Багато матеріалів по нейронних мереж одразу починаються з демонстрації досить складних архітектур. При цьому самі базові речі, які стосуються функцій активацій, ініціалізації ваг, вибору кількості шарів у мережі і т. д. якщо і розглядаються, то побіжно. Виходить починаючому практику нейронних мереж доводиться брати типові конфігурації і працювати з ними фактично наосліп.

У статті ми підемо іншим шляхом. Почнемо з найпростішої конфігурації — одного нейрона з одним входом і одним виходом, без активації. Далі будемо маленькими ітераціями ускладнюють конфігурацію мережі і спробуємо вичавити з кожної з них розумний максимум. Це дозволить посмикати мережі за ниточки і напрацювати практичну інтуїцію в побудові архітектур нейромереж, яка на практиці виявляється дуже цінним активом.
Читати далі →

Google випустила TensorFlow 1.0


TensorFlow 1.0 з моделлю нейромережі нового покоління Inception підтримує апаратне прискорення на DSP Hexagon в мобільні процесори Qualcomm Snapdradon 820. Швидкість роботи додатків на зразок Prism і програм машинного зору збільшиться у 8 разів, а енергоспоживання знизиться в 4 рази. Фільтри від нейромереж можна буде накладати на відео майже в реальному часі

На першій конференції для розробників TensorFlow Dev Summit Google оголосила про вихід мажорного релізу бібліотеки TensorFlow 1.0, назад несумісного з попередніми версіями. Це означає, що програми, які працювали на версіях TensorFlow 0.n, можуть не працювати на версії TensorFlow 1.0. Розробники з Google говорять, що зміни в API були необхідні «для забезпечення внутрішньо узгоджених програмних інтерфейсів», і більше такого не повториться: ламають зворотну сумісність змін в майбутніх версіях 1.x не планується. Зараз розробникам рекомендується вивчити керівництво з міграції і скрипт для перетворення.

TensorFlow — вільна програмна бібліотека для машинного навчання в застосуванні до різних видів завдань на сприйняття і розуміння мови. В даний момент вона використовується в науково-дослідній роботі і в десятках комерційних продуктів Google, в тому числі в Google Search, Gmail, Photos, Youtube, Translate, Assistant, а так само всіляких системах розпізнавання, в тому числі розпізнавання мови.

Читати далі →

Створюємо нейронну мережу InceptionV3 для розпізнавання зображень



Привіт, Хабр! Під катом піде мова про реалізацію сверточной нейронної мережі архітектури InceptionV3 з використанням фреймворку Keras. Статтю я вирішив написати після ознайомлення з туториалом "Побудова потужних моделей класифікації з використанням невеликої кількості даних". З схвалення автора туториала я трохи змінив зміст своєї статті. На відміну від запропонованої автором нейронної мережі VGG16, ми будемо навчати гугловскую глибоку нейронну мережу Inception V3, яка вже встановлена в Keras.

Ви навчитеся:

  1. Імпортувати нейронну мережу Inception V3 з бібліотеки Keras;
  2. Налаштовувати мережу: завантажувати ваги, змінювати верхню частину моделі (fc-layers), таким чином, пристосовуючи модель під бінарну класифікацію;
  3. Проводити тонке налаштування нижнього згорткового шару нейронної мережі;
  4. Застосовувати аугментацію даних за допомогою ImageDataGenerator;
  5. Навчати мережу по частинах для економії ресурсів і часу;
  6. Оцінювати роботу моделі.
При написанні статті я ставив перед собою завдання представити максимально практичний матеріал, який розкриє деякі цікаві можливості фреймворка Keras.

Читати далі →

Deep Learning: Поєднання глибокої сверточной нейронної мережі з рекурентної нейронної мережею

Представляємо вам завершальну статтю з циклу по Deep Learning, в якій відображені підсумки роботи по навчанню ДБНС для зображень з певних областей на прикладі розпізнавання і тегів елементів одягу. Попередні частині ви знайдете під катом.



Читати далі →

Deep Learning: Transfer learning і тонка настройка глибоких згорткових нейронних мереж

У попередньої статті з циклу «Deep Learning» ви дізналися про порівняння фреймворків для символьного глибокого навчання. У цьому матеріалі мова піде про глибоку налаштування згорткових нейронних мереж для підвищення середньої точності та ефективності класифікації медичних зображень.



Читати далі →

Синтез зображень за допомогою глибоких нейромереж. Лекція в Яндексі

Нехай у блозі Яндекса на Хабрахабре цей тиждень пройде під знаком нейронних мереж. Як ми бачимо, нейромережі зараз починають використовуватися в дуже багатьох областях, включаючи пошук. Здається, що «модно» шукати для них нові сфери застосування, а в тих сферах, де вони працюють вже якийсь час, процеси не такі цікаві.

Однак події в світі синтезу візуальних образів доводять зворотне. Так, ще кілька років тому почали використовувати нейромережі для операцій з зображеннями — але це був не кінець шляху, а його початок. Нещодавно керівник групи комп'ютерного зору «Сколтеха» і великий друг Яндекса і ШАДа Віктор Лемпицкий розповів про декілька нових способах застосування мереж до зображень. Оскільки сьогоднішня лекція — про картинки, то вона дуже наочна.


Під катом — розшифровка і більшість слайдів.


Читати далі →

«Тримайте руку на пульсі і дивіться по сторонам» – інтерв'ю про ІЇ з співзасновником Intento Григорієм Сапуновим

днями ми вирішили поспілкуватися з нашим головним викладачем на Deep Learning, Григорієм Сапуновим, і обговорити з ним актуальні питання, пов'язані зі сферою штучного інтелекту (ШІ). Григорій кілька років тому був керівником розробки Яндекс.Новин. Зараз є CTO і співзасновником компанії Intento. Вже 15 років займається аналізом даних, штучним інтелектом і машинним навчанням, з 2011 року займається Deep Learning, брав участь у проектах RoadAR (нейромережеве розпізнавання об'єктів на дорозі), Icon8 (нейромережеві фільтри) та ін

image

Читати далі →

Як зараз використовують нейромережі: від наукових проектів до розважальних сервісів

В 1960-х роках з'явився новий підрозділ інформатики — штучний інтелект (ШІ). Півстоліття інженери продовжують розвивати обробку природної мови і машинне навчання, щоб виправдати надії на появу сильного ШІ.

Ми в 1cloud, пишемо в блозі не тільки про себе [клієнтоорієнтованість, безпека], але і розбираємо цікаві теми на зразок ментальних моделей або систем зберігання даних на основі ДНК.

Сьогодні ми розповімо про те, як машинне навчання використовується зараз: чому нейронні мережі популярні у фізиків, як працюють рекомендаційні алгоритми YouTube і допоможе машинне навчання «перепрограмувати» наші хвороби.


/ Zufzzi / Wikimedia / CC0

Читати далі →

Запрошуємо на хакатон NeuroHack 5 серпня



Запрошуємо всіх бажаючих взяти участь у хакатоне для вчених, що спеціалізуються у сферах неврології, нейрореабілітації, вивчення вищої нервової діяльності, нейронауки для спорту і т. д., а також розробників, програмістів, інженерів і маркетологів, які займаються створенням ІІ, технологій машинного навчання нейромереж, комп'ютерного зору й обробки потокового відео/аудіо. Хакатон буде йти 48 годин, з 5 по 7 серпня. Mail.Ru Group заснувала одну з номінацій хакатона, вона більше підійде команді, робить масовий продукт для звичайного користувача. Переможцю в номінації наша компанія вручить 250 000 рублів на розвиток свого проекту. Під катом — список цікавих нам тим і подробиці участі у хакатоне.

Читати далі →

4 шляхи юного регіонального розробника, які я пройшов у студентські роки

Я ріс в депресивному селищі міського типу, де більшість хлопців, подорослішавши, обирало шлях впевненою деградації. Років з 11 мене переслідував страх, що я буду таким же, як це більшість.



Але в 13 років батьки купили мені комп'ютер, і життя почало змінюватися: я швидко став місцевим эникейщиком, у якого дорослі дядьки і тітки запитували, як встановити «віндовс на процесор». В 15 я задався питанням, як написати свою гру. Запитав двоюрідного брата, який вже став «шанованою людиною» і робив сайти в Москві. Брат привіз підручник Лафоре по C++ і сказав: «Вивчай програмування».

Програмування стало для мене тим самим світлом в кінці тунелю: я чітко знав, що ось закінчиться школа, — і я поїду у велике місто, щоб працювати в хорошій компанії. Але шлях цей виявився непростим, ніж я очікував.


Читати далі →