WEBVTT

00:00.520 --> 00:05.830
Bonjour et bienvenue dans le dernier tutoriel de la section, nous allons créer la dernière fonction

00:06.180 --> 00:12.510
de ce D2 en classe, qui sera bien sûr la fonction de chargement qui vient naturellement après la même fonction.

00:12.580 --> 00:17.450
Vous enregistrez votre modèle et vous souhaitez ensuite pouvoir le charger chaque fois que vous revenez à l'application.

00:17.500 --> 00:18.940
Alors faisons ceci.

00:18.940 --> 00:22.420
Nous allons faire def puis charge.

00:22.480 --> 00:29.230
Nous appelons la fonction de classe load à nouveau que cette fonction de chargement prendra comme arguments et vous devinerez probablement où

00:29.230 --> 00:35.210
il se trouvera car ce sera exactement pour charger ce qui a été enregistré dans la même fonction.

00:35.230 --> 00:37.170
Nous allons donc prendre demain auto-direct.

00:37.210 --> 00:39.310
Et bien sûr résoudre cet optimiseur.

00:39.550 --> 00:42.620
Donc, l'auto-guérison sera pour le modèle et l'optimiseur.

00:43.030 --> 00:46.530
Alors alors Cullin Et maintenant, ralentissons le modèle.

00:46.900 --> 00:53.350
Donc, étant donné que Dymo est dans le dernier fichier ph brindled, nous voulons nous assurer que ce fichier existe et que nous

00:53.350 --> 00:54.620
allons commencer par cela.

00:54.690 --> 01:00.520
Nous allons créer une condition IF pour nous assurer que ce fichier existe et s'il existe, nous chargerons ce

01:00.790 --> 01:05.160
que nous avons dans le dictionnaire qui se trouve dans ce dernier PDA imprimé.

01:05.500 --> 01:13.430
Nous commençons donc par un if, puis nous prenons notre système d'exploitation et le chemin qui mène à ce dernier cerveau

01:13.450 --> 01:14.980
découvert par PVH.

01:15.160 --> 01:19.730
Ce chemin est donc exactement le chemin qui mène au dossier du répertoire de travail.

01:19.810 --> 01:26.530
Donc, en ce qui me concerne, ce bureau est plus rapide que mon intelligence artificielle, il s’agit d’un dossier, d’un

01:26.530 --> 01:32.080
modèle, d’une voiture autonome, puis du module, d’un dossier de voiture autonome. Ce dossier contient ce dossier

01:32.080 --> 01:33.970
avec la dernière impression trouvée.

01:34.210 --> 01:39.570
Et puis nous allons ajouter à ce qui est un fichier fichier celui-ci.

01:39.850 --> 01:40.990
Donc, c'est une fonction.

01:41.080 --> 01:42.700
Je vais donc ajouter quelques parenthèses.

01:42.850 --> 01:48.040
Et à l'intérieur de la parenthèse, je vais entrer le nom du fichier qui contient

01:48.040 --> 01:50.810
le modèle qui est le dernier cerveau.

01:50.890 --> 01:53.660
Nous devons donc le mettre entre guillemets.

01:53.860 --> 02:04.000
Et donc j'entre dans le dernier cerveau qui est le dernier et le fichier est le dernier cerveau que la page redeviendra vraie si

02:04.000 --> 02:10.750
le fichier ami qui a cet âge existe et tombe s'il n'existe pas et donc ceci

02:10.990 --> 02:13.410
si la condition signifie rendre.

02:13.630 --> 02:18.110
Eh bien maintenant dossier de répertoire de travail alors allons-y.

02:18.110 --> 02:19.900
Qu'est-ce qui va se passer dans ce cas.

02:19.900 --> 02:22.470
Dans ce cas, si ce fichier existe.

02:22.660 --> 02:28.150
D'abord, nous allons imprimer quelque chose pour indiquer que vous savez que nous

02:28.150 --> 02:35.900
chargeons la morale, par exemple, vous pouvez dire une petite flèche, puis les points de contrôle avec trois petits points.

02:35.980 --> 02:36.320
D'accord.

02:36.340 --> 02:38.350
C'est juste pour dire que nous chargeons demain.

02:38.620 --> 02:41.050
Et bien sûr, nous allons charger le modèle.

02:41.080 --> 02:46.690
Donc, la morale et l'optimiseur et nous allons mettre ce que nous chargeons dans un test que je

02:46.840 --> 02:54.040
qualifierai de point de contrôle égal et où nous allons utiliser la fonction de chargement pour charger ce qui a été enregistré dans la

02:54.040 --> 02:54.920
même fonction.

02:55.150 --> 03:02.530
Donc, bien sûr, il s’agit d’une fonction de la bibliothèque de torches à torche et le nom de la fonction Sloat

03:02.530 --> 03:08.990
est tout simplement cette parenthèse et à l’intérieur de celle-ci, selon vous, ce que nous devons saisir.

03:09.190 --> 03:15.340
Eh bien très simplement, nous devons saisir le fichier qui contient nos sauvegardes de

03:15.370 --> 03:24.150
demain et celles de l’optimiseur d’optimisation. Il suffit donc de mettre le nom du fichier qui est le dernier point à afficher.

03:24.390 --> 03:30.300
Apportons ce BGH et nous chargeons ce fichier uniquement dans la condition que ce fichier existe.

03:30.300 --> 03:33.040
C'est pourquoi nous avons dû appeler cette condition ici.

03:33.860 --> 03:36.590
OK, maintenant que nous avons chargé le modèle et l'optimiseur.

03:36.690 --> 03:43.520
Ce que nous allons faire, c'est mettre à jour séparément notre modèle et l'optimiseur, car nous avons chargé les

03:43.530 --> 03:48.080
paramètres, nous avons chargé les poids et les paramètres de l'optimiseur.

03:48.160 --> 03:56.490
Nous devons donc maintenant mettre à jour notre modèle existant, à savoir ce modèle de bloc unicellulaire, et

03:56.550 --> 04:04.890
notre optimiseur existant a résolu cet optimiseur avec les paramètres avec les poids qui figurent dans ce dernier Brender.

04:05.150 --> 04:10.680
Nous avons donc simplement besoin de faire ces deux mises à jour séparément et pour ce faire, nous allons utiliser une méthode

04:10.680 --> 04:11.980
des modules de torture.

04:12.150 --> 04:17.970
Il y aura donc un héritage qui nous permettra d'utiliser cette méthode appelée Load state

04:17.970 --> 04:25.500
dict et la méthode statique ralentie nous permettra de dater tous les paramètres de notre modèle et de notre optimiseur.

04:25.500 --> 04:28.710
Faisons cela et commençons par mettre à jour nos modèles.

04:28.710 --> 04:35.820
Nous prenons donc notre modèle qui est un modèle autodidacte car le modèle autodidacte hérite des méthodes du

04:35.820 --> 04:40.530
module torche pour utiliser la méthode dict de l’état de charge.

04:40.650 --> 04:43.190
Donc, c'est la méthode que nous prenons de l'héritage.

04:43.380 --> 04:48.490
Et grâce à cette méthode, nous allons mettre à jour tous les paramètres du modèle.

04:48.810 --> 04:54.120
Et donc, ce que nous devons mettre dans cet état, la méthode de Dick est très bien notre point de contrôle.

04:54.180 --> 04:56.210
C'est le résultat de la fonction de chargement.

04:56.290 --> 05:04.080
Ainsi, les points de contrôle, puis les crochets et nous devons maintenant entrer le nom de la clé qui correspond à notre modèle, c'est-à-dire qui correspond

05:04.470 --> 05:07.270
à la date d'état du modèle de sous-produit.

05:07.560 --> 05:09.490
Et c'est l'état.

05:09.800 --> 05:17.970
Ainsi, dans les points de contrôle et les crochets, nous insérons entre guillemets les états des guillemets et cette ligne de code

05:18.210 --> 05:20.170
mettra à jour votre modèle.

05:20.220 --> 05:23.440
C'est un outil qui attend les paramètres de votre modèle.

05:23.580 --> 05:26.330
Et maintenant, nous devons faire la même chose pour l'optimiseur.

05:26.520 --> 05:28.380
Et ça va être presque pareil.

05:28.470 --> 05:33.290
Donc, je vais copier cette ligne collée ci-dessous.

05:33.420 --> 05:40.620
Et donc cette fois, nous n'allons pas sortir avec demain, mais avec l'optimiseur cet optimiseur.

05:40.650 --> 05:47.730
Là encore, nous utilisons pour charger la méthode d'état Dick héritée des méthodes du module de la torche et

05:47.730 --> 05:52.020
nous appliquons cette fonction au point de contrôle de l'état dict.

05:52.170 --> 05:56.970
Mais la clé qui correspond à l'optimiseur et qui est optimiseur.

05:57.150 --> 06:02.260
Nous ne faisons donc que remplacer une date par Mizer.

06:02.280 --> 06:03.180
Nous y voilà.

06:03.180 --> 06:04.880
Ici, nous mettons à jour les poids de la.

06:04.920 --> 06:07.600
Et ici nous mettons à jour les paramètres de l'optimiseur.

06:08.340 --> 06:15.870
Parfait et pour finir, nous pouvons imprimer un peu comme ça.

06:15.870 --> 06:21.510
Et enfin, il suffit de spécifier ce qui se passe si cette condition n'est pas respectée.

06:21.570 --> 06:29.670
C’est-à-dire que s’il n’ya pas beaucoup d’essais en Pythia et que nous devons donc ajouter un élément autre que Colin et Cindy, nous allons simplement

06:29.700 --> 06:32.630
dire qu’il n’existe aucun fichier de ce type.

06:32.640 --> 06:34.110
Portons l'âge de la PTA.

06:34.200 --> 06:44.350
Nous allons donc simplement imprimer quelque chose du type No check point out et trois petits mots si vous le souhaitez.

06:44.360 --> 06:45.180
D'accord.

06:45.230 --> 06:50.500
Et cela nous donne une fonction de charge fonctionnelle et surtout fonctionnelle.

06:50.540 --> 06:57.890
Avez-vous été en cours et félicitez-vous énormément parce que notre intelligence artificielle est prête, vous pouvez probablement l'entendre au son de ma voix et

06:57.890 --> 07:02.230
je suis très excité parce que le moment est venu pour la démonstration

07:02.330 --> 07:08.510
Nous venons de créer un cerveau et nous allons le mettre dans la voiture et nous verrons comment il est assez intelligent

07:08.840 --> 07:13.440
pour faire ces allers-retours entre l'aéroport et le centre-ville, où que se trouve la route.

07:13.520 --> 07:15.310
J'ai donc hâte de vous montrer la démo.

07:15.410 --> 07:17.430
Cela va être dans la prochaine section.

07:17.510 --> 07:19.100
Et jusque là je
