WEBVTT 00:00.360 --> 00:05.400 Hallo en welkom bij de laatste redactie van de sectie, we gaan de 00:05.400 --> 00:11.340 laatste functie van deze DeQuan-klasse maken, wat natuurlijk de laadfunctie zal zijn die natuurlijk na dezelfde 00:11.340 --> 00:12.210 functie komt. 00:12.420 --> 00:17.070 U slaat uw model op en wilt het vervolgens kunnen laden wanneer u teruggaat naar de applicatie. 00:17.370 --> 00:18.410 Dus laten we dit doen. 00:18.780 --> 00:22.290 We gaan WDEF maken en dan laden. 00:22.450 --> 00:24.930 We noemen deze klassefunctie opnieuw laden. 00:25.110 --> 00:30.900 Deze laadfunctie zal het zelf als argument nemen en je raadt waarschijnlijk waar het zelf voor zal zijn. 00:30.990 --> 00:34.770 Het zal precies zijn om te laden wat is opgeslagen in de opslagfunctie. 00:35.070 --> 00:38.880 Dus we zorgen voor dat model en natuurlijk zelf voor die optimizer. 00:39.390 --> 00:42.150 Dus het zelf zal hier voor het model en de optimizer zijn. 00:42.840 --> 00:46.040 Dus dan Kullen en laten we nu het model laden. 00:46.770 --> 00:53.280 Dus aangezien het model in het laatste brein zit, willen we er zeker van zijn dat dit bestand bestaat en daarom gaan 00:53.280 --> 00:54.330 we daarmee beginnen. 00:54.480 --> 00:58.110 We gaan een if-voorwaarde maken om er zeker van te zijn dat dit bestand bestaat. 00:58.320 --> 01:04.030 En als het bestaat, zullen we laden wat we in het woordenboek hebben, dat zich in dit laatste brein bevindt. 01:05.340 --> 01:12.870 Dus we beginnen met een F, dan nemen we ons besturingssysteem en het pad dat hier naartoe leidt. 01:13.050 --> 01:14.670 Laten we dat meenemen, Val. 01:15.030 --> 01:19.520 Dus waar dat pad precies het pad is dat naar de werkmapmap leidt. 01:19.650 --> 01:25.950 Dus wat mij betreft dat dit pad desktop, dan is mijn kunstmatige intelligentie die map, dan model 01:26.220 --> 01:30.630 een zelfrijdende auto en dan het model een zelfrijdende auto map. 01:30.810 --> 01:33.660 Dat is deze map hier met het laatste punt dat viel. 01:34.020 --> 01:39.120 En toen gingen we dot is file is file this toevoegen. 01:39.720 --> 01:40.770 Dat is dus een functie. 01:40.920 --> 01:46.170 Dus ik ga wat haakjes toevoegen en binnen de haakjes ga ik de naam van het bestand invoeren. 01:46.410 --> 01:49.770 De naam van de vader bevat het model dat is laten we dat bedenken. 01:50.760 --> 01:53.220 We moeten het dus tussen aanhalingstekens zetten. 01:53.700 --> 02:00.840 En dus ga ik het laatste brein binnen dat BGH en zo is file lamebrain. 02:00.840 --> 02:02.790 Dat zal terugkeren. 02:02.790 --> 02:08.190 Waar als het bestand dat het brein is dat bestaat en bestanden als het niet bestaat. 02:08.460 --> 02:15.600 En daarom betekent deze if-conditie dat als we het laatste brein hebben dat bestand nu in de werkmapmap zit, 02:16.230 --> 02:18.050 laten we dan coderen. 02:18.060 --> 02:19.370 Wat gaat er in dat geval gebeuren. 02:19.710 --> 02:22.080 In dat geval, als het bestand bestaat. 02:22.500 --> 02:27.440 Wel, eerst gaan we iets afdrukken om te zeggen dat, weet je, we het model aan het laden zijn. 02:27.460 --> 02:35.280 Dus we kunnen bijvoorbeeld een klein foutje zeggen en dan checkpoint's laden met drie kleine puntjes. 02:35.820 --> 02:36.260 Oke. 02:36.270 --> 02:40.800 Dat wil alleen maar zeggen dat we het model aan het laden zijn en dan gaan we natuurlijk het model laden. 02:40.920 --> 02:46.530 Dus het model en de optimizer en we gaan wat we laden in een variabele plaatsen 02:46.680 --> 02:49.260 die ik checkpoint gelijk ga noemen. 02:49.680 --> 02:54.650 En dat is waar we de laadfunctie gaan gebruiken om te laden wat is opgeslagen in de opslagfunctie. 02:55.020 --> 02:58.680 Dit is natuurlijk een functie uit de fakkelbibliotheek. 02:59.100 --> 03:06.960 Dus Torch Dot en de naam van de SLOAT-functie is gewoon haakjes laden en binnen de haakjes, wat moeten 03:06.960 --> 03:08.670 we volgens jou invoeren? 03:09.030 --> 03:15.660 Welnu, heel eenvoudig, we moeten het bestand invoeren dat ons opgeslagen model bevat en een opgeslagen optimalisatieprogramma is. 03:16.050 --> 03:21.960 Dus we hoeven alleen maar de naam van het bestand in te voeren, wat het laatste brein is. 03:24.230 --> 03:30.010 Laten we dat ter sprake brengen en we laden dit bestand alleen in de voorwaarde dat dit bestand bestaat. 03:30.140 --> 03:32.870 Daarom moesten we deze voorwaarde hier coderen. 03:33.690 --> 03:39.510 OK, dus nu we weten dat het model en de optimizer, nou, wat we gaan doen, is ons 03:39.510 --> 03:45.690 model en de optimizer afzonderlijk bijwerken, omdat we eigenlijk de parameters hebben geladen die we de gewichten en de 03:45.690 --> 03:47.770 parameters van de optimizer hebben geladen. 03:48.000 --> 03:55.860 Dus wat we nu moeten doen, is ons bestaande model bijwerken, dat is deze ene cel, dat model en 03:55.860 --> 04:03.420 onze bestaande optimizer zelf die optimizer met de parameters, met de gewichten die in deze laatste zitten, brengen dat 04:03.420 --> 04:04.560 naar voren. 04:05.040 --> 04:07.680 We hoeven deze twee updates dus gewoon apart uit te voeren. 04:07.980 --> 04:11.670 En om dit te doen, gaan we een methode gebruiken uit de toortsmodules. 04:12.010 --> 04:17.910 Er zal dus overerving zijn, waardoor we deze methode kunnen gebruiken die load state dict wordt 04:17.910 --> 04:18.330 genoemd. 04:18.660 --> 04:24.980 En met de statische belastingmethode kunnen we alle parameters van ons model bijwerken en optimaliseren. 04:25.380 --> 04:28.640 Dus laten we dit doen en laten we beginnen met het updaten van onze modellen. 04:28.640 --> 04:35.850 Dus we nemen ons model, dat zelf is, dat model aangezien zelf dat model erft van het bericht 04:35.850 --> 04:40.290 van de toortsmodule om de DECT-methode voor belastingstoestand te gebruiken. 04:40.500 --> 04:42.930 Dus dat is de boodschap die we uit de erfenis halen. 04:43.200 --> 04:47.220 En dankzij deze methode gaan we alle parameters van het model bijwerken. 04:47.220 --> 04:48.090 Dat is al het gewicht. 04:48.600 --> 04:53.670 En wat we dus in deze staat moeten invoeren, deze methode is onze controlepuntvariabele. 04:54.060 --> 04:55.800 Dat is het resultaat van de laadfunctie. 04:56.140 --> 04:58.950 Dus check point, dan haakjes. 04:59.490 --> 05:03.930 En nu moeten we de naam invoeren van de sleutel die overeenkomt met ons model. 05:04.320 --> 05:09.240 Dat wil zeggen, dat komt overeen met het verkopen van dat model staatsdictaat en dat is staatsdictaat. 05:10.050 --> 05:17.880 Dus tussen checkpoints en de haakjes die we invoeren, tussen aanhalingstekens, staat onderstreping dict en deze regel code zal 05:18.060 --> 05:19.700 je model bijwerken. 05:20.040 --> 05:22.760 Dat wil zeggen, het zal het gewicht, de parameters van uw model toepassen. 05:23.400 --> 05:28.140 En nu moeten we hetzelfde doen voor de optimizer en dat zal bijna hetzelfde zijn. 05:28.290 --> 05:30.150 Dus ik ga deze regel kopiëren. 05:32.050 --> 05:39.520 Hieronder geplakt, en dus gingen we deze keer niet het model updaten, maar de optimizer zelf, die 05:39.520 --> 05:40.220 optimizer. 05:40.480 --> 05:46.480 Aan de andere kant gebruikten we een load state dick-methode die erft van de torch-module-methode. 05:47.020 --> 05:54.790 En we passen deze functie toe op het ijkpunt van niet vermeld dat de sleutel die overeenkomt met de optimizer 05:55.120 --> 05:56.710 en die is geoptimaliseerd. 05:57.010 --> 06:01.520 Dus hier hebben we zojuist een dictaat vervangen door maximaal Mizer. 06:02.110 --> 06:02.710 Daar gaan we. 06:03.040 --> 06:07.420 Hier hebben we de gewichten van het model en hier werken we de parameters van de optimizer bij. 06:08.220 --> 06:17.160 Perfect, en om af te ronden, kunnen we een beetje op die manier afdrukken, en tot slot moeten we specificeren wat 06:17.160 --> 06:21.180 er gebeurt als deze voorwaarde niet wordt gerespecteerd. 06:21.420 --> 06:23.370 Dat wil zeggen, als er geen brein is. 06:24.540 --> 06:25.740 En dus hoeven we alleen maar toe te voegen. 06:25.830 --> 06:27.750 En anders dan Colin. 06:29.030 --> 06:32.390 En gewoon, we gaan gewoon zeggen dat er niet zo'n bestand is. 06:32.510 --> 06:33.370 Laten we dat ter sprake brengen. 06:34.070 --> 06:42.740 Dus we gaan gewoon iets afdrukken als geen controlepunt gevonden en drie, weinig als je wilt. 06:44.200 --> 06:52.030 Oké, en dat geeft ons een functionele laadfunctie en vooral een functionele noodklas en nu 06:52.030 --> 06:56.640 enorm gefeliciteerd omdat onze kunstmatige intelligentie klaar is. 06:57.010 --> 07:01.360 Je kunt waarschijnlijk aan mijn stem horen dat ik erg opgewonden raak omdat het nu tijd is voor 07:01.360 --> 07:01.930 de demo. 07:02.170 --> 07:08.500 We hebben net een brein gemaakt en we gaan dit brein in de auto stoppen en we zullen zien hoe het slim genoeg is 07:08.710 --> 07:13.240 om deze rondritten tussen het vliegveld en het centrum te maken, wat de weg ook is. 07:13.370 --> 07:15.270 Dus ik kan niet wachten om jullie de demo te laten zien. 07:15.310 --> 07:17.160 Dit komt in de volgende sectie. 07:17.320 --> 07:19.030 En tot die tijd, geniet van I.