{"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\/pl\/blog\/news\/nejroseti-kuda-eto-vse-dvizhetsya","title":{"rendered":"Sieci neuronowe. Dok\u0105d to wszystko zmierza","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>Artyku\u0142 sk\u0142ada si\u0119 z dw\u00f3ch cz\u0119\u015bci:<\/p>\n<p><\/p>\n<ol>\n<li>Kr\u00f3tkie opisy niekt\u00f3rych architektur sieci do wykrywania obiekt\u00f3w na obrazach oraz segmentacji obraz\u00f3w z naj\u0142atwiej dost\u0119pnymi dla mnie linkami do zasob\u00f3w. Stara\u0142em si\u0119 wybiera\u0107 filmiki instrukta\u017cowe, najlepiej w j\u0119zyku polskim.<\/li>\n<li>Druga cz\u0119\u015b\u0107 polega na pr\u00f3bie zrozumienia kierunku rozwoju architektur sieci neuronowych i technologii opartych na nich.<\/li>\n<\/ol>\n<p><\/p>\n<p><img decoding=\"async\" alt=\"Sieci neuronowe. Dok\u0105d to wszystko zmierza\" src=\"\/wp-content\/uploads\/2020\/01\/3e0238547dc956dbb069c11241e4534f.png\" style=\"display:block;margin: 0 auto;\" \/><\/p>\n<p><\/p>\n<p>Rysunek 1 \u2013 Zrozumienie architektur sieci neuronowych nie jest proste<\/p>\n<p><\/p>\n<p>Wszytko zacz\u0119\u0142o si\u0119 od stworzenia dw\u00f3ch aplikacji demonstracyjnych do klasyfikacji i wykrywania obiekt\u00f3w na telefonie z Androidem:<\/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>, kiedy dane s\u0105 przetwarzane na serwerze i przesy\u0142ane na telefon. Klasyfikacja obraz\u00f3w (image classification) trzech typ\u00f3w nied\u017awiedzi: br\u0105zowego, czarnego i pluszowego.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/foobar167\/android\/tree\/master\/object_detection_demo\">Demo front-end<\/a><\/noindex>, kiedy dane s\u0105 przetwarzane na samym telefonie. Wykrywanie obiekt\u00f3w (object detection) trzech typ\u00f3w: orzechy leszne, figi i daktyle.<\/li>\n<\/ul>\n<p><noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<p>Jest r\u00f3\u017cnica mi\u0119dzy zadaniami klasyfikacji obraz\u00f3w, wykrywania obiekt\u00f3w na obrazach i <noindex><a rel=\"nofollow\" href=\"https:\/\/medium.com\/analytics-vidhya\/image-classification-vs-object-detection-vs-image-segmentation-f36db85fe81\">segmentacj\u0105 obraz\u00f3w<\/a><\/noindex>. Dlatego narodzi\u0142a si\u0119 potrzeba dowiedzenia si\u0119, jakie architektury sieci neuronowych wykrywaj\u0105 obiekty na obrazach i kt\u00f3re mog\u0105 je segmentowa\u0107. Znalaz\u0142em nast\u0119puj\u0105ce przyk\u0142ady architektur z naj\u0142atwiej dost\u0119pnymi dla mnie linkami do zasob\u00f3w:<\/p>\n<p><\/p>\n<ul>\n<li>Seria architektur opartych na R-CNN (<strong>R<\/strong>regiony z <strong>C<\/strong>konwolucyjnych <strong>N<\/strong>sieci <strong>N<\/strong>neuronowych): 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>. Do wykrywania obiekt\u00f3w na obrazie za pomoc\u0105 mechanizmu Region Proposal Network (RPN) wyodr\u0119bniane s\u0105 ograniczone regiony (bounding boxes). Pocz\u0105tkowo zamiast RPN stosowany by\u0142 wolniejszy mechanizm Selective Search. Nast\u0119pnie wyodr\u0119bnione ograniczone regiony s\u0105 podawane do zwyk\u0142ej sieci neuronowej celem klasyfikacji. W architekturze R-CNN s\u0105 wyra\u017ane p\u0119tle \u201efor\u201d przeszukuj\u0105ce ograniczone regiony, w sumie do 2000 przej\u015b\u0107 przez wewn\u0119trzn\u0105 sie\u0107 AlexNet. Z powodu wyra\u017anych p\u0119tli \u201efor\u201d spowolniona jest pr\u0119dko\u015b\u0107 przetwarzania obraz\u00f3w. Liczba wyra\u017anych p\u0119tli, przej\u015b\u0107 przez wewn\u0119trzn\u0105 sie\u0107 neuronow\u0105, zmniejsza si\u0119 z ka\u017cd\u0105 now\u0105 wersj\u0105 architektury, a tak\u017ce wprowadzane s\u0105 dziesi\u0105tki innych zmian w celu zwi\u0119kszenia pr\u0119dko\u015bci i zmiany zadania wykrywania obiekt\u00f3w na segmentacj\u0119 obiekt\u00f3w w Mask R-CNN.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/L0tzmv--CGY\">YOLO<\/a><\/noindex> (<strong>Y<\/strong>mo\u017cna <strong>O<\/strong>tylko <strong>L<\/strong>spojrze\u0107 <strong>O<\/strong>YOLO \u2013 pierwsza sie\u0107 neuronowa, kt\u00f3ra rozpoznaje obiekty w czasie rzeczywistym na urz\u0105dzeniach mobilnych. Jej wyr\u00f3\u017cniaj\u0105ca cecha to rozr\u00f3\u017cnianie obiekt\u00f3w za jednym przewini\u0119ciem (wystarczy raz spojrze\u0107). W architekturze YOLO nie ma wyra\u017anych p\u0119tli \u201efor\u201d, co sprawia, \u017ce sie\u0107 dzia\u0142a szybko. Przyk\u0142ad: w NumPy przy operacjach na macierzach r\u00f3wnie\u017c nie ma wyra\u017anych p\u0119tli \u201efor\u201d, kt\u00f3re w NumPy realizowane s\u0105 na ni\u017cszych poziomach architektury przy u\u017cyciu j\u0119zyka programowania C. YOLO wykorzystuje siatk\u0119 z wcze\u015bniej okre\u015blonymi oknami. Aby ten sam obiekt nie by\u0142 identyfikowany wielokrotnie, zastosowano wsp\u00f3\u0142czynnik nak\u0142adania okien (IoU, <strong>I<\/strong>przeci\u0119cie <strong>o<\/strong>zbi\u00f3r <strong>U<\/strong>unie). Ta architektura dzia\u0142a w szerokim zakresie i charakteryzuje si\u0119 wysok\u0105 <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\">odporno\u015bci\u0105<\/a><\/noindex>: model mo\u017ce by\u0107 szkolony na zdj\u0119ciach, ale tak\u017ce dobrze dzia\u0142a na obrazach namalowanych.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/P8e-G-Mhx4k\">SSD<\/a><\/noindex> (<strong>S<\/strong>pojedynczy <strong>S<\/strong>detektor MultiBox <strong>D<\/strong>wykorzystuje najbardziej skuteczne \u201esztuczki\u201d architektury YOLO (np. t\u0142umienie maksymalne) oraz dodaje nowe, aby sie\u0107 neuronowa dzia\u0142a\u0142a szybciej i dok\u0142adniej. Wyr\u00f3\u017cniaj\u0105c\u0105 cech\u0105 jest rozr\u00f3\u017cnianie obiekt\u00f3w za jednym przewini\u0119ciem przy u\u017cyciu zdefiniowanej siatki okien (default box) na piramidzie obraz\u00f3w. Piramida obraz\u00f3w jest kodowana w konwolucyjnych tensorach podczas kolejnych operacji konwolucji i pooling (podczas operacji max-pooling przestrzenna wielko\u015b\u0107 maleje). W ten spos\u00f3b identyfikowane s\u0105 zar\u00f3wno du\u017ce, jak i ma\u0142e obiekty za jednym przej\u015bciem sieci.<\/li>\n<li>MobileSSD (<strong>Mobilne<\/strong>NetV2 + <strong>SSD<\/strong>) \u2013 kombinacja dw\u00f3ch architektur sieci neuronowych. Pierwsza sie\u0107 <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/352804\/\">MobileNetV2<\/a><\/noindex> dzia\u0142a szybko i zwi\u0119ksza dok\u0142adno\u015b\u0107 rozpoznawania. MobileNetV2 jest stosowana zamiast VGG-16, kt\u00f3ra pierwotnie by\u0142a u\u017cywana w <noindex><a rel=\"nofollow\" href=\"https:\/\/arxiv.org\/abs\/1512.02325\">oryginalnym artykule<\/a><\/noindex>. Druga sie\u0107 SSD okre\u015bla lokalizacj\u0119 obiekt\u00f3w na obrazie.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/ge_RT5wvHvY\">SqueezeNet<\/a><\/noindex> to bardzo ma\u0142a, ale dok\u0142adna sie\u0107 neuronowa. Sama w sobie nie rozwi\u0105zuje problemu wykrywania obiekt\u00f3w. Mo\u017ce by\u0107 jednak stosowana w po\u0142\u0105czeniu z r\u00f3\u017cnymi architekturami. I wykorzystywana w urz\u0105dzeniach mobilnych. Jej wyr\u00f3\u017cniaj\u0105c\u0105 cech\u0105 jest to, \u017ce dane s\u0105 najpierw kompresowane do czterech filtr\u00f3w konwolucyjnych 1\u00d71, a nast\u0119pnie rozszerzane do czterech filtr\u00f3w 1\u00d71 i czterech 3\u00d73. Jedna taka iteracja kompresji-rozszerzenia danych nazywana jest \u201eModu\u0142em Ognia\u201d.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/b6jhopSMit8\">DeepLab<\/a><\/noindex> (Segmentacja obraz\u00f3w z u\u017cyciem g\u0142\u0119bokich sieci konwolucyjnych) \u2013 segmentacja obiekt\u00f3w na obrazach. Charakterystyczn\u0105 cech\u0105 architektury jest rozrzedzona (rozci\u0105gni\u0119ta konwolucja), kt\u00f3ra zachowuje rozdzielczo\u015b\u0107 przestrzenn\u0105. Nast\u0119pnie nast\u0119puje etap przetwarzania wynik\u00f3w z wykorzystaniem graficznego modelu probabilistycznego (warunkowe pole losowe), co pozwala usun\u0105\u0107 niewielkie szumy w segmentacji i poprawi\u0107 jako\u015b\u0107 wysegregowanego obrazu. Za gro\u017anie brzmi\u0105c\u0105 nazw\u0105 \u201egraficzny model probabilistyczny\u201d kryje si\u0119 zwyk\u0142y filtr Gaussa, kt\u00f3ry zosta\u0142 przybli\u017cony na pi\u0119ciu punktach.<\/li>\n<li>Pr\u00f3bowa\u0142em zrozumie\u0107 dzia\u0142anie <noindex><a rel=\"nofollow\" href=\"https:\/\/arxiv.org\/abs\/1711.06897\">RefineDet<\/a><\/noindex> (Jednoetapowa <strong>Refine<\/strong>ment Neural Network for Object <strong>Det<\/strong>ekcja), ale niewiele zrozumia\u0142em.<\/li>\n<li>Zobaczy\u0142em tak\u017ce, jak dzia\u0142a technologia \u201euwagi\u201d (attention): <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/W2rWgXJBZhU\">wideo1<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/iDulhoQ2pro\">wideo2<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/H6Qiegq_36c\">wideo3<\/a><\/noindex>. Charakterystyczn\u0105 cech\u0105 architektury \u201euwagi\u201d jest automatyczne wyodr\u0119bnianie obszar\u00f3w o podwy\u017cszonej uwadze na obrazie (RoI, <strong>R<\/strong>regions <strong>o<\/strong>f <strong>I<\/strong>nterest) za pomoc\u0105 sieci neuronowej o nazwie Attention Unit. Obszary o podwy\u017cszonej uwadze przypominaj\u0105 ograniczone obszary (bounding boxes), ale w przeciwie\u0144stwie do nich nie s\u0105 u\u015bwiadomione na obrazie i mog\u0105 mie\u0107 rozmyte kraw\u0119dzie. Nast\u0119pnie z obszar\u00f3w o podwy\u017cszonej uwadze wyodr\u0119bniane s\u0105 cechy (features), kt\u00f3re s\u0105 \u201eprzekazywane\u201d do rekurencyjnych sieci neuronowych o architekturze <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/5lUUrREboSk\">LSDM, GRU lub Vanilla RNN<\/a><\/noindex>. Rekurencyjne sieci neuronowe potrafi\u0105 analizowa\u0107 wzajemne relacje cech w sekwencji. Rekurencyjne sieci neuronowe pocz\u0105tkowo wykorzystywane by\u0142y do t\u0142umaczenia tekstu na inne j\u0119zyki, a teraz tak\u017ce do t\u0142umaczenia <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/e-WB4lfg30M\">obraz\u00f3w na tekst<\/a><\/noindex> i <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/rAbhypxs1qQ\">tekstu na obrazy<\/a><\/noindex>.<\/li>\n<\/ul>\n<p><\/p>\n<p>W miar\u0119 zg\u0142\u0119biania tych architektur <strong>zda\u0142em sobie spraw\u0119, \u017ce nic nie rozumiem<\/strong>. I nie chodzi o to, \u017ce moja sie\u0107 neuronowa ma problemy z mechanizmem uwagi. Stworzenie wszystkich tych architektur przypomina jaki\u015b ogromny hackathon, w kt\u00f3rym tw\u00f3rcy rywalizuj\u0105 w haku. Hack \u2013 szybkie rozwi\u0105zanie trudnego problemu programowania. To znaczy, \u017ce mi\u0119dzy tymi wszystkimi architekturami nie ma widocznego ani zrozumia\u0142ego logicznego zwi\u0105zku. Wszystko, co je \u0142\u0105czy to zestaw najbardziej udanych hak\u00f3w, kt\u00f3re zapo\u017cyczaj\u0105 od siebie nawzajem, plus wsp\u00f3lna dla wszystkich <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/Ilg3gGewQ5U\">operacja konwolucji z sprz\u0119\u017ceniem zwrotnym<\/a><\/noindex> (wsteczna propagacja b\u0142\u0119du, backpropagation). Nie ma <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/272473\/\">my\u015blenia systemowego<\/a><\/noindex>! Nie wiadomo, co zmienia\u0107 i jak optymalizowa\u0107 istniej\u0105ce osi\u0105gni\u0119cia.<\/p>\n<p><\/p>\n<p>Wynik braku logicznego powi\u0105zania mi\u0119dzy hackami sprawia, \u017ce s\u0105 one niezwykle trudne do zapami\u0119tania i zastosowania w praktyce. To fragmentaryczna wiedza. W najlepszym przypadku zapami\u0119tuje si\u0119 kilka interesuj\u0105cych i niespodziewanych moment\u00f3w, ale wi\u0119kszo\u015b\u0107 zrozumianych i niezrozumianych informacji znika z pami\u0119ci ju\u017c po kilku dniach. Dobrze by\u0142oby, gdyby po tygodniu przypomniano sobie przynajmniej nazw\u0119 architektury. A przecie\u017c na czytanie artyku\u0142\u00f3w i ogl\u0105danie przegl\u0105dowych film\u00f3w po\u015bwi\u0119cono kilka godzin, a nawet dni roboczych!<\/p>\n<p><\/p>\n<p><img decoding=\"async\" alt=\"Sieci neuronowe. Dok\u0105d to wszystko zmierza\" src=\"\/wp-content\/uploads\/2020\/01\/86f0f24e3be1d0f1a210f3132897d981.png\" style=\"display:block;margin: 0 auto;\" \/><\/p>\n<p><\/p>\n<p>Rysunek 2 \u2013 <noindex><a rel=\"nofollow\" href=\"https:\/\/www.asimovinstitute.org\/neural-network-zoo\/\">Zoo sieci neuronowych<\/a><\/noindex><\/p>\n<p><\/p>\n<p>Moim zdaniem, wi\u0119kszo\u015b\u0107 autor\u00f3w artyku\u0142\u00f3w naukowych robi wszystko, co w ich mocy, aby nawet ta fragmentaryczna wiedza nie by\u0142a zrozumia\u0142a dla czytelnika. Ale zdania z degerundami w dziesi\u0119ciu linijkowych zdaniach z formu\u0142ami, kt\u00f3re s\u0105 wzi\u0119te \"z sufitu\", to temat na osobny artyku\u0142 (problem <noindex><a rel=\"nofollow\" href=\"https:\/\/en.wikipedia.org\/wiki\/Publish_or_perish\">publish or perish<\/a><\/noindex>).<\/p>\n<p><\/p>\n<p>Z tego powodu zaistnia\u0142a potrzeba usystematyzowania informacji na temat sieci neuronowych i tym samym zwi\u0119kszenia jako\u015bci zrozumienia i zapami\u0119tywania. Dlatego g\u0142\u00f3wnym tematem analizy poszczeg\u00f3lnych technologii i architektur sztucznych sieci neuronowych sta\u0142a si\u0119 nast\u0119puj\u0105ca kwestia: <strong>dowiedzie\u0107 si\u0119, dok\u0105d to wszystko zmierza<\/strong>, a nie do zaprezentowania dzia\u0142ania jakiejkolwiek konkretnej sieci neuronowej z osobna.<\/p>\n<p><\/p>\n<p>Dok\u0105d to wszystko zmierza. G\u0142\u00f3wne wyniki:<\/p>\n<p><\/p>\n<ul>\n<li>Liczba startup\u00f3w w dziedzinie uczenia maszynowego w ci\u0105gu ostatnich dw\u00f3ch lat <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/recognitor\/blog\/455676\/\">znacz\u0105co spad\u0142a<\/a><\/noindex>. Mo\u017cliwy pow\u00f3d: \u201esieci neuronowe przesta\u0142y by\u0107 czym\u015b nowym\u201d.<\/li>\n<li>Ka\u017cdy b\u0119dzie m\u00f3g\u0142 stworzy\u0107 dzia\u0142aj\u0105c\u0105 sie\u0107 neuronow\u0105 do rozwi\u0105zania prostego zadania. W tym celu we\u017amie gotowy model z \u201ezoo modeli\u201d (model zoo) i wytrenuje ostatni\u0105 warstw\u0119 sieci neuronowej (<noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/yofjFQddwHE\">transfer learning<\/a><\/noindex>) na gotowych danych z <noindex><a rel=\"nofollow\" href=\"https:\/\/toolbox.google.com\/datasetsearch\">Google Dataset Search<\/a><\/noindex> lub z <noindex><a rel=\"nofollow\" href=\"https:\/\/www.kaggle.com\/datasets\">25 tysi\u0119cy zestaw\u00f3w danych Kaggle<\/a><\/noindex> w bezp\u0142atnym <noindex><a rel=\"nofollow\" href=\"https:\/\/www.dataschool.io\/cloud-services-for-jupyter-notebook\/\">chmurze Jupyter Notebook<\/a><\/noindex>.<\/li>\n<li>Ewentualni producenci sieci neuronowych zacz\u0119li tworzy\u0107 <strong>\u201ezoo modeli\u201d<\/strong> (model zoo). Dzi\u0119ki nim mo\u017cna szybko stworzy\u0107 komercyjn\u0105 aplikacj\u0119: <noindex><a rel=\"nofollow\" href=\"https:\/\/tfhub.dev\/\">TF Hub<\/a><\/noindex> dla TensorFlow, <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/open-mmlab\/mmdetection\">MMDetection<\/a><\/noindex> dla PyTorch, <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/facebookresearch\/Detectron\">Detectron<\/a><\/noindex> dla Caffe2, <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/wkentaro\/chainer-modelzoo\">chainer-modelzoo<\/a><\/noindex> dla Chainer oraz <noindex><a rel=\"nofollow\" href=\"https:\/\/modelzoo.co\/\">inne<\/a><\/noindex>.<\/li>\n<li>Sieci neuronowe dzia\u0142aj\u0105ce w <strong>czasie rzeczywistym<\/strong> (real-time) na urz\u0105dzeniach mobilnych. Od 10 do 50 klatek na sekund\u0119.<\/li>\n<li>Zastosowanie sieci neuronowych w telefonach (TF Lite), w przegl\u0105darkach (TF.js) oraz w <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/19ZNz2N79u4\">przedmiotach codziennego u\u017cytku<\/a><\/noindex> (IoT, <strong>I<\/strong>internet <strong>o<\/strong>f <strong>T<\/strong>rzeczy). Szczeg\u00f3lnie w telefonach, kt\u00f3re ju\u017c wspieraj\u0105 sieci neuronowe na poziomie \u201esprz\u0119tu\u201d (neuroakceleratory).<\/li>\n<li>\u201eKa\u017cde urz\u0105dzenie, odzie\u017c, a mo\u017ce nawet jedzenie b\u0119d\u0105 mia\u0142y <strong>adres IP v6<\/strong> i b\u0119d\u0105 si\u0119 komunikowa\u0107 mi\u0119dzy sob\u0105\u201d \u2013 <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/GG7H8Xa4m8I?t=85\">Sebastian Thrun<\/a><\/noindex>.<\/li>\n<li>Wzrost liczby publikacji na temat uczenia maszynowego zacz\u0105\u0142 <noindex><a rel=\"nofollow\" href=\"http:\/\/data-mining.philippe-fournier-viger.com\/too-many-machine-learning-papers\">przekracza\u0107 prawo Moor'a<\/a><\/noindex> (podwajanie co dwa lata) od 2015 roku. Oczywi\u015bcie potrzebne s\u0105 sieci neuronowe do analizy artyku\u0142\u00f3w.<\/li>\n<li>Nast\u0119puj\u0105ce technologie zyskuj\u0105 na popularno\u015bci:\n<ul>\n<li><strong>PyTorch<\/strong> \u2013 popularno\u015b\u0107 ro\u015bnie b\u0142yskawicznie i wydaje si\u0119, \u017ce wyprzedza TensorFlow.<\/li>\n<li>Automatyczne dobieranie hiperparametr\u00f3w <strong>AutoML<\/strong> \u2013 popularno\u015b\u0107 ro\u015bnie p\u0142ynnie.<\/li>\n<li>Stopniowe zmniejszanie dok\u0142adno\u015bci i zwi\u0119kszanie pr\u0119dko\u015bci oblicze\u0144: <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/rln_kZbYaWc\">logika rozmyta<\/a><\/noindex>, algorytmy <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/MIPkK5ZAsms\">boostingu<\/a><\/noindex>, obliczenia nie\u015bcis\u0142e (przybli\u017cone), kwantyzacja (kiedy wagi sieci neuronowej przekszta\u0142ca si\u0119 na liczby ca\u0142kowite i kwantyzuje), neuroakceleratory.<\/li>\n<li>T\u0142umaczenie <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/e-WB4lfg30M\">obraz\u00f3w na tekst<\/a><\/noindex> i <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/rAbhypxs1qQ\">tekstu na obrazy<\/a><\/noindex>.<\/li>\n<li>Tworzenie <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/OrHLacCDZVQ\">tr\u00f3jwymiarowych obiekt\u00f3w z video<\/a><\/noindex>, teraz ju\u017c w czasie rzeczywistym.<\/li>\n<li>Podstaw\u0105 w DL s\u0105 du\u017ce zbiory danych, ale ich zbieranie i oznaczanie nie jest proste. Dlatego rozwija si\u0119 automatyzacja oznaczania (<noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/NcKTn4C91Yc\">automated annotation<\/a><\/noindex>) dla sieci neuronowych przy u\u017cyciu sieci neuronowych.<\/li>\n<\/ul>\n<\/li>\n<li>Z sieciami neuronowymi Informatyka nagle sta\u0142a si\u0119 <strong>nauk\u0105 eksperymentaln\u0105<\/strong> i pojawi\u0142 si\u0119 <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/480348\">kryzys reprodukowalno\u015bci<\/a><\/noindex>.<\/li>\n<li>Pieni\u0105dze IT i popularno\u015b\u0107 sieci neuronowych pojawi\u0142y si\u0119 jednocze\u015bnie, gdy obliczenia sta\u0142y si\u0119 rynkow\u0105 warto\u015bci\u0105. Ekonomia z warto\u015bci z\u0142ota staje si\u0119 <strong>z\u0142oto-walutowo-obliczeniow\u0105<\/strong>. Zobacz m\u00f3j artyku\u0142 na temat <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\">ekonofizyki<\/a><\/noindex> i przyczyn powstania pieni\u0119dzy IT.<\/li>\n<\/ul>\n<p><\/p>\n<p>Stopniowo pojawia si\u0119 nowa <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/481844\">metodologia programowania ML\/DL<\/a><\/noindex> (Machine Learning &amp; Deep Learning), kt\u00f3ra opiera si\u0119 na przedstawieniu programu jako zbioru wytrenowanych modeli sieci neuronowych.<\/p>\n<p><\/p>\n<p><img decoding=\"async\" alt=\"Sieci neuronowe. Dok\u0105d to wszystko zmierza\" src=\"\/wp-content\/uploads\/2020\/01\/17df76a613191522145abeba177c2685.png\" style=\"display:block;margin: 0 auto;\" \/><\/p>\n<p><\/p>\n<p>Rysunek 3 \u2013 ML\/DL jako nowa metodologia programowania<\/p>\n<p><\/p>\n<p>Jednak nie pojawi\u0142a si\u0119 <strong>\u201eteoria sieci neuronowych\u201d<\/strong>, w ramach kt\u00f3rej mo\u017cna my\u015ble\u0107 i pracowa\u0107 systemowo. To, co teraz nazywane jest \u201eteori\u0105\u201d, w rzeczywisto\u015bci s\u0105 eksperymentalne, heurystyczne algorytmy.<\/p>\n<p><\/p>\n<p>Linki do moich i nie tylko zasob\u00f3w:<\/p>\n<p><\/p>\n<ul>\n<li>Newsletter dotycz\u0105cy Data Science. G\u0142\u00f3wnie dotycz\u0105cym przetwarzania obraz\u00f3w. Kto chce otrzymywa\u0107, niech prze\u015ble email (foobar167gmailcom). Linki do artyku\u0142\u00f3w i film\u00f3w wysy\u0142am w miar\u0119 gromadzenia materia\u0142\u00f3w.<\/li>\n<li>Og\u00f3lny <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/foobar167\/articles\/blob\/master\/Machine_Learning\/courses_on_machine_learning.md\">spis kurs\u00f3w i artyku\u0142\u00f3w<\/a><\/noindex>, kt\u00f3re przeszed\u0142em i kt\u00f3re chcia\u0142bym przej\u015b\u0107.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/foobar167\/articles\/blob\/master\/Ubuntu\/13_Keras_and_TensorFlow_how-tos.md#exercises\">Kursy i filmy dla pocz\u0105tkuj\u0105cych<\/a><\/noindex>, od kt\u00f3rych warto zacz\u0105\u0107 nauk\u0119 o sieciach neuronowych. Plus broszura <noindex><a rel=\"nofollow\" href=\"https:\/\/foobar167.github.io\/page\/vvedeniye-v-mashinnoye-obucheniye-i-iskusstvennyye-neyronnyye-seti.html\">\u201eWprowadzenie do uczenia maszynowego i sztucznych sieci neuronowych\u201d<\/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\">Przydatne narz\u0119dzia<\/a><\/noindex>, gdzie ka\u017cdy znajdzie co\u015b interesuj\u0105cego dla siebie.<\/li>\n<li>Bardzo przydatne okaza\u0142y si\u0119 <strong>kana\u0142y wideo omawiaj\u0105ce artyku\u0142y naukowe<\/strong> z dziedziny Data Science. Znajduj je, subskrybuj i przekazuj linki swoim kolegom, a tak\u017ce mi. Przyk\u0142ady:\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 Chengwei Zhang<\/a><\/noindex> oraz <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/Tony607\">Tony607<\/a><\/noindex> z instrukcjami krok po kroku i otwartym kodem \u017ar\u00f3d\u0142owym.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<p><\/p>\n<p>Dzi\u0119kuj\u0119 za uwag\u0119!<\/p>\n<p>\u0179r\u00f3d\u0142o: <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\/pl\/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=\"pl_PL\" \/>\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\/pl\/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\udd47Sieci neuronowe. Dok\u0105d to wszystko zmierza | ProHoster","description":"Artyku\u0142 sk\u0142ada si\u0119 z dw\u00f3ch cz\u0119\u015bci: Kr\u00f3tkie om\u00f3wienie niekt\u00f3rych architektur sieci do wykrywania obiekt\u00f3w na obrazach i segmentacji obraz\u00f3w z najja\u015bniejszymi dla mnie linkami do zasob\u00f3w.","canonical_url":"https:\/\/prohoster.info\/pl\/blog\/news\/nejroseti-kuda-eto-vse-dvizhetsya","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"pl_PL","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\/pl\/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\/pl\/wp-json\/wp\/v2\/posts\/54780","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/comments?post=54780"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/posts\/54780\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/media?parent=54780"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/categories?post=54780"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/tags?post=54780"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}