我们作为YaKurier部门之一的小型开发团队,确实希望为无人驾驶技术的快速发展做出贡献。买了一辆普锐斯做试验,有点外围,以智能系统为中心构思了自己的把戏,模仿了驾驶员的注意力。我们开始了。那么,智能计算机视觉系统本身以及与之一起确保“新颖性”检测的“亚智能”系统又如何呢?
TensorFlow或类似的东西-现成的?几项实验清楚地表明,对于动态多因素情况,其中输入数组,许多子任务,许多类公认数据的重新确定,在开发过程中系统不可避免的可扩展性以及希望添加您自己的卷积和层次的动态多因素情况下,该选项是“现成的”,这很奇怪,第一步需要犯大量的汗水,血液,预算和挫败感,这会破坏一切,并且无法修复(除非使用恼人的拐杖)。而且由于我们是一支天真的团队,所以我们决定以自己的方式比赛。有观点认为,重点不在TensorFlow中,而是在其实现的技术中,我们将能够简化某些事情,改进某些事情并完全更改某些事情。
让我们先谈谈分类和模式识别的方法,我们确定您了解它们的所有知识,但是如果没有眼线笔,您可以去哪儿。我们将坚持使用更多的人类抽象方法和可视化方法,而不是使用严格的数学语言,而是以抽象的案例来识别传统的黄瓜和西红柿。
分类和模式识别
明确省略提取任何实验对象迹象的方法,考虑当我们完全知道如何测量其中两个时的情况:颜色(从红色到黄色到绿色)和形状的椭圆率(作为轴的比率)。通过说“量度”,任何工程师都暗示他可以清楚地将一个符号/现象/值与一个数字相关联,并且由于我们有两个符号,并且它们是非常独立的,也就是说,颜色不能表示形状,因此我们可以描绘一个直角坐标系,并且讨论其中的点或向量,分别对应于它们的颜色x_1和形状x_2。
, , x_1: (-1), (+1); x_2: (-1), () 1/5 (+1). – , – , . , , , , , 1 {(x_1=0,53@x_2=0,77)} – , 2 {(x_1=-0,51@x_2=-0,82)} – .
, , – – 2 . , , , -, , -, , , , , , , 900 (3030 px) , 900- . , , , (, ).
? , . , , , - ? , , . , . , , : , , , , , :
, 4- , .. N- .
II-
, , . , , , . :
: Ax+By+C=0, A, B C w_1, w_2 -v_1, {x;y} {x_1;x_2 }. , N- – N-1. 0, () , , – « », – « », () – . «», «» «- » , - , (. ). . , , . .
0, «» « », «», «» « » « » 1- .
w (k)/j, , N- – . , , , . , 0 1 .
– , ( , – ):
– , , ( ), Ax2+By2+Cxy+Dx+Ey+F=0, . - , , ( , ). , / , , . .
, - . – , , , – , – . : S-, A-, R- . , , MNIST, : , , :
/ …
! , 1- :
. . -, , , , , (cost function) , , , . , - , «» , , , , , , , , , , , , – ( – , – ):
-, , , , , - , . , , , , , . . . 2-- - :
? , x_1: – (-1), – (+1); x_2: – (-1), 1/5 – (+1). , 2- - , , 900- ? , 1- , – . , . , II- – , , .
. , , , , . . , , .
, , , , .
, , , , : , , , / , , . , , , , , , , , , , - .
. ? -, , , -, , , , . , , . , , , – .
? {0;0;0} {2;0;2} , {2;2;0} – . , , . , , , , , , , .. , . , , , , , , , , .
. , , , , , , , , .
:
w_i – , b_i – , . h. , /, , – .
? , , , , , – . . , , , , , GPU CUDA.
MNIST, 28x28 px. 10 10 , , – . , , .
, , , , , 30÷60 .
, , , . – MNIST, – , – .
, , . , , .
« » .
( « »), , « » « ». , , , , «».
, , , (), , , ( , ). , TensorFlow 2- , , MNIST 2,6%, . , .
MNIST (10 000 ) « ».
, + 25%:
:
:
- ;
- , , , .
:
- , , , , ;
- ;
- , , ;
- .
, , , , , .
嗯,一开始提到的无人技术与它有什么关系?我们有信心,我们的智能网络将在这一领域找到其主要应用,使我们能够克服与环境感知和识别中的多样性,可变性和异质性相关的现有障碍。