Kami, tim pengembangan kecil dari salah satu departemen YaKurier, benar-benar ingin berkontribusi pada ruang teknologi tak berawak yang berkembang pesat. Membeli Prius untuk eksperimen, sedikit periferal, menyusun trik mereka sendiri dengan fokus pada sistem cerdas, meniru perhatian pengemudi. Kami memulai. Dan bagaimana dengan sistem visi komputer cerdas itu sendiri dan, bersama dengan itu, sistem "subintelligent" yang memastikan deteksi kebaruan, yaitu, perhatian yang sangat besar ini?
TensorFlow atau yang serupa - siap pakai? Beberapa eksperimen memperjelas bahwa untuk kasus multifaktorial dinamis dengan penataan ulang larik input, banyak subtugas, ketidakpastian yang jelas dari banyak kelas data yang dikenali, skalabilitas sistem yang tak terelakkan selama pengembangan, dengan keinginan untuk menambahkan konvolusi dan lapisan penulis Anda sendiri, opsinya adalah "siap pakai", anehnya, membutuhkan keringat, darah, anggaran, dan frustrasi dari kesalahan pada langkah pertama, yang merusak segalanya, dan yang tidak dapat lagi diperbaiki (kecuali dengan kruk yang mengganggu). Dan karena kami adalah tim yang agak naif, kami memutuskan untuk bermain dengan cara kami sendiri. Ada pendapat bahwa intinya bukan pada TensorFlow, tetapi pada teknologi yang diimplementasikannya, dan kami akan dapat menyederhanakan sesuatu, meningkatkan sesuatu, dan mengubah sesuatu sepenuhnya.
Mari kita bicara dulu tentang pendekatan klasifikasi dan pengenalan pola, kami yakin Anda tahu segalanya tentang mereka, tetapi kemana Anda bisa pergi tanpa eyeliner. Kami akan tetap berpegang pada abstraksi dan visualisasi yang lebih manusiawi daripada berbicara dalam bahasa matematika yang ketat dan mengambil kasus abstrak untuk mengenali mentimun dan tomat konvensional.
Klasifikasi dan pengenalan pola
- , , : ( ) ( ). «», , // , , , , , , x_1 x_2.
, , x_1: (-1), (+1); x_2: (-1), () 1/5 (+1). – , – , . , , , , , 1 {(x_1=0,53@x_2=0,77)} – , 2 {(x_1=-0,51@x_2=-0,82)} – .
, , – – 2 . , , , -, , -, , , , , , , 900 (3030 px) , 900- . , , , (, ).
? , . , , , - ? , , . , . , , : , , , , , :
, 4- , .. N- .
II-
, , . , , , . :
: Ax+By+C=0, A, B C w_1, w_2 -v_1, {x;y} {x_1;x_2 }. , N- – N-1. 0, () , , – « », – « », () – . «», «» «- » , - , (. ). . , , . .
0, «» « », «», «» « » « » 1- .
w (k)/j, , N- – . , , , . , 0 1 .
– , ( , – ):
– , , ( ), Ax2+By2+Cxy+Dx+Ey+F=0, . - , , ( , ). , / , , . .
, - . – , , , – , – . : S-, A-, R- . , , MNIST, : , , :
/ …
! , 1- :
. . -, , , , , (cost function) , , , . , - , «» , , , , , , , , , , , , – ( – , – ):
-, , , , , - , . , , , , , . . . 2-- - :
? , x_1: – (-1), – (+1); x_2: – (-1), 1/5 – (+1). , 2- - , , 900- ? , 1- , – . , . , II- – , , .
. , , , , . . , , .
, , , , .
, , , , : , , , / , , . , , , , , , , , , , - .
. ? -, , , -, , , , . , , . , , , – .
? {0;0;0} {2;0;2} , {2;2;0} – . , , . , , , , , , , .. , . , , , , , , , , .
. , , , , , , , , .
:
w_i – , b_i – , . h. , /, , – .
? , , , , , – . . , , , , , GPU CUDA.
MNIST, 28x28 px. 10 10 , , – . , , .
, , , , , 30÷60 .
, , , . – MNIST, – , – .
, , . , , .
« » .
( « »), , « » « ». , , , , «».
, , , (), , , ( , ). , TensorFlow 2- , , MNIST 2,6%, . , .
MNIST (10 000 ) « ».
, + 25%:
:
:
- ;
- , , , .
:
- , , , , ;
- ;
- , , ;
- .
, , , , , .
Hmm, apa hubungannya teknologi tak berawak yang disebutkan di awal? Kami yakin bahwa di area inilah smart grid kami akan menemukan aplikasi utamanya, memungkinkan kami untuk mengatasi hambatan yang ada terkait dengan multiplisitas, variabilitas, dan heterogenitas dalam persepsi dan pengenalan lingkungan.