Under hela mitt medvetna liv har jag varit energitekniker (nej, jag pratar inte om en dryck med tvivelaktiga egenskaper).
Jag har aldrig varit sĂ€rskilt intresserad av vĂ€rlden av informationsteknologi, och till och med multiplikation av matriser skulle jag knappt kunna göra pĂ„ ett papper. Jag har aldrig behövt det, för att ge er en liten insyn i min arbetsspecifik, kan jag dela med mig av en fantastisk historia. Jag bad en gĂ„ng mina kollegor att göra ett arbete i Excel â ett kalkylblad, halvvĂ€gs genom arbetsdagen gĂ„r jag dit, och de sitter och summerar data pĂ„ en minirĂ€knare, ja, pĂ„ en helt vanlig svart minirĂ€knare med knappar. SĂ„, om neurala nĂ€tverk kan vi verkligen prata efter det?⊠SĂ„ jag har aldrig haft nĂ„gra sĂ€rskilda förutsĂ€ttningar för att dyka ner i IT-vĂ€rlden. Men, som man sĂ€ger, "det Ă€r bra dĂ€r vi inte Ă€r", mina vĂ€nner har plĂ„gat mina öron med allt om augmented reality, neurala nĂ€tverk och programmeringssprĂ„k (frĂ€mst om Python).
PÄ ord sÄg det ganska enkelt ut, och jag tÀnkte varför inte lÀra mig denna magiska konst för att tillÀmpa den i mitt yrkesomrÄde.
I den hÀr artikeln kommer jag att hoppa över mina försök att lÀra mig grunderna i Python och dela med mig av mina intryck frÄn den kostnadsfria kursen om TensorFlow frÄn Udacity.
Introduktion
Först och frĂ€mst bör man notera att efter 11 Ă„r i energisektorn, nĂ€r man vet och kan göra allt och kanske lite mer (inom sitt ansvarsomrĂ„de), sĂ„ ger studier av helt nya saker â Ă„ ena sidan ett frenetiskt engagemang, men Ă„ andra sidan blir det en fysisk smĂ€rta av "kuggarna i huvudet".
Jag har fortfarande inte helt förstĂ„tt alla grundlĂ€ggande koncept inom programmering och maskininlĂ€rning, sĂ„ ni bör inte döma mig för hĂ„rt. Jag hoppas att min artikel kommer att vara intressant och anvĂ€ndbar för likasinnade â mĂ€nniskor som Ă€r lĂ„ngt ifrĂ„n mjukvaruutveckling.
Innan jag gÄr vidare till översikten av kursen, vill jag sÀga att för att studera den krÀvs Ätminstone minimal kunskap i Python. Man kan lÀsa ett par nybörjarböcker (jag har Àven börjat genomgÄ en kurs pÄ Stepic, men jag har Ànnu inte fullföljt den).
I sjÀlva kursen om TensorFlow kommer det inte att finnas nÄgra komplicerade konstruktioner, men det kommer att vara nödvÀndigt att förstÄ varför bibliotek importeras, hur en funktion definieras och varför nÄgot sÀtts in i den.
Varför TensorFlow och Udacity?
HuvudmÄlet med min utbildning var att kÀnna igen bilder av elektriska installationskomponenter med hjÀlp av neurala nÀtverk.
Jag valde TensorFlow eftersom jag hörde talas om det frÄn mina vÀnner. Som jag förstod det Àr denna kurs ganska populÀr.
Jag försökte börja studera med den officiella .
Och jag stötte genast pÄ tvÄ problem.
- Det finns mycket studiematerial, och de Àr osammanhÀngande. Att fÄ en mer sammanhÀngande bild av hur man löser problemet med bildigenkÀnning var mycket svÄrt för mig.
- De flesta artiklar jag behöver Àr inte översatta till ryska. SÄ har det blivit att jag i barndomen lÀrde mig tyska och nu, precis som mÄnga sovjetiska barn, inte kÀnner till varken tyska eller engelska. SjÀlvklart har jag under hela mitt medvetna liv försökt lÀra mig engelska, men det har gÄtt ungefÀr som pÄ bilden.
Efter att ha grÀvt lite mer pÄ den officiella webbplatsen fann jag rekommendationer för att gÄ .
Som jag förstod var kursen pĂ„ Coursera avgiftsbelagd, medan kursen kunde genomföras âkostnadsfritt, det vill sĂ€ga gratisâ.
Kursens innehÄll
Kursen bestÄr av 9 lektioner.
Det allra första avsnittet Àr en introduktion dÀr man berÀttar vad den Àr bra för.
Lektion nummer 2 visade sig vara min favorit. Den var tillrÀckligt enkel för att jag skulle kunna förstÄ den, och den visade ocksÄ vetenskapens under. Om man ska sammanfatta, sÄ demonstrerar denna lektion, förutom grundlÀggande information om neurala nÀtverk, hur man med hjÀlp av ett enda lager av ett neuralt nÀtverk kan lösa problemet med att omvandla temperatur frÄn Fahrenheit till Celsius.
Det Àr verkligen ett mycket konkret exempel. Jag sitter fortfarande och funderar pÄ hur jag kan komma pÄ och lösa en liknande uppgift, men bara för elektricitet.
TyvÀrr stannade jag upp eftersom det Àr ganska svÄrt att lÀra sig oklara saker pÄ ett okÀnt sprÄk. RÀddningen blev att jag hittade pÄ Habré .
ĂversĂ€ttningen Ă€r av hög kvalitet, Colab-anteckningarna har ocksĂ„ översatts, sĂ„ jag sneglade bĂ„de pĂ„ originalet och pĂ„ översĂ€ttningen.
Lektion nummer 3 Àr i praktiken en Äterspegling av materialet frÄn den officiella TensorFlow-handledningen. I denna lektion lÀr vi oss att klassificera bilder av klÀder (dataset Fashion MNIST) med hjÀlp av ett flerlagers neuralt nÀtverk.
Lektionerna frÄn nummer 4 till nummer 7 Àr ocksÄ en omarbetning av handledningen. Men pÄ grund av att de Àr vÀl sammansatta finns det ingen anledning att sjÀlv förstÄ studieförloppet. I dessa lektioner kommer vi kortfattat att fÄ veta om superexakta neurala nÀtverk, hur man ökar trÀningsnoggrannheten och sparar modellen. Under tiden kommer vi att lösa klassificeringsuppgiften med bilder pÄ katter och hundar.
Lektion nummer 8 Àr en helt egen kurs, med en annan lÀrare, och kursen Àr ganska omfattande. Lektionen handlar om tidsserier. Eftersom jag inte Àr intresserad av det just nu, har jag bara skummat igenom den.
Sista lektionen Àr nummer 9, som Àr en inbjudan att delta i en gratis kurs om TensorFlow Lite.
Vad jag gillade och inte gillade
Jag börjar med fördelarna:
- Kursen Àr gratis.
- Kursen Àr baserad pÄ TensorFlow 2. NÄgra av de böcker jag har sett och vissa kurser online var baserade pÄ TensorFlow 1. Jag vet inte om skillnaden Àr stor, men det Àr trevligt att lÀra sig den aktuella versionen.
- LÀrarna i videorna irriterar inte (Àven om den ryska versionen inte lÀser med lika mycket energi som originalet).
- Kursen tar inte mycket tid.
- Kursen ger inte en kÀnsla av tristess och hopplöshet. Uppgifterna i kursen Àr enkla och det finns alltid en ledtrÄd i form av Colab med rÀtt lösning, om nÄgot Àr oklart (och mer Àn hÀlften av uppgifterna var oklara för mig).
- Det Àr inte nödvÀndigt att installera nÄgot, alla laborationer i kursen kan göras i webblÀsaren.
Nu till nackdelarna:
- Det finns i stort sett inga kontrollmaterial. Inga tester, inga uppgifter, ingenting för att pÄ nÄgot sÀtt mÀta förstÄelsen av kursen.
- Inte alla mina anteckningsböcker fungerade som de skulle. Jag tror att i den tredje lektionen av den ursprungliga kursen pÄ engelska visade Colab ett fel, och jag visste inte vad jag skulle göra Ät det.
- Det Àr bekvÀmt att titta pÄ en dator. Kanske har jag inte förstÄtt allt helt och hÄllet, men jag hittade inte Udacity-app pÄ min smartphone. Den mobila versionen av webbplatsen Àr inte responsiv, vilket betyder att navigationsmenyn nÀstan tÀcker hela skÀrmytan, och för att se huvudinnehÄllet mÄste man scrolla Ät höger utanför visningsomrÄdet. Dessutom kan videorna inte ses pÄ telefonen. PÄ en skÀrm som Àr lite över 6 tum kan man knappt se nÄgot ordentligt.
- Vissa saker i kursen repeteras flera gÄnger, men de verkligt viktiga aspekterna av sjÀlva konvolutionsnÀten tas inte upp. Jag förstod aldrig det globala syftet med vissa övningar (till exempel varför Max Pooling behövs).
Sammanfattning
Du har sÀkert redan listat ut att underverket inte intrÀffade. Efter att ha genomfört denna korta kurs Àr det omöjligt att verkligen förstÄ hur neurala nÀtverk fungerar.
SjÀlv kunde jag inte lösa min uppgift med att klassificera bilder pÄ brytare och knappar i distributionssystem efter detta.
Men överlag Àr kursen anvÀndbar. Den visar vilka saker man kan göra med hjÀlp av TensorFlow och i vilken riktning man kan gÄ vidare.
Jag tror att jag först behöver lÀra mig grunderna i Python och lÀsa böcker pÄ svenska om hur neurala nÀtverk fungerar, innan jag tar mig an TensorFlow.
Avslutningsvis vill jag tacka mina vÀnner för att de pushade mig att skriva min första artikel pÄ "Habr" och hjÀlpte mig att formatera den.
P.S. Jag ser fram emot dina kommentarer och all konstruktiv kritik.
KĂ€lla: habr.com
