áá»áœááºá¯ááºá á¡ááœááºáá±á¬ááºááŒá®ážáá° áááá áºáá»áŸá±á¬ááºáá¯á¶ážá áá»áœááºá¯ááºááẠá¡á¬ážááŒáá·áºá¡áá»áá¯ááẠ(ááá¯ááºáá«á ááᯠáá»áœááºá¯ááºááá¯á·ááẠáá¶ááááŒá áºááœáẠáá¯ááºááá¹áááá»á¬ážááŸááá±á¬ áá±á¬ááºá áá¬á¡ááŒá±á¬ááºáž ááŒá±á¬áá±ááŒááºážááá¯ááºáá«)á
ááááºážá¡áá»ááºá¡áááºáááºážááá¬áá±á¬áááᯠá¡áá°ážá áááºáááºá á¬ážáá²á·áá°ážááŒá®áž á á¬ááœááºáá áºááœááºáá±á«áºááŸá¬ matrices ááœá±áá±á¬áẠááŒáŸá±á¬ááºááá¯á·áááá«áá°ážá ááŒá®ážáá±á¬á· áá«áá«ááᯠáááºáá¯ááºážáá០áááá¯á¡ááºáá«áá°ážá áá«ááŒá±á¬áá·áº áá«á·á¡áá¯ááºáá²á· á¡áá±ážá áááºá¡áá»ááºáá±ážááœá±ááᯠáááºážáá¬ážáááºá¡á±á¬ááºá á¡á¶á·ááŒá áá¬áá±á¬ááºážáá²á· áá¬ááºáááºážáá áºáá¯ááºááᯠáá«áá»áŸáá±ááá¯ááºááŸá¬áá«á áá áºáá«á áá»áœááºáá±á¬áºáá²á· áá¯ááºáá±á¬áºááá¯ááºáááºááœá±ááᯠExcel á á¬áááºážááá¬ážááŸá¬ á¡áá¯ááºááá¯ááºážáá²á·áááºá á¡áá¯ááºáááºáá áºáááºááŒá®ážááœá¬ážáá±á¬á· áá°ááá¯á·áá®áááºááœá¬ážáááºá áá°ááá¯á·á ááááºážáá±á«ááºážá ááºáá±á«áºááŸá¬ ááá¯ááºááŒá®áž ááá¯ááºááœá±áá«áá²á· áá¬áááºá¡áááºáá±á¬áẠááááºážáá±á«ááºážá ááºáá±á«áºááŸá¬ áá±áá¬ááœá±ááᯠáá±á¬ááºááŸá¯ááºááá¯ááºááŒáááºá áá±á¬ááºážááŒá®á á¡á²áá«ááŒá®ážááẠáááºááᯠneural networks ááœá±á¡ááŒá±á¬ááºáž ááŒá±á¬ááá¯ááºááá²?.. ááá¯á·ááŒá±á¬áá·áºá IT áá±á¬áááœáẠááá¯áá·áºááá¯ááºááᯠááŸá áºááŒáŸá¯ááºááŒááºážá¡ááœáẠá¡áá°ážááá¯á¡ááºáá»ááºáá»á¬áž áááŸááá²á·áá«á áá«áá±ááá·áº áá°ááá¯á·ááŒá±á¬áááá¯áá² "áá«ááá¯á·áááŸááá²á·áá±áá¬á áá±á¬ááºážáá«áááº" ááá¯á· áá°áááºáá»ááºážááœá±á á¡ááá¯á¡ááŒá áºááŸááºááœá±á¡ááŒá±á¬ááºážá á¡á¬áá¯á¶ááŒá±á¬ááœááºáááºááœá±á¡ááŒá±á¬ááºážá áááá¯ááááºážáááºážáá¬áá¬á áá¬ážááœá± (á¡áááá¡á¬ážááŒáá·áº Python á¡ááŒá±á¬ááºáž) á¡ááŒá±á¬ááºážááᯠáá«á·áá¬ážáá²ááŸá¬ ááŸá±á¬ááºááŒá±á¬ááºááŒáááºá
ááŒá±á¬ááááºáá±á¬á· áá«áᬠá¡áááºážááá¯ážááŸááºážááŒá®áž áá»áœááºáá±á¬á·áºáá²á· ááŸá¯ááºááŸá¬ážááŸá¯áááºáááºááŸá¬ á¡áá¯á¶ážáá»ááá¯á·á¡ááœáẠáá®ááŸá±á¬áºááá¬ááᯠáá¬ááŒá±á¬áá·áº ááá»áœááºážáá»ááºááá²ááá¯áᬠáá¯á¶ážááŒááºáá²á·áá«áááºá
á€áá±á¬ááºážáá«ážááœááºá Python áá¡ááŒá±áá¶áá»á¬ážááá¯áá»áœááºážáá»ááºáááºááŒáá¯ážá á¬ážááŸá¯áá»á¬ážááá¯áá»á±á¬áºááŒááºááŒá®áž Udacity ááŸá¡ááá²á· TensorFlow áááºáááºážá¡áá±á«áºáá»áœááºá¯ááºááááºááŒááºáá°ááá»ááºáá»á¬ážááá¯áá»áŸáá±áá«áááºá
áááá«ááºáž
á áœááºážá¡ááºá ááºááŸá¯áá¯ááºáááºážááœáẠáá ááŸá áºááŒá¬ááŒá®ážáá±á¬ááºá áááºááááŒá®áž á¡áá¬á¡á¬ážáá¯á¶ážááᯠáá¯ááºáá±á¬ááºááá¯ááºááŒá®áž á¡áááºážáááºááá¯áááẠ(ááá·áºáá¬áááºáá»á¬ážá¡ááá¯ááºáž) áá¯ááºááá¯ááºáá±á¬á¡áá«ááœáẠá¡ááœááºáá°ážááŒá¬ážáá±á¬á¡áá áºáá±á¬á¡áá¬áá»á¬ážááᯠáááºáá°ááŒááºážááẠáá áºáááºááœáẠá áááºá¡á¬ážáááºáááºááŸá¯ááᯠááŒá áºá á±áááºá áá«áá±ááá·áº á¡ááŒá¬ážáá áºáá¯ááá±á¬á· áá¯ááºááá¯ááºážááá¯ááºáá¬áá¬áá»ááºááŸá¯ "áá«á·áá±á«ááºážáá²ááŸá¬ áá®áá¬" ááŒá áºááœá¬ážáá«áááºá
áááá¯ááááºážáááºážááŸáá·áº á ááºáááºáá°ááŒááºážá á¡ááŒá±áá¶ááá±á¬ááá¬ážá¡á¬ážáá¯á¶ážááᯠáá»áœááºá¯áẠá¡ááŒáá·áºá¡ááá¬ážááááºáá±ážáá«á ááá¯á·ááŒá±á¬áá·áº áá»áœááºá¯ááºá¡á¬áž ááŒááºážáááºážá áœá¬ áá á®áááºááá·áºáá«á áá»áœááºá¯ááºááá±á¬ááºážáá«ážááẠsoftware development ááŸáá·áºáá±ážáá±á¬áá»áœááºá¯ááºáá²á·ááá¯á·áá°áá»á¬ážá¡ááœááºá áááºáááºá á¬ážááœááºáá±á¬ááºážááŒá®ážá¡áá¯á¶ážáááºáááá·áºáááºáá¯áá»áŸá±á¬áºááá·áºáá«áááºá
áááºáááºáž ááŒá¯á¶áá¯á¶áá¯á¶ážáááºáá»ááºááá¯á· áááŒá±á¬ááºážáá®á áááºážááᯠáá±á·áá¬ááẠáááºááẠPython ááŸáá·áºáááºáááºáá±á¬ ááá¯áá¯á á¡áááºážáá¯á¶áž ááá¯á¡ááºáááºáᯠáá«ááŒá±á¬áá«áááºá áááºáᬠdummies á¡ááœááºá á¬á¡á¯ááºááŸá áºá¡á¯ááºááá¯áááºáááºááá¯ááºááẠ(áá»áœááºáá±á¬áº Stepic ááœááºáááºáááºážá áááºáá²á·áááºá ááá¯á·áá±á¬áºáááºážááá¯áá¯á¶ážáááá»áœááºážáá»ááºáá±ážáá«) á
TensorFlow áááºáááºážááœáẠááŸá¯ááºááœá±ážáá±á¬ áááºáá±á¬ááºááŸá¯áá»á¬áž ááá«áááºáá±á¬áºáááºáž á¡áááºááŒá±á¬áá·áº á á¬ááŒáá·áºááá¯ááºáá»á¬ážááᯠáááºááœááºážááŒááºážá áá¯ááºáá±á¬ááºáá»ááºááᯠáááºááŸááºáá¯á¶ááŸáá·áº áááºážááᯠá¡áááºááŒá±á¬áá·áº á¡á á¬ážááá¯ážáá¬ážáááºááᯠáá¬ážáááºááẠááá¯á¡ááºáá«áááºá
TensorFlow ááŸáá·áº Udacity á¡áááºááŒá±á¬áá·áºáááºážá
áá»áœááºá¯ááºááá±á·áá»áá·áºáá±ážá á¡ááááááºááœááºáá»ááºááŸá¬ á¡á¬áá¯á¶ááŒá±á¬ááœááºáááºáá»á¬ážá¡áá¯á¶ážááŒá¯á áá»áŸááºá á áºáááºáááºááŒááºážááá¯ááºáᬠá¡á áááºá¡ááá¯ááºážáá»á¬ážá áá¬ááºáá¯á¶áá»á¬ážááᯠá¡ááá¡ááŸááºááŒá¯ááá¯áá±á¬ááá¹áááŒá áºáááºá
áá°áááºáá»ááºážáá»á¬ážáá¶á០ááŒá¬ážááááá±á¬ááŒá±á¬áá·áº TensorFlow ááᯠááœá±ážáá»ááºáá²á·áááºá áá»áœááºáá±á¬áºáá¬ážáááºááá±á¬áẠáá®áááºáááºážá áá±á¬áºáá±á¬áºáá¬áááºááŒá®ážáááºá
ááá¬ážáááºá
á¬ááá± áááºáá°ááá¯á· ááŒáá¯ážá
á¬ážáá²á·áááºá
ááŒá®ážáá±á¬á· ááŒá¿áá¬ááŸá áºáá¯ááᯠááŒá¯á¶áá²á·ááááºá
- ááá¬áá±ážááá¯ááºáᬠáá á¹á ááºážáá»á¬áž á¡áá»á¬ážá¡ááŒá¬ážááŸáááŒá®áž áááºážááá¯á·ááẠá¡áá»áá¯ážááœá²á¡áá»áá¯ážáá»áá¯ážááŒáá·áº áá±á¬ááºááŸááá¬áá«áááºá áá¯á¶ááááºááŸááºááááŒááºážááŒá¿áá¬ááᯠááŒá±ááŸááºážáááºá¡ááœáẠá¡áááºážáá¯á¶áž ááŒá®ážááŒáá·áºá á¯á¶áá±á¬ áá¯á¶áá áºáá¯á¶ááᯠáááºáá®ážááẠáá»áœááºá¯ááºá¡ááœáẠá¡ááœááºáááºáá²áá«áááºá
- áá»áœááºá¯ááºááá¯á¡ááºáá±á¬ áá±á¬ááºážáá«ážá¡áá»á¬ážá á¯ááᯠáá¯ááŸá¬ážáá¬áá¬ááá¯á· ááŒááºááá¯áá¬ážááŒááºážáááŸááá«á áááºáááºá áá»á¬áááºáá¬áá¬á áá¬ážááᯠáááºáá°áá²á·ááŒá®áž á¡áá¯ááá¯áá®áááºááá±ážááœá±ááá¯áá² áá»á¬ááẠáá«ááŸááá¯áẠá¡ááºá¹áááááºááá¯áááºáž ááááá«áá°ážá áá¯ááºáá«áááºá áá»áœááºáá±á¬á·áºáá²á· á¡ááœááºáá±á¬ááºááŒá®ážáá° áááá áºáá»áŸá±á¬ááºáá¯á¶ážááŸá¬ á¡ááºá¹áááááºá á¬ááᯠáá»áœááºážáá»ááºá¡á±á¬áẠááŒáá¯ážá á¬ážáá²á·áá±ááá·áº áá¯á¶áá²áááᯠááœááºáá±á«áºáá¬áá²á·áá«áááºá
ááá¬ážáááºáááºááá¯ááºááœáẠáá°ážáá±á¬áºááŒá®ážáá±á¬ááºá ááŒááºáááºážááẠá¡ááŒá¶ááŒá¯áá»ááºáá»á¬ážááᯠááœá±á·ááŸááá²á·áááºá
áá»áœááºáá±á¬áºáá¬ážáááºáááá¯áá² Coursera ááŸá¬ áááºáááºážá á¡áááŒá±ážááœá±áááŒá®áž áááºáááºážáááºáá«áááºá
áááºáááºážá¡ááŒá±á¬ááºážá¡áá¬
áááºáááºážááœáẠáááºáááºážá ᬠá áᯠáá«áááºáá«áááºá
áááá¡ááá¯ááºážááẠáááá«ááºážááŒá áºááŒá®ážá á¡ááŒá±áá¶á¡á¬ážááŒáá·áº ááá¯á¡ááºááá·áº á¡ááŒá±á¬ááºážáááºážááᯠááŒá±á¬ááŒáá«áááºá
áááºáááºážá ᬠáá¶áá«áẠá á áá»áœááºáá±á¬áº á¡ááŒáá¯ááºáá¯á¶áž ááŒá áºááœá¬ážáááºá áá¬ážáááºááá±á¬ááºá¡á±á¬áẠááá¯ážááŸááºážááŒá®áž áááá¹áá¶ááá¬áá¡á¶á·ááœááºáá»á¬ážááá¯áááºáž ááá¯ááºááŒáá²á·áááºá á¡ááá¯áá»á¯ááºááŒá±á¬ááá»áŸááºá á€áááºáááºážá á¬ááœááºá á¡á¬áá¯á¶ááŒá±á¬ááœááºáááºáá»á¬ážá¡ááŒá±á¬ááºáž á¡ááŒá±áá¶á¡áá»ááºá¡áááºáá»á¬ážá¡ááŒááºá áááºáá®ážáá°áá»á¬ážááẠá¡áá°áá»áááºáá¬áááºááá¯ááºá០á ááºáá®áááááºááá¯á· ááŒá±á¬ááºážáá²ááŒááºážááŒá¿áá¬ááá¯ááŒá±ááŸááºážááẠá¡ááœáŸá¬áá áºááœáŸá¬ááŸá á¡á¬áá¯á¶ááŒá±á¬ááœááºáááºááᯠá¡áá¯á¶ážááŒá¯áááºážááᯠááá¯ááºááŒááŒáááºá
á€áááºááŸá¬ á¡ááŸááºááẠá¡ááœááºááŸááºážáááºážáá±á¬ á¥ááá¬áá áºáá¯ááŒá áºáááºá á¡áá¬ážáá°ááŒá¿áá¬ááᯠáááºááá¯ááŒá±ááŸááºážáááá²ááá¯áᬠáá®ááŸá¬áá²ááá¯ááºááŒá®áž áá»áŸááºá á áºááá¬ážááœá±á¡ááœááºáá² á ááºážá á¬ážáá±áá¯ááºážáá«áá²á
áá¶ááá±á¬ááºážá
áœá¬ááŒáá·áºá ááááºážááŸá®ážáá±á¬áá¬áá¬á
áá¬ážááŒáá·áº áá¬ážááááºááá¯ááºáá±á¬ á¡áá¬áá»á¬ážááᯠáááºáá°ááŒááºážááẠá¡áá±á¬áºáá±áž áááºáá²áá±á¬ááŒá±á¬áá·áº áá»áœááºáá±á¬áº ááá¯á áááºááá·áºááœá¬ážáááºá áá«á·ááᯠáááºáááºáá²á·áá¬á Habre ááŸá¬ ááœá±á·áá²á·áá¬
áá¬áá¬ááŒááºááŒááºážááᯠá¡áááºá¡ááœá±ážááŒáá·áºá áœá¬ááŒáá·áº áá¯ááºáá±á¬ááºáá²á·ááŒá®áž Colab ááŸááºá á¯á á¬á¡á¯ááºáá»á¬ážááá¯áááºáž áá¬áá¬ááŒááºáá¬ážáá±á¬ááŒá±á¬áá·áº áá°áááºážááŸáá·áº áá¬áá¬ááŒááºááŒááºáž ááŸá áºáá¯áá¯á¶ážááᯠááŒáá·áºááá¯ááºáá«áááºá
áááºáááºážá á¬áá¶áá«áẠ3 ááẠá¡ááŸááºááááºááœááºá ááá¬ážááẠTensorFlow áááºáááºážá á¬á០á¡áá¬ááá¹áá¯áá»á¬ážááᯠááá¯ááºáá»á±á¬áá®ááœá±ááŒá áºá á±áá±á¬ á¡áá¬áá áºáá¯ááŒá áºáááºá á€áááºáááºážá á¬ááœááºá áá»áœááºá¯ááºááá¯á·ááẠá¡áááºá¡á á¬ážáá¯á¶áá»á¬áž (Fashion MNIST dataset) ááᯠá¡áá»áá¯ážá¡á á¬ážááœá²áááºážááᯠáá±á·áá¬ááẠmultilayer neural network ááᯠá¡áá¯á¶ážááŒá¯áá«áááºá
áá¶áá«áẠá á០áá¶áá«áẠá áááºáááºážá á¬áá»á¬ážááẠáááºáááºážá á¬á ááá¯ááºáá»á±á¬áá®ááœá±ááŒá áºááŸá¯áá áºáá¯áááºážááŒá áºáááºá ááá¯á·áá±á¬áº áááºážááá¯á·ááᯠááŸááºáááºá áœá¬ á á®á ááºáá±ážáá±á¬ááŒá±á¬áá·áºá áááºááá¯ááºááá¯áẠáá±á·áá¬ááŒááºážá á¡á á®á¡á á¥áºááᯠáá¬ážáááºááẠáááá¯á¡ááºáá«á á€áááºáááºážá á¬áá»á¬ážááœáẠáá»áœááºá¯ááºááá¯á·ááẠá¡ááœááºáááá»áá±á¬ á¡á¬áá¯á¶ááŒá±á¬ááœááºáááºáá»á¬ážá¡ááŒá±á¬ááºážá áá±á·áá»áá·áºááŸá¯á áááá»ááŸá¯ááᯠáááºááá¯á·ááá¯ážááŒáŸáá·áºáááºááŸáá·áº áá±á¬áºáááºááᯠáááºáááºááááºáááºážá áá áºáá»áááºáááºážááŸá¬áááºá áá»áœááºá¯ááºááá¯á·ááẠáá¯á¶ááŸá ááŒá±á¬ááºáá»á¬ážááŸáá·áº ááœá±ážáá»á¬ážááᯠá¡áá»áá¯ážá¡á á¬ážááœá²ááŒá¬ážááŒááºážááá¯ááºáᬠááŒá¿áá¬ááᯠáá áºááŒáá¯ááºáááºáááºáž ááŒá±ááŸááºážáá«áááºá
áááºáááºážá á¬áá¶áá«áẠá ááẠáá¯á¶ážááá®ážááŒá¬ážááŒá¬ážáá¬ážáá±á¬ áááºáááºážááŒá áºááŒá®áž ááá°áá®áá±á¬ ááá¬áá áºáŠážááŸááᬠáááºáááºážááá¯ááºááá¯ááºá á¡áá±á¬áºáá±áž áá»ááºááŒáá·áºáá«áááºá áááºáááºážá á¬á á¡áá»áááºá á®ážáá®ážá¡ááŒá±á¬ááºážáá«á á¡á²áá«ááᯠá áááºááááºá á¬ážáá±ážáá²á·á¡ááœáẠáá±á¬áá·áºááŒááºá áááºááºáááºáá²á·áááºá
TensorFlow lite ááœáẠá¡ááá²á·áááºáááºážáááºááẠááááºáá±á«áºáá»ááºááŒá áºááá·áº áááºáááºážá ᬠ#9 ááŒáá·áº á¡áá¯á¶ážáááºáá«áááºá
ááŒáá¯ááºááẠáááŒáá¯ááºáá²á·á¡áá¬
á¡ááŒá¯ááá±á¬áá»á¬ážááŒáá·áº á áááºáá«áááºá
- áááºáááºážá á¡ááá²á·áá«á
- áááºáááºážááẠTensorFlow 2 ááœááºááŸááááºá áá»áœááºá¯ááºááœá±á·áá²á·ááá·áº ááŒáá¹áá¬ááºážá á¬á¡á¯ááºá¡áá»áá¯á·ááŸáá·áº á¡ááºáá¬áááºáá±á«áºááŸá á¡áá»áá¯á·áá±á¬áááºáááºážáá»á¬ážááẠTensorFlow 1 ááœááºááŸááááºá ááŒá®ážááŒá®ážáá¬ážáá¬áž ááœá¬ááŒá¬ážááŸá¯ááŸááááŸá ááááá±á¬áºáááºáž áááºááŸááá¬ážááŸááºážááᯠáááºáá°ááᬠáá±á¬ááºážáá«áááºá
- áá®áá®ááá¯ááŸá ááá¬áá»á¬ážááẠá áááºá¡ááŸá±á¬ááºá¡ááŸááºáááŒá áºáá« (áá¯ááŸá¬ážáá¬ážááŸááºážááœááºáá°áááºážáá²á·ááá¯á· ááœáŸááºááŒá°ážá áœá¬ááááºáááºáá±á¬áºáááºáž)
- áááºáááºážá á¡áá»áááºá¡áá»á¬ážááŒá®ážááá°áá«áá°ážá
- áááºáááºážááẠááá·áºá¡á¬áž áááºážáááºážááŒááºáž ááá¯á·ááá¯áẠáá»áŸá±á¬áºááá·áºáá»ááºáá²á·ááŒááºážááá¯á·ááᯠáááŒá áºá á±áá«á áááºáááºážááŸáá¡áá¯ááºáá»á¬ážááẠááá¯ážááŸááºážááŒá®áž áá áºá á¯á¶áá áºáá¬áááŸááºážáááºážáá«á ááŸááºáááºáá±á¬ááŒá±ááŸááºážáá»ááºááŒáá·áº Colab áá¯á¶á á¶ááŒáá·áº á¡ááááºá¡ááŒáœááºá¡ááŒá²ááŸááá±ááẠ(á¡áá¯ááºáá áºáááºááẠáá»áœááºá¯ááºá¡ááœáẠáááŸááºážáááºážáá«)á
- áááºááá·áºá¡áá¬á០ááá·áºááœááºážáááºáááá¯á¡ááºáá«á áááºáááºážá áá¬ááºááœá²áááºážá¡áá¯ááºá¡á¬ážáá¯á¶ážááᯠbrowser ááœáẠáá¯ááºáá±á¬ááºááá¯ááºáá«áááºá
ááᯠá¡á¬ážáááºážáá»ááºáá»á¬áž-
- áááºááœá±á·ááœáẠááááºážáá»á¯ááºáá á¹á ááºážáá»á¬áž áááŸááá«á á á¬áá±ážááœá²áááŸáá á¡áá¯ááºáááŸáá áááºáááºážá áá»áœááºážáá»ááºááŸá¯ááᯠáá áºáááºážáááºážááŒáá·áº á á áºáá±ážááẠáá¬ááŸáááŸááá«á
- áá»áœááºá¯ááºá ááŸááºá á¯ááááºáá»á¬áž á¡á¬ážáá¯á¶ážááẠáááºááá·áºááá±á¬áẠá¡áá¯ááºááá¯ááºáá«á á¡ááºá¹áááááºááᯠColab áá°áááºážáááºáááºážáá²á· áááááááºáááºážá á¬ááŸá¬ á¡ááŸá¬ážá¡ááœááºážáá áºáᯠáá±á«ááºáá±ááŒá®áž á¡á²áá«ááᯠáá¬áá¯ááºáááŸááºážááááá°ážáááºáááº
- ááœááºááŒá°áá¬ááœááºáá¬ááŒáá·áºááẠá¡áááºááŒá±áááºá á¡á²áá«ááᯠáá»áœááºáá±á¬áº á¡ááŒáá·áºá¡á áá¬ážááááºááá¯ááºáá±ááá·áº áá»áœááºáá±á¬á·áºá áááºáá¯ááºážááŸá¬ Udacity á¡ááºááºááᯠááŸá¬áááœá±á·áá²á·áá«áá°ážá áááºááá¯ááºáááá¯ááá¯ááºážáá¬ážááŸááºážááẠáá¯á¶á·ááŒááºááŸá¯áááŸááá«á áá»ááºááŸá¬ááŒááºá§áááá¬áá áºáá¯áá¯á¶ážáá®ážáá«ážááᯠáááºážááŒá±á¬ááºážááŒáá®áá°ážááŒáá·áº ááááºážááá¯ááºáá¬ážáá±á¬áºáááºáž áááºáá¡ááŒá±á¬ááºážá¡áá¬ááᯠááŒáá·áºááŸá¯áááºá¡ááœáẠááŒáá·áºááŸá¯ááá·áºá§áááá¬áá»á±á¬áºááœááºá áá¬áááºááá¯á· ááœáŸá±á·ááẠááá¯á¡ááºáááºá áá«á·á¡ááŒáẠáá®áá®ááá¯ááᯠáá¯ááºážáá²á· ááŒáá·áºááá¯á·áááá«áá°ážá ááááºááá»á±á¬áºáá¬ááŸááá±á¬ á ááááºáá±á«áºááœáẠáááºááá·áºá¡áá¬ááá¯áá»áŸ áááŒááºááá¯ááºáá«á
- áááºáááºážááŸá á¡áá»áá¯á·á¡áá¬áá»á¬ážááᯠá¡ááŒáááºáá±á«ááºážáá»á¬ážá áœá¬ áá«ážá á¬ážáá±á¬áºáááºáž áá áºáá»áááºáááºážááœááºá convolutional networks áá»á¬ážááá¯ááºááá¯ááºá á¡ááŸááºááááºááá¯á¡ááºáá±á¬á¡áá¬áá»á¬ážááᯠáááºáááºážááœáẠáá«ážá á¬ážáááºááá¯ááºáá«á áá±á·áá»áá·áºáááºážá¡áá»áá¯á·á áááºááœááºáá»ááºáá áºáá¯áá¯á¶ážááᯠáá»áœááºá¯ááºáá¬ážááááºáá±ážáá« (á¥ááá¬á Max Pooling ááẠáá¬á¡ááœááºááŒá áºáááº)á
á¡áá»ááºážáá»á¯ááº
á§áááºáá¯áá» á¡á¶á·ááœááºá¡ááŸá¯ ááŒá áºáá²á·áááºááᯠááẠááŸááºážááá¬ážááŒá®ážááŒá áºáááºá á€áááºáááºážááá¯ááᯠááŒá®ážááŒá±á¬ááºááŒá®ážáá±á¬ááºá á¡á¬áá¯á¶ááŒá±á¬ááœááºáááºáá»á¬áž áááºááá¯á·á¡áá¯ááºáá¯ááºáááºááᯠá¡ááŸááºáááẠáá¬ážáááºááẠáááŒá áºááá¯ááºáá±á
áá¯ááºáá«áááºá áá®áá±á¬ááºááá¯ááºážááŸá¬ switchgears ááŸá¬ááŸááá²á· switches ááœá±áá²á· ááá¯ááºááœá±áá²á· áá¬ááºáá¯á¶ááœá±ááᯠá¡áá»áá¯ážá¡á á¬ážááœá²ááŒá¬ážááŒááºážááŒáá·áº áá»áœááºáá±á¬á·áºáá²á·ááŒá¿áá¬ááᯠáá»áœááºáá±á¬áºááá¯ááºááá¯áẠáááŒá±ááŸááºážááá¯ááºáá²á·áá«áá°ážá
áá«áá±ááá·áº ááŒá¯á¶áá¯á¶ááŒáá·áºáááºáá±á¬á· á¡áá¯á¶ážáááºáá«áááºá áááºážááẠTensorFlow ááŒáá·áº áááºááá·áºá¡áá¬áá»á¬áž áá¯ááºáá±á¬ááºááá¯ááºááááºáž ááŸáá·áº ááŸá±á·áááºáááá·áº áŠážáááºáá»ááºááᯠááŒááááºá
Python áá¡ááŒá±áá¶áá»á¬ážááᯠáŠážá áœá¬áá±á·áá¬ááŒá®áž á¡á¬áá¯á¶ááŒá±á¬ááœááºáááºáá»á¬ážá¡áá¯ááºáá¯ááºáá¯á¶á¡ááŒá±á¬ááºáž áá¯ááŸá¬ážáá¬áá¬ááŒáá·áº á á¬á¡á¯ááºáá»á¬ážááá¯áááºáᬠTensorFlow ááá¯á¡áá¯á¶ážááŒá¯ááẠááá¯á¡ááºáááºáᯠáá»áœááºá¯ááºáááºáá«áááºá
áááá¯á¶ážáá»á¯ááºá¡áá±áá²á·á Habr ááŸá¬ ááááá¯á¶áž áá±á¬ááºážáá«ážáá±ážááá¯á· ááœááºážá¡á¬ážáá±ážááŒá®áž áá±á¬áºáááºáá±ážááá¯á· áá°áá®áá±ážáá²á· áá°áááºáá»ááºážááœá±ááᯠáá»á±ážáá°ážáááºááŒá±á¬ááºáž ááŒá±á¬áá»ááºáá«áááºá
P.S. áááºážáá²á· áááºááŒááºáá»ááºááœá±áá²á· á¡ááŒá¯ááá±á¬áá±á¬ááºáá²á· áá±áááºááŸá¯ááœá±ááᯠááŒááºááᬠáááºážáá¬áá«áááºá
source: www.habr.com