Как сделать-открыть с помощью мультфильмов
Опубликованно 14.10.2017 03:50
Многие знают меня, как автора, графической прозы, продюсер фильма, мультимедиа, топ-менеджера, пиарщика, и это правда, я делал это. Он работал в международной розничной торговли, и многих марок, промышленных, коммерческих банков, инвестиционных и страховых компаний.
У меня есть хобби — мультфильмы. В этом году мы команда сделала экранизацию "поэта". Мы получили зомби-хоррор мультфильм. Потому что анимация-это довольно трудоемкий процесс, в ходе работы, мне пришла идея: нужно автоматизировать процесс, написать алгоритмы и обучение нейронной сети с помощью 3D-мультфильмы. Немного истории
Нейросети машина, алгоритмов, которые человек пытается сформировать машина и воспроизвести нервную систему человека. Еще в 1940-50-и ученые начали проявлять интерес к их шансы. Построен персептрон на практике, "железа" и с их помощью, они пытались воссоздать человеческий мозг, математическая модель нейронов. Затем наступил "Ледниковый период": в 1970-х все забыли, проходя мимо фантастики в литературе и в кино. В 1980 году, напомнил еще раз. И в конце 80-х годов начали испытывать и производить алгоритмов. Обучение нейросети не работал, потому что не хватало мощности, данных и идей.
Нейронная сеть на практике
Нейронная сеть может быть описана как классификатор и метод сегментации информации, который действует не только в соответствии с алгоритмом и формулами, но и на основе прошлого опыта.
Своего рода ребенок, который каждый раз, когда вы сложите пазл, делая все меньше ошибок.
Для обучения нейронной сети-это что-то узнать, необходимо обеспечить в среднем 5 тысяч изображений предмета или объекта. Каждый объект на фотографии должен быть прослежено и описано: это человек, кошка, кубик, и это собака в свитере. Только после этого нейронная сеть-это научиться различать зонтик, собака, машина, человек, бутылка для велосипеда. Есть один парадокс в обучении машин — люди учатся нейросети вручную, и, следовательно, ошибаться. Этот процесс очень дорого и долго. Нейронную сеть обучают на синтетических данных с применением моделей на этих фото. Кто-то пытался научить автономные автомобили к игре GTA. Но мы упростили этот процесс. Что мы придумали
В то время как они были заняты в мультфильме, мы придумали, как автоматизировать эти процессы. Мы создали 3D-моделирование реальности, и благодаря этой модели мы узнаем нейросети. Наши разработки позволяют добиться точности обучения сети, сводя к минимуму человеческий фактор.
Нейронная сеть обучается на синтетических данных, перенося их на реальные. И этот процесс называется перенос в обучении (transfer learning). Буквально 2 месяца назад, нам удалось достичь высокого качества распознавания. Как это работает
Мы нашли людей, которым это было полезно для нашего развития — т. е. автоматизация розничной торговли. Наш первый клиент-это стало большой розничной сети и продажа в розницу. Например, на полках в супермаркете большое количество товара. Но для того, чтобы помочь поставщикам, проверьте детали, мы передали его номер, уча камеры, чтобы увидеть, что есть на этих полках. Мы "ставим на полки" 3D-модель в любой комбинации-это 1 миллиард фотореалистичных изображений.
Если в сети он сделал все вручную, потребовалось 120 миллионов человеко-часов.
Кроме того, автоматизация розничной торговли, и наше развитие поможет испытывать лекарства, потому что нейронная сеть способна имитировать живой клетки. Или не в состоянии делать упражнение промышленных роботов и беспилотных летательных аппаратов в виртуальных средах. Но во-первых, для реализации этих процессов, мы задавались вопросом, откуда взять ресурсы на все это. Что мы и сделали
Для существования Neuromation нужна видеокарта. Много видеокарт. Изначально, все возможности для обучения мы арендовали для AmazonCloud и заплатили десятки тысяч долларов, чтобы использовать их способности. Потом мы решили купить свое оборудование, но столкнулись с удивительным явлением. Оказалось, что разделе видео, которые нам нужны с cpu-GPU для нейросети, служат для добычи для добычи криптовалюты. Еще в мае спекулянты продали видеокарту в троедорого. Мы стремились на всех рынках, но мы ходили только слабые видеокарты из США. Для майнерами было не угнаться — они фильтруют все силы. И мы решили предложить им сделку. Мы посчитали, сколько зарабатывают, и оказалось, что ферма с шестью видеокартами получает $7-8 в день (это было примерно, сумму, которую мы заплатили Amazon"). Мы пошли к майнерам и попросил их, чтобы заработать $10 в день на криптовалюте. В один день, нам было предложено скинуть адреса где взять видео карту. Теперь с нами сотрудничают очень miner, которые работают на благо человечества. Что случилось в конце
Мы создали мост между майнерами и ученых, предлагая им заработать больше денег в основе расчетов. Через месяц у нас было тысяча видеокарт, что они дали достаточное количество возможностей для наших экспериментов. И два, мы, вместе с командой ученых подтвердили гипотезу о синтетических данных.
Теперь говорят, что данные-это новая нефть, и мы не смогли найти синтетические масла.
Использовать калькулятор очень выгодно, рассчитать абстрактные алгоритмы, в blockchain. Промышленность глубокого и машинного обучения готова платить майнерам больше, чем они зарабатывают добычей криптовалюты.
Наши исследования показывают, что вы можете сделать ради будущего с использованием двух вещей — наш подход синтетический дата и невероятной силы, которая оказалась в руках людей, которые страдают от криптовалютной лихорадки.
Для этого мы создали платформу ЗНАНИЙ, АНАЛИЗА и объявил конкурс start-up. В виде награды мощность излучаемого технологии, которые вы можете сформировать нейросети.
Мы создали продукт с удобным интерфейсом, где любой человек, который не знает нюансов машинного обучения, может научить нейронную сеть распознавать все то, что вы можете признать, под свою задачу.
Даже если у вас нет желания изменить мир, просто делать то, что вам нравится.
В моем случае, хобби — мультфильмы, которые показали, как можно обучить нейронную сеть с помощью 3D-анимации.
Категория: Обучение