ມີຟອງການຮຽນຮູ້ເຄື່ອງຈັກລະເບີດ, ຫຼືມັນເປັນການເລີ່ມຕົ້ນຂອງອາລຸນໃຫມ່?

ປ່ອຍອອກມາເມື່ອບໍ່ດົນມານີ້ ບົດຄວາມ, ເຊິ່ງສະແດງໃຫ້ເຫັນແນວໂນ້ມທີ່ດີໃນການຮຽນຮູ້ເຄື່ອງຈັກໃນຊຸມປີທີ່ຜ່ານມາ. ໃນສັ້ນ: ຈໍານວນການເລີ່ມຕົ້ນການຮຽນຮູ້ເຄື່ອງຈັກໄດ້ຫຼຸດລົງໃນສອງປີທີ່ຜ່ານມາ.

ດີ. ຂໍໃຫ້ພິຈາລະນາເບິ່ງວ່າ "ຟອງໄດ້ລະເບີດຂຶ້ນບໍ", "ວິທີການດໍາລົງຊີວິດຕໍ່ໄປ" ແລະສົນທະນາກ່ຽວກັບບ່ອນທີ່ squiggle ນີ້ມາຈາກສະຖານທີ່ທໍາອິດ.

ກ່ອນອື່ນ, ໃຫ້ເວົ້າກ່ຽວກັບສິ່ງທີ່ເປັນຕົວກະຕຸ້ນຂອງເສັ້ນໂຄ້ງນີ້. ນາງມາຈາກໃສ? ເຂົາເຈົ້າອາດຈະຈື່ທຸກສິ່ງທຸກຢ່າງ ໄຊຊະນະ ການຮຽນຮູ້ເຄື່ອງຈັກໃນປີ 2012 ໃນການແຂ່ງຂັນ ImageNet. ຫຼັງຈາກທີ່ທັງຫມົດ, ນີ້ແມ່ນເຫດການທົ່ວໂລກຄັ້ງທໍາອິດ! ແຕ່ໃນຄວາມເປັນຈິງນີ້ບໍ່ແມ່ນກໍລະນີ. ແລະການຂະຫຍາຍຕົວຂອງເສັ້ນໂຄ້ງເລີ່ມຕົ້ນເລັກນ້ອຍກ່ອນຫນ້ານີ້. ຂ້ອຍຈະແຍກມັນອອກເປັນຫຼາຍຈຸດ.

1. 2008 ໄດ້ເຫັນການປະກົດຕົວຂອງຄໍາວ່າ "ຂໍ້ມູນໃຫຍ່". ຜະລິດຕະພັນທີ່ແທ້ຈິງໄດ້ເລີ່ມຕົ້ນ ປາກົດ ນັບ​ຕັ້ງ​ແຕ່​ປີ 2010​. ຂໍ້ມູນໃຫຍ່ແມ່ນກ່ຽວຂ້ອງໂດຍກົງກັບການຮຽນຮູ້ເຄື່ອງຈັກ. ຖ້າບໍ່ມີຂໍ້ມູນໃຫຍ່, ການດໍາເນີນງານທີ່ຫມັ້ນຄົງຂອງ algorithms ທີ່ມີຢູ່ໃນເວລານັ້ນແມ່ນເປັນໄປບໍ່ໄດ້. ແລະເຫຼົ່ານີ້ແມ່ນບໍ່ແມ່ນເຄືອຂ່າຍ neural. ຈົນກ່ວາ 2012, ເຄືອຂ່າຍ neural ແມ່ນການຮັກສາຂອງຊົນເຜົ່າສ່ວນນ້ອຍ. ແຕ່ຫຼັງຈາກນັ້ນ algorithms ທີ່ແຕກຕ່າງກັນຫມົດໄດ້ເລີ່ມຕົ້ນທີ່ຈະເຮັດວຽກ, ທີ່ມີມາຫຼາຍປີ, ຫຼືແມ້ກະທັ້ງທົດສະວັດ: SVM(1963,1993), ປ່າ Random (1995) AdaBoost (2003)

   ອະນຸພັນຂອງຄື້ນທໍາອິດນີ້ແມ່ນຊຸດຂອງກອບເຊັ່ນ XGBoost, CatBoost, LightGBM, ແລະອື່ນໆ.

2. ໃນປີ 2011-2012 ເຄືອຂ່າຍ neural convolutional ໄດ້ຊະນະການແຂ່ງຂັນການຮັບຮູ້ຮູບພາບຈໍານວນຫນຶ່ງ. ການນໍາໃຊ້ຕົວຈິງຂອງພວກເຂົາແມ່ນຊັກຊ້າເລັກນ້ອຍ. ຂ້າ​ພະ​ເຈົ້າ​ຈະ​ເວົ້າ​ວ່າ​ການ​ເລີ່ມ​ຕົ້ນ​ແລະ​ການ​ແກ້​ໄຂ​ທີ່​ມີ​ຄວາມ​ຫມາຍ​ອັນ​ໃຫຍ່​ຫຼວງ​ໄດ້​ເລີ່ມ​ຕົ້ນ​ທີ່​ຈະ​ປາ​ກົດ​ໃນ​ປີ 2014​. ມັນໃຊ້ເວລາສອງປີເພື່ອຍ່ອຍອາຫານທີ່ neurons ຍັງເຮັດວຽກ, ເພື່ອສ້າງກອບທີ່ສະດວກທີ່ສາມາດຕິດຕັ້ງແລະເປີດຕົວໃນເວລາທີ່ເຫມາະສົມ, ການພັດທະນາວິທີການທີ່ຈະສະຖຽນລະພາບແລະເລັ່ງເວລາ convergence.

   ເຄືອຂ່າຍ Convolutional ເຮັດໃຫ້ມັນເປັນໄປໄດ້ທີ່ຈະແກ້ໄຂບັນຫາການເບິ່ງເຫັນຄອມພິວເຕີ: ການຈັດປະເພດຮູບພາບແລະວັດຖຸໃນຮູບພາບ, ການກວດສອບວັດຖຸ, ການຮັບຮູ້ວັດຖຸແລະຄົນ, ການປັບປຸງຮູບພາບ, ແລະອື່ນໆ, ແລະອື່ນໆ.

3. 2015-2017. ການຂະຫຍາຍຕົວຂອງ algorithms ແລະໂຄງການໂດຍອີງໃສ່ເຄືອຂ່າຍ recurrent ຫຼື analogues ຂອງເຂົາເຈົ້າ (LSTM, GRU, TransformerNet, ແລະອື່ນໆ). ສູດການຄິດໄລ່ການເວົ້າເປັນຂໍ້ຄວາມທີ່ເຮັດວຽກໄດ້ດີ ແລະລະບົບການແປດ້ວຍເຄື່ອງໄດ້ປະກົດຂຶ້ນ. ພວກເຂົາເຈົ້າແມ່ນສ່ວນຫນຶ່ງແມ່ນອີງໃສ່ເຄືອຂ່າຍ convolutional ເພື່ອສະກັດລັກສະນະພື້ນຖານ. ບາງສ່ວນແມ່ນຍ້ອນຄວາມຈິງທີ່ວ່າພວກເຮົາໄດ້ຮຽນຮູ້ການເກັບກໍາຂໍ້ມູນຂະຫນາດໃຫຍ່ແລະດີແທ້ໆ.

“ຟອງໄດ້ລະເບີດບໍ? hype ຮ້ອນເກີນໄປບໍ? ພວກເຂົາຕາຍເປັນ blockchain ບໍ?”
ບໍ່ດັ່ງນັ້ນ! ມື້ອື່ນ Siri ຈະຢຸດເຮັດວຽກຢູ່ໃນໂທລະສັບຂອງທ່ານ, ແລະມື້ຕໍ່ມາ Tesla ຈະບໍ່ຮູ້ຄວາມແຕກຕ່າງລະຫວ່າງການຫັນກັບ Kangaroo.

ເຄືອຂ່າຍ neural ເຮັດວຽກຢູ່ແລ້ວ. ພວກເຂົາຢູ່ໃນຫລາຍສິບອຸປະກອນ. ພວກເຂົາເຈົ້າກໍ່ອະນຸຍາດໃຫ້ທ່ານສາມາດຫາເງິນ, ປ່ຽນແປງຕະຫຼາດແລະໂລກທີ່ອ້ອມຮອບທ່ານ. Hype ເບິ່ງແຕກຕ່າງກັນເລັກນ້ອຍ:

ມັນເປັນພຽງແຕ່ວ່າເຄືອຂ່າຍ neural ບໍ່ແມ່ນສິ່ງໃຫມ່ອີກຕໍ່ໄປ. ແມ່ນແລ້ວ, ຫຼາຍຄົນມີຄວາມຄາດຫວັງສູງ. ແຕ່ຈໍານວນບໍລິສັດຈໍານວນຫລາຍໄດ້ຮຽນຮູ້ການນໍາໃຊ້ neurons ແລະເຮັດໃຫ້ຜະລິດຕະພັນໂດຍອີງໃສ່ພວກມັນ. Neurons ສະຫນອງການເຮັດວຽກໃຫມ່, ອະນຸຍາດໃຫ້ທ່ານສາມາດຕັດວຽກ, ແລະຫຼຸດຜ່ອນລາຄາຂອງການບໍລິການ:

• ບໍລິສັດຜະລິດກໍາລັງປະສົມປະສານລະບົບວິທີການວິເຄາະຂໍ້ບົກພ່ອງໃນສາຍການຜະລິດ.
• ຟາມລ້ຽງສັດຊື້ລະບົບເພື່ອຄວບຄຸມງົວ.
• ປະສົມປະສານອັດຕະໂນມັດ.
• ສູນໂທອັດຕະໂນມັດ.
• ການກັ່ນຕອງໃນ SnapChat. (ດີ, ຢ່າງຫນ້ອຍບາງສິ່ງບາງຢ່າງທີ່ເປັນປະໂຫຍດ!)

ແຕ່ສິ່ງທີ່ສໍາຄັນ, ແລະບໍ່ຊັດເຈນທີ່ສຸດ: "ບໍ່ມີແນວຄວາມຄິດໃຫມ່, ຫຼືພວກເຂົາຈະບໍ່ນໍາເອົາທຶນທັນທີ." ເຄືອຂ່າຍ neural ໄດ້ແກ້ໄຂບັນຫາຫຼາຍສິບບັນຫາ. ແລະພວກເຂົາຈະຕັດສິນໃຈຫຼາຍກວ່ານັ້ນ. ແນວຄວາມຄິດທີ່ຊັດເຈນທັງຫມົດທີ່ມີຢູ່ໄດ້ເຮັດໃຫ້ເກີດການເລີ່ມຕົ້ນຫຼາຍ. ແຕ່ທຸກສິ່ງທຸກຢ່າງທີ່ຢູ່ເທິງຫນ້າດິນໄດ້ຖືກລວບລວມແລ້ວ. ໃນໄລຍະສອງປີທີ່ຜ່ານມາ, ຂ້າພະເຈົ້າບໍ່ໄດ້ພົບເຫັນຄວາມຄິດໃຫມ່ດຽວສໍາລັບການນໍາໃຊ້ເຄືອຂ່າຍ neural. ບໍ່ແມ່ນວິທີການໃຫມ່ດຽວ (ດີ, ດີ, ມີບັນຫາເລັກນ້ອຍກັບ GANs).

ແລະການເລີ່ມຕົ້ນແຕ່ລະຄັ້ງຕໍ່ມາແມ່ນມີຄວາມຊັບຊ້ອນຫຼາຍຂຶ້ນ. ມັນບໍ່ໄດ້ຮຽກຮ້ອງໃຫ້ຜູ້ຊາຍສອງຄົນທີ່ຝຶກອົບຮົມ neuron ໂດຍໃຊ້ຂໍ້ມູນເປີດ. ມັນຕ້ອງການນັກຂຽນໂປລແກລມ, ເຄື່ອງແມ່ຂ່າຍ, ທີມງານຂອງເຄື່ອງຫມາຍ, ສະຫນັບສະຫນູນສະລັບສັບຊ້ອນ, ແລະອື່ນໆ.

ດັ່ງນັ້ນ, ມີການເລີ່ມຕົ້ນຫນ້ອຍລົງ. ແຕ່ມີການຜະລິດຫຼາຍ. ຕ້ອງການເພີ່ມການຮັບຮູ້ປ້າຍທະບຽນລົດບໍ? ມີຫຼາຍຮ້ອຍຜູ້ຊ່ຽວຊານທີ່ມີປະສົບການທີ່ກ່ຽວຂ້ອງໃນຕະຫຼາດ. ທ່ານສາມາດຈ້າງຄົນແລະໃນສອງສາມເດືອນພະນັກງານຂອງເຈົ້າຈະເຮັດໃຫ້ລະບົບ. ຫຼືຊື້ເຄື່ອງພ້ອມ. ແຕ່ການເລີ່ມຕົ້ນໃຫມ່?.. Crazy!

ທ່ານຈໍາເປັນຕ້ອງສ້າງລະບົບການຕິດຕາມຜູ້ເຂົ້າຊົມ - ເປັນຫຍັງຕ້ອງຈ່າຍສໍາລັບຊໍ່ຂອງໃບອະນຸຍາດໃນເວລາທີ່ທ່ານສາມາດເຮັດໃຫ້ຕົວທ່ານເອງໃນ 3-4 ເດືອນ, ເຮັດໃຫ້ມັນແຫຼມສໍາລັບທຸລະກິດຂອງທ່ານ.

ໃນປັດຈຸບັນເຄືອຂ່າຍ neural ກໍາລັງຜ່ານເສັ້ນທາງດຽວກັນກັບຫລາຍສິບເຕັກໂນໂລຢີອື່ນໆໄດ້ຜ່ານ.

ທ່ານຈື່ໄດ້ບໍວ່າແນວຄວາມຄິດຂອງ "ຜູ້ພັດທະນາເວັບໄຊທ໌" ໄດ້ປ່ຽນແປງແນວໃດຕັ້ງແຕ່ປີ 1995? ຕະຫຼາດຍັງບໍ່ທັນອີ່ມຕົວກັບຜູ້ຊ່ຽວຊານ. ມີຜູ້ຊ່ຽວຊານຫນ້ອຍທີ່ສຸດ. ແຕ່ຂ້ອຍສາມາດວາງເດີມພັນໄດ້ວ່າໃນ 5-10 ປີຈະບໍ່ມີຄວາມແຕກຕ່າງກັນຫຼາຍລະຫວ່າງນັກຂຽນໂປລແກລມ Java ແລະນັກພັດທະນາເຄືອຂ່າຍ neural. ຈະມີຜູ້ຊ່ຽວຊານທັງສອງຢ່າງພຽງພໍໃນຕະຫຼາດ.

ມັນພຽງແຕ່ຈະມີຫ້ອງຮຽນຂອງບັນຫາທີ່ສາມາດແກ້ໄຂໄດ້ໂດຍ neurons. ວຽກງານເກີດຂຶ້ນ - ຈ້າງຜູ້ຊ່ຽວຊານ.

"ແມ່ນຫຍັງຕໍ່ໄປ? ປັນຍາປະດິດທີ່ສັນຍາໄວ້ຢູ່ໃສ?”

ແຕ່ໃນທີ່ນີ້ມີຄວາມເຂົ້າໃຈຜິດເລັກນ້ອຍແຕ່ຫນ້າສົນໃຈ :)

ເຕັກໂນໂລຍີ stack ທີ່ມີຢູ່ໃນມື້ນີ້, ປາກົດຂື້ນ, ຈະບໍ່ນໍາພວກເຮົາໄປສູ່ປັນຍາປະດິດ. ແນວ​ຄວາມ​ຄິດ​ແລະ​ຄວາມ​ໃຫມ່​ຂອງ​ເຂົາ​ເຈົ້າ​ໄດ້​ຫມົດ​ໄປ​ສ່ວນ​ໃຫຍ່​ຂອງ​ຕົນ​ເອງ​. ໃຫ້ເວົ້າກ່ຽວກັບສິ່ງທີ່ຖືລະດັບການພັດທະນາໃນປະຈຸບັນ.

Restrictions

ໃຫ້ເລີ່ມຕົ້ນດ້ວຍລົດທີ່ຂັບລົດດ້ວຍຕົນເອງ. ມັນເບິ່ງຄືວ່າຈະແຈ້ງວ່າມັນເປັນໄປໄດ້ທີ່ຈະເຮັດໃຫ້ລົດອັດຕະໂນມັດຢ່າງເຕັມສ່ວນກັບເຕັກໂນໂລຢີຂອງມື້ນີ້. ​ແຕ່​ວ່າ​ຈະ​ເກີດ​ຂຶ້ນ​ໃນ​ເວລາ​ຫຼາຍ​ປີ​ບໍ່​ເປັນ​ທີ່​ຈະ​ແຈ້ງ. Tesla ເຊື່ອວ່ານີ້ຈະເກີດຂຶ້ນໃນສອງສາມປີ -

ມີຫຼາຍອັນ ຜູ້ຊ່ຽວຊານ, ຜູ້ທີ່ຄາດຄະເນວ່າມັນຈະເປັນ 5-10 ປີ.

ສ່ວນຫຼາຍອາດຈະ, ໃນຄວາມຄິດເຫັນຂອງຂ້າພະເຈົ້າ, ໃນ 15 ປີ, ໂຄງສ້າງພື້ນຖານຂອງຕົວເມືອງຕົວມັນເອງຈະມີການປ່ຽນແປງໃນລັກສະນະທີ່ການເກີດໃຫມ່ຂອງລົດປົກຄອງຕົນເອງຈະກາຍເປັນສິ່ງທີ່ຫຼີກລ່ຽງບໍ່ໄດ້ແລະຈະກາຍເປັນຢ່າງຕໍ່ເນື່ອງ. ແຕ່ນີ້ບໍ່ສາມາດຖືກພິຈາລະນາຄວາມສະຫລາດ. Tesla ທີ່ທັນສະໄຫມເປັນທໍ່ທີ່ສັບສົນຫຼາຍສໍາລັບການກັ່ນຕອງຂໍ້ມູນ, ການຄົ້ນຫາແລະການຝຶກອົບຮົມຄືນໃຫມ່. ເຫຼົ່ານີ້ແມ່ນກົດລະບຽບ, ກົດລະບຽບ, ການລວບລວມຂໍ້ມູນແລະການກັ່ນຕອງກ່ຽວກັບພວກມັນ (ທີ່ນີ້ ທີ່ນີ້ ຂ້າພະເຈົ້າໄດ້ຂຽນເພີ່ມເຕີມກ່ຽວກັບເລື່ອງນີ້, ຫຼືເບິ່ງຈາກ ນີ້ ເຄື່ອງຫມາຍ).

ປັນຫາ ທຳ ອິດ

ແລະນີ້ແມ່ນບ່ອນທີ່ພວກເຮົາເຫັນ ບັນຫາພື້ນຖານທໍາອິດ. ຂໍ້ມູນໃຫຍ່. ນີ້ແມ່ນສິ່ງທີ່ໃຫ້ເກີດກັບຄື້ນປະຈຸບັນຂອງເຄືອຂ່າຍ neural ແລະການຮຽນຮູ້ເຄື່ອງຈັກ. ໃນປັດຈຸບັນ, ເພື່ອເຮັດບາງສິ່ງບາງຢ່າງທີ່ສັບສົນແລະອັດຕະໂນມັດ, ທ່ານຕ້ອງການຂໍ້ມູນຫຼາຍ. ບໍ່ພຽງແຕ່ຫຼາຍ, ແຕ່ຫຼາຍ, ຫຼາຍ. ພວກເຮົາຕ້ອງການລະບົບອັດຕະໂນມັດສໍາລັບການລວບລວມ, ເຄື່ອງຫມາຍ, ແລະການນໍາໃຊ້. ພວກເຮົາຕ້ອງການເຮັດໃຫ້ລົດເບິ່ງລົດບັນທຸກກໍາລັງປະເຊີນກັບແດດ - ທໍາອິດພວກເຮົາຕ້ອງໄດ້ເກັບກໍາຈໍານວນພຽງພໍຂອງເຂົາເຈົ້າ. ພວກເຮົາຕ້ອງການລົດບໍ່ໃຫ້ໄປ Crazy ກັບລົດຖີບ bolted ກັບລໍາຕົ້ນ - ຕົວຢ່າງເພີ່ມເຕີມ.

ຍິ່ງໄປກວ່ານັ້ນ, ຕົວຢ່າງຫນຶ່ງແມ່ນບໍ່ພຽງພໍ. ຮ້ອຍ? ພັນ?

ບັນຫາທີສອງ

ບັນຫາທີສອງ — ການເບິ່ງເຫັນສິ່ງທີ່ເຄືອຂ່າຍ neural ຂອງພວກເຮົາເຂົ້າໃຈ. ນີ້​ແມ່ນ​ເປັນ​ວຽກ​ງານ​ທີ່​ບໍ່​ແມ່ນ trivial ຫຼາຍ​. ຈົນກ່ວາໃນປັດຈຸບັນ, ມີຄົນຈໍານວນຫນ້ອຍທີ່ເຂົ້າໃຈວິທີການສ້າງພາບນີ້. ບົດຄວາມເຫຼົ່ານີ້ແມ່ນບໍ່ດົນມານີ້ຫຼາຍ, ນີ້ແມ່ນພຽງແຕ່ບາງຕົວຢ່າງ, ເຖິງແມ່ນວ່າຫ່າງໄກ:
ການເບິ່ງເຫັນ obsession ກັບໂຄງສ້າງ. ມັນສະແດງໃຫ້ເຫັນດີສິ່ງທີ່ neuron ມັກຈະແກ້ໄຂ + ສິ່ງທີ່ມັນຮັບຮູ້ວ່າເປັນຂໍ້ມູນເລີ່ມຕົ້ນ.

ການເບິ່ງເຫັນ ຄວາມກົດດັນທີ່ ການແປ. ໃນຄວາມເປັນຈິງ, ຄວາມດຶງດູດມັກຈະຖືກນໍາໃຊ້ຢ່າງແນ່ນອນເພື່ອສະແດງໃຫ້ເຫັນເຖິງສິ່ງທີ່ເຮັດໃຫ້ເກີດປະຕິກິລິຍາເຄືອຂ່າຍດັ່ງກ່າວ. ຂ້າພະເຈົ້າໄດ້ເຫັນສິ່ງດັ່ງກ່າວສໍາລັບທັງສອງ debugging ແລະການແກ້ໄຂຜະລິດຕະພັນ. ມີຫຼາຍບົດຄວາມກ່ຽວກັບຫົວຂໍ້ນີ້. ແຕ່ຂໍ້ມູນທີ່ສັບສົນຫຼາຍ, ມັນຍາກທີ່ຈະເຂົ້າໃຈວິທີການບັນລຸການເບິ່ງເຫັນທີ່ເຂັ້ມແຂງ.

ແລ້ວ, ແມ່ນແລ້ວ, ຊຸດເກົ່າທີ່ດີຂອງ "ເບິ່ງສິ່ງທີ່ຢູ່ໃນຕາຫນ່າງໃນ ການກັ່ນຕອງ" ຮູບ​ພາບ​ເຫຼົ່າ​ນີ້​ເປັນ​ທີ່​ນິ​ຍົມ​ເມື່ອ 3-4 ປີ​ກ່ອນ, ແຕ່​ທຸກ​ຄົນ​ຮູ້​ໄວ​ວ່າ​ຮູບ​ພາບ​ທີ່​ສວຍ​ງາມ, ແຕ່​ພວກ​ເຂົາ​ເຈົ້າ​ບໍ່​ມີ​ຄວາມ​ຫມາຍ​ຫຼາຍ.

ຂ້າ​ພະ​ເຈົ້າ​ບໍ່​ໄດ້​ກ່າວ​ເຖິງ​ອາຍ​ແກ​ັ​ສ​ຂອງ gadgets ອື່ນໆ​, ວິ​ທີ​ການ​, hacks​, ການ​ຄົ້ນ​ຄວ້າ​ວິ​ທີ​ການ​ສະ​ແດງ​ພາຍ​ໃນ​ຂອງ​ເຄືອ​ຂ່າຍ​. ເຄື່ອງມືເຫຼົ່ານີ້ເຮັດວຽກບໍ? ພວກເຂົາເຈົ້າຊ່ວຍໃຫ້ທ່ານເຂົ້າໃຈໄວວ່າບັນຫາແມ່ນຫຍັງແລະແກ້ໄຂບັນຫາເຄືອຂ່າຍ?.. ເອົາສ່ວນຮ້ອຍສຸດທ້າຍບໍ? ດີ, ມັນກ່ຽວກັບການດຽວກັນ:

ທ່ານສາມາດເບິ່ງການແຂ່ງຂັນໃດໆໃນ Kaggle. ແລະລາຍລະອຽດກ່ຽວກັບວິທີທີ່ຄົນເຮັດການຕັດສິນໃຈຂັ້ນສຸດທ້າຍ. ພວກເຮົາ stacked 100-500-800 ຫນ່ວຍຂອງຕົວແບບແລະມັນເຮັດວຽກ!

ຂ້ອຍເວົ້າເກີນຈິງ, ແນ່ນອນ. ແຕ່ວິທີການເຫຼົ່ານີ້ບໍ່ໄດ້ໃຫ້ຄໍາຕອບທີ່ໄວແລະໂດຍກົງ.

ມີປະສົບການພຽງພໍ, ມີ poked ປະມານທາງເລືອກທີ່ແຕກຕ່າງກັນ, ທ່ານສາມາດໃຫ້ຄໍາຕັດສິນກ່ຽວກັບວ່າເປັນຫຍັງລະບົບຂອງທ່ານເຮັດໃຫ້ການຕັດສິນໃຈດັ່ງກ່າວ. ແຕ່ມັນຈະເປັນການຍາກທີ່ຈະແກ້ໄຂພຶດຕິກໍາຂອງລະບົບ. ຕິດຕັ້ງໄມ້ຄ້ອນເທົ້າ, ຍ້າຍເກນ, ເພີ່ມຊຸດຂໍ້ມູນ, ເອົາເຄືອຂ່າຍຫຼັງອື່ນ.

ບັນຫາທີສາມ

ບັນຫາພື້ນຖານທີສາມ — ຕາຂ່າຍໄຟຟ້າສອນສະຖິຕິ, ບໍ່ແມ່ນເຫດຜົນ. ສະຖິຕິນີ້ лицо:

ຕາມເຫດຜົນ, ມັນບໍ່ຄ້າຍຄືກັນຫຼາຍ. ເຄືອຂ່າຍ neural ບໍ່ໄດ້ຮຽນຮູ້ສິ່ງທີ່ສັບສົນເວັ້ນເສຍແຕ່ວ່າພວກເຂົາຖືກບັງຄັບໃຫ້. ພວກເຂົາເຈົ້າສະເຫມີສອນອາການທີ່ງ່າຍດາຍທີ່ສຸດທີ່ເປັນໄປໄດ້. ເຈົ້າມີຕາ, ດັງ, ຫົວບໍ? ດັ່ງນັ້ນນີ້ແມ່ນໃບຫນ້າ! ຫຼືໃຫ້ຕົວຢ່າງທີ່ຕາບໍ່ຫມາຍຄວາມວ່າໃບຫນ້າ. ແລະອີກເທື່ອຫນຶ່ງ - ລ້ານຕົວຢ່າງ.

ມີຫ້ອງຫຼາຍຢູ່ດ້ານລຸ່ມ

ຂ້ອຍຈະເວົ້າວ່າມັນແມ່ນສາມບັນຫາທົ່ວໂລກທີ່ຈໍາກັດການພັດທະນາເຄືອຂ່າຍ neural ແລະການຮຽນຮູ້ເຄື່ອງຈັກ. ແລະບ່ອນທີ່ບັນຫາເຫຼົ່ານີ້ບໍ່ໄດ້ຈໍາກັດມັນ, ມັນຖືກນໍາໃຊ້ຢ່າງຈິງຈັງ.

ນີ້ແມ່ນຈຸດຈົບ? ເຄືອຂ່າຍ neural ມີຂຶ້ນບໍ?

ບໍ່ຮູ້ຈັກ. ແຕ່, ແນ່ນອນ, ທຸກຄົນບໍ່ຫວັງ.

ມີຫຼາຍວິທີການ ແລະທິດທາງໃນການແກ້ໄຂບັນຫາພື້ນຖານທີ່ຂ້າພະເຈົ້າໄດ້ຍົກໃຫ້ເຫັນຂ້າງເທິງ. ແຕ່ມາເຖິງຕອນນັ້ນ, ບໍ່ມີວິທີການເຫຼົ່ານີ້ໄດ້ເຮັດໃຫ້ມັນເປັນໄປໄດ້ທີ່ຈະເຮັດສິ່ງໃຫມ່ໂດຍພື້ນຖານ, ເພື່ອແກ້ໄຂບາງສິ່ງບາງຢ່າງທີ່ຍັງບໍ່ທັນໄດ້ແກ້ໄຂ. ມາຮອດປະຈຸ, ໂຄງການພື້ນຖານທັງຫມົດແມ່ນໄດ້ຖືກປະຕິບັດບົນພື້ນຖານຂອງວິທີການທີ່ຫມັ້ນຄົງ (Tesla), ຫຼືຍັງຄົງເປັນໂຄງການທົດສອບຂອງສະຖາບັນຫຼືບໍລິສັດ (Google Brain, OpenAI).

ເວົ້າໂດຍປະມານ, ທິດທາງຕົ້ນຕໍແມ່ນການສ້າງຕົວແທນໃນລະດັບສູງຂອງຂໍ້ມູນປ້ອນຂໍ້ມູນ. ໃນຄວາມຫມາຍ, "ຄວາມຊົງຈໍາ". ຕົວຢ່າງທີ່ງ່າຍດາຍທີ່ສຸດຂອງຄວາມຊົງຈໍາແມ່ນ "ການຝັງ" ຕ່າງໆ - ການສະແດງຮູບພາບ. ຕົວຢ່າງ, ລະບົບການຮັບຮູ້ໃບຫນ້າທັງຫມົດ. ເຄືອ​ຂ່າຍ​ຮຽນ​ຮູ້​ທີ່​ຈະ​ໄດ້​ຮັບ​ຈາກ​ໃບ​ຫນ້າ​ທີ່​ເປັນ​ຕົວ​ແທນ​ທີ່​ຫມັ້ນ​ຄົງ​ທີ່​ບໍ່​ຂຶ້ນ​ກັບ​ພືດ​ຫມູນ​ວຽນ​, ແສງ​ຫຼື​ຄວາມ​ລະ​ອຽດ​. ໂດຍພື້ນຖານແລ້ວ, ເຄືອຂ່າຍຫຼຸດຜ່ອນການວັດແທກ "ຫນ້າທີ່ແຕກຕ່າງກັນຢູ່ໄກ" ແລະ "ໃບຫນ້າດຽວກັນແມ່ນໃກ້ຊິດ."

ສໍາລັບການຝຶກອົບຮົມດັ່ງກ່າວ, ຫຼາຍສິບແລະຫຼາຍຮ້ອຍພັນຕົວຢ່າງແມ່ນຈໍາເປັນ. ແຕ່ຜົນໄດ້ຮັບແມ່ນຮັບຜິດຊອບບາງສ່ວນຂອງ "ການຮຽນຮູ້ການສັກຢາດຽວ". ດຽວນີ້ພວກເຮົາບໍ່ຕ້ອງການຫຼາຍຮ້ອຍໃບເພື່ອຈື່ຄົນ. ພຽງແຕ່ຫນຶ່ງໃບຫນ້າແລະນັ້ນແມ່ນທັງຫມົດທີ່ພວກເຮົາມີ ໃຫ້ຊອກຫາ!
ມີພຽງບັນຫາດຽວ... ຕາຂ່າຍໄຟຟ້າສາມາດຮຽນຮູ້ວັດຖຸທີ່ງ່າຍດາຍພໍສົມຄວນ. ເມື່ອ​ພະ​ຍາ​ຍາມ​ທີ່​ຈະ​ຈໍາ​ແນກ​ບໍ່​ໄດ້​ໃບ​ຫນ້າ, ແຕ່​ຕົວ​ຢ່າງ, “ຄົນ​ໂດຍ​ເຄື່ອງ​ນຸ່ງ​ຫົ່ມ” (ວຽກ ການກໍານົດຕົວໃຫມ່) - ຄຸນະພາບຕົກຢູ່ໃນຄໍາສັ່ງຫຼາຍຂະຫນາດ. ແລະເຄືອຂ່າຍບໍ່ສາມາດຮຽນຮູ້ການປ່ຽນແປງທີ່ຊັດເຈນໃນມຸມໄດ້ອີກຕໍ່ໄປ.

ແລະການຮຽນຮູ້ຈາກຫຼາຍລ້ານຕົວຢ່າງແມ່ນມີຄວາມມ່ວນຄືກັນ.

ມີວຽກງານເພື່ອຫຼຸດຜ່ອນການເລືອກຕັ້ງຢ່າງຫຼວງຫຼາຍ. ສໍາລັບຕົວຢ່າງ, ທັນທີທັນໃດສາມາດ recall ຫນຶ່ງໃນວຽກງານທໍາອິດກ່ຽວກັບ OneShot ການຮຽນຮູ້ ຈາກ Google:

ສໍາລັບຕົວຢ່າງ, ມີຫຼາຍວຽກງານດັ່ງກ່າວ 1 ຫຼື 2 ຫຼື 3.

ມີພຽງແຕ່ຫນຶ່ງລົບ - ປົກກະຕິແລ້ວການຝຶກອົບຮົມເຮັດວຽກໄດ້ດີໃນບາງຕົວຢ່າງທີ່ງ່າຍດາຍ, "MNIST". ແລະເມື່ອກ້າວໄປສູ່ວຽກງານທີ່ສັບສົນ, ທ່ານຕ້ອງການຖານຂໍ້ມູນຂະຫນາດໃຫຍ່, ຮູບແບບຂອງວັດຖຸ, ຫຼືບາງປະເພດຂອງ magic.
ໂດຍທົ່ວໄປ, ການເຮັດວຽກກ່ຽວກັບການຝຶກອົບຮົມ One-Shot ແມ່ນຫົວຂໍ້ທີ່ຫນ້າສົນໃຈຫຼາຍ. ເຈົ້າພົບເຫັນຫຼາຍແນວຄວາມຄິດ. ແຕ່ສໍາລັບສ່ວນໃຫຍ່, ສອງບັນຫາທີ່ຂ້າພະເຈົ້າລະບຸໄວ້ (pretraining on a huge dataset / instability on complex data) ແຊກແຊງຢ່າງຫຼວງຫຼາຍໃນການຮຽນຮູ້.

ໃນທາງກົງກັນຂ້າມ, GANs - ເຄືອຂ່າຍ adversarial ທົ່ວໄປ - ເຂົ້າຫາຫົວຂໍ້ຂອງການຝັງຕົວ. ທ່ານອາດຈະໄດ້ອ່ານບົດຄວາມກ່ຽວກັບ Habré ກ່ຽວກັບຫົວຂໍ້ນີ້. (1, 2,3)
ຄຸນນະສົມບັດຂອງ GAN ແມ່ນການສ້າງຕັ້ງຂອງບາງພື້ນທີ່ຂອງລັດພາຍໃນ (ໂດຍພື້ນຖານແລ້ວການຝັງດຽວກັນ), ເຊິ່ງອະນຸຍາດໃຫ້ທ່ານສາມາດແຕ້ມຮູບ. ມັນສາມາດເປັນ ໃບຫນ້າ, ສາມາດ ການປະຕິບັດ.

ບັນຫາກັບ GAN ແມ່ນວ່າວັດຖຸທີ່ສ້າງຂຶ້ນທີ່ສັບສົນຫຼາຍ, ມັນມີຄວາມຫຍຸ້ງຍາກຫຼາຍທີ່ຈະອະທິບາຍມັນຢູ່ໃນເຫດຜົນ "ຜູ້ຈໍາແນກຜູ້ສ້າງ". ດັ່ງນັ້ນ, ຄໍາຮ້ອງສະຫມັກທີ່ແທ້ຈິງພຽງແຕ່ຂອງ GAN ທີ່ໄດ້ຍິນແມ່ນ DeepFake, ເຊິ່ງ, ອີກເທື່ອຫນຶ່ງ, manipulates facial agents (ສໍາລັບທີ່ມີພື້ນຖານຂະຫນາດໃຫຍ່).

ຂ້າພະເຈົ້າໄດ້ເຫັນການນໍາໃຊ້ທີ່ເປັນປະໂຫຍດອື່ນໆຈໍານວນຫນ້ອຍຫຼາຍ. ປົກກະຕິແລ້ວບາງປະເພດຂອງ trickery ທີ່ກ່ຽວຂ້ອງກັບການແຕ້ມຮູບສໍາເລັດຮູບ.

ແລະອີກເທື່ອຫນຶ່ງ. ບໍ່​ມີ​ໃຜ​ຄິດ​ວ່າ​ສິ່ງ​ນີ້​ຈະ​ເຮັດ​ໃຫ້​ເຮົາ​ກ້າວ​ໄປ​ສູ່​ອະນາຄົດ​ທີ່​ສົດ​ໃສ​ໄດ້​ແນວ​ໃດ. ການສະແດງເຫດຜົນ/ຊ່ອງຫວ່າງໃນເຄືອຂ່າຍ neural ແມ່ນດີ. ແຕ່ພວກເຮົາຕ້ອງການຕົວຢ່າງຈໍານວນຫລາຍ, ພວກເຮົາບໍ່ເຂົ້າໃຈວ່າ neuron ເປັນຕົວແທນແນວໃດໃນຕົວຂອງມັນເອງ, ພວກເຮົາບໍ່ເຂົ້າໃຈວິທີເຮັດໃຫ້ neuron ຈື່ຈໍາບາງແນວຄວາມຄິດທີ່ສັບສົນແທ້ໆ.

ການຮຽນຮູ້ການເສີມສ້າງ - ນີ້ແມ່ນວິທີການຈາກທິດທາງທີ່ແຕກຕ່າງກັນຫມົດ. ແນ່ນອນເຈົ້າຈື່ໄດ້ວ່າ Google ເອົາຊະນະທຸກຄົນໃນ Go ໄດ້ແນວໃດ. ໄຊຊະນະຫຼ້າສຸດໃນ Starcraft ແລະ Dota. ແຕ່ໃນທີ່ນີ້ທຸກສິ່ງທຸກຢ່າງແມ່ນຢູ່ໄກຈາກ rosy ແລະສັນຍາ. ລາວເວົ້າດີທີ່ສຸດກ່ຽວກັບ RL ແລະຄວາມສັບສົນຂອງມັນ ຫົວ​ຂໍ້​ນີ້.

ເພື່ອສະຫຼຸບໂດຍຫຍໍ້ກ່ຽວກັບສິ່ງທີ່ຜູ້ຂຽນຂຽນວ່າ:

• ຕົວແບບອອກຈາກກ່ອງບໍ່ເຫມາະ / ເຮັດວຽກບໍ່ດີໃນກໍລະນີຫຼາຍທີ່ສຸດ
• ບັນຫາພາກປະຕິບັດແມ່ນງ່າຍຕໍ່ການແກ້ໄຂດ້ວຍວິທີອື່ນ. Boston Dynamics ບໍ່ໃຊ້ RL ເນື່ອງຈາກຄວາມຊັບຊ້ອນ/ບໍ່ສາມາດຄາດເດົາໄດ້/ຄວາມສັບສົນທາງດ້ານການຄຳນວນ.
• ເພື່ອໃຫ້ RL ເຮັດວຽກ, ທ່ານຕ້ອງການຫນ້າທີ່ສະລັບສັບຊ້ອນ. ມັນມັກຈະຍາກທີ່ຈະສ້າງ / ຂຽນ
• ຄວາມຫຍຸ້ງຍາກໃນການຝຶກອົບຮົມແບບຈໍາລອງ. ທ່ານຕ້ອງໃຊ້ເວລາຫຼາຍເພື່ອສູບນ້ໍາແລະອອກຈາກ optima ທ້ອງຖິ່ນ
• ດັ່ງນັ້ນ, ມັນເປັນການຍາກທີ່ຈະເຮັດເລື້ມຄືນແບບຈໍາລອງ, ຮູບແບບບໍ່ຫມັ້ນຄົງກັບການປ່ຽນແປງເລັກນ້ອຍ
• ມັກຈະ overfits ບາງຮູບແບບແບບສຸ່ມ, ເຖິງແມ່ນວ່າເຄື່ອງກໍາເນີດຕົວເລກແບບສຸ່ມ

ຈຸດສໍາຄັນແມ່ນວ່າ RL ຍັງບໍ່ທັນເຮັດວຽກໃນການຜະລິດ. Google ມີການທົດລອງບາງຢ່າງ ( 1, 2 ). ແຕ່ຂ້ອຍບໍ່ໄດ້ເຫັນລະບົບຜະລິດຕະພັນດຽວ.

ຫນ່ວຍຄວາມຈໍາ. ການຫຼຸດລົງຂອງທຸກສິ່ງທຸກຢ່າງທີ່ອະທິບາຍຂ້າງເທິງນີ້ແມ່ນການຂາດໂຄງສ້າງ. ຫນຶ່ງໃນວິທີການທີ່ຈະພະຍາຍາມເຮັດໃຫ້ເປັນລະບຽບຮຽບຮ້ອຍທັງຫມົດນີ້ແມ່ນເພື່ອໃຫ້ເຄືອຂ່າຍ neural ມີການເຂົ້າເຖິງຫນ່ວຍຄວາມຈໍາແຍກຕ່າງຫາກ. ເພື່ອໃຫ້ນາງສາມາດບັນທຶກແລະຂຽນຄືນຜົນໄດ້ຮັບຂອງຂັ້ນຕອນຂອງນາງຢູ່ທີ່ນັ້ນ. ຫຼັງຈາກນັ້ນ, ເຄືອຂ່າຍ neural ສາມາດຖືກກໍານົດໂດຍສະຖານະຫນ່ວຍຄວາມຈໍາໃນປະຈຸບັນ. ນີ້ແມ່ນຄ້າຍຄືກັນກັບໂປເຊດເຊີຄລາສສິກແລະຄອມພິວເຕີ.

ທີ່ມີຊື່ສຽງທີ່ສຸດແລະເປັນທີ່ນິຍົມ ບົດຄວາມ — ຈາກ DeepMind:

ມັນເບິ່ງຄືວ່ານີ້ແມ່ນກຸນແຈທີ່ຈະເຂົ້າໃຈປັນຍາ? ແຕ່ອາດຈະບໍ່. ລະບົບຍັງຕ້ອງການຂໍ້ມູນຈໍານວນຫຼວງຫຼາຍສໍາລັບການຝຶກອົບຮົມ. ແລະມັນເຮັດວຽກສ່ວນໃຫຍ່ກັບຂໍ້ມູນຕາຕະລາງທີ່ມີໂຄງສ້າງ. ຍິ່ງໄປກວ່ານັ້ນ, ໃນເວລາທີ່ເຟສບຸກ ຕັດສິນໃຈ ບັນຫາທີ່ຄ້າຍຄືກັນ, ຫຼັງຈາກນັ້ນເຂົາເຈົ້າໄດ້ດໍາເນີນເສັ້ນທາງ "ຄວາມຊົງຈໍາ screw, ພຽງແຕ່ເຮັດໃຫ້ neuron ສັບສົນຫຼາຍ, ແລະມີຕົວຢ່າງເພີ່ມເຕີມ - ແລະມັນຈະຮຽນຮູ້ດ້ວຍຕົນເອງ."

ຄວາມບໍ່ສະຫງົບ. ອີກວິທີຫນຶ່ງເພື່ອສ້າງຄວາມຊົງຈໍາທີ່ມີຄວາມຫມາຍຄືການຝັງຕົວດຽວກັນ, ແຕ່ໃນລະຫວ່າງການຝຶກອົບຮົມ, ແນະນໍາເງື່ອນໄຂເພີ່ມເຕີມທີ່ຊ່ວຍໃຫ້ທ່ານສາມາດເນັ້ນໃສ່ "ຄວາມຫມາຍ" ໃນພວກມັນ. ຕົວຢ່າງ, ພວກເຮົາຕ້ອງການຝຶກອົບຮົມເຄືອຂ່າຍ neural ເພື່ອຈໍາແນກລະຫວ່າງພຶດຕິກໍາຂອງມະນຸດໃນຮ້ານ. ຖ້າພວກເຮົາປະຕິບັດຕາມເສັ້ນທາງມາດຕະຖານ, ພວກເຮົາຈະຕ້ອງເຮັດເຄືອຂ່າຍອາຍແກັສ. ຫນຶ່ງກໍາລັງຊອກຫາບຸກຄົນ, ທີສອງແມ່ນກໍານົດສິ່ງທີ່ລາວກໍາລັງເຮັດ, ທີສາມແມ່ນອາຍຸຂອງລາວ, ສີ່ແມ່ນເພດຂອງລາວ. ເຫດຜົນແຍກຕ່າງຫາກເບິ່ງພາກສ່ວນຂອງຮ້ານທີ່ມັນເຮັດ / ຖືກຝຶກອົບຮົມເພື່ອເຮັດສິ່ງນີ້. ອັນທີສາມກໍານົດເສັ້ນທາງຂອງມັນ, ແລະອື່ນໆ.

ຫຼື, ຖ້າຫາກວ່າມີຈໍານວນທີ່ບໍ່ມີຂອບເຂດຂອງຂໍ້ມູນ, ຫຼັງຈາກນັ້ນມັນກໍ່ເປັນໄປໄດ້ທີ່ຈະຝຶກອົບຮົມເຄືອຂ່າຍຫນຶ່ງສໍາລັບຜົນໄດ້ຮັບທີ່ເປັນໄປໄດ້ທັງຫມົດ (ແນ່ນອນ, array ຂອງຂໍ້ມູນດັ່ງກ່າວບໍ່ສາມາດເກັບກໍາໄດ້).

ວິທີການ disentanglement ບອກພວກເຮົາ - ໃຫ້ພວກເຮົາຝຶກອົບຮົມເຄືອຂ່າຍເພື່ອໃຫ້ຕົວມັນເອງສາມາດຈໍາແນກລະຫວ່າງແນວຄວາມຄິດ. ດັ່ງນັ້ນມັນຈະສ້າງການຝັງຕົວໂດຍອີງໃສ່ວິດີໂອ, ບ່ອນທີ່ພື້ນທີ່ຫນຶ່ງຈະກໍານົດການປະຕິບັດ, ຫນຶ່ງຈະກໍານົດຕໍາແຫນ່ງເທິງພື້ນໃນເວລາ, ຫນຶ່ງຈະກໍານົດຄວາມສູງຂອງບຸກຄົນ, ແລະຫນຶ່ງຈະກໍານົດເພດຂອງບຸກຄົນ. ໃນເວລາດຽວກັນ, ໃນເວລາທີ່ການຝຶກອົບຮົມ, ຂ້າພະເຈົ້າຢາກເກືອບຈະບໍ່ກະຕຸ້ນເຄືອຂ່າຍທີ່ມີແນວຄວາມຄິດທີ່ສໍາຄັນດັ່ງກ່າວ, ແຕ່ແທນທີ່ຈະເປັນຈຸດເດັ່ນແລະກຸ່ມພື້ນທີ່. ມີບົດຄວາມດັ່ງກ່າວບໍ່ຫຼາຍປານໃດ (ບາງສ່ວນຂອງພວກເຂົາ 1, 2, 3) ແລະໂດຍທົ່ວໄປແລ້ວພວກເຂົາແມ່ນຂ້ອນຂ້າງທິດສະດີ.

ແຕ່ທິດທາງນີ້, ຢ່າງຫນ້ອຍທາງທິດສະດີ, ຄວນກວມເອົາບັນຫາທີ່ໄດ້ລະບຸໄວ້ໃນຕອນຕົ້ນ.

ການເສື່ອມໂຊມຂອງຮູບພາບອີງຕາມພາລາມິເຕີ "ສີຝາ / ສີພື້ນ / ຮູບຮ່າງຂອງວັດຖຸ / ສີວັດຖຸ / ແລະອື່ນໆ."

ການເສື່ອມສະພາບຂອງໃບຫນ້າຕາມຕົວກໍານົດ "ຂະຫນາດ, eyebrows, ປະຖົມນິເທດ, ສີຜິວ, ແລະອື່ນໆ."

ອື່ນ ໆ

ມີຫຼາຍພື້ນທີ່ອື່ນໆ, ບໍ່ແມ່ນທົ່ວໂລກ, ທີ່ຊ່ວຍໃຫ້ທ່ານສາມາດຫຼຸດຜ່ອນຖານຂໍ້ມູນ, ເຮັດວຽກກັບຂໍ້ມູນທີ່ມີຄວາມຫຼາກຫຼາຍຫຼາຍ, ແລະອື່ນໆ.

ເອົາໃຈໃສ່. ມັນອາດຈະບໍ່ມີຄວາມຫມາຍທີ່ຈະແຍກສິ່ງນີ້ອອກເປັນວິທີການແຍກຕ່າງຫາກ. ພຽງແຕ່ວິທີການທີ່ເສີມຂະຫຍາຍຄົນອື່ນ. ບົດຄວາມຈໍານວນຫຼາຍແມ່ນອຸທິດຕົນເພື່ອລາວ (1,2,3). ຈຸດ​ທີ່​ເອົາ​ໃຈ​ໃສ່​ແມ່ນ​ເພື່ອ​ເສີມ​ຂະ​ຫຍາຍ​ການ​ຕອບ​ສະ​ຫນອງ​ຂອງ​ເຄືອ​ຂ່າຍ​ໂດຍ​ສະ​ເພາະ​ແມ່ນ​ວັດ​ຖຸ​ທີ່​ສໍາ​ຄັນ​ໃນ​ລະ​ຫວ່າງ​ການ​ຝຶກ​ອົບ​ຮົມ​. ເລື້ອຍໆໂດຍບາງປະເພດຂອງການກໍານົດເປົ້າຫມາຍພາຍນອກ, ຫຼືເຄືອຂ່າຍພາຍນອກຂະຫນາດນ້ອຍ.

ການຈຳລອງ 3 ມິຕິ. ຖ້າທ່ານເຮັດເຄື່ອງຈັກ 3D ທີ່ດີ, ທ່ານມັກຈະສາມາດກວມເອົາ 90% ຂອງຂໍ້ມູນການຝຶກອົບຮົມກັບມັນ (ຂ້ອຍກໍ່ເຫັນຕົວຢ່າງທີ່ເກືອບ 99% ຂອງຂໍ້ມູນຖືກປົກຄຸມດ້ວຍເຄື່ອງຈັກທີ່ດີ). ມີຫຼາຍແນວຄວາມຄິດແລະ hacks ກ່ຽວກັບວິທີການເຮັດໃຫ້ເຄືອຂ່າຍການຝຶກອົບຮົມກ່ຽວກັບການເຮັດວຽກຂອງເຄື່ອງຈັກ 3D ໂດຍໃຊ້ຂໍ້ມູນທີ່ແທ້ຈິງ (ປັບລະອຽດ, ການໂອນຮູບແບບ, ແລະອື່ນໆ). ແຕ່ມັກຈະເຮັດໃຫ້ເຄື່ອງຈັກທີ່ດີແມ່ນຫຼາຍຄໍາສັ່ງຂອງຂະຫນາດມີຄວາມຫຍຸ້ງຍາກຫຼາຍກ່ວາການເກັບກໍາຂໍ້ມູນ. ຕົວຢ່າງເມື່ອເຄື່ອງຈັກຖືກສ້າງຂຶ້ນ:
ການຝຶກອົບຮົມຫຸ່ນຍົນ (ກູໂກ, ສວນສະໝອງ)
ການຝຶກອົບຮົມ ການຮັບຮູ້ ສິນຄ້າຢູ່ໃນຮ້ານ (ແຕ່ໃນສອງໂຄງການທີ່ພວກເຮົາໄດ້ເຮັດ, ພວກເຮົາເຮັດໄດ້ງ່າຍໂດຍບໍ່ມີມັນ).
ການຝຶກອົບຮົມຢູ່ Tesla (ອີກເທື່ອຫນຶ່ງ, ວິດີໂອຂ້າງເທິງ).

ການຄົ້ນພົບ

ບົດຄວາມທັງຫມົດແມ່ນ, ໃນຄວາມຫມາຍ, ບົດສະຫຼຸບ. ອາດຈະເປັນຂໍ້ຄວາມຕົ້ນຕໍທີ່ຂ້ອຍຢາກເຮັດແມ່ນ "ຄວາມອິດເມື່ອຍຫມົດໄປ, neurons ບໍ່ໄດ້ສະຫນອງການແກ້ໄຂງ່າຍໆອີກຕໍ່ໄປ." ໃນປັດຈຸບັນພວກເຮົາຈໍາເປັນຕ້ອງເຮັດວຽກຫນັກເພື່ອຕັດສິນໃຈທີ່ສັບສົນ. ຫຼືເຮັດວຽກຫນັກເຮັດການຄົ້ນຄວ້າວິທະຍາສາດທີ່ສັບສົນ.

ໂດຍທົ່ວໄປ, ຫົວຂໍ້ແມ່ນການໂຕ້ວາທີ. ບາງທີຜູ້ອ່ານມີຕົວຢ່າງທີ່ຫນ້າສົນໃຈຫຼາຍບໍ?

ແຫຼ່ງຂໍ້ມູນ: www.habr.com