Ko'p sonli va umuman ajratilmagan mohiyatlar eng oddiy fotosuratlarda paydo bo'ladi. Ko'pincha ba'zi sabablarga ko'ra itlar. Internetning ushbu rasmini 2015 yil iyun oyida to'ldirishni boshladi, Google-dan Google-ning chuqur qismida - Neron tarmoqlariga asoslangan birinchi ochiq xizmatlardan biri va tasvirni qayta ishlash uchun mo'ljallangan birinchi ochiq xizmatlardan biri.

Bu taxminan: algoritm fotosuratlarni tahlil qiladi, u har qanday tanish ob'ektlarni eslatadigan parchalarni topadi - va ushbu ma'lumotlarga muvofiq tasvirni buzadi.

Avvaliga loyiha ochiq kod sifatida, keyin bir xil printsiplarda yaratilgan Internetda yaratilgan onlayn xizmatlar sifatida e'lon qilindi. Eng qulay va eng mashhurlardan biri bu chuqur orzu generatori: Bu erda kichik fotosuratlarni qayta ishlash atigi 15 soniya vaqtni oladi (oldingi foydalanuvchilar bir soatdan ko'proq kutishgan).

Neyron tarmoqlari bunday tasvirlarni yaratishni o'rganadimi? Va, albatta, ular shunday deb ataladilarmi?

Neyron tarmoqlari, tirik organizmning haqiqiy nevrurom tarmoqlari, ammo ular buni matematik algoritmlar yordamida qiladilar. Asosiy tuzilishni yaratish orqali siz uni mashinani o'rganish usullari bo'yicha o'qitishingiz mumkin. Agar biz tasvirlarni tan olish haqida gapiradigan bo'lsak, minglab rasmlar neyron tarmog'idan o'tishi kerak. Agar neyrosettaning vazifasi boshqacha bo'lsa, unda o'quv mashg'ulotlari boshqacha bo'ladi.

Shaxmat o'ynash uchun algoritmlar, masalan, shaxmat o'yinlarini tahlil qiladi. Xuddi shu algoritm algoritm algoritm algoritm algoritm algoritm algoritm algoritm algoritm-dagi Go Google Good - bu yutuq sifatida qabul qilindi, chunki bu juda qiyin va bu juda qiyin va bu shaxmatdan ko'proq narsani talab qiladi.

Neural tarmog'ining soddalashtirilgan modeli bilan o'ynash va uning tamoyillarini tushunish yaxshiroqdir.

YouTube shuningdek shaxsiylashtirilgan bir qator shaxsiylashtirilgan rulon Neyron tarmoqlari qanday ishlashi haqida.

Yana bir ommabop xizmat - bu nafaqat itlarni orzu qila oladigan, balki turli xil go'zal uslublarga taqlid qila oladi. Rasmni qayta ishlash bu erda ham juda sodda va tez (taxminan 30 soniya) bo'ladi.

Ko'rinishidan, xizmatning algoritmik qismi biz allaqachon neyron uslublar dasturining modifikatsiyasidir.

Yaqinda qora va oq rangdagi rasmlarni chinakam bo'yash dasturi bor edi. Oldingi versiyalarda shunga o'xshash dasturlar o'z vazifalarini juda uzoqroq olib, katta yutuq deb hisoblanar edi, agar kamida 20% odam haqiqiy rasmni kompyuter tomonidan bo'yalgan rasmdan ajrata olmasa.

Bundan tashqari, bu erda rang berish atigi 1 daqiqa vaqtni oladi.

Xuddi shu rivojlanish kompaniyasi rasmlardagi ob'ektlarning turli xil turlarini tan oladigan xizmatni ishga tushirdi.

Ushbu xizmatlar shunchaki kulgili o'yin-kulgi tuyulishi mumkin, ammo aslida hamma narsa qiziqarli. Yangi texnologiyalar odamlarning rassomlari amaliyotiga kiritilgan va san'at haqidagi fikrlarimizni o'zgartirishga kiritilgan. Ko'p o'tmay, ehtimol odamlar avtomobillar va ijodkorlik sohasida raqobatlashishlari kerak.

Algitmitmlarga tasvirlarni tan olish uchun - sun'iy intizom ishlab chiqaruvchilari uzoq vaqt jang qilgan vazifalarni bajaring. Shuning uchun, eski rasmlarni rangli rasmlar ko'tarilgan dasturlar katta va qiziqarli jarayonning bir qismi deb hisoblanishi mumkin.

Sizga salom ayting-chi! Shubhasizki, siz turli badiiy uslublar uchun fotosuratlarni uslubiy mavzular faol muhokama qilishini payqadingiz. Ushbu mashhur maqolalarni o'qish, siz ushbu dasturlarning kaputida, sehrgarlar davom etmoqda va Neural tarmog'i haqiqatan ham xayolot va tirnalganidan. Shunday qilib, bizning jamoamiz shunga o'xshash vazifaga duch kelgan: ichki korporativ Hackaton doirasida biz video stilizatsiyani amalga oshirdik, chunki Fotosuratlar uchun ariza allaqachon bo'lgan. Ushbu xabarda biz ushbu tarmoq qanday "Redraws" rasmlarini qanday tushunishimiz mumkinligini tushunamiz va biz buning uchun maqolalarni tahlil qilamiz, buning uchun maqolalarni tahlil qilamiz. Ushbu materialni o'qishdan oldin va umuman konvertal Neron tarmoqlarining asoslari bilan tanishishdan oldin oxirgi post bilan tanishishni maslahat beraman. Siz ozgina formulani kutmoqdasiz, ozgina kodni kutmoqdasiz (misollar, shuningdek, ko'plab rasmlar, shuningdek ko'plab rasmlar. Ushbu postlar maqolalarning paydo bo'lishi va shunga mos kelmaydigan xabarlarda qurilgan. Ba'zan men buni bizning so'nggi tajribamizga suyultiraman. Diqqatni jalb qilish uchun do'zaxdan bola.

Kontulyal tarmoqlarni vizualizatsiya va tushunish (28 Noy 2013)

Avvalo, mualliflar neyron tarmog'i qora qutisi emasligini ko'rsatgan maqolada ta'kidlanadilar, ammo bu juda yaxshi talqin qilinadigan narsa (bugungi kunda bu kompyuter uchun inqilobal tarmoqlar haqida ham aytish mumkin ko'rish). Mualliflar yashirin qatlamlarning neyronlarining faolligini qanday talqin qilishni o'rganishga qaror qilishdi, chunki ular bir necha yil oldin taklif qilingan defonvalnilma (Deconvnet) dan foydalanishlari kerak (xuddi shu Zayler va Ferguslar, bu mualliflar va bu Nashr). Demontilyal tarmog'i aslida konvulsiyalar va bloglar bilan bir xil tarmoqdir, ammo teskari tartibda qo'llaniladi. Asl dekonvnet operatsiyasida tarmoq rasmlarni yaratish uchun o'qituvchisiz o'quv rejimida ishlatilgan. Bu safar mualliflar shunchaki tarmoq orqali to'g'ridan-to'g'ri o'tishdan keyin olingan belgilarning teskari dovon uchun qo'llanma uchun qo'l berishadi. Natijada, u neyronlarga ulanishni keltirib chiqargan signal sifatida talqin qilinishi mumkin bo'lgan rasm paydo bo'ladi. Tabiiyki, savol tug'iladi: qanday qilib qarshi yo'lni imzolash va to'qnashuv orqali qanday amalga oshirish kerak? Va ayniqsa maksimal tortish orqali, bu amalga oshirilgan operatsiya emas. Uchta komponentni ko'rib chiqing.

Teskari relu.

Enotal tarmoqlarda faollashtirish funktsiyasi ko'pincha ishlatiladi Relu (x) \u003d max (0, x)bu salbiy bo'lmagan qatlamda barcha ulanishlarni amalga oshiradi. Shunga ko'ra, parchani nomaqbulligida, shuningdek, salbiy natijalarga erishmaslik kerak. Buning uchun mualliflar shu relni ishlatishni taklif qilishadi. Tasalli arxitektura nuqtai nazaridan, operatsiya gradienti funktsiyasidan (Lazagonning retseptlarida cheksiz qimmatbaho noutbuk mavjud, u erdan siz modifikbackPrrop sinfida nima uchun kerak bo'lgan tafsilotlarni bajarasiz).

Klass ZeilerbackPRPROP (MODIFACKPRROPROP): Dem Grens (Grd *) \u003d Kirish Qaytish (o'z-o'zidan) (Grd),) # ushbu noilmaslikni qo'llang

Teskari burg'ulash

Bu erda biroz murakkabroq, ammo hamma narsa mantiqiy: xuddi shu palto yadrosining transporti versiyasini, balki to'g'ridan-to'g'ri pasda ishlatiladigan oldingi qatlamning o'rniga qayta ishlash uchun etarli. Ammo men shunchalik aniq emas, degan fikrda, biz ushbu protsedurani vizualizatsiya qilishni ko'rib chiqamiz (siz ko'proq to'plam vizualizatsiyasini topasiz).

Stride \u003d 1 bilan kesing

Stride \u003d 1 bilan kesing	Teskari versiya

Stide \u003d 2 bilan kesilgan

Stide \u003d 2 bilan kesilgan	Teskari versiya

Teskari tortish

Bu operatsiya (oldingidan farqli o'laroq) odatda teskari emas. Ammo biz baribir qarama-qarshi parchada maksimal darajada o'tishni xohladik. Buning uchun mualliflar maksimal to'g'ridan-to'g'ri o'tish (MAX manzil kalitlari) xaritasidan foydalanishni taklif qilishadi. Teskari parchani paydo bo'lganda, kirish signallari paydo bo'ladi, bu manbali signalning tuzilishini biroz tejashga aylantiriladi, bu nimani tasvirlashni ko'rish osonroq.

Natija

Vizualizatsiya algoritm juda oddiy:

1. To'g'ridan-to'g'ri o'tishni amalga oshiring.
2. Bizga qiziqish qatlamini tanlang.
3. Bir yoki bir nechta neyronlarning xavfsizligini ta'minlash va qolganlarini tiklash.
4. Teskari natija berish.

Quyidagi rasmdagi har bir kulrang kvadrat filtr vizualizatsiya yoki bitta neyronning og'irligi va har bir rangdagi rasmlar mos neyronni faollashtiradigan asl rasmning bir qismidir. Aniqlik uchun, bitta qatlam ichidagi neyronlar tematik guruhlarga guruhlangan. Umuman olganda, bu to'satdan Newurali tarmog'i "Hewubel" tarmog'i Hewubel va Vaylel 1981 yilda Nobel mukofoti tuzilishi haqida yozgani aniq, 1981 yildagi Nobel mukofoti sharafiga sazovor bo'lgan. Ushbu maqola tufayli biz har bir qatlamda konvalental neural tarmog'ini vizual ravishda namoyish etdik. Bu sizga keyinchalik yaratilgan rasm tarkibini manipulyatsiya qilishga imkon beradigan, ammo bundan keyin bir necha yil o'tgach, keyingi bir necha yil o'tgach, "xiyonat" nevron tarmoqlari usullarini yaxshilashga imkon beradi. Bundan tashqari, ushbu maqola mualliflari, eng yaxshi natijalarga erishish uchun konverraliya tarmoq me'morchiligini qanday amalga oshirish yaxshiroqligini (lekin ular g'alaba qozonmaganlar, ammo tepaga tushib qoldilar; Yangilanish.: Taki g'alaba qozonish uchun chiqadi, Kimdayay ular bo'ladi).

Vizualizatsiya fich

Bu erda dekonvnet yordamida vizualizatsiyalashning misoli bugungi kunda ushbu natija allaqachon juda ko'p, ammo keyin bu katta yutuq bo'ldi.

Demonvnet yordamida salomlashish xaritalar

Ichki inqilob tarmoqlari: Tasvirni tasniflash modellari va salomlashuv xaritalari (19 Apr 2014)

Ushbu maqola konveroltal Neron tarmog'ida ilova qilingan bilimlarni vizualizatsiya qilish usullarini o'rganishga bag'ishlangan. Mualliflar gradient millatiga qarab vizualizatsiya qilishning ikkita usulini taklif qilishadi.

Sinf modelini vizualizatsiya qilish

Shunday qilib, tasavvur qiling-a, bizda ba'zi bir sinflar uchun tasnif vazifasini echish uchun o'qitilgan neyron tarmog'i mavjud. Sinfga mos keladigan chiqish neyronini faollashtirish qiymati bilan belgilanadi c.. Keyin optimallashtirishning keyingi vazifasi tanlangan sinfni maksimal darajada oshiradigan rasmni aniq beradi:

Ushbu vazifani taneanologik ishlatishni hal qilish oson. Odatda biz ushbu ramkadan model parametrlariga ko'ra lotin olishni so'raymiz, ammo bu safar parametrlar o'rnatilganiga ishonamiz va leyziv inflyatsiya tasviri orqali olinadi. Quyidagi funktsiya chiqadigan sathning maksimal qiymatini tanlaydi va kirish imidjini hisoblaydigan funktsiyani qaytaradi.

defile_sabilency_funktsiya: "" "Samecy Maps-ni hisoblash uchun funktsiyani tuzadi." "INP \u003d tarmoq"]. "Kirish"] "], aniqlik \u003d to'g'ri) Max_outp \u003d T.Max (Max_outp.sum (Max_outp.sum) Sienlik \u003d Theeo.Ssum funktsiya ()

Ehtimol siz itlarning itlari bilan stajyor rasmlarni ko'rgansiz - oralig'i. Asl maqolada, mualliflar quyidagi jarayondan tanlangan sinfni maksimal darajada oshiradigan rasmlarni yaratish uchun quyidagi jarayondan foydalanadilar:

1. Nerosning dastlabki tasvirini boshlang.
2. Ushbu rasmdagi hosilasni hisoblang.
3. Rasmni loterialdan qo'shib tasvirni o'zgartiring.
4. Orqaga 2-nuqtaga yoki tsikldan chiqing.

Bunday bunday tasvirlar quyidagilar keltirilgan:

Va agar siz haqiqiy fotosuratning birinchi rasmini ishga tushirsangiz va xuddi shu jarayonni ishga tushirsangiz? Ammo har bir iteratsiyada biz tasodifiy sinfni tanlaymiz, qolganlarini qayta tiklaymiz va lotinning qiymatini hisoblaymiz, keyin bu juda chuqur tush bo'ladi.

Diqqat qilish 60 MB

Nima uchun juda ko'p itlar va ko'zlar? Hammasi oddiy: 1000 sinfdan boshlab 200 ga yaqin itlar, ularda ko'zlari bor. Shuningdek, odamlar bo'lgan ko'plab sinflar.

Sinfli malaka qazib olish

Agar bu jarayon haqiqiy fotosurat bilan boshlansa, birinchi iteratsiyani to'xtatadi va lotinning qiymatini rad qilsangiz, biz asl nusxada tanlangan sinfni faollashtirish qiymatini oshiramiz .

Hosilahalar yordamida salomlashish xaritalari

Yana "shunchalik" natija. Shuni ta'kidlash kerakki, bu faollashtirishning yangi usulidir (hech narsa bizni oxirgi qatlamda emas, balki oxirgi qatlamda emas, balki tarmoqning har qanday qatlamida va infektsiyaning hosilasini egallashiga to'sqinlik qiladi. Keyingi maqolada avvalgi yondashuvni ham birlashtiradi va bizga keyinchalik tavsiflanadigan uslubga qo'ng'iroqni sozlash uchun vosita beradi.

Oddiylik uchun satr: Barcha inqilobsiz to'r (13 aprel 2015)

Ushbu maqola umuman vizualizatsiya haqida gapirmaydi, ammo ko'pchilik baliqni katta somon bilan almashtirish sifatni yo'qotishga olib kelmaydi. Ammo ularning tadqiqotlarining qo'shimcha mahsuloti sifatida mualliflar modelni aniqroq tahlil qilishga qo'llangan xususiyatni tasavvur qilishning yangi usulini taqdim etishdi. Ularning g'oyasi quyidagicha: agar biz lotiyal olib borsak, unda kirish tasvirida bo'lgan xususiyatlar noldan kam (Reju inflyatsiyasi uchun) defonvolga qadar emas. Va bu boshlangan orqa rasmda salbiy qiymatlar paydo bo'lganiga olib keladi. Boshqa tomondan, agar siz dekonvnetdan foydalansangiz, yana bir marta rezu relly qiymatidan olingan - bu sizga salbiy qiymatlarni qaytarmaslikka imkon beradi, ammo natijada u "shunchalik" bo'ladi. Ammo siz ushbu ikkita usulni birlashtirsangiz nima bo'ladi?

Sinfli gulickprop (ModificbackPrrop): Def Gract (Grd *) \u003d INP.DEDDE \u003d (Grd * (GRD\u003e 0) .Sastipe (DYTE) * \u003e 0) .astye turi (DTYPE),)

Keyin to'liq toza va izohlanadigan rasm bo'ladi.

Qo'rqinchli orqa joylardan foydalanib salomlashish xaritalar

Chuqurroq boring.

Endi bu haqda o'ylaylik, bu bizga nima beradi? Sizga shuni eslatib o'tingki, har bir murabbiylik qatlami uch o'lchovli o'spirinni qabul qiladigan funktsiya va mahsulot chiqishi, shuningdek, uch o'lchovli o'spirinni, ehtimol yana bir o'lchovli zindonlikni beradi d. X. w. X. h.; d.ePT - qatlamdagi neyronlarning soni, ularning har biri plastinka hosil qiladi (xususiyat xaritasi) w.iGTHE X. h.sakkiz.

VGG-19 tarmog'ida quyidagi tajribani o'tkazishga harakat qilaylik:

konvent1_2.

Ha, deyarli hech narsa ko'rmaysiz, chunki Retsept maydoni juda kichik, bu mos ravishda 3x3ning ikkinchi sotuvi bo'lib, u umumiy maydoni 5x5. Ammo o'sib borayotgani, xususiyat shunchaki gradient detektor ekanligini ko'ramiz.

konv3_3.

konv4_3.

konv5_3.

pOOL5.

Va endi biz reydda maksimal darajada maksimal darajada emas, balki ish tasvirida zaraning barcha elementlarining hosilazyatsiyasini olamiz deb tasavvur qilamiz. Keyin, shubhasiz, neyron guruhining retsepti maydoni barcha kiritish impemasini qamrab oladi. Dastlabki qatlamlar uchun biz yorqin kartalarni ko'ramiz, ular bu gulni aniqlash vositalari, keyinchalik gradyanlar, keyin esa chegaralar va shuning uchun naqshlarning asorati tomon. Qatlamni chuqurroq, bu juda zerikarli tasvir paydo bo'ladi. Bu chuqurroq qatlamlar, ular aniqlaydigan yanada murakkab naqshni, ular aniq ko'rinadi va murakkab naqsh kamroq ko'rinadi, shuning uchun faollashtirish xaritasi mahkamlanadi. Birinchi usul murakkab naqshlar bilan qatlamlarni tushunish uchun mos keladi va ikkinchisi oddiygina.

konvent1_1

konv2_2.

konv4_3.

Siz bir nechta rasmlar uchun to'liq faollashtirish ma'lumotlar bazasini yuklab olishingiz mumkin va.

Badiiy uslubning neyron algoritmi (2 sentyabr 2015)

Shunday qilib, neyron tarmog'ini birinchi muvaffaqiyatli ko'rilgan paytdan boshlab bir necha yil o'tdi. Biz (ma'noda - insoniyatda) juda kuchli vositadir, bu neyron tarmog'ini o'rganadigan narsalarni tushunishga imkon beradi va uni o'rganishni istagan narsalarni olib tashlashga imkon beradi. Ushbu moddaning mualliflari bitta imidjni maqsadli tasvir uchun o'xshash faollashtirish kartasini yaratishga imkon beradigan usulni ishlab chiqmoqdalar va, ehtimol, bu stilizatsiyaning asosidir. Biz kirish joyida oq shovqin va chuqur tushda xuddi shunga o'xshash iterativ jarayon, biz ushbu imidjni ko'rsatamiz, buning alomatlari maqsadli tasvirga o'xshash bo'ladi.

Tarkib yo'qotish

Yuqorida aytib o'tilganidek, Neural tarmog'ining har bir qatlami ba'zi bir o'lchovning uch o'lchovli zangori ishlab chiqaradi.

Yo'l bilan belgilanadi i.Kirish joyidan qatlam. Agar biz kirish tasviri orasidagi og'irlikdagi miqdordagi farqlarni kamaytirsak va biz intilamiz c., keyin sizga kerak bo'lgan narsa aniq bo'ladi. Ehtimol.

Ushbu maqolada tajriba o'tkazish uchun ushbu sehrgarlikdan foydalanish mumkin, hisob-kitoblar, hisob-kitoblar mavjud (GPU va CPUda ham). GPU Neral tarmog'ining xususiyatini hisoblash va xarajatlar funktsiyasining qiymati hisobga olinadi. Thano maqsad funktsiyasining gradientini hisoblash mumkin bo'lgan funktsiya beradi bEG_GRAD. Kirish imidjasida x.. Keyin bularning barchasi LBFGS-da xizmat qiladi va "Iterativ" jarayon boshlandi.

# Shovqin tasviri bilan boshlang_image.set_value (np.random.won.woriform (1, 3, image_Woriform))) \u003d x bichuntend (x0) # Belgilash uchun vaqtimni (8) tejash, Scipy.opttten.Fmin_l_BFGS_B (BEG_LOSS, X0.FGAtten (), FPRime \u003d 40) x0 \u003d grumed_image.value (). Astipe ("suzuvchi64") x biprend (x0)

Agar biz bunday funktsiyani optimallashtirishni boshlasak, unda biz tezda maqsadga o'xshash rasmni olamiz. Endi biz ba'zi tarkib tasviriga o'xshash rasmlarni qayta yaratamiz.

Tarkib yo'qolishi: konv4_2

Jarayonni optimallashtirish

Olingan rasmning ikkita xususiyatini e'tiborga olish oson:

• ranglar yo'qolgan - bu ma'lum bir misolda faqat konv4_2 qatlami ishlatganligi sababli (yoki boshqacha qilib aytganda, og'irlik va qolgan nol qatlamlar uchun ishlatilgan); Esingizda bo'lsa, bu ranglar va gradientlarga o'tish haqidagi ma'lumotlarni o'z ichiga olgan dastlabki qatlamlar, keyinchalik ranglar yo'qolgan kattaroq narsalar va tarkib yo'q;
• ba'zi uylar "ketdi", ya'ni To'g'ri chiziqlar biroz buraldi - bu chuqurroq qatlam, xususiyatning fazoviy holati haqida kamroq ma'lumot mavjud (to'plam va qoyalardan foydalanish natijasi).

Erta qatlamlarni qo'shish darhol vaziyatni gullar bilan to'g'rilaydi.

Tarkib yo'qolishi: konv12_1, konv4_2

Men bu fikrga umid qilamanki, siz oq shovqindan qanday qilib buzg'unchilik qilishingizni boshqarishingiz mumkinligini his qildingiz.

Uslublarning yo'qolishi.

Va shuning uchun biz eng qiziqarli narsalarga erishdik: uslubni qanday o'tkazishimiz kerak? Uslub nima? Shubhasiz, uslub biz kontent yo'qotishida optimallashtirishimiz emas ", chunki xususiyatlarning fazoviy pozitsiyalari haqida juda ko'p ma'lumotlar mavjud. Shunday qilib, qilingan birinchi narsa bu ma'lumotni olishdan olingan vakillardan olib tashlash uchun biron bir usulda har bir qatlam.

Muallif quyidagi usulni taklif qiladi. Ba'zi bir qatlamdan chiqish paytida biz tenzor olamiz, biz sihatli koordinatalarni kengaytiramiz va o'ladilar Koviyfer Matritikni ko'rib chiqamiz. Ushbu konversiya deb belgilang G.. Biz aslida nima qildik? Aytish mumkinki, biz zar ip ichidagi belgilar juft bo'lib, yoki boshqacha qilib aytganda, biz o'lganlarning ko'p qirrali normal taqsimot bilan bo'lgan belgilarni taqsimlashni yaqinlashtirdik.

Keyin staryoning yo'qolishi quyidagicha kiritiladi s. - Bu uslub bilan ba'zi rasm:

Vinsentga harakat qilaylikmi? Biz printsipialka, vanna GOG uslubida kutilayotgan narsa, funktsiyalarning fazoviy joylashuvi haqidagi ma'lumot butunlay yo'qoladi.

Shin

Va agar siz uslub o'rniga fotosurat qo'ysangiz nima bo'ladi? Bu allaqachon tanish xususiyatlar, tanish ranglar, ammo fazoviy holat butunlay yo'qoladi.

Uslublarning yo'qolishi bilan fotosurat

Shubhasiz, nega biz nima uchun biz Kovyarfer Matritsni emas, balki boshqa narsa emas? Axir, gundlarni squial koordinatalar yo'qolishi uchun ko'pgina belgilar mavjud. Bu haqiqatan ham ochiq savol, va agar siz juda sodda bo'lsa, natijada natija keskin o'zgarmaydi. Keling, tekshirib turamiz, biz Kovyce matritsasini hisoblaymiz, ammo shunchaki har bir zaraning o'rtacha qiymati.

oddiy uslubdagi yo'qotish

Birlashtirilgan yo'qotish

Tabiiyki, narxning ushbu ikki funktsiyasini aralashtirish uchun istak paydo bo'ladi. Keyin oq shovqindan hosil qilamizki, mazali koordinatalar bilan bog'lanmagan "uslubi" ning alomatlari va "uslubi" belgilari bo'ladi, ya'ni Umid qilamizki, tarkib tarkibidagi tafsilotlari o'z joylaridan saqlanib qoladi, ammo kerakli uslubda qayta tiklanadi.

Aslida, doimiy ravishda muntazam, ammo biz uni soddalik uchun aniqlaymiz. Keyingi savolga javob berish uchun davom etadi: optimallashtirishda qanday qatlamlar (og'irlik) ishlatiladi? Va men bu savolga javob berishimdan qo'rqaman va maqolaning mualliflari ham. Ular quyidagilardan foydalanish taklifiga ega, ammo boshqa kombinatsiya yomonlashishi, juda ko'p qidiruv maydoni juda ko'p. Model tushunchasidan kelib chiqadigan yagona qoida: qo'shni qatlamlarni olishning ma'nosi yo'q, chunki Ular bir-birlaridan belgilar bilan farq qilmaydi, chunki uslub har bir guruhning qatlamidan bir qatlam bilan qo'shilgan * _1.

# Yo'qotish funktsiyasini yo'qotish \u003d # Tarkib yo'qotish yo'qotish. (0.001 * Sent_ustures, gens_1 * "gener_1") yo'qotish.appens.appence.append (Art_Featureze, gens_usture, "konv2_1" styper_loss "(Art_Features, gen_1 * styp_ceoss, (Art4_1)) Yo'qotishlar.append ( 0.2E6 * STYLE_LOSS (ART_UZURES, GEN_ICETURLARI, "Con5_1")

Yakuniy model quyidagi shaklda taqdim etilishi mumkin.

Ammo Van Gog bilan uylarning natijasi.

Jarayonni boshqarishga urinish

Ushbu maqoladan ikki yil oldin, boshqa olimlar nexural tarmog'ini o'rgangan narsalarni o'rganishgan oldingi qismlarini eslaylik. Ushbu barcha maqolalar bilan qurollangan, siz turli xil uslublarning xususiyatlarini, turli xil rasmlar, turli xil ruxsatlar va o'lchamlarning xususiyatlarini vizualizatsiya qilishingiz va qaysi og'irliklarni olish uchun qaysi qatlamlarni tushunishga harakat qilishingiz mumkin. Ammo hattoki qatlamlarning egilishi nima sodir bo'layotganini to'liq nazorat qilmaydi. Bu erda muammo ko'proq kontseptual: biz ushbu funktsiyani optimallashtirmaymiz! Qanday deb so'rayapsiz? Javob oddiy: Bu xususiyat qoldiqni minimallashtiradi ... yaxshi, tushunasiz. Ammo biz chindan ham biz istagan narsamiz. Konversiya va uslubdagi yo'qotish xususiyatlarining konveks kombinatsiyasi bizning ongimiz go'zal deb hisoblanganligi o'lchovidir. Agar siz juda uzoq vaqt davomida stilizatsiyani davom ettirsangiz, xarajat funktsiyasi tabiiy ravishda past va pastda joylashgan bo'lsa, natijaning estetik go'zalligi keskin pasayadi.

Xo'sh, yaxshi, boshqa muammo bor. Aytaylik, biz sizga kerakli belgilarni olib tashlaydigan qatlamni topdik. Ba'zi uchburchak to'qimalarni taxmin qiling. Ammo bu qatlam hali ham boshqa ko'plab belgilarni o'z ichiga oladi, masalan, biz haqiqatan ham ko'rishni istamaganingiz kabi, biz haqiqatan ham ko'rishni istamaydigan doiramiz. Umuman olganda, million xitoycha xitoylik xitoyliklarni yollashingiz mumkin bo'lsa, siz uslub uslubining barcha xususiyatlarini tasavvur qilishingiz mumkin va to'liq farovonlik bizga kerak bo'lgan narsalarni e'tiborga olishingiz va faqat ularni xarajat funktsiyasiga kiritishingiz mumkin. Ammo aniq sabablarga ko'ra bu unchalik oddiy emas. Ammo biz natijalarni uslub tarzidan ko'ra ko'rishni istamaydigan barcha doiralarni biz o'chirsak nima bo'ladi? Keyin ular shunchaki ishlamaydi, aylanma doiralarga reaktsiya beradigan tegishli neyronlarni faollashadi. Va, albatta, natijada olingan rasmda u ko'rinmaydi. Gullar bilan bir xil. Yorqin tasvirni juda ko'p ranglar bilan tasavvur qiling. Ranglarning tarqalishi kosmosda juda kam emas, natijada olingan rasmni taqsimlash, ammo optimallashtirish jarayonida asl nusxada, ehtimol, asl nusxada yo'qolgan bo'lishi mumkin. Ma'lum bo'lishicha, rang palitragi rangidagi rang bu muammoni hal qiladi. Ko'p ranglarning tarqalishi zichligi nolga teng bo'ladi va bir necha qismlarda katta cho'qqilar bo'ladi. Shunday qilib, fotoshop-da asl nusxasini boshqarib, biz rasmdan olingan belgilarni boshqaramiz. Biror kishi o'z xohish-istaklarini matematika tilida shakllantirishga urinishdan ko'ra o'z xohish-istaklarini ifoda etish osonroq. Gacha. Natijada, belgilar va skriptlar bilan qurollangan dizaynerlar va menejerlar, erishilgan marotaba erishilgan davrlar, natijada dasturchilar bilan matematikadan yaxshiroqdir.

Rangning manipulyatsiyasining namunalari va xususiyatlarning o'lchami

Va siz oddiy rasmni uslub sifatida olishingiz mumkin

Natijalar

Va bu vidjet, lekin faqat kerakli tuzilish bilan

Tekshiruv tarmoqlari: to'qimalarning oldinga siljish va stilizelangan rasmlarning em-xashak sintezi (10 Mar 2016)

Aftidan, bu hech kimga nuans bo'lmasa, to'xtatilishi mumkin. Ushbu stilizizatsiya algoritm juda uzoq vaqt davomida tavsiflangan. Agar siz CPU-dagi LBFGS boshlanadi, jarayon besh daqiqa davom etadi. Agar siz ikkala optimallashtirish GPUga tegishli bo'lishi uchun qayta yozsangiz, jarayon 10-15 soniya davom etadi. Bu hech qanday joyda yaxshi emas. Ehtimol, bu va keyingi maqola bir xil deb o'ylagandir. Ikkala nashr ikkalasi 17 kunlik farqni oldingi maqoladan bir yilga nisbatan bir yil o'tgach chiqdilar. Ushbu maqola mualliflari, shuningdek avvalgilarning mualliflari to'qimalarning avlodlari bilan shug'ullanishgan (agar siz shunchaki uslubni yo'qotishni amalga oshirsangiz, u muvaffaqiyatli bo'ladi). Ular oq shovqindan olingan rasmni optimallashtirishni taklif qilishdi, ammo bu stilize tasvirini yaratadigan ba'zi neyron tarmoq.

Agar stilizizatsiya jarayoni optimallashtirishni o'z ichiga olmasa, faqat to'g'ridan-to'g'ri o'tish talab qilinadi. Tarmoq generatorini tayyorlash uchun faqat bir marta optimallashtirish talab etiladi. Ushbu maqola Ierarxik generatordan foydalanadi, har bir keyingi joyda z. O'lcham avvalgisidan kattaroq va to'qima avlodlari natijasida shovqindan va stilist uchun ma'lum bir rasm bazasidan. Imajnaning ta'lim qismidan farq qiladigan narsani ishlatish juda muhimdir, chunki Yo'qotish tarmog'i ichidagi xususiyatlar faqat o'quv qismida o'qitiladigan tarmoq tomonidan hisoblanadi.

Real vaqt rejimida pul o'tkazish va super-rezolyutsiya uchun pozitsion yo'qotishlar (27 mart 2016)

Ismdan ko'rinib turibdiki, atigi 17 kunga kechikkan bo'lgan mualliflar rasmni aniqlash bilan shug'ullanishdi. Aftidan, ular so'nggi tadbirda qoldiqni o'rganish muvaffaqiyatidan ilhomlangan.

Shunga ko'ra, qoldiq va blokni konventsiya qilish.

Shunday qilib, endi biz sizning qo'lingizda stilizatsiyani boshqarishdan tashqari, tezkor generator mavjud (ushbu ikkita maqolaga rahmat, bitta rasmning avlodi o'nlab ms bilan o'lchanadi).

Tugatmoq

Ko'rib chiqilgan maqolalardan va mualliflar Kodeksi Biz birinchi video stilizit dasturini yaratish uchun yana bir dasturni yaratish uchun boshlang'ich nuqtasi sifatida foydalanamiz:

Shunga o'xshash narsalarni yarating.

2015 yil avgust oyidan beri Germaniya tadqiqotchilari o'zlarining taniqli rassomlarning uslubini tanlashlarini boshqa fotosuratlar, xizmatlarning uslubi namoyish etdilar, bu imkoniyatlar monetsifikatsiya qilindi. G'arbiy bozorda u va rus tilida - to'liq nusxasi ishga tushirildi.

Xatcho'plar uchun

Ostakram dekabr oyida boshlanganiga qaramay, aprel oyining o'rtalarida u tezda ijtimoiy tarmoqlarda mashhur bo'lishni boshladi. Shu bilan birga, 19 aprel kuni VKontakte shahrida mingdan ortiq kishi bo'lgan.

Xizmatdan foydalanish uchun siz ikkita rasmni tayyorlashingiz kerak: qayta ishlanishi kerak bo'lgan fotosurat va asl rasmda qoplash uslubi bilan rasm.

Xizmat bepul versiyasiga ega: u rasmning eng uzun tomoni bo'ylab 600 pikselgacha bo'lgan rasmni yaratadi. Foydalanuvchi fotosuratga qo'llaniladigan filtrning iteratsiyalaridan bittasi natijasini oladi.

To'langan versiyalar: mukofotlar eng uzoq tomondan 700 pikselga ega bo'lib, Neron tarmog'ini qayta ishlash tarmoqlarini (kiritish, qiziqarli va yanada qiziqarli ishlov berish) tasvirlaydi. Bunday suratga olish 50 rubl bo'ladi.

HD versiyasida siz Iteratsiyalar sonini sozlashingiz mumkin: 100 50 rubl va 1000 rubl turadi. Bunday holda, rasm eng uzun tomoni bo'ylab 1200 pikselgacha bo'lgan qarorga ega bo'ladi va uni tuvalga chop etish uchun ishlatilishi mumkin: Ostagram bunday xizmatni 1800 rubldan etkazib beradi.

Fevral oyida "Kapitalizmga asoslangan mamlakatlardan foydalanuvchilar" foydalanuvchisining "kapitalizmga ega bo'lgan mamlakatlardan" foydalanuvchini foydalanuvchilarning murojaatlarini qabul qilmaydigan Ostaka vakillari, ammo keyin dunyoning turli aholisidan foydalanuvchilar uchun fotosuratlarni qabul qilmaydi. Gitakam kodeksi Gitubda nashr etilgan, Sergey Morugin, 30 yoshli Nijniy Novgorodning 30 yoshli istiqomat qilishi bilan 30 yoshli Sergey Morugin.

TJ Andrey tomonidan kiritilgan loyihaning tijorat direktori bilan bog'landi. Uning so'zlariga ko'ra, Ostakam in'apertingdan oldin paydo bo'lgan, ammo u Vifar deb ataladigan shunga o'xshash loyiha orqali ilhomlangan.

Oshagramning rivojlanishi NSTU guruhi talabalari bilan shug'ullangan. Alekseyeva: 2015 yil oxirida tor bir guruh do'stlar bo'yicha dastlabki sinovdan so'ng, loyiha jamoatchilikka qaror qildi. Dastlab, rasmlarni qayta ishlash butunlay bepul edi va bosilgan rasmlarni sotishda pul topish rejalashtirilgan edi. Andreyning so'zlariga ko'ra, muhr eng katta muammoga aylandi: kamdan-kam hollarda, kamdan-kam hollarda inson ko'zlari uchun yaxshi ko'rinadi va katta mijozga katta mashina manbalaridan foydalanishni talab qiladi .

Rasmni qayta ishlash uchun Amagram bullyatori yaratuvchilari Amazon bulutli serverlaridan foydalanishni xohlashdi, ammo foydalanuvchilarning oqimidan keyin ular xarajatlari sarmoyalarning minimal qaytarilishi bilan kuniga ming dollardan oshib ketishi aniqlandi. Andrey, bir vaqtning o'zida Nijniy Novgorodda ijaraga olingan server kuchi bo'lgan.

Loyihaning auditoriyasi kuniga ming kishiga yaqin, ammo bir muncha vaqt ichida u mahalliy ommaviy axborot vositalaridan kelib chiqqan holda 40 ming kishiga yetdi (Ostakam hatto Evropa DJS bilan birga ko'tarilishga muvaffaq bo'ldi) . Kechasi, trafik past bo'lganida, rasmni qayta ishlash 5 daqiqada, kuniga bosib o'tishi mumkin.

Agar ilgari xorijiy foydalanuvchilar ongli ravishda tasvirni qayta ishlashdan foydalanish imkoniyatiga ega bo'lsa (Rossiyani Rossiya bilan boshlashni boshlash uchun), endi Ostakram G'arb tomoshabinlarga ishonmoqda.

Bugungi kunga qadar to'lovning istiqbollari shartli. Agar har bir foydalanuvchi qayta ishlash uchun 10 rublni to'lagan bo'lsa, ehtimol u qaynab turgan bo'lar edi. [...]

Mamlakatimizda pul ishlash juda qiyin: biz bir hafta kutishga tayyormiz, ammo unga bir tiyin to'lashga tayyormiz. Buning uchun evropaliklar yanada qulaydir - ko'tarish, sifatni yaxshilash uchun to'lash nuqtai nazaridan - shuning uchun yo'nalishi bozorga yo'naltiriladi.

Andrey, vakili Ostakam

Andreyning so'zlariga ko'ra, Ostagram jamoasi saytning yangi versiyasida, "Bu bitta taniqli xizmatga o'xshaydi, ammo nima qilish kerak". Ushbu loyiha allaqachon Rossiyada Facebook vakillariga qiziqqan, ammo sotish bo'yicha muzokaralar xizmatga murojaat qilishdan oldin.

Xizmat misollari

Onagram saytidagi lentada, shuningdek, chizilgan rasmlar biriktirilgan kombinatsiyani ko'rish mumkin: bu ko'pincha natijasidan ko'ra qiziqroq. Shu bilan birga, filtrlar qayta ishlash uchun ta'sir sifatida ishlatiladigan rasmlar keyingi foydalanish uchun saqlanishi mumkin.