Скачать "Глубокое обучение в компьютерном зрении #8 / Иван Карпухин [MADE]"

"videoThumbnail Глубокое обучение в компьютерном зрении #8 / Иван Карпухин [MADE]

Машинное обучение в продакшене #5 / Михаил Марюфич [MADE]

Машинное обучение в продакшене #5 / Михаил Марюфич [MADE]

Канал: VK Team

Advanced Scala #4 / Корольков Алексей [MADE]

Advanced Scala #4 / Корольков Алексей [MADE]

Канал: VK Team

Продукты и их развитие | Курс Product management | Лекция 1

Продукты и их развитие | Курс Product management | Лекция 1

Канал: VK Team

10. Временные ряды. Курс «Введение в анализ данных» | Технострим

10. Временные ряды. Курс «Введение в анализ данных» | Технострим

Канал: VK Team

Продуктовые гипотезы | Курс Product management | Лекция 4

Продуктовые гипотезы | Курс Product management | Лекция 4

Канал: VK Team

11. Базы данных. MongoDB. Построение запросов, оптимизация, индексирование

11. Базы данных. MongoDB. Построение запросов, оптимизация, индексирование

Канал: VK Team

8. Программирование на Go. Производительность | Технострим

8. Программирование на Go. Производительность | Технострим

Канал: VK Team

11. Введение в SQL. Курс "ВВЕДЕНИЕ В АНАЛИЗ ДАННЫХ" | Технострим

11. Введение в SQL. Курс "ВВЕДЕНИЕ В АНАЛИЗ ДАННЫХ" | Технострим

Канал: VK Team

Нейроинтерфейсы #5 / Алексей Осадчий [MADE]

Нейроинтерфейсы #5 / Алексей Осадчий [MADE]

Канал: VK Team

Advanced Scala #1 / Корольков Алексей [MADE]

Advanced Scala #1 / Корольков Алексей [MADE]

Канал: VK Team

лекции по программированию

уроки программирования

как начать программировать

курсы программирования

мобильная разработка

анализ данных

технострим

linux

java

базы данных

golang

администрирование linux

алгоритмы и структуры данных

алгоритмы

тестирование по

нейронные сети

с++

hadoop

kotlin

android разработка

веб разработка

python

вконтакте

my games

mail.ru

скринкасты

00:03:55

меня видно слышно

00:04:08

разврата

00:04:16

экран видно коллеги

00:04:23

коннор всем видно все супер по силам а

00:04:28

войти начнем меня зовут андрей и я вам

00:04:31

расскажу сегодня про

00:04:34

53 пленка предложений курсов право

00:04:36

машинное обучение и к метро зрения

00:04:40

машину обучения

00:04:42

собственно какой у нас план лекции мы

00:04:45

его можно разделить на три основные

00:04:48

части 1 мы поговорим о том что такое

00:04:51

метре player зачем он нужен изберем

00:04:54

алгоритмы основные их очень много

00:04:57

поэтому мы такие разберем самые

00:05:00

влиятельные потому что все остальные

00:05:02

плюс-минус на них строятся

00:05:05

то есть мы говорим о том как как как

00:05:07

обучать дмитрий лёвин в модели потом мы

00:05:10

поговорим о том как когда-то на по

00:05:14

требующий как правильно делать inference

00:05:16

как его делать правильно и эффективно

00:05:20

смотрим реальный пример

00:05:23

котором клиринг успешно применяется

00:05:27

одном из продуктов

00:05:29

а точнее даже в двух продуктах

00:05:34

собственно

00:05:36

первая такая задача которая которая

00:05:39

из которой исторически

00:05:42

важных возник подход дмитрий cleaning

00:05:46

это задача связанная с

00:05:49

низшим

00:05:50

собственно задача распознавания лиц

00:05:53

ее можно разделить на две подзадачи

00:05:58

кто-то что-то говорит

00:06:01

лук опрос

00:06:08

олег вот микрофон выключен

00:06:11

собственно ее можно разделить на две

00:06:12

подзадачи первое это задача верификации

00:06:16

то есть когда у нас есть один человек а

00:06:18

нам нужно понять это он или не он то

00:06:21

есть распознавание 11 к одному и задача

00:06:25

и и модификации когда нам нужно среди

00:06:28

многих

00:06:29

найти от его одного конкретного человека

00:06:31

эти многих лиц

00:06:34

собственно для этого подхода существует

00:06:37

большое количество сетов потому что

00:06:40

задача относительно старая и

00:06:42

но без небезуспешно решить для

00:06:45

статических

00:06:47

либо который более

00:06:51

более ста тысяч не достиг 10 миллионов

00:06:54

изображения минимум 100 на

00:06:58

персону но с ней есть одна большая

00:07:00

проблема что она

00:07:03

он оставался с помощью поискового

00:07:06

движка и собственно из-за этого она

00:07:09

очень шумно

00:07:12

есть были маленькие data set up поэтому

00:07:14

более практичен и как

00:07:16

w но они очень маленькие там всего 13

00:07:20

изображение

00:07:22

большого количества person

00:07:26

at 2 и больше изображение то есть это

00:07:30

просто символ

00:07:33

есть

00:07:34

большие быть маркете мега фейса главной

00:07:39

особенность которого что там есть один

00:07:41

миллион

00:07:43

трактор

00:07:44

какие-то изображения которые не

00:07:47

относятся к тем людям которых

00:07:49

труханов надеюсь нам нужно найти всего

00:07:53

человек то есть

00:07:55

такой сын который более-менее эмулирует

00:07:58

то что у вас

00:07:59

если вы делаете поиск лиц то что реально

00:08:03

происходит напротив

00:08:07

мы когда сделали свой datasette мы

00:08:09

делали они похожи

00:08:10

брать данные из бака адаптировали под

00:08:12

подходу в мега pset6 structor

00:08:17

собственно когда мы это делали

00:08:19

такую задачу мы поняли что для нее нужно

00:08:23

использовать дмитрий клиринг и

00:08:25

собственно для решения это подачи

00:08:27

микроник используется и вообще

00:08:30

данные статьи памяти пленка не как раз

00:08:33

вырос из гавани

00:08:36

собственно это метрик леоненко и хочется

00:08:39

задаться вопросом а что же такое

00:08:40

метрикам

00:08:42

но здесь нет ничего необычного это

00:08:45

собственно никто механизм с помощью

00:08:48

которого мы можем сохранить два часовых

00:08:51

вектора и понять насколько они близки

00:08:54

друг другу

00:08:56

представлена элита метрика мы все вас не

00:08:59

прекрасно знакомы из курса в

00:09:03

принципе в качестве метрики можно

00:09:06

описать задачу be fun которые обладают

00:09:09

следующими тремя свойствами тоже все

00:09:13

абсолютно очевидно из алгебра свойства

00:09:19

одна из самых распространенных метрик

00:09:21

метрика минковского

00:09:24

минковского которой есть параметр p

00:09:27

зависимости от которого

00:09:30

для названий для различных проектов

00:09:34

существует унеси безвестно отдельные

00:09:37

название при парном единиц это

00:09:38

африканское расстояние

00:09:42

проводу мытая это прекрасные

00:09:47

есть более продвинутыми метрика которая

00:09:51

является обобщением

00:09:54

видом расстояния или либо метрики это

00:09:57

просто не махал анубиса раздается по

00:10:00

следующей формуле где

00:10:02

собственно ездила параметра средние

00:10:06

некоторые и с камер сердца

00:10:09

вот и собственно можно

00:10:13

подобрать по природе то есть обучить

00:10:17

и

00:10:19

рынок

00:10:21

метрика это метрика связаны с

00:10:24

скалярным произведением точнее косинуса

00:10:28

метрика для двух фсб абсолютно тоже как

00:10:32

бы думаю всем известно и

00:10:35

есть простая связь с и передам

00:10:38

расстоянием что мы нормализуем

00:10:41

вектор a и b и получаем вот такое как

00:10:43

показано на слайде

00:10:46

отношении

00:10:50

переход от летит в расстояния к

00:10:52

основному расстояния

00:10:53

чем косинус на метрика хороша в не мог

00:10:57

сказать что она она хороша для

00:11:01

моих размерных акторов и принципе

00:11:04

косинусные расстояния но в среднем такой

00:11:06

которой в этой книге чаще всего

00:11:09

используются

00:11:11

людьми том что на нормированное не там

00:11:13

проще подбирать

00:11:15

какие-то пороги по этим метрикам

00:11:19

ok

00:11:22

с метрика

00:11:24

не разобрались

00:11:26

давайте идти к ребенку

00:11:29

собственно и давайте будет парить на

00:11:32

продолжать нашу задачу сознавание лиц то

00:11:36

есть мы хотим обучить какой какую-то

00:11:39

модель какую-то нирвану сеть точнее

00:11:41

собираюсь который будет

00:11:43

сравнивать лица и сравнивать

00:11:47

делать хорошо хорошо в каком смысле

00:11:52

смысле что мы разводим что

00:11:55

эти сетки можем получать mb ведь это

00:11:59

последний

00:12:00

или какой-то слой смотря какой вы

00:12:02

создадите но обычно это последний слой

00:12:04

перед а слоем классификатором перед лаги

00:12:07

to me

00:12:09

показаны embedding слой

00:12:12

что с помощью него мы приводим

00:12:15

изображения в такое метрическое

00:12:16

пространство в котором все хорошо

00:12:18

а все хорошо для нас это то что мы все

00:12:21

наши class

00:12:23

1 class другу близки далеки от

00:12:26

представители других классов и есть

00:12:30

прекрасное

00:12:32

свойство как козерог тренинг

00:12:35

а именно что если мы уже для обычной

00:12:38

сетки на ком то тогда сайте мы

00:12:41

берем новый какой-то класс новое лицо

00:12:43

которого не было среди

00:12:45

персона которых мы обучались и его

00:12:49

отображаем с помощью сетки в этом

00:12:51

метрическое пространство эти весы будут

00:12:53

образовывать новый кластер который также

00:12:55

будет обладать этими прекрасными

00:12:56

свойствами а именно маленько на три

00:13:00

класса внутри кластера на расстоянии и

00:13:04

большое расстояние между другими

00:13:06

кострами то есть мы сможем до железа

00:13:09

который сетка не видела хорошо отделять

00:13:11

это как бы то что мы хотим получить

00:13:16

собственно самый простейший подход

00:13:19

давайте просто будем учить

00:13:23

модель для классификации с

00:13:26

конфиг циона носом и

00:13:28

[музыка]

00:13:31

брать в поединке надеяться что все будет

00:13:34

хорошо это самый такой

00:13:36

наивный подход а

00:13:38

вот но он конечно

00:13:41

работает но мы не получаем всех

00:13:46

прошлых делимости кластеров которой я

00:13:48

говорил ранее то есть они конечно как

00:13:50

трать являются

00:13:52

политическое пространство но

00:13:54

никогда пастора будут примешиваться и

00:13:57

лежать слишком близко и так далеко

00:14:00

ради

00:14:02

поэтому надо как бы делать что-то другое

00:14:05

а мы их мы хотим как бы вот от кого

00:14:07

поведения перейти вот к такому поведению

00:14:10

то есть можно вопрос быстро задать

00:14:12

задайте а вот каким образом его очень

00:14:16

сетку классифицировать злиться если у

00:14:19

нас грубо говоря там по одному

00:14:20

изображению на каждый класс или того что

00:14:23

потом изображена ну там же людей многое

00:14:27

там люди обычно там редко

00:14:29

фотографируются

00:14:32

ну это мы как бы подходим к

00:14:34

дата-центре

00:14:36

говорит продано это собственно то что я

00:14:39

имел ввиду когда первой части

00:14:42

первый под части лекции говорил про до

00:14:44

tosato

00:14:46

что надо конечно стараться искать

00:14:50

datasette и где там достаточное

00:14:53

количество людей например там тоже

00:14:55

месте либо там за шум ленности она

00:14:59

хороша тем что там как бы как минимум

00:15:00

100 фоток на человека есть это уже

00:15:03

что-то

00:15:05

то есть когда мало молодец то это

00:15:09

конечно

00:15:10

обучение будет вестись хуже особенно тут

00:15:13

может быть проблема в том что если у вас

00:15:14

перекошено класса для кого-то много

00:15:16

картинок а для кого то мало

00:15:19

вот но этот вопрос он стандартен для

00:15:25

[музыка]

00:15:27

собираюсь машина в обучении

00:15:31

вот ну как бы здесь в данном случае мы

00:15:34

говорим именно про

00:15:35

подходы как как это учить но в целом

00:15:38

мочи больше дано с тем лучше но

00:15:41

она будет сказываться

00:15:44

может в некотором смысле нивелировать

00:15:48

эти особенности и нас в следующих

00:15:51

лекциях будет отдельно проходки шурин

00:15:54

как собственно включение в случае когда

00:15:56

мало данных на каждый класс на 125

00:16:01

вот и там как раз есть подходы которые

00:16:03

по сути являются дмитрий клеем подходами

00:16:07

адаптированы под такие случаи но как бы

00:16:09

это некоторый частный случай добрые

00:16:11

потом поговорим

00:16:13

вот просто на примере наверное вконтакте

00:16:16

там грубо говоря сколько в атаку

00:16:18

человеком там несколько штук и

00:16:20

получается нет м для 100 миллионов

00:16:23

пользователей

00:16:25

сказывается стать 100 миллионов классов

00:16:28

важно классе по 5 примеров это выглядит

00:16:31

как-то очень сложно

00:16:33

но смотрите как бы и нет если такой

00:16:36

делать то то наверно конечно у вас будет

00:16:38

проблема поэтому собственно этот сосед

00:16:40

он на собирался не

00:16:42

не так что на каждого было по 5 элемент

00:16:46

по 5 лиц а конечно больше

00:16:51

то есть но это опять разговор про

00:16:53

соотношение количества классов к

00:16:55

количеству

00:16:57

суперкласс дано

00:17:02

вот но только бы я здесь в

00:17:04

в данном контексте я могу ответить что

00:17:06

нужно стараться собирать данные

00:17:10

а так чтобы все таки

00:17:12

достаточное количество на каждый класс

00:17:15

такое достаточно это хороший вопрос

00:17:18

которым нужно непосредственно

00:17:21

разбираетесь задачу понимать но

00:17:24

пролиться там и вот мы последний часть

00:17:28

говорим про достопримечательности там

00:17:29

конечно такого не было таких перекосов и

00:17:32

там

00:17:33

специально балансировали данные чтобы не

00:17:35

было супер мало на каждый класс

00:17:42

при

00:17:43

а понятно спасибо конечно

00:17:47

а

00:17:48

вот собственно возвращаясь к методу не

00:17:51

значит мы хотим просто я снова написал

00:17:53

чтобы у нас было такое поведение то есть

00:17:56

такие компактные кластера которые

00:17:59

пространство которые

00:18:02

достаточно далеко отстоят друг от друга

00:18:06

и

00:18:07

чтобы этого добиться нужно нужны

00:18:09

специальные подхода а именно специальный

00:18:12

курс hotel

00:18:13

который можно разделить собственно на

00:18:17

два класса 1 это прямой подход где мы

00:18:21

непосредственно что-то делаем с

00:18:23

ботинками а второе это нисколько не

00:18:25

неявно подход где мы также используем

00:18:28

мы используем классификационный лосс

00:18:31

просто его определенным образом

00:18:34

модифицируя

00:18:35

давайте начнем с

00:18:39

отходов основанных на на скорости на на

00:18:43

семинаре то есть здесь который говорим

00:18:45

про таким подходом и мы оперируем

00:18:50

армен

00:18:52

и мы говорим про про позитивный и

00:18:54

негативный пара то есть что такое

00:18:56

стильная пара это элемент элемент x и

00:19:00

для него позитивный парад элемент того

00:19:02

же класса негативный парой dreamin'

00:19:03

другого класса

00:19:06

и собственно такой первый подход стиками

00:19:09

треблинка то сиамские сети он собственно

00:19:12

заключается в том что мы

00:19:15

берем одну и ту же сеть и как но здесь

00:19:18

изображены две ну что это как бы

00:19:20

сиамская но они шарик между собой веса

00:19:24

по сути относить и мы делаем так что

00:19:27

прогоняем сначала

00:19:30

оригинальный x его земных пару и

00:19:37

функция потеряно делать так что она была

00:19:40

маленькая

00:19:42

для них потому что это как бы это

00:19:44

правильный а для негативных пара она

00:19:47

была большая

00:19:49

собственно вот

00:19:51

такого поведения мы хотим добиться . да

00:19:54

примет 1 класса него нет риска

00:19:56

пространстве который мы очень близки

00:19:57

друг другу и не штрафуем а когда

00:20:02

что если раза холста и должны развивать

00:20:06

как этого добиться собственно в сиамских

00:20:10

этих сетях появился на подход

00:20:14

о которой в принце который относится к

00:20:16

общему семейству контрасте floss

00:20:20

собственно это достаточно известный

00:20:23

место который сейчас активно применяется

00:20:26

все успеваешь

00:20:28

и

00:20:29

в качестве

00:20:31

формуле можете видеть сим

00:20:35

скорости земля эти используются на

00:20:39

расстоянии

00:20:41

и собственно функции потеряно сдается

00:20:44

вот таким образом это как бы такой налог

00:20:47

максом на расстояниях

00:20:49

где у нас и

00:20:52

и

00:20:54

яндекс и же это позитивный пара

00:21:00

все как они равны это негативный

00:21:04

собственно строим такой

00:21:06

of tax то есть мы мы пытаемся

00:21:10

есть будем ее минимизируем

00:21:13

минимизировать значит у штуку на которой

00:21:15

максимизировать то есть мы хотим чтобы

00:21:20

расстоянием что то что такое что мы мы

00:21:24

хотим его делать максимально близко к

00:21:26

единице

00:21:28

вот здесь собственно это применяя и

00:21:31

описано идеальное поведение мы хотим

00:21:34

минимизировать функции потерь какую

00:21:36

спустя

00:21:38

это некоторые параметры температуры им

00:21:42

можно настраивать

00:21:45

потерь на сколько она будет

00:21:48

чувствительна к изменениям расстояние

00:21:51

стандарты отобрать единицу но дальше от

00:21:54

задачи это нужно смотреть это красота

00:21:56

гипер promise котором можно играть

00:22:00

собственно в чем важность в принципе

00:22:03

когда мы говорим про

00:22:05

метод подходы

00:22:08

основаны на смерти

00:22:11

как раз важная штука про то что мы как

00:22:15

мы собственно эти позитивный негативный

00:22:16

пары как набираем и каким образом они

00:22:19

отображаются в функции потерь то есть

00:22:21

например случае кадра тепло у нас одна

00:22:25

позитивная пара и

00:22:27

много негативных пар

00:22:30

фото к научиться следующий подход очень

00:22:33

популярны и один из самых влиятельных в

00:22:36

мире пленки которые

00:22:39

до сих пор прекрасно применяется этот

00:22:42

ребят лосс и в нем как раз уже 1

00:22:45

позитивный 1 негативный пара

00:22:48

то есть в нем нейминг такой что вот сам

00:22:51

элемент x относить до которого мы

00:22:52

рассмотрим называется

00:22:54

якорь и один истинный один негативный

00:22:58

элемент собственно подход при метильных

00:23:00

теплее был впервые представлен статье

00:23:02

пояснит углам важны в 15-м году и

00:23:06

собственно как и

00:23:09

иллюстрации мы хотим сделать так

00:23:11

обучение чтобы расстояние между нко

00:23:14

выходите к нам элементом было поменьше

00:23:17

чем расстояние между этим

00:23:23

есть вот собственно что мы хотим альфа

00:23:26

это некоторый морджим

00:23:28

стандартно вот собственно слева

00:23:31

позитивные элементы право негативные

00:23:34

посреди анка

00:23:36

функция сдаемся как написано на слайде

00:23:39

функция эль

00:23:41

собственно да это функции расстояния

00:23:43

идти говори косинус на расстоянии м это

00:23:46

опять же машу

00:23:49

вот м это

00:23:51

гибрид параметр который можно

00:23:53

маркировать

00:23:56

собственно но как я сказал

00:23:58

важнейшая вещь это мы говорим про метро

00:24:01

cleaning это то как же нам дублировать

00:24:06

вот эти три пледы

00:24:10

чтобы у нас было хорошее обучение потому

00:24:13

что если

00:24:17

окажется что нам нужно брать как можно

00:24:20

более сложные пары

00:24:24

о качественных и негативных когда

00:24:27

обучение будет более эффективным

00:24:28

ингредиенты будут больше и мы будем

00:24:30

лучше учиться вот но здесь есть

00:24:34

некоторые ловушка которое заключается в

00:24:38

том что если мы будем так делать мы

00:24:40

надеемся что получится так а получается

00:24:43

вот так

00:24:44

то есть такой выбор

00:24:48

hard

00:24:49

пит летом то есть сложных примеров он на

00:24:52

практике приводит к тому что сеть

00:24:54

коллапсирует я просто столица конуре

00:24:57

и ничего не получается что мы хотим

00:24:59

делать

00:25:00

истина на как она как всегда посередине

00:25:01

нужно брать не hard a-7 и hard пример то

00:25:05

есть

00:25:07

если формулы отобразить то есть это

00:25:11

можно что то что то типа такого что

00:25:14

написано на слайде вот такую цепочку

00:25:17

построить маржи нам альпам а если вы

00:25:20

более просто то

00:25:24

мы хотим брать вот когда не настолько

00:25:26

сложные примеры не слишком легкие

00:25:29

примеры а вот что такое следить ведь

00:25:31

которая нам с одной стороны дает

00:25:33

полезную информацию где сеть ошибается

00:25:36

но не где она ошибается настолько

00:25:38

катастрофически что может и один старец

00:25:41

коллапсировать

00:25:42

собственно на практике это

00:25:47

как реализуется значит мы не можем брать

00:25:51

весь наш сайт например сенатом учимся на

00:25:54

мега пейси там миллион изображений и их

00:25:57

сканировать а то есть чтобы сканировать

00:25:59

получать нужно их прогнать все через

00:26:03

текущую

00:26:05

реплику сетки получить им бединге и все

00:26:07

между собой а сравнивать и и отобрать

00:26:12

7 их примеру и так нужно делать

00:26:15

получается на каждой итерации обучения

00:26:17

это невозможно а поэтому такой делается

00:26:20

на

00:26:23

и что и счета только в мини bocha

00:26:26

но его

00:26:28

автомойка бы поиск был более фиктивными

00:26:29

имеет смысл обратить можно больше и вот

00:26:32

мы из

00:26:33

семи hard негативов центрируем

00:26:38

элементы для последующего обучения

00:26:41

сейчас уже все современные подходы то

00:26:44

есть для тех диаметр клиринга они уже

00:26:46

такие сэмплеры собственно реализуют

00:26:50

а как понять еще раз какие примеры

00:26:52

являются более хордовыми какие были

00:26:55

простыми

00:26:56

смотрите мы смотрим по

00:26:59

о

00:27:00

[музыка]

00:27:01

расстоянием которые которыми между ними

00:27:05

есть то есть мы хотим чтобы вот такая

00:27:07

когда цепочка образовалась

00:27:09

то есть чтобы

00:27:14

то есть мы уже применяем моделью и

00:27:16

смотрим все примеры на которых она

00:27:18

ошибается или как ну да да да мы на

00:27:22

смотрите мы как бы

00:27:25

модели мы хотим чтобы раза чтобы

00:27:27

взяли три плент и

00:27:30

чтобы расстояние между он крым и

00:27:32

позитивным была маленькая а между

00:27:35

анкером и

00:27:36

и негативным большое

00:27:38

а если я очень по простому говорю но и в

00:27:43

том что вот мы

00:27:45

центрировали

00:27:47

взялись мини патча посчитали видели что

00:27:50

там например

00:27:51

негатива просто очень маленькое

00:27:53

расстояние очень маленького

00:27:55

машинам

00:27:57

альфа как бы про мид рисуется

00:28:00

меньше этого

00:28:04

между автором и и позитива на очень

00:28:06

большое то есть и мы считаем что это

00:28:09

если это эта разница как бы пропорции

00:28:12

между этим расстоянием она слишком

00:28:13

большая на бирже божков центра мы

00:28:16

говорим что-то как бы это это хард

00:28:17

пример если как бы наоборот то говорим

00:28:20

easy пример а вот если что-то как

00:28:22

посередине и они удовлетворяют какому-то

00:28:25

отношению к но опять же которых всем

00:28:27

мире она остается

00:28:29

том и говорю что это 7х пример

00:28:34

от полета мысли ум

00:28:38

трава понять это как бы идти в том

00:28:41

просто смотрим тупо на расстояние между

00:28:43

между автором и

00:28:45

позитивным между от крым и негативным и

00:28:48

и по ним играем

00:28:51

вот собственно поэтому на четырем измени

00:28:55

бача про про триплет значит он принципе

00:29:00

в среднем он хороший то есть я бы не

00:29:02

рассказал что

00:29:03

[музыка]

00:29:06

имеет смысл схода попробовать 35 лосс

00:29:09

блага там и или реализации его сложно

00:29:13

там и сэмплера

00:29:15

не

00:29:16

я те которые для прыгнул в торчим прямо

00:29:19

есть

00:29:20

для teka который вокруг это всё полагает

00:29:24

все дела реализовано но в чем его минусы

00:29:26

он требует

00:29:28

большого размера бачей для

00:29:31

семьи hard негативов и медленно сходятся

00:29:38

собственно давайте перейдем к софтокс

00:29:41

bass особенно они улучшают те подходы

00:29:44

которые мы рассмотрели и

00:29:47

кажется сама просто идеей ноги мы хотим

00:29:50

собственно построить такие кластера

00:29:52

метрической пространственного что лучше

00:29:53

всего описывает свой кластер

00:29:55

предаться и скалится это центр центроид

00:29:59

этого класса давайте будем каким-то

00:30:01

образом вычислять центроид каждого

00:30:04

класса к нему стягивать всех

00:30:05

представителей этого класса в

00:30:06

метрическом пространстве

00:30:07

а мы уж

00:30:09

и собственно это же эта идея нарисуется

00:30:12

в центр 8 то есть центр лосс это по сути

00:30:15

такой вот когда описывает составной лосс

00:30:19

который вращает обычный курс энтропию

00:30:21

плюс некоторых параметра линда нужно на

00:30:23

центр lose

00:30:25

и собственно aternos он записывается вот

00:30:28

такой вот формулы где x это это и

00:30:31

перемен поединка этого элемента с

00:30:36

это некоторый центроид класса которому

00:30:39

принадлежит и элемент

00:30:43

и собственно вот так мы и

00:30:46

лямда он очень сильно влияет и

00:30:48

собственно автор статьи это показывает

00:30:52

что от парирования md то как себя

00:30:55

получается результирующие метрическое

00:30:57

пространство стиль отличается

00:31:00

и если как бы его правильно подбирать то

00:31:02

можно получить такое хорошее поведение

00:31:04

опять же зависит от задач отправить его

00:31:07

нужно на принцессе

00:31:10

вот но кажется мы говорим про центроида

00:31:13

значит нужно их каждый раз пересчитывать

00:31:18

следует как-то очень долго но есть более

00:31:22

простой подход который собственно в чем

00:31:24

есть некоторая новизна статьи централ о

00:31:26

том что они

00:31:28

мы считаем что центроид от франции и

00:31:31

просто их учим процессе обучения

00:31:35

вот и такой подход оказалось хорошо

00:31:39

работает он точно простой

00:31:41

вот он

00:31:44

напрямую мы воздействием на то что мы

00:31:47

хотели сделать то есть

00:31:49

маленьким кластерные расстояние большие

00:31:52

расстояния и

00:31:54

по опыту и слива добавление просто же

00:31:58

классификационную задачу то он увеличь

00:32:00

улучшает качество

00:32:02

инфекционный

00:32:04

ваши зрачки превышайте даже если вы не

00:32:07

используете на интерес симметрий

00:32:08

cleaning к нему можно придраться что он

00:32:12

не всегда стоит в zart новый западными

00:32:15

дуки фактически бенчмарки в частности

00:32:17

для лица и для других задач я может с

00:32:21

примечательности это покажу он вполне

00:32:23

себе хорошо зашел

00:32:26

а другое семейства подходов которые тоже

00:32:29

родились из лиц это

00:32:32

angular софт макс

00:32:34

собственно это идея в том чтобы

00:32:36

макс представить иди

00:32:40

через углы

00:32:42

собственно вот

00:32:44

смотрим здесь простой пример из двух из

00:32:46

двух классов

00:32:49

отобразим все на единичную сферу то есть

00:32:53

где

00:32:55

продам сказал у

00:32:56

нас есть там два примера их 1 из 2 и к

00:33:00

ним есть матриц весов созданных

00:33:03

последнего слоя

00:33:04

w12 и ну и смещений v1 и v2 отобразим

00:33:08

все на и эти параметры на единичную

00:33:11

сферу то есть

00:33:13

возьмем их здесь не bb равна нулю и

00:33:17

можно тогда это выражение приписать в

00:33:19

таком виде где 1 это 2 это собственно

00:33:22

это угол между

00:33:26

так один это угол между

00:33:29

w 1 x 1 от этого я добыл между о doblo 2

00:33:32

x 2

00:33:34

собственно если в таком виде это

00:33:36

переписать то это становится интереснее

00:33:39

потому что мы хотим чтобы у нас как бы

00:33:42

два этих классов они как можно

00:33:46

разъезжались по этой единичной сфере ну

00:33:50

чтобы это сделать давайте угу один

00:33:52

пример на некоторое позитивное значение

00:33:54

умножим и тогда кажется не они

00:33:57

разъедутся

00:33:59

денежки сфере что просто у кого имеется

00:34:01

собственно вот это

00:34:04

идея просто на пальцах откуда это

00:34:06

взялось и

00:34:09

если варьировать м то можно добиться

00:34:12

того что вот по этой сфере они будут

00:34:14

разные классы разбежаться и

00:34:17

собираться в

00:34:20

кластеры которым мы что что мы хотим но

00:34:24

опять же здесь им нужно подбирать не

00:34:26

можно

00:34:27

перегнуть собственно как я сказал это

00:34:30

семейство подходов я кому интересно

00:34:32

призываю

00:34:34

может грузиться больше себя не

00:34:36

отличается все тем куда вставлять .

00:34:41

и дополнительными параметрами и вот

00:34:44

фейс которые пожалуй

00:34:47

такой из оригинальных методов которые

00:34:49

получил

00:34:52

многих

00:34:54

улицам сейчас уже конечно есть и в

00:34:56

развитии но в целом там идея на это же

00:34:58

он как бы нем нажать на м а он добавляет

00:35:01

м

00:35:03

у угла у того класса к которому

00:35:06

относится

00:35:09

элемент в обучении

00:35:13

и

00:35:14

собственно как бы за счет за счет этого

00:35:17

мы

00:35:18

получаем

00:35:20

скоры

00:35:22

которые

00:35:24

лучше

00:35:25

сказать которые позволяют нам обучить

00:35:30

лучше им бединге с лучшими лагерь данном

00:35:34

случае

00:35:35

и

00:35:36

собственно у него пожалуй все те же

00:35:40

самые плюсы которые есть у central осо

00:35:42

добавление кусок макс то что

00:35:46

он улучшает

00:35:50

классификационной тоски вот но он

00:35:52

требует по памяти вычислениям больше

00:35:55

ресурсов но как бы его важный плюс он

00:35:59

так он покажет очень хорошее

00:36:02

время очень много было state of зарплату

00:36:05

за его продолжателем

00:36:08

еще из важному что хотел сказать принцип

00:36:11

продать им

00:36:12

софт max b и с подходом

00:36:15

в том что обратите внимание когда мы

00:36:18

говорили про от прессы и центр лосс мы

00:36:19

ничего не говорили про сэмплирования

00:36:21

дано

00:36:23

как это было кто-то который нас миль

00:36:26

орите основаны

00:36:28

собственно

00:36:32

[музыка]

00:36:34

дублирование фактически важно для

00:36:37

смеялись и по из подходов

00:36:39

и собственно если это делать неправильно

00:36:41

то у вас не будет обучаться хорошо а

00:36:45

здесь этого не надо здесь мы центрируем

00:36:48

как обычно

00:36:49

[музыка]

00:36:51

ими можно сильно не париться и получать

00:36:54

хороший результат это как бы этом важный

00:36:56

момент

00:36:59

собственно давайте поговорим про

00:37:00

inference

00:37:02

мы обучили эти модели хорошо получили

00:37:04

там хорошим бединге

00:37:06

но как нам теперь собственно делать

00:37:10

inference

00:37:11

то есть в этом обучали на большом дата

00:37:14

сети паром и положено которого там

00:37:17

огромное количество 100 миллионов сон на

00:37:20

каждую что там

00:37:22

фотографии и

00:37:24

собственно

00:37:26

кажется что первое дерево

00:37:31

задач нас заказчиком у нас есть такой

00:37:34

огромный дефицит

00:37:37

мы там его месть прогнали через нашу

00:37:39

сеть получили мясники учили там 100

00:37:43

миллионов умножить на 100 на тысячу

00:37:46

векторов вот такая огромная база а

00:37:50

приходит

00:37:52

[музыка]

00:37:54

псинка запрос мы тоже прогоняем через

00:37:57

очень вектор и теперь на по-хорошему

00:37:58

нужно со всеми сравнить векторами

00:38:01

которые у нас есть в этой базе найти

00:38:04

которому мы ближе всего

00:38:06

сделать по сути кнр и

00:38:09

на основе этого сделать вывод ну как как

00:38:12

бы это будет очень долго поэтому нам

00:38:15

нужно делать что-то другое

00:38:17

и собственно здесь есть несколько

00:38:20

подходов

00:38:21

я про них

00:38:24

очень быстро расскажу

00:38:28

кому интересно здесь есть ссылки

00:38:32

непосредственно на слайдах

00:38:36

мы как-то

00:38:38

пытаемся

00:38:40

эту простите сделать какую-то

00:38:42

аппроксимацию вот в

00:38:45

одной используется

00:38:48

лес бинарных деревьев

00:38:51

где 2 . не при поиске не они пресс

00:38:55

они просто случайно эти образом

00:38:59

вы разделяется пространство и таким

00:39:02

образом строится определенная

00:39:04

иерархия

00:39:06

это иметь строится

00:39:09

между расстояниями и

00:39:12

собственно дальше по такому лесу вот по

00:39:15

такому

00:39:16

графу дальше гораздо проще делать поиск

00:39:20

потому что а

00:39:22

мне нужно все прибрать а мы просто

00:39:25

делюсь поэтому у графа смотрим где

00:39:28

наименьшие расстояния

00:39:30

вот но там есть по особенности

00:39:32

реализации

00:39:33

глубину его строить когда

00:39:34

останавливаться но как обычно и

00:39:37

эротические модели

00:39:40

особенности методов здесь так сказать

00:39:43

основную с но идею он собственно плюс

00:39:47

очень просто

00:39:50

вот но также проблема что он медленный

00:39:54

много памяти требует и

00:39:57

его реализациях нет не используются как

00:40:01

что хотелось бы делать потому что с

00:40:04

помощью можно много ускорять многие

00:40:06

вычислениям собственно другими которым с

00:40:09

игорем это это делает

00:40:11

следующий подход это

00:40:14

маленький мир

00:40:16

собственно он тоже основан на

00:40:19

некоторой эротичности но на немножко

00:40:22

другого вида здесь идея в том что мы все

00:40:24

это рассматриваем все все все элементы

00:40:27

которой есть на нашем сайте

00:40:32

всем этим где мы

00:40:34

рассматриваем как граф ребра графа это

00:40:38

расстояние между ними и собственно

00:40:41

используя такую модель алгоритм строит и

00:40:45

некоторые эффективный

00:40:46

поиск по нему

00:40:49

вот и

00:40:51

собственно как бы в том как

00:40:58

общий алгоритм обхода этого графа что

00:40:59

выбираем некоторых случайную ноту то

00:41:01

есть элемент

00:41:05

находим

00:41:07

ребра графа с не меньшим весом то есть

00:41:10

нашим состоянием по нему переходим и так

00:41:13

далее пока мы не сойдемся

00:41:17

и собственно

00:41:19

конечно нас получается такая нектара

00:41:22

йерархии

00:41:24

в результате постройки такого графа и но

00:41:28

десяток то в периоды я приду сказалось

00:41:29

на самом деле

00:41:31

обход и объединение

00:41:36

вот в

00:41:37

в кластеры на графе и собственно в

00:41:41

результате таких обходов мы строим

00:41:42

некоторых такой яркий где там на в левом

00:41:47

полный граф на некоторым более высоком

00:41:50

уровне у нас уже

00:41:52

сильно меньше

00:41:54

но по сути это кластера нот и собственно

00:41:58

при поиске приходя по такой иерархи

00:42:01

поиска очень сильно

00:42:03

увеличивается

00:42:05

сна он

00:42:06

с этого места что он он имеет высокую

00:42:09

точность он гораздо быстрее есть лизации

00:42:13

с бочонком то есть вам не нужно много

00:42:17

элементов запросов вам не нужно их всех

00:42:19

запихивать одному и и

00:42:22

обходить

00:42:24

почем работать как

00:42:26

неровностях например 100 сильно ускоряет

00:42:29

но он на построение у всех этих йерархии

00:42:32

требуется очень много память

00:42:36

тор и наверно наиболее эффективен на мой

00:42:40

взгляд это а из это

00:42:42

разработка

00:42:45

2000 сейчас

00:42:51

research собственно сейчас это уже метан

00:42:54

и reset

00:42:56

по сути он идея здесь тоже простая что

00:43:00

мы вместо того чтобы делать cummins мы

00:43:02

делаем

00:43:03

того чтобы делать н.н.

00:43:06

мы делаем

00:43:08

авторизация cummins

00:43:11

и

00:43:16

рассматриваем все пространство так что

00:43:18

то есть мы кодируем пространство потому

00:43:21

что каждый кластер теперь описывается с

00:43:24

помощью своего центра

00:43:27

и за счет этого мы уже можем

00:43:29

осуществлять поиск не

00:43:31

между всеми элементами только между

00:43:33

этими центрами

00:43:35

в чем собственно здесь и идея

00:43:39

это как бы такая математическое идея

00:43:41

здесь еще есть описание того как саммите

00:43:45

виктора они базируются чтобы ускорить

00:43:47

этот поиск сейчас на этом

00:43:52

не буду такая

00:43:56

машинерия но это все реализовано очень

00:43:58

сильно эффективно за счет чего

00:44:02

хорошо экономит память и нет того как

00:44:06

было в предыдущих методов что не требует

00:44:09

огромного количества памяти

00:44:12

вот здесь тоже про политизации когда нас

00:44:15

как

00:44:16

когда мы сделали как медитацию для наших

00:44:19

центров и всех embedding потом делать

00:44:21

поиск с учетом это conti зации тоже из

00:44:26

этого дела

00:44:29

вот not как бы в целом

00:44:32

такой вот получается немножко страшно

00:44:33

горит он на принципе там нет ничего

00:44:35

супер сложного

00:44:37

вот собственно какие плюсы опять же он

00:44:41

есть

00:44:42

реализованный он написан на плюсах там

00:44:45

очень хорошие реализации которая

00:44:47

собственно сайте

00:44:49

хоп репозитории

00:44:52

и его можно активно использовать он

00:44:54

хорошо сходится собачек бум

00:44:58

вот но там как бы есть некоторая

00:45:00

особенность что он все-таки а хуже чем

00:45:04

есть вы вы делали точные к ближайших

00:45:07

соседей потому что все таки некоторые

00:45:08

proximo ция с помощью вот этой цели

00:45:10

зации но чаще всего это

00:45:12

это все терпимо с точки зрения решения

00:45:16

задач и потому что его прям ешьте в

00:45:18

скорости они

00:45:20

они очень крутые

00:45:24

что здесь есть

00:45:26

табличка сравнение того как

00:45:28

методы работают но

00:45:32

по качеству и

00:45:35

о

00:45:37

времени который они занимают прихода там

00:45:43

просто поиск

00:45:44

честный

00:45:46

сколько занимает времена

00:45:48

построении индекса

00:45:50

вот это

00:45:52

сравнение

00:45:54

маленького мира и и со 2 2 нижних это

00:45:59

этапа из и

00:46:01

видно что

00:46:03

в целом

00:46:06

работают по качеству почисти одинаково

00:46:09

не но сильном сильно быстрее работает с

00:46:13

чем

00:46:15

большое преимущество

00:46:18

и давайте придем теперь как я и натирал

00:46:21

к еще одной реальная задача где

00:46:22

применяются метро глинки вот все

00:46:24

описанные

00:46:26

подходы которые мы только что смотрели

00:46:28

от разгона и опознавание

00:46:29

примечательности в облаке mail.ru вы

00:46:32

можете его найти идея в том что мы

00:46:36

что пользователь делал фотографии

00:46:39

примечательности

00:46:40

нам нужен их распознать и

00:46:44

делать такой галерею распихать по

00:46:46

городам и странам

00:46:48

[музыка]

00:46:49

вы собственно облегчить и по

00:46:52

достопримечательностям с тем чтобы

00:46:53

облегчить поиск этим даст примечательно

00:46:56

что вы их было проще искать

00:46:58

собственно там используется такая

00:47:00

архитектура использовался обычный white

00:47:04

352

00:47:05

в качестве mb 1 га после а выгула ест

00:47:09

использовалась у нас верность слой с

00:47:12

большой арман и дальше был отдельная

00:47:15

глава который что на макс и собственно

00:47:18

использовался за трос

00:47:22

это класс конечно

00:47:25

той модели который мы таким образом

00:47:27

обучили и здесь видно что у

00:47:32

нас есть от классификатора построить как

00:47:36

терешина то есть как бы те нейроны

00:47:37

которые больше всего реагируют для

00:47:38

каждого класса это базе сделано а

00:47:41

картинке видно что он как раз на части

00:47:45

изображения риге люди есть

00:47:47

примечательность

00:47:50

собственно

00:47:51

когда мы строили эту модель мы

00:47:55

сравнивали ее с различными подходами на

00:47:58

тот момент был

00:48:00

билл

00:48:02

гугловский метод который показывал стоит

00:48:06

азарт

00:48:07

собственном его мысль сравнивались видно

00:48:10

что мы на нашем тесте показываем а такие

00:48:13

же результаты

00:48:15

вот эти результаты на

00:48:19

на viste перес тест от один из

00:48:21

нескольких бенчмарков для

00:48:26

[музыка]

00:48:27

плавания примечательности и собственно

00:48:30

вот здесь видно что наш метод тоже

00:48:32

показывает очень хорошие

00:48:33

результаты которые сравним или

00:48:36

превосходят до

00:48:39

собственно в чем было то преимущество

00:48:41

которое мы

00:48:43

использовали потому что он

00:48:46

просто щитки длинные речи применяет к

00:48:49

ним кнр у нас получилось вскоре 15 раз

00:48:54

потому что и использую раз меньше памяти

00:48:58

потому что мы использовали центр лосс и

00:49:00

следовательно для яндекс которому мы

00:49:03

искали это были не все элементы нашего

00:49:05

the site of breed только центроида

00:49:07

которые по моему построили для для

00:49:09

каждого класса плюс мы использовали фаиз

00:49:12

и

00:49:15

за счет этого получилось экономить

00:49:17

память экономить время а к тому же тот

00:49:20

же темп он на чтобы получить достаточно

00:49:22

хорошее чем он

00:49:24

использовал

00:49:28

мы

00:49:29

четыре различных скейлы изображения то

00:49:32

есть он открыл

00:49:34

в четырех разных масштабах изображения

00:49:37

их всех прогонять через потом все эти а

00:49:40

полученные фичи объединял мы собственно

00:49:43

и сделали только за один проход все-таки

00:49:46

и вот такое что получили

00:49:49

что показывает что

00:49:50

метрики leaning

00:49:52

хорошо работает на реальных задач

00:49:57

собственно заключение

00:50:00

что хочешь сказать что magic ring очень

00:50:03

важная штука

00:50:06

оно работает очень много где и очень

00:50:08

много реальных

00:50:09

приложениях она есть во многих областях

00:50:12

машину обучения она если просто

00:50:15

распознавание например потому что сейчас

00:50:17

smaller сознавания лиц

00:50:19

или распознании достопримечательности то

00:50:21

что я анонсировал она есть myscreen

00:50:24

кофешопе

00:50:26

отходы как обучается по малому

00:50:28

количеству данных накажет класса а

00:50:29

теперь ли мочу или мальчик networks

00:50:34

меняется опять же то что я говорил про

00:50:35

контрасте с 2 ст лёнинг 7

00:50:40

cr7 подход сейчас который был в прошлом

00:50:44

году очень важно подход состоят из бука

00:50:48

они все используют по сути метрик лёнинг

00:50:50

и вариации на контрасте класса и

00:50:53

собственно механизм от экшена его тоже

00:50:55

можно достиг дублерин потому что там все

00:50:58

устроится на

00:50:59

том чтобы были бы деньги с хорошими

00:51:03

свойствами и

00:51:05

и собственно механизм а также

00:51:06

применяется в трансформерах которые

00:51:08

собственно нашу разогрела 3 блюд и

00:51:12

и наверно компьютер бежим

00:51:17

собственно из того что мы рассмотрели с

00:51:19

того что важно нужно вынести

00:51:23

метрик людям подходы можно разделить на

00:51:25

2 части которые в прямую работают с

00:51:28

митингами и которые работают с

00:51:31

конституционными лоссами

00:51:33

первым можно отнести триплет лосс

00:51:36

контрасте floss из старых можно выделить

00:51:40

центр лосс и

00:51:43

опять же мы просмотрели только такие

00:51:47

самые влиятельные методы в которых

00:51:49

заложены основные идеи

00:51:52

методов метра клиринга их великое

00:51:54

множество

00:51:56

не все конечно и на коже работают в

00:52:01

позапрошлом году facebook ли сеть была

00:52:04

статья где они анализировали многие

00:52:05

подходы пришли к выводу что существо из

00:52:08

них опубликованных подхода которые

00:52:10

времени они пришли по душе большая часть

00:52:13

предложенных методов не дойдет при

00:52:15

честно стране и большого прироста потому

00:52:17

что там был некоторый читинг

00:52:19

приказ результатов там например и

00:52:22

параметры из теста вас это использовали

00:52:24

или там

00:52:25

лучше запуск или еще что-то или лучшую

00:52:29

сетку использовали

00:52:31

в общем были такие вещи вот но эта тема

00:52:34

очень популярна и

00:52:35

потому что на активно применяется она

00:52:37

очень с точки зрения практики поэтому

00:52:41

подходов много но в целом вот то что мы

00:52:43

рассмотрели наверное такие самые

00:52:45

влиятельные все более-менее так или

00:52:46

иначе их идея используют

00:52:49

подход которому смотрели и

00:52:51

важно лин который нужно понимать про

00:52:53

методы которые связаны с прямой работы с

00:52:56

байден gear s3 перед носом который супер

00:53:00

важны для них важно

00:53:02

сабли рование данных то есть если вы

00:53:06

работаете с такими

00:53:08

базе подходами они точки зрения

00:53:11

математики формулу амореализации они они

00:53:13

проще это тот же arg 300 пример но нужно

00:53:17

много думать про

00:53:19

копирование данных

00:53:22

3 петли этом очень хорош для большого

00:53:24

datasette а в качестве им принца нужны

00:53:28

использовать ок н.н.

00:53:31

прокси имеет к ближайших соседей

00:53:34

собственно такие самые хорошие этапа из

00:53:38

и маленький лорд

00:53:41

мне по в целом больше нравится поезд

00:53:44

тому что он примерно такого же качестве

00:53:46

работает сильно быстрее

00:53:49

вот это microsd и у него есть хорошая

00:53:51

реализация ломали камера тоже есть но

00:53:53

туго из просто классным много раз

00:53:55

пользовалась выстроена плюсах написано

00:53:58

всем рекомендую использовать

00:54:02

вот

00:54:03

собственно

00:54:05

на этом

00:54:07

у меня еще тогда такой вопрос у нас была

00:54:11

недавно соревнования на распознавании

00:54:14

full марс там где мы ключевые точки лица

00:54:19

искали можно ли как то вот эту

00:54:21

информацию например потом

00:54:23

переиспользовать

00:54:26

распознавание лиц

00:54:29

чтобы уже довольно хорошие фичи

00:54:33

находиться в глаза рот нос это говорили

00:54:37

и вот это теоретический там это уже

00:54:40

какая-то значимая информация

00:54:44

ну конечно можно но то есть скажу больше

00:54:47

какие-то подходы которые сейчас были

00:54:49

менее классические но там распознавания

00:54:51

лиц

00:54:52

библиотеки старт же деле

00:54:56

они по сути как раз и стоит таких вещах

00:55:00

или подходы там

00:55:05

появился то есть в чем там идея там идея

00:55:08

в том чтобы построить им basin который

00:55:11

будет разделена как другое название

00:55:13

метре пленками на поле общая идея в том

00:55:17

чтобы построить такой имбилдинг который

00:55:20

будет очень хорошо писать лицо

00:55:23

комбезик какой-то вектор там 112 2048

00:55:26

значения . бы точек то есть по сути он

00:55:30

строит вот эти некоторые особые точки

00:55:33

лица и в целом так как раз идея в том

00:55:35

что

00:55:37

принципе все там просто основании

00:55:38

ресторана точнее

00:55:40

построение этих особых точек key points

00:55:43

александр звучит в том чтобы их как-то

00:55:45

найти и вот вот это диаметре он потому

00:55:49

что давайте мы просто как бы

00:55:51

без какой-то предварительной информации

00:55:53

не объясняя и как сетки о том что там

00:55:56

леса там должны быть глаза там рот нас

00:55:59

еще что-то

00:56:00

просто показывая ей данные и построив

00:56:03

определенный лосс мы ее будем так что

00:56:06

она будет красить и собой точки строить

00:56:09

но я могу сказать что я видел

00:56:11

эксперименты где собственно

00:56:15

отобразить на анализом ну то есть они

00:56:18

понимали там как они дёргали в

00:56:21

исследованиях

00:56:22

полученные митинги означает они там

00:56:25

закрывали какие-то части лица и смотрели

00:56:28

учетом возникает происходит на что не

00:56:31

реагирует принципе там получилось

00:56:32

сказать тоже

00:56:34

что ботинки как они как раз они не этом

00:56:37

смысле они совпадают с этими особыми

00:56:39

точками

00:56:41

лица скажем так вот эти методы в

00:56:44

принципе немножко совпадает почему вы в

00:56:47

таком случае не обучить какой-нибудь

00:56:49

сеть с двумя головами одна из них

00:56:52

предсказывал об этом ключевые точки

00:56:54

отругают как раз таки мучалась был метод

00:56:57

метра кликом можно так

00:57:01

можно повторить его в смысле вот который

00:57:04

подходы софт бокс на работают они

00:57:08

как бы там нет разделения на голову хоть

00:57:11

их можно вполне сделать там попросту

00:57:12

идея в том что просто они потом

00:57:14

консультирующий лосс или вашем случае

00:57:17

это может быть там дырка то особой точки

00:57:18

но классифицирует тоже по сути там лир

00:57:21

агрессию не строят чтобы корзинами найти

00:57:23

плюс вот этот в метре гленн клоуз будет

00:57:26

ну вот это по сути вот вариация на тему

00:57:29

ценного центр лоссов просто там не софт

00:57:31

на к другой вас пути свой использовать

00:57:36

да вполне можно я вообще как бы советую

00:57:40

по опыту что добавление центр носом

00:57:45

три подхода

00:57:47

может улучшить ту задачу даже если вы не

00:57:50

хотите там сравнить между собой бединге

00:57:52

вам это не надо

00:57:53

inference как менингитом а к нам-то все

00:57:56

а просто зафиксируйте я например ты

00:57:59

делал задача ранжирование

00:58:01

летом было отдельный лосс для pajero

00:58:04

между был там отранжировать видео ценным

00:58:07

образом но добавление в обучении

00:58:09

митриона класса мне подкинул а качество

00:58:14

хотя бы деньги прямую там не использовал

00:58:17

nine клинцы

00:58:21

воду

00:58:24

6 это вопрос

00:58:35

так вроде нет

00:58:38

окей хорошо

00:58:40

тогда спасибо

00:58:42

тогда думаю что где-то через

00:58:47

на минут 10

00:58:49

боря продолжит

00:58:51

или семинаром алон

00:58:55

отварить до

00:58:56

всем привет в общем то хотелось бы на

00:59:00

самом деле похоже что по техническим

00:59:01

причинам нас не получится провести

00:59:03

семинар если кратко то у

00:59:06

нас было майорская клад mail.ru облако

00:59:10

всеми данными для семинаров теперь она

00:59:13

выдает 404 ошибку вот поэтому идет

00:59:15

некоторое время то чтобы эти данные

00:59:17

установите видимо не сегодня поэтому

00:59:19

вероятно придется

00:59:21

семинар перенести вот если кому-то прямо

00:59:26

не терпится очень интересно то всегда

00:59:28

можно как бы и отсылаю можно посмотреть

00:59:30

запись прошлогоднего семинара в принципе

00:59:33

там ничего абсолютно не поменялось с тех

00:59:35

пор вот а так сожалению видимо сегодня

00:59:39

так вот

00:59:41

а мой семинар ja tebja скина сейчас

00:59:44

дискорд

00:59:46

очень большая

00:59:48

ok тогда наверное на этом я и

00:59:52

все вы прошли видимо да все ладно всем

00:59:56

всем спасибо всем пока а пофиг быстрая

Описание:

На этой странице вы можете по ссылке скачать медиафайл «Глубокое обучение в компьютерном зрении #8 / Иван Карпухин [MADE]» максимально возможного качества БЕЗ каких-либо ограничений на количество загрузок и скорость скачивания.

Готовим варианты загрузки

Популярные

HD видео

Только звук

Все форматы

* — Если видео проигрывается в новой вкладке, перейдите в неё, а затем кликните по видео правой кнопкой мыши и выберите пункт "Сохранить видео как..."

** — Ссылка предназначенная для онлайн воспроизведения в специализированных плеерах

Вопросы о скачивании видео

Как можно скачать видео "Глубокое обучение в компьютерном зрении #8 / Иван Карпухин [MADE]"?

Сайт http://unidownloader.com/ — лучший способ скачать видео или отдельно аудиодорожку, если хочется обойтись без установки программ и расширений. Расширение UDL Helper — удобная кнопка, которая органично встраивается на сайты YouTube, Instagram и OK.ru для быстрого скачивания контента.
Программа UDL Client (для Windows) — самое мощное решение, поддерживающее более 900 сайтов, социальных сетей и видеохостингов, а также любое качество видео, которое доступно в источнике.
UDL Lite — представляет собой удобный доступ к сайту с мобильного устройства. С его помощью вы можете легко скачивать видео прямо на смартфон.

Какой формат видео "Глубокое обучение в компьютерном зрении #8 / Иван Карпухин [MADE]" выбрать?

Наилучшее качество имеют форматы FullHD (1080p), 2K (1440p), 4K (2160p) и 8K (4320p). Чем больше разрешение вашего экрана, тем выше должно быть качество видео. Однако следует учесть и другие факторы: скорость скачивания, количество свободного места, а также производительность устройства при воспроизведении.

Почему компьютер зависает при загрузке видео "Глубокое обучение в компьютерном зрении #8 / Иван Карпухин [MADE]"?

Полностью зависать браузер/компьютер не должен! Если это произошло, просьба сообщить об этом, указав ссылку на видео. Иногда видео нельзя скачать напрямую в подходящем формате, поэтому мы добавили возможность конвертации файла в нужный формат. В отдельных случаях этот процесс может активно использовать ресурсы компьютера.

Как скачать видео "Глубокое обучение в компьютерном зрении #8 / Иван Карпухин [MADE]" на телефон?

Вы можете скачать видео на свой смартфон с помощью сайта или pwa-приложения UDL Lite. Также есть возможность отправить ссылку на скачивание через QR-код с помощью расширения UDL Helper.

Как скачать аудиодорожку (музыку) в MP3 "Глубокое обучение в компьютерном зрении #8 / Иван Карпухин [MADE]"?

Самый удобный способ — воспользоваться программой UDL Client, которая поддерживает конвертацию видео в формат MP3. В некоторых случаях MP3 можно скачать и через расширение UDL Helper.

Как сохранить кадр из видео "Глубокое обучение в компьютерном зрении #8 / Иван Карпухин [MADE]"?

Эта функция доступна в расширении UDL Helper. Убедитесь, что в настройках отмечен пункт «Отображать кнопку сохранения скриншота из видео». В правом нижнем углу плеера левее иконки «Настройки» должна появиться иконка камеры, по нажатию на которую текущий кадр из видео будет сохранён на ваш компьютер в формате JPEG.

Сколько это всё стоит?

Нисколько. Наши сервисы абсолютно бесплатны для всех пользователей. Здесь нет PRO подписок, нет ограничений на количество или максимальную длину скачиваемого видео.