{"id":54780,"date":"2020-01-04T00:00:00","date_gmt":"2020-01-03T21:00:00","guid":{"rendered":"https:\/\/prohoster.info\/blog\/blog_prohoster\/nejroseti-kuda-eto-vse-dvizhetsya"},"modified":"2020-02-18T14:02:50","modified_gmt":"2020-02-18T11:02:50","slug":"nejroseti-kuda-eto-vse-dvizhetsya","status":"publish","type":"post","link":"https:\/\/prohoster.info\/it\/blog\/news\/nejroseti-kuda-eto-vse-dvizhetsya","title":{"rendered":"Reti neurali. Dove sta andando tutto questo","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>L'articolo \u00e8 composto da due parti:<\/p>\n<p><\/p>\n<ol>\n<li>Una breve descrizione di alcune architetture di rete per la rilevazione di oggetti nelle immagini e la segmentazione delle immagini con i collegamenti pi\u00f9 comprensibili per me. Ho cercato di scegliere video esplicativi, preferibilmente in russo.<\/li>\n<li>La seconda parte consiste nel tentativo di capire la direzione dello sviluppo delle architetture delle reti neurali e delle tecnologie basate su di esse.<\/li>\n<\/ol>\n<p><\/p>\n<p><img decoding=\"async\" alt=\"Reti neurali. Dove sta andando tutto questo\" src=\"\/wp-content\/uploads\/2020\/01\/3e0238547dc956dbb069c11241e4534f.png\" style=\"display:block;margin: 0 auto;\" \/><\/p>\n<p><\/p>\n<p>Figura 1 \u2013 Comprendere le architetture delle reti neurali non \u00e8 semplice<\/p>\n<p><\/p>\n<p>Tutto \u00e8 iniziato con la creazione di due applicazioni dimostrative per la classificazione e rilevazione di oggetti su un telefono Android:<\/p>\n<p><\/p>\n<ul>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/foobar167\/junkyard\/tree\/master\/object_classifier\">Demo back-end<\/a><\/noindex>, quando i dati vengono elaborati sul server e trasmessi al telefono. Classificazione delle immagini di tre tipi di orsi: bruno, nero e di peluche.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/foobar167\/android\/tree\/master\/object_detection_demo\">Demo front-end<\/a><\/noindex>, quando i dati vengono elaborati direttamente sul telefono. Rilevazione di oggetti di tre tipi: nocciola, fico e dattero.<\/li>\n<\/ul>\n<p><noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<p>C'\u00e8 una differenza tra i compiti di classificazione delle immagini, rilevamento di oggetti nelle immagini e <noindex><a rel=\"nofollow\" href=\"https:\/\/medium.com\/analytics-vidhya\/image-classification-vs-object-detection-vs-image-segmentation-f36db85fe81\">segmentazione delle immagini<\/a><\/noindex>. Pertanto, \u00e8 emersa la necessit\u00e0 di scoprire quali architetture di reti neurali rilevano oggetti nelle immagini e quali possono segmentare. Ho trovato i seguenti esempi di architetture con i collegamenti pi\u00f9 comprensibili per me:<\/p>\n<p><\/p>\n<ul>\n<li>Una serie di architetture basate su R-CNN (<strong>R<\/strong>egions with <strong>C<\/strong>onvolution <strong>N<\/strong>eural <strong>N<\/strong>etworks features): R-CNN, Fast R-CNN, <noindex><a rel=\"nofollow\" href=\"https:\/\/medium.com\/@smallfishbigsea\/faster-r-cnn-explained-864d4fb7e3f8\">Faster R-CNN<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/0vt05rQqk_I\">Mask R-CNN<\/a><\/noindex>. Per la rilevazione di oggetti in un'immagine, un meccanismo chiamato Region Proposal Network (RPN) identifica regioni limitate (bounding boxes). Inizialmente, invece di RPN veniva utilizzato un meccanismo pi\u00f9 lento denominato Selective Search. Successivamente, le regioni limitate identificate vengono passate in input a una rete neurale convenzionale per la classificazione. Nell'architettura R-CNN ci sono espliciti cicli \"for\" che iterano su regioni limitate, fino a 2000 passaggi attraverso la rete interna AlexNet. A causa dei cicli \"for\" espliciti, la velocit\u00e0 di elaborazione delle immagini diminuisce. Il numero di cicli espliciti e passaggi attraverso la rete neurale interna diminuisce con ogni nuova versione dell'architettura e vengono implementate decine di altre modifiche per aumentare la velocit\u00e0 e per trasformare il compito di rilevazione degli oggetti in segmentazione degli oggetti in Mask R-CNN.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/L0tzmv--CGY\">YOLO<\/a><\/noindex> (<strong>Y<\/strong>ou <strong>P<\/strong>nly <strong>L<\/strong>ook <strong>P<\/strong>nce) \u2013 il primo modello di rete neurale che riconosceva oggetti in tempo reale su dispositivi mobili. La caratteristica distintiva: riconoscimento degli oggetti in un solo passaggio (basta uno sguardo). Cio\u00e8, nell'architettura YOLO non ci sono cicli espliciti \"for\", il che fa s\u00ec che la rete funzioni rapidamente. Ad esempio, un'analogia: in NumPy, durante le operazioni sulle matrici, non ci sono cicli espliciti \"for\", che in NumPy sono implementati a livelli pi\u00f9 bassi dell'architettura tramite il linguaggio di programmazione C. YOLO utilizza una griglia di finestre predefinite. Per evitare che lo stesso oggetto venga identificato pi\u00f9 volte, si utilizza un coefficiente di sovrapposizione delle finestre (IoU, <strong>I<\/strong>ntersection <strong>o<\/strong>ver <strong>U<\/strong>nion). Questa architettura funziona su un ampio intervallo e possiede un'alta <noindex><a rel=\"nofollow\" href=\"https:\/\/ru.wikipedia.org\/wiki\/%D0%A0%D0%BE%D0%B1%D0%B0%D1%81%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C\">robustezza<\/a><\/noindex>: il modello pu\u00f2 essere addestrato su fotografie, ma allo stesso tempo funziona bene su dipinti.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/P8e-G-Mhx4k\">SSD<\/a><\/noindex> (<strong>S<\/strong>ingle <strong>S<\/strong>hot MultiBox <strong>D<\/strong>etector) \u2013 utilizza i hack pi\u00f9 riusciti dell'architettura YOLO (ad esempio, la soppressione non massima) e ne aggiunge di nuovi per migliorare la velocit\u00e0 e la precisione della rete neurale. La caratteristica distintiva: riconoscimento degli oggetti in un solo passaggio tramite una griglia di finestre predefinite (default box) su una piramide di immagini. La piramide delle immagini \u00e8 codificata in tensori convoluzionali durante le operazioni di convoluzione e pooling consecutive (durante l'operazione di max-pooling la dimensione spaziale diminuisce). In questo modo vengono riconosciuti sia oggetti grandi che piccoli in un solo passaggio della rete.<\/li>\n<li>MobileSSD (<strong>Mobile<\/strong>NetV2 + <strong>SSD<\/strong>) \u2013 una combinazione di due architetture di reti neurali. La prima rete <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/352804\/\">MobileNetV2<\/a><\/noindex> \u00e8 veloce e aumenta la precisione del riconoscimento. MobileNetV2 \u00e8 usato al posto di VGG-16, originariamente utilizzato in <noindex><a rel=\"nofollow\" href=\"https:\/\/arxiv.org\/abs\/1512.02325\">articolo originale<\/a><\/noindex>. La seconda rete SSD identifica la posizione degli oggetti nell'immagine.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/ge_RT5wvHvY\">SqueezeNet<\/a><\/noindex> \u2013 una rete neurale molto piccola ma precisa. Da sola non risolve il compito di riconoscimento degli oggetti. Tuttavia, pu\u00f2 essere utilizzata in combinazione con diverse architetture. Ed essere utilizzata su dispositivi mobili. Caratteristica distintiva \u00e8 che inizialmente i dati vengono compressi in quattro filtri convoluzionali 1\u00d71, e poi espansi in quattro filtri convoluzionali 1\u00d71 e quattro filtri 3\u00d73. Un'iterazione di compressione-espansione dei dati \u00e8 chiamata \"Fire Module\".<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/b6jhopSMit8\">DeepLab<\/a><\/noindex> (Segmentazione semantica delle immagini con reti convoluzionali profonde) \u2013 segmentazione degli oggetti in un'immagine. La caratteristica distintiva dell'architettura \u00e8 la convoluzione dilatata, che preserva la risoluzione spaziale. Segue poi una fase di post-elaborazione dei risultati tramite un modello probabilistico grafico, che consente di rimuovere piccoli rumori nella segmentazione e migliorare la qualit\u00e0 dell'immagine segmentata. Dietro il temibile nome \u00abmodello probabilistico grafico\u00bb si nasconde un normale filtro gaussiano, approssimato su cinque punti.<\/li>\n<li>Ho cercato di capire il funzionamento <noindex><a rel=\"nofollow\" href=\"https:\/\/arxiv.org\/abs\/1711.06897\">RefineDet<\/a><\/noindex> (Single-Shot <strong>Refine<\/strong>ment Neural Network for Object <strong>Det<\/strong>ection), ma ho capito poco.<\/li>\n<li>Ho anche guardato come funziona la tecnologia dell'\u00abattenzione\u00bb: <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/W2rWgXJBZhU\">video1<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/iDulhoQ2pro\">video2<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/H6Qiegq_36c\">video3<\/a><\/noindex>. La caratteristica distintiva dell'architettura dell'\u00abattenzione\u00bb \u00e8 l'estrazione automatica delle regioni di maggior interesse nell'immagine (RoI, <strong>R<\/strong>egions <strong>o<\/strong>f <strong>I<\/strong>nterest) tramite una rete neurale chiamata Attention Unit. Le regioni di maggior interesse assomigliano a regioni delimitate (bounding boxes), ma a differenza di queste ultime non sono fisse nell'immagine e possono avere bordi sfocati. Successivamente, da queste regioni di maggior interesse vengono estratte caratteristiche (features), che vengono \u00abdiete\u00bb a reti neurali ricorrenti con architetture <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/5lUUrREboSk\">LSDM, GRU o Vanilla RNN<\/a><\/noindex>. Le reti neurali ricorrenti sono in grado di analizzare le relazioni tra le caratteristiche in una sequenza. Inizialmente, queste reti neurali ricorrenti venivano utilizzate per tradurre testi in altre lingue, e ora anche per tradurre <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/e-WB4lfg30M\">immagini in testo<\/a><\/noindex> e <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/rAbhypxs1qQ\">testo in immagini<\/a><\/noindex>.<\/li>\n<\/ul>\n<p><\/p>\n<p>Man mano che studiavo queste architetture <strong>ho capito che non capisco nulla.<\/strong>. E non \u00e8 che la mia rete neurale abbia problemi con il meccanismo di attenzione. La creazione di tutte queste architetture assomiglia a un enorme hackathon, dove gli autori competono in hack. Un hack \u00e8 una soluzione rapida a un problema di programmazione difficile. Quindi, tra tutte queste architetture non c'\u00e8 una connessione logica visibile e comprensibile. Tutto ci\u00f2 che le unisce \u00e8 un insieme di hack riusciti che si sono scambiati tra di loro, pi\u00f9 l'operazione di convoluzione con retroazione, <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/Ilg3gGewQ5U\">(retropropagazione dell'errore). Non c'\u00e8<\/a><\/noindex> pensiero sistemico <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/272473\/\">! Non \u00e8 chiaro cosa cambiare e come ottimizzare i risultati ottenuti.<\/a><\/noindex>!<\/p>\n<p><\/p>\n<p>Come risultato della mancanza di collegamento logico tra i frammenti, \u00e8 estremamente difficile ricordarli e applicarli nella pratica. Sono conoscenze frammentate. Nel migliore dei casi, si ricordano alcuni momenti interessanti e inaspettati, ma la maggior parte di ci\u00f2 che \u00e8 comprensibile e incomprensibile svanisce dalla memoria gi\u00e0 dopo pochi giorni. Sar\u00e0 un bene se tra una settimana si ricorder\u00e0 almeno il nome dell'architettura. Eppure, sono state dedicate diverse ore e persino giorni di lavoro alla lettura di articoli e alla visione di video di panoramica!<\/p>\n<p><\/p>\n<p><img decoding=\"async\" alt=\"Reti neurali. Dove sta andando tutto questo\" src=\"\/wp-content\/uploads\/2020\/01\/86f0f24e3be1d0f1a210f3132897d981.png\" style=\"display:block;margin: 0 auto;\" \/><\/p>\n<p><\/p>\n<p>Figura 2 \u2013 <noindex><a rel=\"nofollow\" href=\"https:\/\/www.asimovinstitute.org\/neural-network-zoo\/\">Zoo di reti neurali<\/a><\/noindex><\/p>\n<p><\/p>\n<p>La maggior parte degli autori di articoli scientifici, secondo la mia personale opinione, fa tutto il possibile affinch\u00e9 anche queste conoscenze frammentate non vengano comprese dal lettore. Ma le costruzioni verbali participiali in dieci frasi lineari con formule prese \"dal soffitto\" sono un tema per un articolo a parte (problema <noindex><a rel=\"nofollow\" href=\"https:\/\/en.wikipedia.org\/wiki\/Publish_or_perish\">publish or perish<\/a><\/noindex>).<\/p>\n<p><\/p>\n<p>Per questo motivo \u00e8 sorta la necessit\u00e0 di sistematizzare le informazioni sulle reti neurali e, in questo modo, aumentare la qualit\u00e0 della comprensione e della memorizzazione. Pertanto, il tema principale dell'analisi di tecnologie e architetture specifiche delle reti neurali artificiali \u00e8 diventata la seguente domanda: <strong>scoprire dove sta andando tutto ci\u00f2<\/strong>, e non il funzionamento di una specifica rete neurale in particolare.<\/p>\n<p><\/p>\n<p>Dove sta andando tutto ci\u00f2. Risultati principali:<\/p>\n<p><\/p>\n<ul>\n<li>Il numero di startup nel campo dell'apprendimento automatico negli ultimi due anni <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/recognitor\/blog\/455676\/\">\u00e8 drasticamente diminuito<\/a><\/noindex>. Possibile motivo: \"le reti neurali hanno smesso di essere qualcosa di nuovo\".<\/li>\n<li>Chiunque potr\u00e0 creare una rete neurale funzionante per risolvere un compito semplice. Per farlo, prender\u00e0 un modello gi\u00e0 pronto dallo \"zoo dei modelli\" (model zoo) e addestrer\u00e0 l'ultimo strato della rete neurale (<noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/yofjFQddwHE\">transfer learning<\/a><\/noindex>) su dati gi\u00e0 pronti da <noindex><a rel=\"nofollow\" href=\"https:\/\/toolbox.google.com\/datasetsearch\">Google Dataset Search<\/a><\/noindex> o da <noindex><a rel=\"nofollow\" href=\"https:\/\/www.kaggle.com\/datasets\">25 mila dataset di Kaggle<\/a><\/noindex> in gratuito <noindex><a rel=\"nofollow\" href=\"https:\/\/www.dataschool.io\/cloud-services-for-jupyter-notebook\/\">cloud Jupyter Notebook<\/a><\/noindex>.<\/li>\n<li>I grandi produttori di reti neurali hanno iniziato a creare <strong>\"zoo di modelli\"<\/strong> (model zoo). Con essi \u00e8 possibile sviluppare rapidamente un'applicazione commerciale: <noindex><a rel=\"nofollow\" href=\"https:\/\/tfhub.dev\/\">TF Hub<\/a><\/noindex> per TensorFlow, <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/open-mmlab\/mmdetection\">MMDetection<\/a><\/noindex> per PyTorch, <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/facebookresearch\/Detectron\">Detectron<\/a><\/noindex> per Caffe2, <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/wkentaro\/chainer-modelzoo\">chainer-modelzoo<\/a><\/noindex> per Chainer e <noindex><a rel=\"nofollow\" href=\"https:\/\/modelzoo.co\/\">altri<\/a><\/noindex>.<\/li>\n<li>Reti neurali operative in <strong>tempo reale<\/strong> (real-time) su dispositivi mobili. Da 10 a 50 fotogrammi al secondo.<\/li>\n<li>Applicazione delle reti neurali nei telefoni (TF Lite), nei browser (TF.js) e in <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/19ZNz2N79u4\">oggetti domestici<\/a><\/noindex> (IoT, <strong>I<\/strong>internet <strong>o<\/strong>f <strong>T<\/strong>delle cose). In particolare nei telefoni che gi\u00e0 supportano le reti neurali a livello di \"hardware\" (neuroacceleratori).<\/li>\n<li>\u00abOgni dispositivo, articolo di abbigliamento e, forse, persino il cibo avranno <strong>un indirizzo IP-v6<\/strong> e si comunicheranno tra loro\u00bb \u2013 <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/GG7H8Xa4m8I?t=85\">Sebastian Thrun<\/a><\/noindex>.<\/li>\n<li>L'aumento delle pubblicazioni su machine learning ha iniziato <noindex><a rel=\"nofollow\" href=\"http:\/\/data-mining.philippe-fournier-viger.com\/too-many-machine-learning-papers\">a superare la legge di Moore<\/a><\/noindex> (raddoppiamento ogni due anni) dal 2015. \u00c8 evidente che sono necessarie reti neurali per l'analisi degli articoli.<\/li>\n<li>Stanno guadagnando popolarit\u00e0 le seguenti tecnologie:\n<ul>\n<li><strong>PyTorch<\/strong> \u2013 la popolarit\u00e0 cresce rapidamente e, a quanto pare, supera TensorFlow.<\/li>\n<li>Selezione automatica degli iperparametri <strong>AutoML<\/strong> \u2013 la popolarit\u00e0 cresce lentamente.<\/li>\n<li>Diminuzione graduale della precisione e aumento della velocit\u00e0 di calcolo: <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/rln_kZbYaWc\">logica fuzzy<\/a><\/noindex>, algoritmi <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/MIPkK5ZAsms\">di boosting<\/a><\/noindex>, calcoli imprecisi (approssimativi), quantizzazione (quando i pesi della rete neurale vengono convertiti in numeri interi e quantizzati), neuroacceleratori.<\/li>\n<li>Traduzione <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/e-WB4lfg30M\">immagini in testo<\/a><\/noindex> e <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/rAbhypxs1qQ\">testo in immagini<\/a><\/noindex>.<\/li>\n<li>Creazione <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/OrHLacCDZVQ\">di oggetti tridimensionali da video<\/a><\/noindex>, ora in tempo reale.<\/li>\n<li>Il fondamentale in DL \u00e8 una grande quantit\u00e0 di dati, ma raccoglierli e etichettarli non \u00e8 semplice. Pertanto, si sta sviluppando l'automazione dell'etichettatura (<noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/NcKTn4C91Yc\">automated annotation<\/a><\/noindex>) per le reti neurali attraverso le reti neurali.<\/li>\n<\/ul>\n<\/li>\n<li>Con le reti neurali, la Computer Science \u00e8 diventata improvvisamente <strong>una scienza sperimentale<\/strong> ed \u00e8 emerso <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/480348\">una crisi di riproducibilit\u00e0<\/a><\/noindex>.<\/li>\n<li>Il denaro IT e la popolarit\u00e0 delle reti neurali sono nati contemporaneamente, quando il calcolo \u00e8 diventato un valore di mercato. L'economia da oro-valutaria diventa <strong>oro-valuta-calcolo.<\/strong>. Guarda il mio articolo su <noindex><a rel=\"nofollow\" href=\"https:\/\/ru.wikipedia.org\/wiki\/%D0%AD%D0%BA%D0%BE%D0%BD%D0%BE%D1%84%D0%B8%D0%B7%D0%B8%D0%BA%D0%B0\">econofisica<\/a><\/noindex> e la ragione della comparsa dei soldi IT.<\/li>\n<\/ul>\n<p><\/p>\n<p>Gradualmente emerge una nuova <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/481844\">metodologia di programmazione ML\/DL<\/a><\/noindex> (Machine Learning &amp; Deep Learning), che si basa sulla rappresentazione del programma come un insieme di modelli di rete neurale addestrati.<\/p>\n<p><\/p>\n<p><img decoding=\"async\" alt=\"Reti neurali. Dove sta andando tutto questo\" src=\"\/wp-content\/uploads\/2020\/01\/17df76a613191522145abeba177c2685.png\" style=\"display:block;margin: 0 auto;\" \/><\/p>\n<p><\/p>\n<p>Figura 3 \u2013 ML\/DL come nuova metodologia di programmazione<\/p>\n<p><\/p>\n<p>Tuttavia, non \u00e8 ancora emersa <strong>\u00abteoria delle reti neurali\u00bb<\/strong>, nell'ambito della quale si possa pensare e lavorare in modo sistemico. Ci\u00f2 che ora viene chiamato \u00abteoria\u00bb sono in realt\u00e0 algoritmi sperimentali ed euristici.<\/p>\n<p><\/p>\n<p>Collegamenti alle mie e ad altre risorse:<\/p>\n<p><\/p>\n<ul>\n<li>Newsletter su Data Science. Principalmente su elaborazione delle immagini. Chi desidera riceverla, pu\u00f2 inviare un'email (foobar167&lt;gaffa-gaffa&gt;gmail&lt;punta&gt;com). Invio link ad articoli e video man mano che accumulo materiale.<\/li>\n<li>Elenco complessivo <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/foobar167\/articles\/blob\/master\/Machine_Learning\/courses_on_machine_learning.md\">di corsi e articoli<\/a><\/noindex>, che ho fatto e che vorrei fare.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/foobar167\/articles\/blob\/master\/Ubuntu\/13_Keras_and_TensorFlow_how-tos.md#exercises\">Corsi e video per principianti<\/a><\/noindex>, da cui si dovrebbe iniziare a studiare le reti neurali. In aggiunta, un opuscolo <noindex><a rel=\"nofollow\" href=\"https:\/\/foobar167.github.io\/page\/vvedeniye-v-mashinnoye-obucheniye-i-iskusstvennyye-neyronnyye-seti.html\">\u00abIntroduzione al machine learning e alle reti neurali artificiali\u00bb<\/a><\/noindex>.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/foobar167\/articles\/blob\/master\/Ubuntu\/13_Keras_and_TensorFlow_how-tos.md#tools\">Strumenti utili<\/a><\/noindex>, dove ognuno pu\u00f2 trovare qualcosa di interessante per s\u00e9.<\/li>\n<li>Sono stati estremamente utili <strong>canali video su come analizzare articoli scientifici<\/strong> sul Data Science. Trovateli, seguiteli e condividete i link con i vostri colleghi e anche con me. Esempi:\n<ul>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/www.youtube.com\/user\/keeroyz\">Two Minute Papers<\/a><\/noindex><\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/www.youtube.com\/channel\/UCHB9VepY6kYvZjj0Bgxnpbw\">Henry AI Labs<\/a><\/noindex><\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/www.youtube.com\/channel\/UCZHmQk67mSJgfCCTn7xBfew\">Yannic Kilcher<\/a><\/noindex><\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/www.youtube.com\/channel\/UC5_6ZD6s8klmMu9TXEB_1IA\">CodeEmporium<\/a><\/noindex><\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/www.dlology.com\">Blog di Chengwei Zhang<\/a><\/noindex> aka <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/Tony607\">Tony607<\/a><\/noindex> con istruzioni passo passo e codice sorgente aperto.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<p><\/p>\n<p>Grazie per l'attenzione!<\/p>\n<p>Fonte: <a content=\"nofollow\" rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/482794\/\">habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"<p>\u0421\u0442\u0430\u0442\u044c\u044f \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0438\u0437 \u0434\u0432\u0443\u0445 \u0447\u0430\u0441\u0442\u0435\u0439: \u041a\u0440\u0430\u0442\u043a\u043e\u0435 \u043e\u043f\u0438\u0441\u0430\u043d\u0438\u0435 \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440 \u0441\u0435\u0442\u0435\u0439 \u043f\u043e \u043e\u0431\u043d\u0430\u0440\u0443\u0436\u0435\u043d\u0438\u044e \u043e\u0431\u044a\u0435\u043a\u0442\u043e\u0432 \u043d\u0430 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0438 \u0438 \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u0441 \u0441\u0430\u043c\u044b\u043c\u0438 \u043f\u043e\u043d\u044f\u0442\u043d\u044b\u043c\u0438 \u0434\u043b\u044f \u043c\u0435\u043d\u044f \u0441\u0441\u044b\u043b\u043a\u0430\u043c\u0438 \u043d\u0430 \u0440\u0435\u0441\u0443\u0440\u0441\u044b. \u0421\u0442\u0430\u0440\u0430\u043b\u0441\u044f \u0432\u044b\u0431\u0438\u0440\u0430\u0442\u044c \u0432\u0438\u0434\u0435\u043e \u043f\u043e\u044f\u0441\u043d\u0435\u043d\u0438\u044f \u0438 \u0436\u0435\u043b\u0430\u0442\u0435\u043b\u044c\u043d\u043e \u043d\u0430 \u0440\u0443\u0441\u0441\u043a\u043e\u043c \u044f\u0437\u044b\u043a\u0435. \u0412\u0442\u043e\u0440\u0430\u044f \u0447\u0430\u0441\u0442\u044c \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0432 \u043f\u043e\u043f\u044b\u0442\u043a\u0435 \u043e\u0441\u043e\u0437\u043d\u0430\u0442\u044c \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0435 \u0440\u0430\u0437\u0432\u0438\u0442\u0438\u044f \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440 \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u044b\u0445 \u0441\u0435\u0442\u0435\u0439. \u0418 \u0442\u0435\u0445\u043d\u043e\u043b\u043e\u0433\u0438\u0439 \u043d\u0430 \u0438\u0445 \u043e\u0441\u043d\u043e\u0432\u0435. \u0420\u0438\u0441\u0443\u043d\u043e\u043a 1 \u2013 \u041f\u043e\u043d\u0438\u043c\u0430\u0442\u044c [&hellip;]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[702],"tags":[],"class_list":["post-54780","post","type-post","status-publish","format-standard","hentry","category-news"],"aioseo_notices":[],"aioseo_head":"\n\t\t<!-- All in One SEO 5.0.1.1 - aioseo.com -->\n\t<meta name=\"description\" content=\"\u0421\u0442\u0430\u0442\u044c\u044f \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0438\u0437 \u0434\u0432\u0443\u0445 \u0447\u0430\u0441\u0442\u0435\u0439: \u041a\u0440\u0430\u0442\u043a\u043e\u0435 \u043e\u043f\u0438\u0441\u0430\u043d\u0438\u0435 \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440 \u0441\u0435\u0442\u0435\u0439 \u043f\u043e \u043e\u0431\u043d\u0430\u0440\u0443\u0436\u0435\u043d\u0438\u044e \u043e\u0431\u044a\u0435\u043a\u0442\u043e\u0432 \u043d\u0430 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0438 \u0438 \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u0441 \u0441\u0430\u043c\u044b\u043c\u0438 \u043f\u043e\u043d\u044f\u0442\u043d\u044b\u043c\u0438 \u0434\u043b\u044f \u043c\u0435\u043d\u044f \u0441\u0441\u044b\u043b\u043a\u0430\u043c\u0438 \u043d\u0430 \u0440\u0435\u0441\u0443\u0440\u0441\u044b.\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Yuri Gagarin\"\/>\n\t<link rel=\"canonical\" href=\"https:\/\/prohoster.info\/it\/blog\/news\/nejroseti-kuda-eto-vse-dvizhetsya\" \/>\n\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.1.1\" \/>\n\t\t<meta property=\"og:locale\" content=\"it_IT\" \/>\n\t\t<meta property=\"og:site_name\" content=\"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b\" \/>\n\t\t<meta property=\"og:type\" content=\"article\" \/>\n\t\t<meta property=\"og:title\" content=\"\ud83e\udd47\u041d\u0435\u0439\u0440\u043e\u0441\u0435\u0442\u0438. \u041a\u0443\u0434\u0430 \u044d\u0442\u043e \u0432\u0441\u0435 \u0434\u0432\u0438\u0436\u0435\u0442\u0441\u044f | ProHoster\" \/>\n\t\t<meta property=\"og:description\" content=\"\u0421\u0442\u0430\u0442\u044c\u044f \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0438\u0437 \u0434\u0432\u0443\u0445 \u0447\u0430\u0441\u0442\u0435\u0439: \u041a\u0440\u0430\u0442\u043a\u043e\u0435 \u043e\u043f\u0438\u0441\u0430\u043d\u0438\u0435 \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440 \u0441\u0435\u0442\u0435\u0439 \u043f\u043e \u043e\u0431\u043d\u0430\u0440\u0443\u0436\u0435\u043d\u0438\u044e \u043e\u0431\u044a\u0435\u043a\u0442\u043e\u0432 \u043d\u0430 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0438 \u0438 \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u0441 \u0441\u0430\u043c\u044b\u043c\u0438 \u043f\u043e\u043d\u044f\u0442\u043d\u044b\u043c\u0438 \u0434\u043b\u044f \u043c\u0435\u043d\u044f \u0441\u0441\u044b\u043b\u043a\u0430\u043c\u0438 \u043d\u0430 \u0440\u0435\u0441\u0443\u0440\u0441\u044b.\" \/>\n\t\t<meta property=\"og:url\" content=\"https:\/\/prohoster.info\/it\/blog\/news\/nejroseti-kuda-eto-vse-dvizhetsya\" \/>\n\t\t<meta property=\"og:image\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:secure_url\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:width\" content=\"350\" \/>\n\t\t<meta property=\"og:image:height\" content=\"350\" \/>\n\t\t<meta property=\"article:published_time\" content=\"2020-01-03T21:00:00+00:00\" \/>\n\t\t<meta property=\"article:modified_time\" content=\"2020-02-18T11:02:50+00:00\" \/>\n\t\t<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<meta property=\"article:author\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<!-- All in One SEO -->\n\n","aioseo_head_json":{"title":"\ud83e\udd47Reti neurali. Dove sta andando tutto questo | ProHoster","description":"L'articolo \u00e8 composto da due parti: Una panoramica di alcune architetture di reti per la rilevazione di oggetti nelle immagini e segmentazione delle immagini con i link pi\u00f9 comprensibili per me.","canonical_url":"https:\/\/prohoster.info\/it\/blog\/news\/nejroseti-kuda-eto-vse-dvizhetsya","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"it_IT","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47\u041d\u0435\u0439\u0440\u043e\u0441\u0435\u0442\u0438. \u041a\u0443\u0434\u0430 \u044d\u0442\u043e \u0432\u0441\u0435 \u0434\u0432\u0438\u0436\u0435\u0442\u0441\u044f | ProHoster","og:description":"\u0421\u0442\u0430\u0442\u044c\u044f \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0438\u0437 \u0434\u0432\u0443\u0445 \u0447\u0430\u0441\u0442\u0435\u0439: \u041a\u0440\u0430\u0442\u043a\u043e\u0435 \u043e\u043f\u0438\u0441\u0430\u043d\u0438\u0435 \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440 \u0441\u0435\u0442\u0435\u0439 \u043f\u043e \u043e\u0431\u043d\u0430\u0440\u0443\u0436\u0435\u043d\u0438\u044e \u043e\u0431\u044a\u0435\u043a\u0442\u043e\u0432 \u043d\u0430 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0438 \u0438 \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u0441 \u0441\u0430\u043c\u044b\u043c\u0438 \u043f\u043e\u043d\u044f\u0442\u043d\u044b\u043c\u0438 \u0434\u043b\u044f \u043c\u0435\u043d\u044f \u0441\u0441\u044b\u043b\u043a\u0430\u043c\u0438 \u043d\u0430 \u0440\u0435\u0441\u0443\u0440\u0441\u044b.","og:url":"https:\/\/prohoster.info\/it\/blog\/news\/nejroseti-kuda-eto-vse-dvizhetsya","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2020-01-03T21:00:00+00:00","article:modified_time":"2020-02-18T11:02:50+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"54780","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":"2026-01-24 12:43:20","breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-02-28 19:57:38","updated":"2026-01-24 12:43:20","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/posts\/54780","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/comments?post=54780"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/posts\/54780\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/media?parent=54780"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/categories?post=54780"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/tags?post=54780"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}