Σε όλη μου την ενήλικη ζωή, ήμουν ενεργειακό ποτό (όχι, τώρα δεν μιλάμε για ένα ποτό με αμφίβολες ιδιότητες).
Ποτέ δεν με ενδιέφερε ιδιαίτερα ο κόσμος της πληροφορικής και δύσκολα μπορώ να πολλαπλασιάσω μήτρες σε ένα κομμάτι χαρτί. Και δεν το χρειάστηκα ποτέ αυτό, για να καταλάβετε λίγο τις ιδιαιτερότητες της δουλειάς μου, μπορώ να μοιραστώ μια υπέροχη ιστορία. Κάποτε ζήτησα από τους συναδέλφους μου να κάνουν τη δουλειά σε ένα υπολογιστικό φύλλο Excel, είχε περάσει η μισή εργάσιμη μέρα, πήγα κοντά τους, και κάθονταν και συνόψιζαν τα δεδομένα σε μια αριθμομηχανή, ναι, σε μια συνηθισμένη μαύρη αριθμομηχανή με κουμπιά. Λοιπόν, για τι είδους νευρωνικά δίκτυα μπορούμε να μιλήσουμε μετά από αυτό;.. Επομένως, δεν είχα ποτέ ιδιαίτερες προϋποθέσεις για να βυθιστώ στον κόσμο της πληροφορικής. Αλλά, όπως λένε, «είναι καλά εκεί που δεν είμαστε», οι φίλοι μου βούιζαν τα αυτιά μου για την επαυξημένη πραγματικότητα, για τα νευρωνικά δίκτυα, για τις γλώσσες προγραμματισμού (κυρίως για την Python).
Με λόγια φαινόταν πολύ απλό και αποφάσισα γιατί να μην κατακτήσω αυτή τη μαγική τέχνη για να την εφαρμόσω στον τομέα δραστηριότητάς μου.
Σε αυτό το άρθρο, θα παραλείψω τις προσπάθειές μου να κατακτήσω τα βασικά της Python και θα μοιραστώ μαζί σας τις εντυπώσεις μου από το δωρεάν μάθημα TensorFlow από το Udacity.
Εισαγωγή
Αρχικά, αξίζει να σημειωθεί ότι μετά από 11 χρόνια στην ενεργειακή βιομηχανία, όταν ξέρεις και μπορείς να κάνεις τα πάντα και ακόμα λίγο παραπάνω (ανάλογα με τις αρμοδιότητές σου), το να μαθαίνεις ριζικά νέα πράγματα - αφενός προκαλεί μεγάλο ενθουσιασμό, αλλά από την άλλη - μετατρέπεται σε σωματικό πόνο " γρανάζια στο κεφάλι μου."
Εξακολουθώ να μην καταλαβαίνω πλήρως όλες τις βασικές έννοιες του προγραμματισμού και της μηχανικής μάθησης, επομένως δεν πρέπει να με κρίνετε πολύ αυστηρά. Ελπίζω το άρθρο μου να είναι ενδιαφέρον και χρήσιμο σε ανθρώπους σαν εμένα που απέχουν πολύ από την ανάπτυξη λογισμικού.
Πριν προχωρήσουμε στην επισκόπηση του μαθήματος, θα πω ότι για να το μελετήσετε θα χρειαστείτε τουλάχιστον ελάχιστες γνώσεις Python. Μπορείτε να διαβάσετε μερικά βιβλία για ανδρείκελα (ξεκίνησα επίσης να παρακολουθώ ένα μάθημα για το Stepic, αλλά δεν το έχω κατακτήσει ακόμα πλήρως).
Το ίδιο το μάθημα TensorFlow δεν θα περιέχει σύνθετες κατασκευές, αλλά θα είναι απαραίτητο να κατανοήσουμε γιατί εισάγονται βιβλιοθήκες, πώς ορίζεται μια συνάρτηση και γιατί κάτι αντικαθίσταται σε αυτήν.
Γιατί το TensorFlow και το Udacity;
Ο κύριος στόχος της εκπαίδευσής μου ήταν η επιθυμία να αναγνωρίζω φωτογραφίες στοιχείων ηλεκτρικής εγκατάστασης χρησιμοποιώντας νευρωνικά δίκτυα.
Επέλεξα το TensorFlow γιατί το άκουσα από τους φίλους μου. Και όπως καταλαβαίνω, αυτό το μάθημα είναι αρκετά δημοφιλές.
Προσπάθησα να αρχίσω να μαθαίνω από τον επίσημο .
Και τότε αντιμετώπισα δύο προβλήματα.
- Υπάρχουν πολλά εκπαιδευτικά υλικά και κυκλοφορούν σε διάφορες ποικιλίες. Ήταν πολύ δύσκολο για μένα να δημιουργήσω τουλάχιστον μια περισσότερο ή λιγότερο ολοκληρωμένη εικόνα για την επίλυση του προβλήματος της αναγνώρισης εικόνων.
- Τα περισσότερα από τα άρθρα που χρειάζομαι δεν έχουν μεταφραστεί στα ρωσικά. Έτυχε να έμαθα γερμανικά ως παιδί και τώρα, όπως πολλά σοβιετικά παιδιά, δεν ξέρω ούτε γερμανικά ούτε αγγλικά. Φυσικά, καθ 'όλη τη διάρκεια της ενήλικης ζωής μου, προσπάθησα να κατακτήσω τα αγγλικά, αλλά αποδείχθηκε κάτι όπως στην εικόνα.
Αφού έψαξα στον επίσημο ιστότοπο, βρήκα συστάσεις για να περάσω .
Όπως καταλαβαίνω, το μάθημα στο Coursera πληρώθηκε, και το μάθημα ήταν δυνατό να περάσει "δωρεάν, δηλαδή χωρίς χρέωση".
Περιεχόμενο μαθήματος
Το μάθημα αποτελείται από 9 μαθήματα.
Η πρώτη ενότητα είναι εισαγωγική, όπου θα σας πουν γιατί είναι απαραίτητο κατ' αρχήν.
Το μάθημα #2 αποδείχθηκε το αγαπημένο μου. Ήταν αρκετά απλό για να γίνει κατανοητό και επίσης απέδειξε τα θαύματα της επιστήμης. Εν ολίγοις, σε αυτό το μάθημα, εκτός από τις βασικές πληροφορίες για τα νευρωνικά δίκτυα, οι δημιουργοί επιδεικνύουν πώς να χρησιμοποιήσετε ένα νευρωνικό δίκτυο μονής στρώσης για να λύσετε το πρόβλημα της μετατροπής της θερμοκρασίας από Φαρενάιτ σε Κελσίου.
Αυτό είναι πράγματι ένα πολύ σαφές παράδειγμα. Κάθομαι ακόμα εδώ και σκέφτομαι πώς να βρω και να λύσω ένα παρόμοιο πρόβλημα, αλλά μόνο για ηλεκτρολόγους.
Δυστυχώς, στάθηκα περισσότερο, γιατί είναι αρκετά δύσκολο να μάθεις ακατανόητα πράγματα σε μια άγνωστη γλώσσα. Αυτό που με έσωσε ήταν αυτό που βρήκα στο Habré .
Η μετάφραση έγινε με υψηλή ποιότητα, μεταφράστηκαν και τα τετράδια της Colab, οπότε κοίταξα και το πρωτότυπο και τη μετάφραση.
Το μάθημα Νο. 3 είναι, στην πραγματικότητα, μια προσαρμογή υλικών από το επίσημο σεμινάριο TensorFlow. Σε αυτό το σεμινάριο, χρησιμοποιούμε ένα πολυεπίπεδο νευρωνικό δίκτυο για να μάθουμε πώς να ταξινομούμε εικόνες ρούχων (σύνολο δεδομένων Fashion MNIST).
Τα μαθήματα Νο. 4 έως Νο. 7 είναι επίσης μια προσαρμογή του φροντιστηρίου. Αλλά λόγω του γεγονότος ότι είναι σωστά διατεταγμένα, δεν χρειάζεται να κατανοήσετε μόνοι σας τη σειρά της μελέτης. Σε αυτά τα μαθήματα θα μας μιλήσουν εν συντομία για τα εξαιρετικά ακριβή νευρωνικά δίκτυα, πώς να αυξήσετε την ακρίβεια της εκπαίδευσης και να αποθηκεύσετε το μοντέλο. Ταυτόχρονα, θα λύσουμε ταυτόχρονα το πρόβλημα της ταξινόμησης γατών και σκύλων στην εικόνα.
Το μάθημα Νο. 8 είναι ένα εντελώς ξεχωριστό μάθημα, υπάρχει ένας διαφορετικός δάσκαλος και το ίδιο το μάθημα είναι αρκετά εκτεταμένο. Το μάθημα αφορά χρονοσειρές. Επειδή δεν με ενδιαφέρει ακόμα, το σκάναρα διαγώνια.
Αυτό τελειώνει με το μάθημα #9, το οποίο είναι μια πρόσκληση για να παρακολουθήσετε ένα δωρεάν μάθημα για το TensorFlow lite.
Τι σου άρεσε και τι δεν σου άρεσε
Θα ξεκινήσω με τα πλεονεκτήματα:
- Το μάθημα είναι δωρεάν
- Το μάθημα είναι στο TensorFlow 2. Μερικά εγχειρίδια που είδα και μερικά μαθήματα στο Διαδίκτυο ήταν στο TensorFlow 1. Δεν ξέρω αν υπάρχει μεγάλη διαφορά, αλλά είναι ωραίο να μαθαίνεις την τρέχουσα έκδοση.
- Οι δάσκαλοι στο βίντεο δεν είναι ενοχλητικοί (αν και στη ρωσική έκδοση δεν διαβάζουν τόσο χαρούμενα όσο στο πρωτότυπο)
- Το μάθημα δεν παίρνει πολύ χρόνο
- Το μάθημα δεν σε κάνει να νιώθεις θλίψη ή απελπισία. Οι εργασίες στο μάθημα είναι απλές και υπάρχει πάντα μια υπόδειξη με τη μορφή Colab με τη σωστή λύση εάν κάτι δεν είναι ξεκάθαρο (και οι μισές εργασίες δεν ήταν ξεκάθαρες για μένα)
- Δεν χρειάζεται να εγκαταστήσετε τίποτα, όλες οι εργαστηριακές εργασίες του μαθήματος μπορούν να γίνουν στο πρόγραμμα περιήγησης
Τώρα τα μειονεκτήματα:
- Πρακτικά δεν υπάρχουν υλικά ελέγχου. Ούτε δοκιμές, ούτε εργασίες, τίποτα που να ελέγχει με κάποιο τρόπο τη γνώση του μαθήματος
- Δεν λειτουργούσαν όλα τα σημειωματάριά μου όπως θα έπρεπε. Νομίζω ότι στο τρίτο μάθημα του αρχικού μαθήματος στο English Colab έριχνε ένα σφάλμα και δεν ήξερα τι να το κάνω
- Βολικό για παρακολούθηση μόνο σε υπολογιστή. Ίσως δεν το κατάλαβα πλήρως, αλλά δεν μπορούσα να βρω την εφαρμογή Udacity στο smartphone μου. Και η έκδοση για κινητά του ιστότοπου δεν ανταποκρίνεται, δηλαδή, σχεδόν ολόκληρη η περιοχή της οθόνης καταλαμβάνεται από το μενού πλοήγησης, αλλά για να δείτε το κύριο περιεχόμενο πρέπει να κάνετε κύλιση προς τα δεξιά πέρα από την περιοχή προβολής. Επίσης, το βίντεο δεν μπορεί να προβληθεί στο τηλέφωνο. Δεν μπορείτε πραγματικά να δείτε τίποτα σε μια οθόνη που έχει μέγεθος λίγο πάνω από 6 ίντσες.
- Μερικά πράγματα στο μάθημα μασώνται πολλές φορές, αλλά την ίδια στιγμή, τα πραγματικά απαραίτητα πράγματα στα ίδια τα συνελικτικά δίκτυα δεν μασώνται στο μάθημα. Εξακολουθώ να μην καταλαβαίνω τον γενικό σκοπό ορισμένων από τις ασκήσεις (για παράδειγμα, σε τι χρησιμεύει το Max Pooling).
Περίληψη
Σίγουρα έχετε ήδη μαντέψει ότι το θαύμα δεν έγινε. Και μετά την ολοκλήρωση αυτού του σύντομου μαθήματος, είναι αδύνατο να κατανοήσουμε πραγματικά πώς λειτουργούν τα νευρωνικά δίκτυα.
Φυσικά, μετά από αυτό δεν μπόρεσα να λύσω μόνος μου το πρόβλημά μου με την ταξινόμηση φωτογραφιών διακοπτών και κουμπιών σε διακόπτες.
Αλλά συνολικά το μάθημα είναι χρήσιμο. Δείχνει τι πράγματα μπορούν να γίνουν με το TensorFlow και ποια κατεύθυνση πρέπει να ακολουθήσετε.
Νομίζω ότι πρέπει πρώτα να μάθω τα βασικά της Python και να διαβάσω βιβλία στα Ρωσικά για το πώς λειτουργούν τα νευρωνικά δίκτυα και μετά να ασχοληθώ με το TensorFlow.
Εν κατακλείδι, θα ήθελα να ευχαριστήσω τους φίλους μου που με ώθησαν να γράψω το πρώτο άρθρο για το Habr και με βοήθησαν να το μορφοποιήσω.
Υ.Γ. Θα χαρώ να δω τα σχόλιά σας και οποιαδήποτε εποικοδομητική κριτική.
Πηγή: www.habr.com