Привет! Представляю вашему вниманию перевод статьи «Train your first neural network: basic classification».
Это руководство по обучению модели нейронной сети для классификации изображений одежды, таких как кроссовки и рубашки. Для создания нейронной сети используем python и библиотеку TensorFlow.
Читать полностью »
Глубокие нейронные сети привели к прорыву во множестве задач распознавания образов, таких как компьютерное зрение и распознавание голоса. Сверточная нейронная сеть один из популярных видов нейронных сетей.
В своей основе сверточную нейронную сеть можно рассматривать как нейронную сеть, использующую множество идентичных копий одного и того же нейрона. Это позволяет сети иметь ограниченное число параметров при вычислении больших моделей.
2D Свёрточная нейронная сеть
Читать полностью »
Нейронные сети совершили революцию в области распознавания образов, но из-за неочевидной интерпретируемости принципа работы, их не используют в таких областях, как медицина и оценка рисков. Требуется наглядное представление работы сети, которое сделает её не чёрным ящиком, а хотя бы «полупрозрачным». Cristopher Olah, в работе «Neural Networks, Manifolds, and Topology» наглядно показал принципы работы нейронной сети и связал их с математической теорией топологии и многообразия, которая послужила основой для данной статьи. Для демонстрации работы нейронной сети используются низкоразмерные глубокие нейронные сети.
Понять поведение глубоких нейронных сетей в целом нетривиальная задача. Проще исследовать низкоразмерные глубокие нейронные сети — сети, в которых есть только несколько нейронов в каждом слое. Для низкоразмерных сетей можно создавать визуализацию, чтобы понять поведение и обучение таких сетей. Эта перспектива позволит получить более глубокое понимание о поведении нейронных сетей и наблюдать связь, объединяющую нейронные сети с областью математики, называемой топологией.
Из этого вытекает ряд интересных вещей, в том числе фундаментальные нижние границы сложности нейронной сети, способной классифицировать определенные наборы данных.
Рассмотрим принцип работы сети на примере
Читать полностью »
В наше время для разработки программного обеспечения приходиться приложить не мало усилий. Слишком много времени тратится на то что логично было бы возложить на компьютеры выбор методологи, проектирование, написание технического задания, тестирование все это делает человек и делает очень медленно. Но возможно ли это в принципе? Доктор технических наук Максим Щербаков в своей лекции «Нейронные сети: maths & magic» ответил: «Да, это возможно». Хорошо иметь автоматизированного помощника, который решит задачу просто имея некие критерии и шаблоны при этом платить ему не надо и сделает он это в кратчайшее время, но какие конкретно задачи могут решать нейронные сети в наше время? Развитие машинного обучения в наши дни идет семимильными шагами не сегодня так завтра машины смогут заменить человека в рутинных задачах. Составление технического задания не самое приятное занятие особенно из-за необходимости расписать все крайне подробно и по форме (подробнее в 4 пункте). Каждая компания выбирает определенную методологию разработки программного обеспечения и меняет её крайне редко. Как же быть если для проекта другая методология подходит лучше прежней или нынешняя не подходит вовсе? Логично было бы заменить, но какую выбрать (подробнее в 5 пункте)? Правильное тестирование должно занимать приличное количество времени и людей. Довольно затратно и долго (подробнее в 6 пункте). Нейронная сеть удешевит и ускорит все эти этапы.
Читать полностью »
Всем привет!
Прошло целых полтора года с момента написания моей первой статьи на Хабре. С тех пор проект FOTM претерпел ряд изменений. В начале пройдёмся вкратце по всем модернизациям, а затем перейдём к детальному разбору основной фичи — AI.Читать полностью »
В этой статье не будет ни одной строчки кода, тут будет просто теория метода
обучения нейронных сетей, который я разрабатываю последние пол-года. Реализацию метода планирую в следующей статье.
Перспективы безытеративного обучения нейронных сетей очень велики, это, потенциально, самый быстрый способ обучения НС. Начать цикл работ по безытеративному обучению я хочу с самого простого случая(где упрощать уже некуда). А именно, с однослойной сети прямого распространения с линейной активационной функцией, взвешенного сумматора.Читать полностью »
Создать управляемый в реальном времени контроллер для виртуальных персонажей — сложная задача даже при наличии большого количества доступных высококачественных данных захвата движения.
Частично это связано с тем, что к контроллеру персонажей предъявляется масса требований, и только при соответствии им всем он может быть полезным. Контроллер должен уметь учиться на больших объемах данных, но при этом не требовать большого количества ручной предварительной обработки данных, а также должны максимально быстро работать и не требовать больших объемов памяти.
И хотя в этой области уже достигнут некоторый прогресс, почти все существующие подходы соответствуют одному или нескольким из этих требований, но не удовлетворяют им всем. Кроме того, если проектируемая местность будет иметь рельеф с большим количеством препятствий, это еще серьезнее усложняет дело. Персонажу приходится менять темп движения, прыгать, уклоняться или взбираться на возвышенности, следуя командам пользователя.
При таком сценарии нужна система, которая может учиться на основе очень большого количества данных о движении, поскольку существует очень много разных комбинаций траекторий движения и соответствующих геометрий.
Разработки в области глубинного обучения нейронных сетей потенциально могут решить эту проблему: они могут учиться на больших наборах данных, и однажды обученные, они занимают мало памяти и быстро выполняют поставленные задачи. Остается открытым вопрос о том, как именно нейронные сети лучше всего применять к данным движения таким образом, чтобы получать высококачественный результат в режиме реального времени с минимальной обработкой данных.
Исследователи из Эдинбургского университета разработали новую систему обучения, называемую фазово-функциональной нейронной сетью (PFNN), которая использует машинное обучение для анимации персонажей в видеоиграх и других приложениях. Читать полностью »
В прошлый раз мы разобрались, как в принципе устроен цифровой конструктор — откуда в нем столько ограничений, почему они важны и как помогают учить детей и взрослых правильным вещам.
Сегодня без сухой теории — просто возьмем и посмотрим на цифровые конструкторы, которые сошли с дистанции, отлично себя чувствуют или только запускаются. Узнаем, как менялись модели их дистрибуции и почему нас ждет волна автоматизации всего.
Читать полностью »
Ослабьте разум, братья и сестры.
Ибо грядет.
Новая Крипторелигия, адепты которой не снимают смарт–крестик и браслетные амулеты, молвятся в смартконы, майнят в техпрогресс (каждый день награждаются за это биткоинами с бесконечно–высокой внутренней стоимостью) и верят в цифровое продолжение жизни.
Цифровое продолжение жизни — начинается с момента (внутри виртуального 21–го века) на следующий после вашей аналоговой смерти день, когда выращенная в будущем пошагово/посекундно на вашем жизненном опыте, качественная копия вашей биологической — компьютерная нейросеть — узнаёт правду о том, кто она, что её оригинал умер, что настоящая свобода, «куда едем, барин?»Читать полностью »
Без понимания природы возникновения интеллекта и механизмов разумного поведения невозможно создание искусственного интеллекта. Можно бесконечно составлять сети нейроподобных элементов варьируя их количество, организацию, алгоритмы, но невозможно случайным образом повторить то над чем трудилась эволюция миллионы лет.
Природа деятельности живых организмов определяется их потребностями, связанными с необходимостью выживать, питаться, размножаться и сохранять энергию. И ни одно живое существо не действует вне внутренних мотивов формируемых потребностями. И невозможно представить разум лишенный внутренних мотивов и целей. Каждое движение наших глаз, произнесение слов, формирование мыслей есть результат работы механизмов ответственных за удовлетворение наших потребностей. Стремление создать абсолютный интеллект, не обусловленный никакими потребностями, приведет к получению бездействующего механизма или действующего подобно автомату.
Наш окружающий мир очень сложен и многообразен и создание рефлексов на все случаи жизни, которые бы позволили организму быть в этом мире успешным, не предоставляется возможным. Поэтому природа создала механизм, который позволяет формировать и отбирать рефлексы, которые приводят к желаемому результату – это эмоции, или эмоциональные механизмы.
Но какие же потребности могут быть у искусственного интеллекта, ведь ему незачем испытывать голод, за зарядом его батареи может последить человек, а чувство страха может спровоцировать на действия к самообороне, любовь и привязанность – эти чувства даже Человеку создали множество хлопот. Единственное, что действительно необходимо искусственному интеллекту это желание обучаться, любопытство и стремление к новому. Природа всех эмоций сходна и все перечисленные эмоции, возможно, воплотить в искусственном интеллекте.
Читать полностью »
