Как в подобных случаях решается проблема долгого отсутствия электричества, когда аккумулятор разряжается, телефон выключается и обратно сам не включается при появлении электричества? В свое время это помешало использовать смартфон в качестве видеонаблюдения на удаленном объекте.
Ну, какая-то переделка конечно потребуется. Я имел ввиду усиление почти не требуется по сравнению с классической самолетной посадкой на шасси. Тросы можно закрепить распределенно на корпусе, например. И сажать не на твердую землю, а на сетку. А потом уже медленно ее опускать.
Да и само крыло 120м это далеко за пределами испытанных образцов.
Ну, уже были испытания купола площадью 700 м2 для X-38. Это всего в два раза меньше требуемых 1400 м2 в приведенном примере выше. Эта технология масштабируется почти линейно.
Но по ссылке очень древнее крыло. Его аэродинамическое качество от силы 3-4 единицы, а масса переутяжелена в десятки раз. За это время прогресс ушел далеко вперед. Сейчас появились однослойные суперлегкие планирующие парашюты с аэродинамическим качеством под 8 прямо сейчас, а в пределе до 12-13 единиц.
Такая система будет в несколько раз легче и компактнее применяемых сейчас круглых парашютов.
P.S. Я не утверждаю, что надо делать именно так. Посадка на штатных двигателях как у Falcon выглядит конструктивно намного проще, а цена топлива там вроде менее 1% от стоимости ракеты. Но если речь о самой легкой и экономичной системе для возвращения и мягкой посадки, то альтернативы нормальному современному планирующему парашюту просто нет. Чисто по физике процесса.
Собственно, на существующих технологиях, без всякой свистопляски, для посадки 10 тонн с удельной нагрузкой 7 кг/м2 и удлинением 10 потребуется крыло размером 120 х 12 м, которое будет весить около 50 кг (плюс стропы, в сумме будет где-то под 70-100 кг). Неплохо, да?
При этом удельную нагрузку можно легко повышать до 20 кг/м2, а ткань из высокомодульного полиэтилена (дайнемы) или вектрана может быть 10 г/м2 вместо текущих парашютных 35 г/м2. То есть, вся система для посадки 10 тонной ступени может весить порядка 50 кг.
Планирующий парашют это самая легкая система посадки из всех возможных. Потому что в ней все элементы работают на растяжение. И при этом посадить можно в точку с околонулевыми горизонтальной и вертикальной скоростью. А значит не требуется шасси и усиление конструкции ракеты.
Как на парашюте посадить хотя бы 10 тонн на поверхность Марса или тонну на Луне? Никак.
Потенциал планирующих парашютов ещё не раскрыт. Они бывают со сравнимым аэродинамическим качеством с жёсткими крыльями (~13 единиц на посадочных скоростях), при этом в несколько раз меньше по площади чем круглые парашюты, а значит и меньше по массе. Посадочные характеристики у них намного лучше, чем применение любых закрылков и предкрылков на жёстком крыле. Для Луны конечно никак, для Марса ограниченно, а вот на Земле достичь вертолетной посадки в точку со сравнимой вертикальной скоростью, измеряемой сантиметрами в секунду, на планирующем парашюте вполне возможно.
Это конечно должна быть динамическая "птичья" посадка, поэтому потребует разработки соответствующих алгоритмов. Но есть и плюс — активная посадка позволит значительно улучшить характеристики планирующего парашюта, так как даже лучшие современные парапланы сильно загрублены ради пассивной безопасности.
В такой атаке нет ничего странного. Достаточно вспомнить как работают свертки. Нет ничего удивительного, что один сильно отличающийся пиксель может своим значением "побороть" обычные пиксели, для которых натренирован конкретный фильтр. И тем самым заставить его выдать другой признак. Способ борьбы с такими атаками тоже очевиден — увеличение числа сверточных фильтров, увеличение разрешения картинки, использование регуляризации (dropout, batch norm). В общем, надо уменьшать зависимость результата сети от показаний одного фильтра. Результат которого можно легко переписать чисто из-за особенностей используемой математики. Аугментация при обучении тоже помогает. Обучая свертки всем возможным случаям.
Хотя имея возможность запускать нейросеть очень много раз, используемый метод атаки (дифференциальная эволюция, а на более сложных сетях и обычный градиентный спуск тоже хорошо работает, так как из-за увеличения размерности там все получается гораздо плавнее), всегда будет оставаться возможность таких атак. На нейросети любой сложности. По сути, таким способом создаётся оптическая иллюзия, которым подвержены в том числе люди.
И вот как с этим бороться — хороший вопрос. А как мы боремся с иллюзиями? С галлюцинациями, и в более широком смысле — с любыми когнитивными искажениями? Есть как минимум один хороший способ — использование логики и научной картины мира (т.е. непротиворечивой и построенной научными методами). Но такой способ борьбы будет доступен только сильному ИИ.
Все же проблема больше техническая, чем экономическая. Распознать пешехода в облаке точек от лидара задача совсем нетривиальная (есть куча конкурсов и сотни, если не тысячи научных работ на эту тему, и результат все ещё неудовлетворительный). Получить карту глубины со стереокамер тоже далеко не всегда получается с нужным качеством, сравнимым с человеческим. Не зря монокулярные методы сейчас не особо уступают лидарам и стерео, хотя основаны на паттернах и запоминании, а к реальных трехмерным данным вообще не имеют доступа.
На практике современные робомобили полуслепые. Если бы люди знали, насколько плохо и мало робомобили знают о своем окружении, то были бы неприятно удивлены. Начальный оптимизм по беспилотным автомобилям был связан с быстрым прогрессом в компьютерном зрении. Всем казалось, что ещё чуть-чуть, и компьютер сможет строить полигональную модель достаточного разрешения — камни, бордюры, знаки, пешеходы, вот это все. Пока этого не произошло, к сожалению. А вот сегментация всего этого добра (распознавание знаков и светофоров) вполне бодро работает уже сейчас. На чем и выезжают текущие демонстрационные образцы. Но выпускать их на дороги в эксплуатацию, с такой низкой надёжностью сенсорного восприятия, нельзя. С динамикой и трекингом тоже больной вопрос, хотя и попроще сенсорного восприятия. Все же машины движутся по полосам, и ожидать от других машин резкое неожиданное перестроение с ударом в бок можно с низким коэффициентом. А вот знать где вы в принципе можете проехать на машине (то есть по ровной дороге, не врезавшись в бордюр, не сбив перехода и не наехав на дорожный конус) — это необходимое минимальное условие. Обеспечить которое чисто технически пока не в состоянии ни один из производителей. Просто подумайте о том, что простое отслеживание движущихся объектов между кадрами сейчас тоже пытаются переложить на нейросети. Это говорит о том, что даже в такой простой задаче классические способы не особенно-то и работают. Потому что на практике она не такая уж и простая. В реальном мире объекты перекрываются друг другом, меняется освещение, объекты при движении поворачиваются другим боком к камере и т.д..
Все эти стартапы были основаны на предположении, что через год-два, за время их работы и времени на раскрутку, техническое зрение (включая лидары и нейросети) достигнут приемлемого уровня. Но этого не произошло. Прогресс есть, но оказался медленнее чем ожидалось.
А так, чисто теоретически, для робомобиля достаточно одной камеры, вращающейся на месте головы водителя. И это когда-нибудь обязательно будет. Когда будут решены фундаментальные проблемы с распознаванием окружающей обстановки. Число натыканных вокруг лидаров тут не особо помогает. Потому что на них нужно заниматься точно таким же распознаванием, как на одной камере. Или, проще говоря, как только робомобили нормально начнут ездить с кучей лидаров и стереокамер, через очень короткий промежуток времени такое же качество езды будет показывать единственная камера на месте головы водителя. Возможности чисто "компьютерной" обработке облаков точек от лидара, с якобы известными точными расстояниями, сильно преувеличены! На самом деле там есть шумы, неточности, диапазон ограничен по дальности по сравнению с камерой и т.д… Но главное — эти данные с алгоритмической точки зрения не сильно отличаются от цвета пикселей, и требуют похожей пооследующей обработки по распознаванию объектов на дороге.
Отслеживание объектов (Object Tracking) в последнее время очень активно развивается. Почти каждый день выходят по одной-две статьи на эту тему. Просто оставлю ссылку на работы с исходниками и предобученными нейросетями (на данный момент ~104 шт): https://paperswithcode.com/task/object-tracking.
Ну а для тех кто хочет узнавать о последних новинках, в том числе без исходников, работы по Object Tracking'у в большинстве своем публикуются среди остальных по компьютерному зрению на https://arxiv.org/list/cs.cv/recent
С бурением наверно тоже не все просто? Допустим, будет источник электроэнергии от ритега 200 Вт (и тепловой мощностью, соответственно 20 кВт), либо проектируемый роскосмосом атомный реактор мегаваттного класса электричеством (тепловую мощность даже представить страшно, видимо около 100 МВт). Сможет такое устройство механически пробуриться сквозь лёд?
Там ведь тоже и проблема охлаждения с паровой прослойкой возникнет, и трение непонятно как обеспечить, если будет прослойка воды/пара. Да и давление, видимо, никуда не девается.
Но с бурением больше простора для маневра, наверное… Если охлаждение позволит не плавить лёд до состояния воды, то можно чисто механически бурить. Ультразвуковая гребёнка, например. На пьезоэлементах, как в ультразвуковых двигателях. Высокий КПД (меньше нагревается) и сможет ползти сквозь лёд в плотном контакте с ним. Да и устройство может быть компактным, массой вплоть от нескольких кг.
Кстати, я не понял, почему вода будет повышать давление? Ее плотность ниже льда, наоборот должна быть пустота и плавящий робот должен проваливаться в своей рукотворной пещере с лужей воды на полу. С пониженным давлением в пещере.
Похоже, что надо спроектировать искусственную бактерию, приспособленную к таким условиям. Состоящую почти целиком из воды. Пусть сама пробирается по каким-нибудь щелям, или как там одноклеточные умудряются попасть в самые труднодоступные места на планете. Они вроде могут диффузировать на километры вглубь льда. Или строит длинную цепочку, вроде корня, и тащит по нему питательные вещества с поверхности.
А через несколько миллионов лет эволюционирует и пришлет радиосигнал, что там происходит )).
Разве мощный ритег не проплавит себе путь? Заодно электропитание обеспечит. Я где-то читал, что основная проблема что это медленный процесс. Ну так надо повышать мощность, ограничений по радиаторам тут ведь нет, вокруг теплопроводная вода. А всплывать потом так же обратно, увеличив свою плавучесть. И передать данные пакетом после возвращения на поверхность.
Ходит байка (а может и не байка), что мотопарапланеристов больше утонуло, чем разбилось. Потому что летают низко над водой, цепляют и тяжёлый мотор утаскивает на дно.
Кстати, у мотодельтапланеристов есть какой-то серийный парашют с пневматическим выбросом. Хорошая альтернатива пиротехническому. Все обслуживание заключается в том, что раз в год подкачивать резиновую камеру и перед вылетом смотреть на манометр, что есть давление (не считая регулярной перекладки парашюта, конечно. Речь только о системе выброса на малой высоте)
Ясно, спасибо. Насколько я понимаю, в модели могут быть сохранены параметры оптимизатора, чтобы можно было продолжить обучение. Т.е. полный checkpoint. Что запросто может увеличить размер сети раза в три. Особенно с адаптивными оптимизаторами, такими как adam, так как они для каждого веса еще хранят свои параметры. Но все зависит от того в чем обучали нейросеть и в каком виде ее сохранили, конечно.
Совершенно нормально быть молодым, здоровым, богатым и привлекательным для женщин. Если вы думаете, что этот комментарий может помочь кому-то, то расскажите о нем.
Такое часто бывает в компьютерных играх, какой-нибудь уменьшающийся таймер. Например, уровень кислорода в игре с ныряющей подлодкой (одна из стандартных игр в RL). Да и просто уровень здоровья, падающий от врагов, и найденные бутылочки с зельем лечения можно считать аналогом еды. Для роботов и гуманоидов в симуляторах в RL почти всегда используется усталость — штраф на большой момент в моторах, заставляющий экономить силы и обходиться минимальными усилиями. Это стандартная практика в тех же OpenAI Gym окружениях. Так что да, это постоянно используется. Но это не является критическим условием для обучения, а просто одно из условий окружения. Потому что существующие RL алгоритмы не позволяют делать голод или выживание мотивирующей силой в нашем бытовом понимании. Для этого нужно, чтобы нейросети умели учиться на единичных примерах, не забывали прошлый опыт и т.д… Весь тот набор, по которому искусственные нейросети отличаются от биологического мозга. В живом организме голод заставляет активно шевелиться в поисках еды. А если вы обучаете сеть на миллионах случаев разной степени голодности, то это совсем другое. Не эволюция, не обучение в течении жизни, а простая численная оптимизация. Не сильно отличаюшаяся от оптимизации остальных гиперпараметров и внутренних параметров сети. Мне кажется, именно из-за этого такие мотивирующие факторы, вроде усталости и голода, не оказывают существенного влияния на результат обучения в RL.
Как в подобных случаях решается проблема долгого отсутствия электричества, когда аккумулятор разряжается, телефон выключается и обратно сам не включается при появлении электричества? В свое время это помешало использовать смартфон в качестве видеонаблюдения на удаленном объекте.
Ну, какая-то переделка конечно потребуется. Я имел ввиду усиление почти не требуется по сравнению с классической самолетной посадкой на шасси. Тросы можно закрепить распределенно на корпусе, например. И сажать не на твердую землю, а на сетку. А потом уже медленно ее опускать.
Ну, уже были испытания купола площадью 700 м2 для X-38. Это всего в два раза меньше требуемых 1400 м2 в приведенном примере выше. Эта технология масштабируется почти линейно.
https://www.nasa.gov/centers/dryden/multimedia/imagegallery/X-38/EC99-44923-140.html
Но по ссылке очень древнее крыло. Его аэродинамическое качество от силы 3-4 единицы, а масса переутяжелена в десятки раз. За это время прогресс ушел далеко вперед. Сейчас появились однослойные суперлегкие планирующие парашюты с аэродинамическим качеством под 8 прямо сейчас, а в пределе до 12-13 единиц.
Я говорил про что-то вроде этого:
https://www.youtube.com/watch?v=6QuWyeuxu3M
Такая система будет в несколько раз легче и компактнее применяемых сейчас круглых парашютов.
P.S. Я не утверждаю, что надо делать именно так. Посадка на штатных двигателях как у Falcon выглядит конструктивно намного проще, а цена топлива там вроде менее 1% от стоимости ракеты. Но если речь о самой легкой и экономичной системе для возвращения и мягкой посадки, то альтернативы нормальному современному планирующему парашюту просто нет. Чисто по физике процесса.
Теперь понятно, как появились мегакорпорации в антиутопиях.
Зачем на авианосец? Впрочем, без разницы, можно и на него. Представьте гибрид между swoop skydive:
https://www.youtube.com/watch?v=2l0enyg0Xi0
И чем-то вроде Deathblade с удлинением 13 единиц:
https://www.youtube.com/watch?v=dRsgQI05nTU
Собственно, на существующих технологиях, без всякой свистопляски, для посадки 10 тонн с удельной нагрузкой 7 кг/м2 и удлинением 10 потребуется крыло размером 120 х 12 м, которое будет весить около 50 кг (плюс стропы, в сумме будет где-то под 70-100 кг). Неплохо, да?
При этом удельную нагрузку можно легко повышать до 20 кг/м2, а ткань из высокомодульного полиэтилена (дайнемы) или вектрана может быть 10 г/м2 вместо текущих парашютных 35 г/м2. То есть, вся система для посадки 10 тонной ступени может весить порядка 50 кг.
Планирующий парашют это самая легкая система посадки из всех возможных. Потому что в ней все элементы работают на растяжение. И при этом посадить можно в точку с околонулевыми горизонтальной и вертикальной скоростью. А значит не требуется шасси и усиление конструкции ракеты.
Потенциал планирующих парашютов ещё не раскрыт. Они бывают со сравнимым аэродинамическим качеством с жёсткими крыльями (~13 единиц на посадочных скоростях), при этом в несколько раз меньше по площади чем круглые парашюты, а значит и меньше по массе. Посадочные характеристики у них намного лучше, чем применение любых закрылков и предкрылков на жёстком крыле. Для Луны конечно никак, для Марса ограниченно, а вот на Земле достичь вертолетной посадки в точку со сравнимой вертикальной скоростью, измеряемой сантиметрами в секунду, на планирующем парашюте вполне возможно.
Это конечно должна быть динамическая "птичья" посадка, поэтому потребует разработки соответствующих алгоритмов. Но есть и плюс — активная посадка позволит значительно улучшить характеристики планирующего парашюта, так как даже лучшие современные парапланы сильно загрублены ради пассивной безопасности.
В такой атаке нет ничего странного. Достаточно вспомнить как работают свертки. Нет ничего удивительного, что один сильно отличающийся пиксель может своим значением "побороть" обычные пиксели, для которых натренирован конкретный фильтр. И тем самым заставить его выдать другой признак. Способ борьбы с такими атаками тоже очевиден — увеличение числа сверточных фильтров, увеличение разрешения картинки, использование регуляризации (dropout, batch norm). В общем, надо уменьшать зависимость результата сети от показаний одного фильтра. Результат которого можно легко переписать чисто из-за особенностей используемой математики. Аугментация при обучении тоже помогает. Обучая свертки всем возможным случаям.
Хотя имея возможность запускать нейросеть очень много раз, используемый метод атаки (дифференциальная эволюция, а на более сложных сетях и обычный градиентный спуск тоже хорошо работает, так как из-за увеличения размерности там все получается гораздо плавнее), всегда будет оставаться возможность таких атак. На нейросети любой сложности. По сути, таким способом создаётся оптическая иллюзия, которым подвержены в том числе люди.
И вот как с этим бороться — хороший вопрос. А как мы боремся с иллюзиями? С галлюцинациями, и в более широком смысле — с любыми когнитивными искажениями? Есть как минимум один хороший способ — использование логики и научной картины мира (т.е. непротиворечивой и построенной научными методами). Но такой способ борьбы будет доступен только сильному ИИ.
Все же проблема больше техническая, чем экономическая. Распознать пешехода в облаке точек от лидара задача совсем нетривиальная (есть куча конкурсов и сотни, если не тысячи научных работ на эту тему, и результат все ещё неудовлетворительный). Получить карту глубины со стереокамер тоже далеко не всегда получается с нужным качеством, сравнимым с человеческим. Не зря монокулярные методы сейчас не особо уступают лидарам и стерео, хотя основаны на паттернах и запоминании, а к реальных трехмерным данным вообще не имеют доступа.
На практике современные робомобили полуслепые. Если бы люди знали, насколько плохо и мало робомобили знают о своем окружении, то были бы неприятно удивлены. Начальный оптимизм по беспилотным автомобилям был связан с быстрым прогрессом в компьютерном зрении. Всем казалось, что ещё чуть-чуть, и компьютер сможет строить полигональную модель достаточного разрешения — камни, бордюры, знаки, пешеходы, вот это все. Пока этого не произошло, к сожалению. А вот сегментация всего этого добра (распознавание знаков и светофоров) вполне бодро работает уже сейчас. На чем и выезжают текущие демонстрационные образцы. Но выпускать их на дороги в эксплуатацию, с такой низкой надёжностью сенсорного восприятия, нельзя. С динамикой и трекингом тоже больной вопрос, хотя и попроще сенсорного восприятия. Все же машины движутся по полосам, и ожидать от других машин резкое неожиданное перестроение с ударом в бок можно с низким коэффициентом. А вот знать где вы в принципе можете проехать на машине (то есть по ровной дороге, не врезавшись в бордюр, не сбив перехода и не наехав на дорожный конус) — это необходимое минимальное условие. Обеспечить которое чисто технически пока не в состоянии ни один из производителей. Просто подумайте о том, что простое отслеживание движущихся объектов между кадрами сейчас тоже пытаются переложить на нейросети. Это говорит о том, что даже в такой простой задаче классические способы не особенно-то и работают. Потому что на практике она не такая уж и простая. В реальном мире объекты перекрываются друг другом, меняется освещение, объекты при движении поворачиваются другим боком к камере и т.д..
Все эти стартапы были основаны на предположении, что через год-два, за время их работы и времени на раскрутку, техническое зрение (включая лидары и нейросети) достигнут приемлемого уровня. Но этого не произошло. Прогресс есть, но оказался медленнее чем ожидалось.
А так, чисто теоретически, для робомобиля достаточно одной камеры, вращающейся на месте головы водителя. И это когда-нибудь обязательно будет. Когда будут решены фундаментальные проблемы с распознаванием окружающей обстановки. Число натыканных вокруг лидаров тут не особо помогает. Потому что на них нужно заниматься точно таким же распознаванием, как на одной камере. Или, проще говоря, как только робомобили нормально начнут ездить с кучей лидаров и стереокамер, через очень короткий промежуток времени такое же качество езды будет показывать единственная камера на месте головы водителя. Возможности чисто "компьютерной" обработке облаков точек от лидара, с якобы известными точными расстояниями, сильно преувеличены! На самом деле там есть шумы, неточности, диапазон ограничен по дальности по сравнению с камерой и т.д… Но главное — эти данные с алгоритмической точки зрения не сильно отличаются от цвета пикселей, и требуют похожей пооследующей обработки по распознаванию объектов на дороге.
Отслеживание объектов (Object Tracking) в последнее время очень активно развивается. Почти каждый день выходят по одной-две статьи на эту тему. Просто оставлю ссылку на работы с исходниками и предобученными нейросетями (на данный момент ~104 шт): https://paperswithcode.com/task/object-tracking.
Ну а для тех кто хочет узнавать о последних новинках, в том числе без исходников, работы по Object Tracking'у в большинстве своем публикуются среди остальных по компьютерному зрению на https://arxiv.org/list/cs.cv/recent
Для тех кто заинтересовался, что это за навигация с 99.9% точностью, то речь скорее всего об этой статье: https://ai.facebook.com/blog/near-perfect-point-goal-navigation-from-25-billion-frames-of-experience/
С бурением наверно тоже не все просто? Допустим, будет источник электроэнергии от ритега 200 Вт (и тепловой мощностью, соответственно 20 кВт), либо проектируемый роскосмосом атомный реактор мегаваттного класса электричеством (тепловую мощность даже представить страшно, видимо около 100 МВт). Сможет такое устройство механически пробуриться сквозь лёд?
Там ведь тоже и проблема охлаждения с паровой прослойкой возникнет, и трение непонятно как обеспечить, если будет прослойка воды/пара. Да и давление, видимо, никуда не девается.
Но с бурением больше простора для маневра, наверное… Если охлаждение позволит не плавить лёд до состояния воды, то можно чисто механически бурить. Ультразвуковая гребёнка, например. На пьезоэлементах, как в ультразвуковых двигателях. Высокий КПД (меньше нагревается) и сможет ползти сквозь лёд в плотном контакте с ним. Да и устройство может быть компактным, массой вплоть от нескольких кг.
Кстати, я не понял, почему вода будет повышать давление? Ее плотность ниже льда, наоборот должна быть пустота и плавящий робот должен проваливаться в своей рукотворной пещере с лужей воды на полу. С пониженным давлением в пещере.
Похоже, что надо спроектировать искусственную бактерию, приспособленную к таким условиям. Состоящую почти целиком из воды. Пусть сама пробирается по каким-нибудь щелям, или как там одноклеточные умудряются попасть в самые труднодоступные места на планете. Они вроде могут диффузировать на километры вглубь льда. Или строит длинную цепочку, вроде корня, и тащит по нему питательные вещества с поверхности.
А через несколько миллионов лет эволюционирует и пришлет радиосигнал, что там происходит )).
Разве мощный ритег не проплавит себе путь? Заодно электропитание обеспечит. Я где-то читал, что основная проблема что это медленный процесс. Ну так надо повышать мощность, ограничений по радиаторам тут ведь нет, вокруг теплопроводная вода. А всплывать потом так же обратно, увеличив свою плавучесть. И передать данные пакетом после возвращения на поверхность.
Ходит байка (а может и не байка), что мотопарапланеристов больше утонуло, чем разбилось. Потому что летают низко над водой, цепляют и тяжёлый мотор утаскивает на дно.
Кстати, у мотодельтапланеристов есть какой-то серийный парашют с пневматическим выбросом. Хорошая альтернатива пиротехническому. Все обслуживание заключается в том, что раз в год подкачивать резиновую камеру и перед вылетом смотреть на манометр, что есть давление (не считая регулярной перекладки парашюта, конечно. Речь только о системе выброса на малой высоте)
Ну или перестать их поддерживать и разработчики все моментально обновят :)
А в том доме есть интернет? Если нет, то я взял бы собой подушку, чтобы рыдать бесшумно. Следовательно, вывод — я зависим от подушек.
Вот на таких
Ясно, спасибо. Насколько я понимаю, в модели могут быть сохранены параметры оптимизатора, чтобы можно было продолжить обучение. Т.е. полный checkpoint. Что запросто может увеличить размер сети раза в три. Особенно с адаптивными оптимизаторами, такими как adam, так как они для каждого веса еще хранят свои параметры. Но все зависит от того в чем обучали нейросеть и в каком виде ее сохранили, конечно.
Почему убрали DetNASNet? Выглядит интересно.
Совершенно нормально быть молодым, здоровым, богатым и привлекательным для женщин. Если вы думаете, что этот комментарий может помочь кому-то, то расскажите о нем.
Такое часто бывает в компьютерных играх, какой-нибудь уменьшающийся таймер. Например, уровень кислорода в игре с ныряющей подлодкой (одна из стандартных игр в RL). Да и просто уровень здоровья, падающий от врагов, и найденные бутылочки с зельем лечения можно считать аналогом еды. Для роботов и гуманоидов в симуляторах в RL почти всегда используется усталость — штраф на большой момент в моторах, заставляющий экономить силы и обходиться минимальными усилиями. Это стандартная практика в тех же OpenAI Gym окружениях. Так что да, это постоянно используется. Но это не является критическим условием для обучения, а просто одно из условий окружения. Потому что существующие RL алгоритмы не позволяют делать голод или выживание мотивирующей силой в нашем бытовом понимании. Для этого нужно, чтобы нейросети умели учиться на единичных примерах, не забывали прошлый опыт и т.д… Весь тот набор, по которому искусственные нейросети отличаются от биологического мозга. В живом организме голод заставляет активно шевелиться в поисках еды. А если вы обучаете сеть на миллионах случаев разной степени голодности, то это совсем другое. Не эволюция, не обучение в течении жизни, а простая численная оптимизация. Не сильно отличаюшаяся от оптимизации остальных гиперпараметров и внутренних параметров сети. Мне кажется, именно из-за этого такие мотивирующие факторы, вроде усталости и голода, не оказывают существенного влияния на результат обучения в RL.