Серия: Вселенная eve online (Миры eve online)

ЛитВек — электронная библиотека >> Популярные серии >> Вселенная eve online (Миры eve online)

КОММЕНТАРИИ 1621

Бешеный шарик
Tony Lonk

Горячо рекомендую!

Technoboy   31-03-2023 в 16:34   #190889

Пылающие Дюзы
Руслан Алексеевич Михайлов (Дем Михайлов)

Хорошая фантастика, годно для чтения

Оценил книгу на 9
kukaracha   28-03-2023 в 15:36   #190887

Бизнес из ничего, или Как построить интернет-компанию и не сойти с ума
Владислав Моисеев

Хорошая книга для увлекающихся IT бизнесом

kukaracha   28-03-2023 в 15:34   #190886

Жить не запретишь
Boy Fantom

Неплохо

Иван   27-03-2023 в 23:35   #190883

Черно-белая пленка
Тимур Юрьевич Жане

Даже фрагмент не дочитала, и за бесплатно читать не буду, не то, что за деньги. Что-то заунывное ни о чем, и с массой лексических ошибок, словно перевод гугля

Тина   27-03-2023 в 21:10   #190882

Аш 5
Вадим Львов (Клещ)

ГГ ,чтобы отомстить напавшим на планетуЮ насилует девушку совсем другой рассы, типа зто ваша расса организовала нападение а затем, чтобы добыть деньги, продает землян на сьедение включая женщин и детей только за то что у них другой цвет кожи Итог ГГ а значит и автор просто большое ДЕРЬМО

albert   27-03-2023 в 13:35   #190881

Родовая земля
Александр Сергеевич Донских

Родовая земля Донских А. редкая книга по смыслам и языку. Внешне она историческая но на самом деле чёткая характеризует современную русскую жизнь. Написано душевно, так написано, чтобы затронуло самые глубокие струны души. Ничего подобного не читал! Анто…

Ант. ..   26-03-2023 в 14:17   #190877

Авангард (ЛП)
Петер Фехервари

В каком месте это Роб Сандерс? Рассказ написан Петером Фехервари. Знатоки хреновы.

Ден   24-03-2023 в 20:56   #190873

Cто лет безналом
Nik Держ

Правописание тся и ться для автора или копировщика непосильная ноша?

Сергей   22-03-2023 в 14:39   #190869

Еще один попаданец. Трилогия (СИ)
Вячеслав Николаевич Сизов

Нудно,затянуто,язык суконный. Не тратьте свое время

Борис   20-03-2023 в 22:05   #190868

ВСЕ КОММЕНТАРИИ

главная 1 2 3 4 … 5 »

Амулет (СИ) Автор: Андрей Байкалов Жанр: Боевая фантастика, Попаданцы Серия: Вселенная eve online (Миры eve online) Год издания: — Язык книги: русский Страниц: 44 Читать Формат: fb2  Скачать

Альтернативная история . .. Полное описание книги

Комментировать   : 3 : 2 : 3 : 3 : 3 : 1  

Баловень Звёзд (СИ) Автор: Николай Юрьевич Степанов Жанр: Космическая фантастика, Боевая фантастика Серия: Баловень Звёзд #1, Вселенная eve online (Миры eve online) Год издания: — Язык книги: русский Страниц: 158 Рейтинг: оценок: 1 (средняя: 9) Читать Формат: fb2  Скачать

Очередной попаданец. Рубка управления патрульного крейсера империи Аратан. Патрулирование пограничных систем проходила в штатном режиме, не чего не обычного в ближайшее время произойти не должно. Их маршрут проходил по закрытым системам… … Полное описание книги

1 комментарий   : 7 : 6 : 3 : 5 : 7 : 3  

Барон Серж де Сангре. Книга 3 (СИ) Автор: Ринат Камильевич Назипов Жанр: Космическая фантастика Серия: Барон Серж де Сангре #3 Год издания: — Язык книги: русский Страниц: 460 Рейтинг: оценок: 1 (средняя: 10) Читать Формат: fb2  Скачать

Третья книга о  землянине, попавшем в средневековый магический мир, откуда он отправился путешествовать по мирам Содружества … Полное описание книги

1 комментарий   : 4 : 5 : 0 : 4 : 12 : 0  

Блуждающий мир. Трилогия (СИ) Автор: Ростислав Корсуньский Жанр: Фэнтези: прочее, Космическая фантастика Серия: Вселенная eve online (Миры eve online), Блуждающий мир Год издания: — Язык книги: русский Страниц: 856 Читать Формат: fb2  Скачать

Немыслимое сочетание практически невозможных факторов привели к тому, что границы между Землей и параллельными Вселенными и мирами истончились, став прозрачными.

Некоторые люди могут их видеть, но существуют и те, кто может ее преодолеть. Пока… … Полное описание книги

Комментировать   : 0 : 4 : 5 : 1 : 4 : 0  

В пираты по объявлению, или Это маркетинг, детка! (СИ) Автор: Алексей Юрьевич Лавров Жанр: Космическая фантастика, Боевая фантастика Серия: Вселенная eve online (Миры eve online) Год издания: — Язык книги: русский Страниц: 235 Доступен ознакомительный фрагмент книги! Читать Формат: fb2  Фрагмент   Купить

Как стать пилотом космического истребителя, галактическим пиратом и торговцем? И что потом делать? Читайте в остросюжетном романе по мотивам EVE и Мирам Содружества. … Полное описание книги

Комментировать   : 4 : 2 : 3 : 0 : 2 : 0  

В поисках дома (СИ) org/Person»>Автор: Дмитрий Георгиевич Иванов Жанр: Космическая фантастика, Боевая фантастика, Попаданцы Серия: Вселенная eve online (Миры eve online) Год издания: — Язык книги: русский Страниц: 384 Рейтинг: оценок: 3 (средняя: 4.7) Читать Формат: fb2  Скачать

Фантастика – Нейросети, импланты, космос, земля, другие планеты Неудачи получаются в результате страха, покоя, изнеженности и беспечности. Устранение страха создаёт уверенность и изобилие. Встаньте и вооружитесь, пусть слабые получают милостыню! … Полное описание книги

Комментировать   : 13 : 5 : 2 : 7 : 11 : 2  

Внешняя угроза (СИ) Автор: Дмитрий Александрович Найденов Жанр: Космическая фантастика Серия: Наследие древних #4 Год издания: — Язык книги: русский Страниц: 224 Доступен ознакомительный фрагмент книги! Читать Формат: fb2  Фрагмент   Купить

Сознание нашего современника попадает в далёкое будущее.

Космические корабли, нейросети и наследие древних. Попытка совместить Жанр Вселенная Содружества и бояр-аниме. Теперь появляется реальная угроза. Теперь выживание человечества ставится на… … Полное описание книги

Комментировать   : 0 : 4 : 0 : 2 : 2 : 0  

Возвращение 2 (СИ) Автор: (Turvi Adam) Жанр: Боевая фантастика Серия: — Год издания: — Язык книги: русский Страниц: 336 Читать Формат: fb2  Скачать

Фанфик-«альтернативное продолжение» произведения К.Н. Муравьева «Перешагнуть пропасть», «подхватывающее» оригинальное изложение событий главы 1 первой книги, глав 33 и 97+N четвертой книги, при N>10. Имеются отсылки к сюжетам повести «Живучий»,. .. … Полное описание книги

Комментировать   : 3 : 3 : 2 : 5 : 2 : 0  

Возвышение Бузинкина (СИ) Автор: Андрей Коткин Жанр: Боевая фантастика, Космическая фантастика Серия: Вселенная eve online (Миры eve online) Год издания: — Язык книги: русский Страниц: 224 Читать Формат: fb2  Скачать

Простой парень, Серега Бузинкин, волей случая получает себе на шею медальон исчезнувшей расы джоре. Медальон, как водится, активировался и… А дальше придется читать. Отмечу только, что предполагается боевая космическая фантастика. Серега будет… … Полное описание книги

Комментировать   : 0 : 0 : 1 : 0 : 1 : 0  

Волшебный стрелок (СИ) org/Person»>Автор: Васся Вассин Жанр: Боевая фантастика, Космическая фантастика Серия: Вселенная eve online (Миры eve online) Год издания: 2017 Язык книги: русский Страниц: 640 Рейтинг: оценок: 2 (средняя: 4.5) Читать Формат: fb2  Скачать

Хочу почитать какой-нибудь выверт с элементами мира ЕВА, нейросети, компьютеры, корабли, инопланетяне и корабли древних. Лень искать по моему вкусу, напишу себе книгу сам! … Полное описание книги

Комментировать   : 9 : 3 : 2 : 3 : 3 : 0  

Выжить любой ценой 3 Автор: Александр Шаравар (Setroi) Жанр: Боевая фантастика, Космическая фантастика, Самиздат, сетевая литература Серия: Вселенная eve online (Миры eve online), Выжить любой ценой #3 Год издания: — Язык книги: русский Страниц: 606 Рейтинг: оценок: 1 (средняя: 9) Читать Формат: fb2  Скачать

Теперь Макс уже не простой смертный. Он владелец множества компаний, муж и счастливый отец. Но всему этому счастью может прийти конец. Вся галактика оказалась на грани уничтожения в ходе глобальной войны. Оставит ли это так наш герой? Или попытается… … Полное описание книги

Комментировать   : 3 : 6 : 2 : 0 : 5 : 0  

Вызов (СИ) Автор: Владимир Сударев Жанр: Боевая фантастика, Космическая фантастика Серия: Вселенная eve online (Миры eve online) Год издания: — Язык книги: русский Страниц: 621 Читать Формат: fb2  Скачать

Две подруги нашли непонятную штукенцию. А штукенция возьми, да и установи им нейросети и импланты. Ну а дальше оно как-то само…   … Полное описание книги

Комментировать   : 1 : 0 : 0 : 0 : 2 : 0  

Гладиатор. Книга 5 Автор: Ринат Камильевич Назипов Жанр: Боевая фантастика, Альтернативная история, Космическая фантастика Серия: Вселенная eve online (Миры eve online), Миры_Содружества_(eve-online) Год издания: — Язык книги: русский Страниц: 355 Читать Формат: fb2  Скачать

Аннотация к этой книге отсутствует.   На страницу книги

Комментировать   : 3 : 2 : 0 : 1 : 3 : 0  

Гражданин (СИ) Автор: Евгений Дес , Алекс Гаф (MrDog) Жанр: Космическая фантастика Серия: Вселенная eve online (Миры eve online) Год издания: — Язык книги: русский Страниц: 371 Читать Формат: fb2  Скачать

Рядового землянина похитители инопланетяне, с цель продать в рабство, но ему и тысячам таких же как он повезло. Впрочем, повезло ли? Другое государство, иное общество, смутные перспективы и совершенно непонятно что делать и как дальше быть. … Полное описание книги

Комментировать   : 3 : 0 : 0 : 0 : 1 : 0  

Забросило 2 (СИ) Автор: Сергей Георгиевич Обатуров Жанр: Космическая фантастика, Научная Фантастика Серия: Вселенная eve online (Миры eve online) Год издания: — Язык книги: русский Страниц: 146 Читать Формат: fb2  Скачать

ЧЕРНОВИК. Главы с 1 по 36. Приключения Беса и Меробса переносятся в космос их задача долететь до ближайших обжитых мест. Женщины, девушки, только за описание любви сильно не бейте. … Полное описание книги

Комментировать   : 1 : 0 : 0 : 1 : 2 : 1  

главная 1 2 3 4 . .. 5 »

Игорь Смит ★ Нейросеть для одессита читать книгу онлайн бесплатно

1234567…71

Игорь Смит

Нейросеть для одессита

Глава 1

НЛО

Система Ахули, Бистукет, планетарный код АА137859Е.

Штаб-квартира Бюро стратегического анализа Содружества (БСАС).

Выдержки из архивной копии доклада начальника Бюро.

15 сутки тринадцатого месяца 8055 года стандартного времени.

Гриф ограничения доступа «абсолют».

…На рынке рабов такие «варвары» появлялись пять раз. Результаты их тестирования показали почти двукратное превышение усреднённого по Содружеству показателя количества единиц интеллектуального развития. При этом, «дикие» не имели признаков установки нейросетей, имплантов и следов иного вмешательства в органы центральной нервной системы. Общее количество указанных «варваров» с учётом всех пяти партий составило две тысячи одиннадцать гуманов.

С использованием сотрудников подразделения «6115» Генштаба ВКС Содружества было проведено тщательное расследование, которое показало:

— Аборигены называли свою планету аналогами «земля», «грязь», «грунт», «почва», «суша», «твердь». Аутентичный планетарный код в базе Содружества не зарегистрирован, координаты отсуствуют. По обобщённым данным, количество разумных обитателей планеты «варваров» составляло на момент их похищения несколько миллиардов;

— Появление «диких» в Содружестве связывается с рейдером «Унгудрид». Установлено, что единоличным владельцем и капитаном данного корабля являлся уроженец Сертской республики Эрланц Чангет. Рейдер базировался в секторе Фронтира вне зоны влияния Содружества. По официальным данным, осуществлял деятельность «мусорщика» и «демилитаризатора». Также имеются достаточные основания полагать, что «Унгудрид» использовался в пиратских операциях и захватах разумных с целью их последующей продажи на рабских рынках, в том числе в Маранской империи;

— Поставки «варваров» данной категории прекратились вместе с исчезновением рейдера «Унгудрид» в 7975 году стандартного времени Содружества. Причины невозвращения корабля на базу неизвестны;

— Капитан Эрланц Чангет родственников не имел. Его установленные связи сведениями о координатах материнской планеты «диких» с высокими показателями количества единиц интеллектуального развития не располагают.

Выводы и рекомендации:

…Анализ влияния, которое оказали вышеуказанные «варвары» и их потомки на развитие общества и науки Содружества, приводит, по мнению специалистов Бюро и нескольких независимых групп экспертов, к следующим результатам:

— В условиях стагнации научно-технического процесса в большинстве сфер Содружества именно вышеуказанные «дикие» и их потомки стали причиной стремительного рывка к переходу Содружества на технологии восьмого уровня. Перечень идентификационных номеров и наименований разработок прилагается […];

— С учётом постоянной опасности вторжения в контролируемую зону высокоразвитых, агрессивных и уклоняющихся от переговоров цивилизаций архов, тайронов и альфамехов, ускорение перехода Содружества на технологии девятого и последующих уровней является первостепенной задачей выживания;

— Корпусу дальней разведки, военно-космическим силам Содружества, соответствующим специальным службам членов Содружества рекомендовано продолжать поисковые мероприятия по установлению координат материнской планеты «варваров» с высокими показателями количества единиц интеллектуального развития…

* * *

Солнечная система, планета Земля, Украина, Одесса.

Планетарный код в базе Содружества отсутствует.

17 августа 2013 года.

Уютное кафе на берегу моря.

Жара, крики неугомонных чаек, легкий шум волн.

Я закинул в сок ещё пару кубиков льда и с удовольствием пригубил холодный терпкий напиток. Запотевший стакан приятно холодил ладонь. Хорошо… Солнце к обеду палило просто невыносимо.

К этому времени на многочисленных шезлонгах, усеявших берег, остались только самые заядлые любители солнечного загара. Сотни же других отдыхающих отправились в город переждать пик жары и перекусить. Чтобы потом вернуться и вновь оккупировать одесские пляжи.

Вдалеке виднелись несколько застывших на рейде сухогрузов и контейнеровозов, ожидающих разгрузки в порту. Вот и многопалубный пассажирский теплоход, сверкая на солнце иллюминаторами кают, спешит доставить в Одессу очередную партию шумных и перевозбуждённых новыми впечатлениями туристов…

Читать дальше

1234567. ..71

Понимание скрытого пространства в машинном обучении | by Ekin Tiu

Изучите фундаментальную, но часто «скрытую» концепцию глубокого обучения

Источник: Hackernoon, https://hackernoon.com/latent-space-visualization-deep-learning-bits-2-bd09a46920df

Если мне нужно описать скрытое пространство в одном предложении, это просто означает представление сжатых данных.

Представьте себе большой набор рукописных цифр (0–9), как показано выше. Написанные от руки изображения одного и того же числа (т. е. изображения с цифрами 3) наиболее похожи друг на друга по сравнению с другими изображениями с разными цифрами (т. е. изображения с цифрами 3 и 7). Но можем ли мы обучить алгоритм распознавать эти сходства? Как?

Если вы обучили модель классифицировать цифры , то также обучили модель изучению «структурного сходства» между изображениями. Фактически именно так модель способна классифицировать цифры в первую очередь — изучая особенности каждой цифры.

Если кажется, что этот процесс «скрыт» от вас, это потому, что это так. Скрытый, по определению, означает «скрытый».

Концепция «скрытого пространства» важна , потому что его полезность лежит в основе «глубокого обучения» — изучения особенностей данных и упрощения представления данных с целью поиска закономерностей.

Заинтриговали? Давайте разберем скрытое пространство по крупицам:

Почему мы сжимаем данные в ML?

Сжатие данных определяется как процесс кодирования информации с использованием меньшего количества битов, чем исходное представление. Это похоже на получение точки данных 19D (нужно 19значения для определения уникальной точки) и сжатие всей этой информации в точку данных 9D.

Иллюстрация сжатия. Источник: Faust 2013

Чаще всего данные сжимаются в процессе машинного обучения для получения важной информации о точках данных . Поясню на примере.

Допустим, мы хотим обучить модель классификации изображения с использованием полностью сверточной нейронной сети (FCN). (т.е. вывести номер цифры с заданным изображением цифры). Поскольку модель «обучается», она просто учится показывает на каждом слое (края, углы и т. д.) и связывает комбинацию признаков с конкретным результатом.

Но каждый раз, когда модель обучается через точку данных, размерность изображения сначала уменьшается , а затем, в конечном счете, увеличивается. (см. Кодировщик и узкое место ниже). Когда размерность уменьшается, мы рассматриваем это как форму сжатия с потерями.

Изображение сверточной нейронной сети. Источник: Источник: Визуализация скрытого пространства Hackernoon.

Поскольку от модели требуется затем реконструировать сжатые данные (см. Декодер), она должна научиться сохранять всю соответствующую информацию и игнорировать шум. В этом и заключается ценность сжатия — оно позволяет нам избавиться от любой лишней информации и сосредоточиться только на самых важных функциях.

Это «сжатое состояние» является скрытым пространственным представлением наших данных.

Что я имею в виду под пространством?

Вам может быть интересно, почему мы называем это скрытым пробел . Ведь сжатые данные, на первый взгляд, могут и не вызывать никакого «пространства».

Но вот параллель.

В этом довольно упрощенном примере предположим, что наш исходный набор данных представляет собой изображения с размерами 5 x 5 x 1. Мы установим размеры нашего скрытого пространства равными 3 x 1, что означает, что наша сжатая точка данных представляет собой вектор с 3 измерениями.

Пример 5x5x1 dataExample сжатые данные 3×1 в «скрытом пространстве»

Теперь каждая сжатая точка данных однозначно определяется только 3 числами. Это означает, что мы можем отобразить эти данные на 3D-плоскости (одно число — x, другое — y, другое — z).

Точка (0,4, 0,3, 0,8) на графике в трехмерном пространстве

Это «пространство», о котором мы говорим.

Всякий раз, когда мы рисуем точки или думаем о точках в скрытом пространстве, мы можем представить их как координаты в пространстве, в которых точки, «похожие» , расположены ближе друг к другу на графике.

Возникает естественный вопрос: как представить себе пространство четырехмерных точек или n-мерных точек или даже невекторов (поскольку представление скрытого пространства НЕ обязательно должно быть 2-х или 3-х мерными векторами, и часто нет, так как слишком много информации будет потеряно).

Неудовлетворительный ответ: мы не можем . Мы трехмерные существа, которые не могут понять n-мерное пространство (такое, что n > 3). Однако существуют инструменты, такие как t-SNE, которые могут преобразовывать наши многомерные представления скрытого пространства в представления, которые мы можем визуализировать (2D или 3D). (См. раздел Визуализация скрытого пространства ниже.)

Но вам может быть интересно, что такое «похожих» изображений и почему уменьшение размерности наших данных делает похожие изображения «ближе» друг к другу в пространстве?

Что я подразумеваю под похожим?

Если мы посмотрим на три изображения, два со стулом и одно со столом, мы легко скажем, что два изображения стула наиболее похожи , тогда как стол больше всего отличается от любого из изображений стула.

Два стула и стол.

Но что делает эти два изображения стульев «более похожими»? Стул имеет отличительных признаков (т. е. спинка, отсутствие ящика, соединения между ножками). Все это может быть «понято» нашими моделями путем изучения закономерностей краев, углов и т. д.

Как объяснялось, такие функции упакованы в представление данных в скрытом пространстве.

Таким образом, по мере уменьшения размерности «лишняя» информация, которая отличается для каждого изображения (т. представления скрытого пространства.

В результате, когда мы уменьшаем размерность, представления обоих стульев становятся менее отчетливыми и более похожими. Если бы мы представили их в космосе, они были бы «ближе» друг к другу.

*Обратите внимание, что метрика «близости», на которую я ссылался на протяжении всей статьи, является двусмысленным термином, а , а не — окончательным евклидовым расстоянием, потому что существует несколько определений расстояния в пространстве.

Концепция скрытого пространства определенно интригует. Но как используется ? Когда мы его используем? И самое главное, почему ?

Мы обнаружим, что скрытое пространство «спрятано» во многих наших любимых сетях обработки изображений, генеративных моделях и т. д.

Хотя скрытое пространство скрыто от большинства, есть определенных задач, в которых понимание скрытого пространства не только полезно, но и необходимо.

Обучение представлению

Представление наших данных в скрытом пространстве содержит всю важную информацию, необходимую для представления нашей исходной точки данных.

Это представление должно затем представлять признаков исходных данных.

Другими словами, модель изучает особенности данных и упрощает их представление, чтобы облегчить анализ.

Это лежит в основе концепции, называемой Обучение представлению, определяемой как набор методов, позволяющих системе обнаруживать представлений , необходимых для обнаружения признаков или классификации из необработанных данных.

В этом случае наши представления скрытого пространства используются для преобразования более сложных форм необработанных данных (например, изображений, видео) в более простые представления, которые «более удобны для обработки» и анализа.

Ниже перечислены конкретные примеры обучения представлению.

Многообразия

Скрытое пространство является важным понятием в обучении многообразию , подразделе обучения репрезентации.

Многообразия в науке о данных можно понимать как группы или подмножества данных, которые в некотором роде «похожи».

Эти сходства, обычно незаметные или затемненные в многомерном пространстве, могут быть обнаружены, как только наши данные будут представлены в скрытом пространстве.

Возьмем приведенный ниже пример «швейцарского рулета».

3D-представление Swiss Roll по сравнению с 2D-представлением тех же данных. Пример из https://datascience. stackexchange.com/a/5698

В 3D мы знаем, что существует — это групп похожих точек данных, но гораздо сложнее разграничить такие группы с данными более высокого измерения.

Уменьшая размерность наших данных до 2D, что в данном случае можно было бы считать представлением «скрытого пространства», мы можем легче различать многообразия (группы похожих данных) в нашем наборе данных.

Чтобы узнать больше о многообразиях и их обучении, я рекомендую следующие статьи:

Многообразия в науке о данных — краткий обзор

Многообразия — важный инструмент для представления данных в более высоких измерениях. Но что такое многообразия и как они…

в сторону datascience.com

2.2. Многообразное обучение — документация scikit-learn 0.22.1

Ищите самое необходимое Простые самые необходимые потребности Забудьте о своих заботах и ​​раздорах Я имею в виду самое необходимое…

scikit-learn. org

Автоэнкодеры и генеративные модели

Распространенным типом модели глубокого обучения, которая управляет «близостью» данных в скрытом пространстве, является автоэнкодер — нейронная сеть, которая действует как функция идентификации . Другими словами, автоэнкодер учится выводить все, что вводится.

Общая архитектура автоэнкодера

Теперь, если вы новичок в этой области, вам может быть интересно, зачем нам нужна модель, которая делает это? Он кажется довольно бесполезным, если все, что он выводит, это он сам…

Хотя это рассуждение справедливо, нас не слишком волнует, что модель выводит . Нас больше заботит то, что модель узнает в процессе.

Когда мы заставляем модель стать функцией идентификации, мы заставляем ее хранить все соответствующие функции данных в сжатом представлении, чтобы в этой сжатой форме было достаточно информации, чтобы модель могла «точно» реконструировать ее. Знакомо? Так и должно быть, потому что это сжатое представление является нашим представлением скрытого пространства (красный блок на изображении выше).

Мы видели, как легче обнаруживать закономерности в скрытом пространстве, поскольку сходные точки данных имеют тенденцию группироваться вместе, но мы еще не видели, как мы можем выбирать точки из этого скрытого пространства, чтобы, казалось бы, генерировать «новые» данные. .

Генерация изображения с помощью интерполяции скрытого пространства. Источник: Билинейная интерполяция по скрытому пространству для случайных векторов шума. Рисунок 20

В приведенном выше примере мы можем генерировать различные лицевые структуры путем интерполяции по скрытому пространству и с помощью нашего декодера модели реконструировать представление скрытого пространства в 2D-изображение с теми же размерами, что и наш исходный ввод.

Что я имею в виду под интерполяцией скрытого пространства?

Допустим, я сжал изображения стульев из предыдущего раздела в следующие двумерные векторы: [0,4, 0,5] и [0,45, 0,45]. Допустим, стол сжат до [0,6, 0,75]. Если бы мне нужно было интерполировать скрытое пространство, я бы выбрал точки в скрытом пространстве между кластером «стул» и кластером «стол».

Мы можем передать эти выборочные 2D-векторы в декодер модели, и вуаля! Мы получаем «новые» изображения, которые выглядят как трансформация между стулом и столом. *new заключен в кавычки, потому что эти сгенерированные изображения технически не независимы от исходной выборки данных.

Ниже приведен пример линейной интерполяции между двумя типами кресел в скрытом пространстве.

Интерполяция в скрытом пространстве. Источник: Визуализация скрытого пространства Hackernoon.

Генерация изображений по-прежнему является активной областью исследований, и скрытое пространство является важной концепцией, которую необходимо понять. Дополнительные примеры использования генеративных моделей и практический пример интерполяции скрытого пространства с использованием GAN (генеративно-состязательной сети) — еще одной генеративной модели, использующей представления скрытого пространства, см. в следующих статьях.

18 Впечатляющие приложения генеративно-состязательных сетей (GAN)

Генеративно-состязательная сеть, или GAN, представляет собой тип архитектуры нейронной сети для генеративного моделирования. Генеративный…

machinelearningmastery.com

Как исследовать скрытое пространство GAN при создании лиц

Как использовать интерполяцию и векторную арифметику для исследования скрытого пространства GAN. Генеративно-состязательные сети, или…

machinelearningmastery.com

Для получения дополнительной информации о визуализации скрытого пространства я рекомендую статью Hackernoon, в которой приводится практический пример визуализации сходства между изображениями цифр в 2D-пространстве с помощью алгоритма t-SNE.

Визуализация скрытого пространства — Биты глубокого обучения #2

Рекомендуемые: интерполяция, проекция t-SNE (с картинками и примерами!)

hackernoon.com

• в котором аналогичные точки данных расположены ближе друг к другу в пространстве.
• Скрытое пространство полезно для изучения характеристик данных и поиска более простых представлений данных для анализа.
• Мы можем понять закономерности или структурное сходство между точками данных, анализируя данные в скрытом пространстве, будь то через многообразия, кластеризацию и т. д.
• Мы можем интерполировать данные в скрытом пространстве и использовать декодер нашей модели для «генерации» образцов данных.
• Мы можем визуализировать скрытое пространство, используя такие алгоритмы, как t-SNE и LLE, которые берут наше представление скрытого пространства и преобразуют его в 2D или 3D.

Изучая скрытое пространство, я был очарован этой «скрытой», но важной концепцией. Я надеюсь, что эта статья демистифицирует представление о скрытом пространстве и дала «более глубокое понимание» глубокого обучения, которого я жаждал как новичок.

Метод проектирования нейронных сетей, оптимально подходящих для определенных задач | MIT News

Нейронные сети, тип модели машинного обучения, используются, чтобы помочь людям выполнять широкий спектр задач, от предсказания того, достаточно ли высок чей-либо кредитный рейтинг, чтобы претендовать на кредит, до диагностики того, есть ли у пациента определенные болезнь. Но исследователи все еще имеют лишь ограниченное представление о том, как работают эти модели. Оптимальна ли данная модель для конкретной задачи, остается открытым вопросом.

Исследователи Массачусетского технологического института нашли некоторые ответы. Они провели анализ нейронных сетей и доказали, что их можно спроектировать так, чтобы они были «оптимальными», что означает, что они минимизируют вероятность неправильной классификации заемщиков или пациентов в неправильную категорию, когда сетям предоставляется много помеченных обучающих данных. Для достижения оптимальности эти сети должны быть построены с определенной архитектурой.

Исследователи обнаружили, что в определенных ситуациях строительные блоки, обеспечивающие оптимальную работу нейронной сети, отличаются от тех, которые разработчики используют на практике. Исследователи говорят, что эти оптимальные строительные блоки, полученные с помощью нового анализа, являются нетрадиционными и ранее не рассматривались.

В статье, опубликованной на этой неделе в журнале Proceedings of the National Academy of Sciences , они описывают эти оптимальные строительные блоки, называемые функциями активации, и показывают, как их можно использовать для разработки нейронных сетей, обеспечивающих лучшую производительность на любом наборе данных. Результаты сохраняются, даже когда нейронные сети становятся очень большими. Эта работа может помочь разработчикам выбрать правильную функцию активации, что позволит им создавать нейронные сети, которые более точно классифицируют данные в широком диапазоне областей применения, объясняет старший автор Кэролайн Улер, профессор кафедры электротехники и компьютерных наук (EECS). .

«Хотя это новые функции активации, которые никогда раньше не использовались, это простые функции, которые кто-то может реализовать для решения конкретной проблемы. Эта работа действительно показывает важность наличия теоретических доказательств. Если вы стремитесь к принципиальному пониманию этих моделей, это может фактически привести вас к новым функциям активации, о которых вы никогда бы не подумали», — говорит Улер, который также является содиректором Центра Эрика и Венди Шмидт в Институте Броуда. Массачусетского технологического института и Гарварда, а также исследователь Лаборатории информации и систем принятия решений Массачусетского технологического института (LIDS) и Института данных, систем и общества (IDSS).

Вместе с Улером в работе над статьей принимают участие ведущий автор Адитьянараянан Радхакришнан, аспирант EECS и научный сотрудник Центра Эрика и Венди Шмидт, и Михаил Белкин, профессор Института наук о данных Халичиоглу Калифорнийского университета в Сан-Диего.

Исследование активации

Нейронная сеть — это модель машинного обучения, основанная на человеческом мозге. Многие слои взаимосвязанных узлов или нейронов обрабатывают данные. Исследователи обучают сеть выполнять задачу, показывая ей миллионы примеров из набора данных.

Например, сеть, обученная классифицировать изображения по категориям, скажем, собак и кошек, получает изображение, закодированное в виде чисел. Сеть выполняет ряд сложных операций умножения, слой за слоем, пока результатом не станет одно число. Если это число положительное, сеть классифицирует изображение как собаку, а если отрицательное, как кошку.

Функции активации помогают сети изучать сложные закономерности во входных данных. Они делают это, применяя преобразование к выходным данным одного уровня перед отправкой данных на следующий уровень. Когда исследователи строят нейронную сеть, они выбирают одну функцию активации для использования. Они также выбирают ширину сети (сколько нейронов в каждом слое) и глубину (сколько слоев в сети).0005

«Оказывается, если вы возьмете стандартные функции активации, которые люди используют на практике, и продолжите увеличивать глубину сети, это даст вам действительно ужасную производительность. Мы показываем, что если вы проектируете различные функции активации, по мере получения большего количества данных ваша сеть будет становиться все лучше и лучше», — говорит Радхакришнан.

Он и его сотрудники изучили ситуацию, в которой нейронная сеть бесконечно глубока и широка — это означает, что сеть строится путем постоянного добавления новых слоев и узлов — и обучена выполнять задачи классификации. При классификации сеть учится помещать входные данные в отдельные категории.

«Чистая картина»

Проведя подробный анализ, исследователи определили, что существует только три способа, с помощью которых такая сеть может научиться классифицировать входные данные. Один метод классифицирует входные данные на основе большинства входных данных в обучающих данных; если собак больше, чем кошек, он решит, что каждый новый ввод — это собака. Другой метод классифицирует, выбирая метку (собака или кошка) точки обучающих данных, которая больше всего напоминает новые входные данные.

Третий метод классифицирует новые входные данные на основе средневзвешенного значения всех похожих на них точек обучающих данных. Их анализ показывает, что это единственный метод из трех, который приводит к оптимальной производительности. Они определили набор функций активации, которые всегда используют этот оптимальный метод классификации.

«Это была одна из самых удивительных вещей — независимо от того, что вы выберете для функции активации, это будет просто один из этих трех классификаторов. У нас есть формулы, которые точно скажут вам, какой из этих трех будет. Это очень чистая картина», — говорит он.

Они проверили эту теорию на нескольких задачах сравнительного анализа классификации и обнаружили, что во многих случаях это привело к повышению производительности. По словам Радхакришнана, создатели нейронных сетей могут использовать свои формулы для выбора функции активации, которая повышает эффективность классификации.

В будущем исследователи хотят использовать то, что они узнали, для анализа ситуаций, когда у них есть ограниченный объем данных и для сетей, которые не бесконечно широки или глубоки. Они также хотят применить этот анализ к ситуациям, когда данные не имеют меток.

«В глубоком обучении мы хотим создавать теоретически обоснованные модели, чтобы мы могли надежно применять их в некоторых критически важных условиях. Это многообещающий подход к чему-то подобному — построению архитектур теоретически обоснованным способом, который на практике приводит к лучшим результатам», — говорит он.