten. 03:46.370 --> 03:52.940 Ihre Eingabestatus und eine Reihe von Aktionen, dh die Anzahl der möglichen Aktionen, die das Auto ausführen kann. 03:53.150 --> 03:54.000 Also erinnere ich dich. 03:54.110 --> 03:57.830 Gehen Sie entweder geradeaus oder rechts. 03:58.190 --> 03:59.270 Okay, perfekt. 03:59.270 --> 04:04.640 Dann wissen Sie, dass Sie ein neues Objekt der Wiedergabespeicherklasse erstellen werden, um das Speicherobjekt 04:04.640 --> 04:10.680 zu erstellen, um unsere Erinnerung an die Übergänge und die Informationen zu erhalten, die das Kapazitätsargument enthalten. 04:10.850 --> 04:16.640 Da wir es jedoch nur einmal verwenden werden, wenn wir Speicher erstellen, und nicht 04:16.640 --> 04:20.000 danach, müssen wir das Kapazitätsargument nicht angeben. 04:20.030 --> 04:25.330 Wir könnten dies tun, werden aber direkt die Anzahl der Übergänge eingeben, die unser Gedächtnis haben soll. 04:26.150 --> 04:32.390 Dann brauchen wir noch ein letztes Argument, um den Parameter im Lehrermodell abzurufen. 04:32.480 --> 04:35.470 Denken Sie daran, dass dieser Gamma-Parameter die Verzögerung ist. 04:35.750 --> 04:41.300 Und das ist ein Parameter der Gleichung und deshalb werden wir es hier angeben, da wir ihn 04:41.510 --> 04:42.920 später mehrmals verwenden werden. 04:43.160 --> 04:44.990 Also lass es uns hier stellen. 04:45.070 --> 04:47.140 Wir nennen es Gamma. 04:47.150 --> 04:52.610 Dafür ist es nur der Name des Arguments und dann gehen wir davon aus, dass alle Argumente, die Sie dafür benötigen, in 04:52.610 --> 04:53.740 seiner Funktion benötigt werden. 04:53.750 --> 05:00.320 Das bedeutet also, dass jedes Mal, wenn wir unser Wörterbuchmodell erstellen, jedes Mal, wenn wir ein Objekt des Lehrers 05:00.320 --> 05:01.390 im Unterricht erstellen. 05:01.520 --> 05:08.060 Nun müssen wir als Eingangsgröße die Anzahl der Aktionen und den Parameter angeben. 05:08.360 --> 05:10.590 Und wir enden mit den wahren Werten für sie. 05:11.210 --> 05:13.870 Nun gut, gehen wir jetzt in die Funktion. 05:14.100 --> 05:14.400 OK. 05:14.410 --> 05:16.480 Also im Grunde wird dies einfach sein. 05:16.510 --> 05:21.090 Wir sind gerade dabei, alle benötigten Variablen zu erstellen und zu initialisieren. 05:21.110 --> 05:22.770 Und so fangen wir mit dem ersten an. 05:22.910 --> 05:24.460 Beginnen wir mit Gamma. 05:24.530 --> 05:26.090 Eigentlich der Verzögerungskoeffizient. 05:26.330 --> 05:31.850 Da dies ein Voivode ist, der an sein Objekt angehängt werden soll, beginnen wir mit Selbst. 05:31.880 --> 05:39.500 Gamma ist also eine Variable unseres Lehrers und des Modells selbst. Gamma entspricht den Argumenten, die eingegeben werden, 05:39.530 --> 05:42.930 wenn ein Objekt der Detune-Klasse erstellt wird. 05:42.950 --> 05:46.900 Also Janna und da gehen wir mit dem zweiten Argument. 05:47.040 --> 05:50.560 Das zweite Argument wird das Belohnungsfenster sein. 05:50.840 --> 05:52.340 Was ist das für ein Fenster? 05:52.520 --> 05:57.950 Nun, das wird das gleitende Fenster des Mittelwerts der letzten 100 Wörter sein, mit dem Sie nur 05:58.010 --> 06:04.280 die Entwicklung der Leistung beurteilen werden, von der Sie wissen, dass sie die Bedeutung des Wortes in diesem Krieg Windu hat, 06:04.280 --> 06:06.320 das im Laufe der Zeit abrutscht. 06:06.440 --> 06:11.680 Was wir beobachten wollen, ist die Bedeutung der letzten 100 Wörter, die mit der Zeit zunehmen. 06:11.930 --> 06:18.610 Also lasst es uns mit diesem Belohnungsunterstrich-Fenster initialisieren. 06:18.710 --> 06:24.690 Und da dies ein Schiebefenster des sich entwickelnden Mittelwerts der letzten 100 Wörter sein wird. 06:24.860 --> 06:31.710 Nun, wir werden es als leere Liste initialisieren und dann erweitern, um Überstunden zu machen. 06:32.860 --> 06:35.320 Alles klar, dann aufregender. 06:35.420 --> 06:37.430 Lassen Sie uns unser neuronales Netzwerk schaffen. 06:37.580 --> 06:43.780 Wir werden es Mario als Autodidakt bezeichnen, da dies im Grunde das Herz der Modelle ist. 06:43.790 --> 06:51.890 Ich nenne es Modell und dieses Modell wird nichts anderes als ein Subjekt in dieser Klasse sein und ein 06:51.890 --> 06:53.270 solches Objekt erstellen. 06:53.300 --> 07:02.630 Wir nehmen unser Klassennetzwerk in Klammern und setzen hier nur die Argumente der Klasse, aber wir fügen diese Argumente in die 07:02.750 --> 07:08.930 Argumente der init-Funktion ein. Deshalb müssen wir sie einfach hier kopieren und 07:08.930 --> 07:15.290 sie einfach in die Netzwerkklasse einfügen und dann wir Gehen Sie mit dieser Codezeile. 07:15.350 --> 07:22.690 Wir schaffen ein neuronales Netzwerk für ein perfektes Lernmodell, dann erstellen wir ein Gedächtnis. 07:22.880 --> 07:29.930 Wir werden also wieder einen neuen Vargo erstellen, den wir selbstlernendes Gedächtnis nennen. 07:29.930 --> 07:34.190 Und wieder wird dies ein Objekt der Wiedergabespeicherklasse sein. 07:34.220 --> 07:42.320 Nehmen wir also einfach den Namen oder die Klasse, lasst uns kopieren, aber stellen wir uns der Tatsache, dass wir in einigen Klammern die 07:42.320 --> 07:48.680 Kapazität einsetzen müssen, weil die Kapazität ein Argument der Funktion ist und dies das einzige Argument ist, das 07:48.680 --> 07:49.880 wir hier benötigen. 07:50.240 --> 07:55.100 Welche Kapazität werden wir wählen? Denken Sie daran, dass die Anzahl der Übergänge der Anzahl 07:55.100 --> 07:59.800 der Ereignisse entspricht, die Sie als letzte Aktion und als letztes Wort angegeben haben. 07:59.830 --> 08:07.550 Und so, wie in einer der Priester-Mühen erwähnt, werden wir einhunderttausend einhunderttausend Übergänge in das Gedächtnis aufnehmen, 08:07.550 --> 08:14.390 und dann werden wir dieses Gedächtnis abtasten, um eine kleine Anzahl von zufälligen Übergängen zu 08:14.390 --> 08:18.670 erhalten, und das, auf dem das Modell OK ist. 08:18.720 --> 08:21.210 Jetzt haben wir unser Gedächtnis perfekt. 08:21.210 --> 08:23.180 Nun lasst uns unseren Optimierer holen. 08:23.430 --> 08:31.800 Also selbst erstellen wir eine neue Variable, die wir Optimizer nennen. Optimizer ist also eine weitere Variable 08:31.800 --> 08:35.320 unseres zukünftigen Dequeue eines Objekts als Optimierer. 08:35.520 --> 08:44.130 Und jetzt, wenn wir zurückgehen, können Sie sehen, dass wir Upton Folter importiert haben, eine modulare Taschenlampe, die alle Werkzeuge enthält, um 08:44.160 --> 08:47.080 das Gitter in die Mitte zu bekommen. 08:47.130 --> 08:54.260 Natürlich enthält es einige Optimierer, und wir haben ihm die Abkürzung Upton gegeben. Daher wollen wir hier 08:54.270 --> 09:00.900 das Modell zu ihm bringen, das ist das, was er will, und aus diesem Modul werden 09:00.900 --> 09:03.060 wir eines der Optimierer. 09:03.180 --> 09:05.670 Wie Sie sehen, sind sie hier alle aufgeführt. 09:05.880 --> 09:10.630 Viele von ihnen sind ausgezeichnet, zum Beispiel ist Ropps Propp ein hervorragender Optimierer. 09:10.640 --> 09:16.170 Es wird beispielsweise dringend empfohlen, neuronale Netzwerke oder unbeaufsichtigtes Deep Learning aufzunehmen. 09:16.230 --> 09:22.140 Aber der andere, der ausgezeichnet ist und den er wählen wird, ist der Atom-Optimierer. 09:22.500 --> 09:26.400 Das ist das, was Sie sehen werden, mit dem man ein gutes selbstfahrendes Auto bekommt. 09:26.580 --> 09:32.000 Sie sind aber auch herzlich eingeladen, andere zu probieren, aber Sie können sich für Armlehne entscheiden, aber für Metal wählen 09:32.000 --> 09:32.810 wir Adam. 09:32.850 --> 09:34.290 Also drücke ich die Eingabetaste. 09:34.560 --> 09:37.240 Und tatsächlich werden Sie feststellen, dass sich hier das Kapitol befindet. 09:37.260 --> 09:40.430 Das liegt daran, dass wir ein Objekt der Atom-Klasse erstellen. 09:40.430 --> 09:44.990 Dies ist eine Klasse, aber das Objekt ist selbst ein Atom-Optimierer. 09:45.060 --> 09:50.970 Da dies jedoch eine Klasse ist, müssen wir einige Argumente angeben. Die Argumente der Atom-Klasse und 09:51.060 --> 09:55.270 die Argumente sind alle Parameter, die Ihr Optimizer anpassen können. 09:55.380 --> 10:00.330 Das ist zum Beispiel normalerweise die Lernrate des Verfalls oder einiger anderer Parameter. 10:00.510 --> 10:05.690 Neben den Parametern von Ormeau legen wir eine Lernrate fest. 10:05.970 --> 10:08.650 Es ist also der Anfang der Parameter unseres Modells. 10:08.670 --> 10:12.830 Wir können sie mit einem Selbstzweifel-Modell erhalten. 10:12.870 --> 10:17.530 Das ist das Modell, das wir hier als Autodidakt aus unserer eigenen Klasse erstellt haben. 10:17.580 --> 10:24.780 Um das Autodidakt-Modell aufzurufen und dann auf die Parameter des Modells zuzugreifen, fügen wir auf einfache Weise einen weiteren Punkt 10:25.500 --> 10:28.170 und dann Parameter mit einigen Klammern hinzu. 10:28.170 --> 10:35.860 Das heißt, um den Addon-Optimierer mit dem neuronalen Netzwerk zu verbinden, das wir hier wieder erstellt haben. 10:35.880 --> 10:42.810 Wie bereits erwähnt, werden wir eine Lernrate hinzufügen, und das Argument dafür ist unser. 10:43.170 --> 10:50.540 Und wir setzen ihn auf einen Wert, so dass das Lernen nicht zu schnell erfolgt, wenn die Lernrate zu groß 10:50.540 --> 10:53.910 wird, dann lernt die KI die KI richtig. 10:53.910 --> 10:58.890 Wir möchten unserer KI etwas Zeit geben, um aus ihren Fehlern zu lernen. 10:58.890 --> 11:04.320 Du weißt, wenn wir es bestrafen, wenn es einige Fehler macht, wie zum Beispiel einen Sinn zu finden oder zu nahe an 11:04.320 --> 11:05.510 eine Wand zu kommen. 11:05.770 --> 11:08.780 Nun, wir möchten etwas Zeit zum Lernen geben. 11:08.880 --> 11:12.030 Wir wollen einen Weg zum neuronalen Netz, um korrekt zu datieren. 11:12.180 --> 11:21.010 Ein guter Wert für die Lernrate, nach der ich mehrere ausprobiert habe, ist 0. 2 oder eins. 11:21.210 --> 11:24.540 Alles klar und das ist alles, was wir brauchen, um einen Optimierer zu erstellen. 11:24.720 --> 11:28.320 Im Grunde erstellen Sie also ein Objekt der Atom-Klasse. 11:28.530 --> 11:29.050 Großartig. 11:29.070 --> 11:35.980 Und die letzten drei Variablen, die wir brauchen, sind die Variablen, aus denen sich unsere Übergangsereignisse zusammensetzen. 11:36.150 --> 11:40.130 Das ist also das letzte Datum, die letzte Aktion und das letzte Wort. 11:40.170 --> 11:45.280 Das ist im Grunde das, was wir jetzt erstellen, und wir müssen sie nur initialisieren. 11:45.300 --> 11:50.130 Beginnen wir mit dem letzten Datum, dem letzten Datum, das wir als Autodidakt bezeichnen. 11:50.400 --> 11:56.000 Letzter Unterstrichstatus und wie werden Sie ihn initialisieren. 11:56.190 --> 12:03.840 Denken Sie daran, dass das letzte Datum ein Vektor von 5 Herrschaften ist, ein Vektor, der in einem Zustand der Umgebung 12:03.840 --> 12:04.700 codiert ist. 12:04.950 --> 12:10.800 Zur Erinnerung, diese fünf Dimensionen sind die drei Signale der drei Sensoren, die 12:10.800 --> 12:15.180 gerade und rechts bleiben, sowie Orientierung und Minus-Orientierung. 12:15.210 --> 12:18.350 Das ist also ein Vektor und ein intuitiver Sinn. 12:18.420 --> 12:21.060 Aber für die Fackel muss es mehr als ein Vektor sein. 12:21.210 --> 12:23.640 Es muss tatsächlich ein Brennertensor sein. 12:23.820 --> 12:29.970 Aber es muss nicht nur ein Brennersensor sein, sondern es muss eine weitere Dimension haben, die ich 12:29.970 --> 12:33.510 als falsche Dimension bezeichnen möchte, die der Charge entspricht. 12:33.630 --> 12:39.810 Und das ist, weil die letzten acht die Eingabe des neuronalen Netzwerks sein werden, aber wenn ich mit mir 12:39.810 --> 12:46.220 arbeite, wenn das im Allgemeinen funktioniert, ob es bei dichterem Fluss einen Brenner trägt, während die Eingangsvektoren nicht ein einfacher 12:46.290 --> 12:48.040 Vektor für sich sein können. 12:48.210 --> 12:49.760 Es muss in einer Reihe sein. 12:49.830 --> 12:57.660 Das Netzwerk kann nur Stapel von Eingabebeobachtungen akzeptieren. Daher wird nicht nur ein Tensor 12:57.870 --> 13:05.140 für die Eingabezustandsvektoren erstellt, sondern auch diese dem Stapel entsprechende falsche Dimension. 13:05.190 --> 13:11.490 Also machen wir das und beginnen mit dem Initialisieren eines Brennersensors, damit es nicht einfacher 13:11.490 --> 13:12.340 ist. 13:12.510 --> 13:21.810 Wir nehmen unsere Brennerbibliothek, dann Punkt, und dann werden wir die Tensor-Klasse verwenden, da, wie Sie vielleicht schon vermutet 13:21.810 --> 13:27.950 haben, ein Objekt der Tensor-Klasse erstellt wird, das ein Tensor-Objekt ist. 13:28.120 --> 13:34.660 In diesem Tensor müssen wir ein Argument angeben, das die Größe des Tensors angibt. 13:34.660 --> 13:38.720 Sie können sich vorstellen, dass Sie wie ein Array mit einem einzigen Typ sind. 13:38.890 --> 13:45.430 Aber im Grunde wird dies nun natürlich dargestellt. Dieser Eingabezustand, den Sie sehen können, hat einen Vektor und damit 13:46.180 --> 13:49.380 die Anzahl der Elemente, die der Abstand haben muss. 13:49.570 --> 13:55.180 Nun, wir müssen natürlich die Eingabegröße verwenden, da die Eingabegröße genau die Anzahl der 13:55.510 --> 13:57.520 Dimensionen unserer Eingabezustandsvektoren ist. 13:57.520 --> 13:59.050 Jetzt sollte ich Tensoren sagen. 13:59.170 --> 14:05.650 Was wir also einfach in unsere Tensorklasse eingeben müssen, um ein Tensorobjekt zu erstellen. 14:06.010 --> 14:07.260 Nun, das ist ungenau. 14:07.540 --> 14:10.230 Und später wird die Eingangsgröße quantifiziert. 14:11.350 --> 14:12.430 In Ordnung, das ist gut. 14:12.430 --> 14:13.670 Das ist das Erste, was gemacht wurde. 14:13.720 --> 14:17.390 Wir haben den Tensor gerade so initialisiert, wie er sein sollte. 14:17.530 --> 14:23.080 Denken Sie jedoch daran, dass wir noch etwas tun müssen, um diese falsche Dimension zu erstellen, denn 14:23.080 --> 14:30.070 dies ist es, was das Netzwerk für seine Eingaben erwartet, und diese zur Überprüfung zu erstellen, die übrigens der erste Motor sein 14:30.070 --> 14:35.840 muss, an dem Sie den Schaden kennen Ich werde das zum ersten Mal erwähnen, wenn ich dies erwähne, 14:35.940 --> 14:37.800 sagen wir es sehr gut. 14:38.230 --> 14:46.050 Nun, um das zu tun, müssen wir das einfach hinzufügen und dann in ein paar Klammern drücken. 14:46.050 --> 14:49.580 Wir müssen den Index dieser großen Dimension setzen. 14:49.620 --> 14:55.790 Und wie ich gerade gesagt habe, diese gefälschte Dimension muss die erste Animation des letzten Datums sein, 14:55.790 --> 15:02.460 und da Indizes und Bytes sowie Null gestartet sind, müssen wir Null eingeben, damit diese neue Paradigma-Engine zur ersten 15:02.460 --> 15:03.570 Line-Engine wird. 15:03.570 --> 15:09.360 Wir haben also eine erste Engine, die der Charge entspricht, und dann sollte der Diamant 15:09.360 --> 15:15.960 auf diesen Sensor reagieren, der die fünf Elemente Ihrer Eingangszustände, die drei Signale, die Orientierung und die negative 15:15.990 --> 15:16.910 Orientierung enthält. 15:17.370 --> 15:21.960 Dann haben wir unsere Eingabestatus richtig initialisiert. 15:21.960 --> 15:22.850 Perfekt. 15:23.310 --> 15:30.840 Und dann noch zwei Variablen, und das wird viel einfacher, weil die nächste Variable die letzte Aktion 15:31.110 --> 15:31.850 ist. 15:32.190 --> 15:36.340 Das ist ein neuer Roybal, den wir für Object letzte Aktion erstellen. 15:36.510 --> 15:43.440 Denken Sie daran, im ersten Tutorial des Abschnitts, den ich Ihnen erzählt habe, dass die 15:43.440 --> 15:52.470 Aktionen entweder 0 1 oder 2 sein werden, und dann mithilfe des Aktionsrotationsvektors diese Indexe dieser Aktionen in die Drehwinkel 15:52.470 --> 15:58.010 umwandeln, an die ich unsere 0 erinnere 20 oder minus 20. 15:58.050 --> 16:00.980 Wir können damit tatsächlich unser Gedächtnis auffrischen. 16:01.200 --> 16:03.170 Nun ist es genau hier. 16:03.170 --> 16:06.260 Aktion zur Drehung, wenn die Aktion Null ist. 16:06.390 --> 16:11.650 Nun, dies entspricht dem ersten Index von Null, wenn die Aktion 1 ist. 16:11.700 --> 16:17.310 Dies wird dem Index eines dieser Vektoren von 20 Grad entsprechen, und wenn die Aktion 16:17.310 --> 16:23.490 zu minus 20 Grad wird, wird dies der Drehwinkel unseres Autos sein, wenn wir die Aktion spielen. 16:23.510 --> 16:24.200 Gut. 16:24.380 --> 16:31.040 Und da die Aktion entweder 0 1 oder 2 sein wird, ist die Aktion für eine einfache Nummer 16:31.040 --> 16:31.740 vorhanden. 16:31.850 --> 16:35.440 Und so können wir es ganz einfach auf Null initialisieren. 16:35.660 --> 16:38.330 Wir müssen keine Zehner schaffen oder sonst noch etwas hören. 16:38.360 --> 16:40.880 Wir müssen es nur mit Null initialisieren. 16:41.420 --> 16:42.850 Und schlussendlich. 16:43.010 --> 16:44.460 Nun, das ist das letzte Wort. 16:44.550 --> 16:48.840 Es ist das letzte Wort. 16:48.860 --> 16:49.940 Da gehen wir. 16:49.940 --> 16:56.510 Und wieder ist das Wort eine Float-Nummer, an die ich mich erinnere, zwischen minus 1 und plus 1. 16:56.510 --> 16:57.790 Das ist also wieder die Nummer. 16:57.860 --> 16:59.400 Und was die Action angeht. 16:59.510 --> 17:02.900 Wir werden es auf Null initialisieren und dann gehen wir. 17:02.900 --> 17:06.330 Glückwunsch sind in seiner Funktion bereit. 17:06.350 --> 17:08.930 Nun können wir uns auf das aufregende Material konzentrieren. 17:08.930 --> 17:16.040 Und eigentlich ist das Wichtigste für die KI, dass sie 17:16.080 --> 17:23.240 entscheidet, welche Aktion zu jeder Zeit und zu jeder Zeit gespielt wird. 17:23.510 --> 17:27.310 Also lass uns das neben Mühe tun und bis dahin ich.