Да, специфика работы с адресами достаточно нервозная. Хоть мы и владели «почти» полной базой адресов в США, частенько кастомеры фейлили ордера по шипигну и приходилось процессить их вручную. Когда суммы заказов достигают от одной тысячи долларов и выше, а адрес практически не известен, то ручки потеют, сердечко стучит. И хоть тести это миллион раз, всегда найдется тот кто это сломает.
Я хоть и человек с большой фантазией, но технология то ли слишком сырая, то ли абсолютно чуждая. Эмоций хватает всего на один день, после, лежит мертвым грузом.
Какую аналитику они собирают? Для сбора аналитики не нужно делать запись экрана, им достаточно получать информацию о том какое окно сейчас открыто итд. Проблемой может быть не сам факт передачи данных карт, логинов, итд на сервер, а передача их в ОТКРЫТОМ! виде. Некто не гарантирует того что завтра уволенный и обиженный сотрудник Burger King не сможет воспользоваться этим и не потратить пару тысяч на компенсацию своего морального ущерба. Привлечь такого сотрудника к ответственности не убив себе репутацию будет невозможно.
По своему опыту могу сказать что после увольнения из компании я обладал всеми средствами для того что бы отправить ее в бессрочный отпуск. Такая халатность, как и в прочем люба, добром не заканчивается.
Да, вы правы, изображения являются матрицей по умолчанию, но наша сеть принимает вектор в качестве условной единицы. Мы вынуждены использовать преобразование в вектор так же как и использование симметричных матриц.
Ключевым фактором является функция активации (F). После прохождения искомого вектора через единую матрицу W мы получаем некий коллаж и разных частей образов. Нормальизируя данные ( приводя их к виду 1, -1), мы как будто смахиваем остатки того что нам не нужно за раз и проверяем похоже это на что то или нет. Если ответ нет, подставляем выходной результат обратно на условный вход. Наша главная задача получить «Статический аттрактор» — устойчивое состояние сети, где выходной сигнал(вектор) не будет изменяться в последующих итерациях. Во избежания «Динамического аттрактора»(неустойчивое положение выходного сигнала, вследствие которого мы получаем новый результат снова и снова), используется асинхронный режим сети что значительно увеличивает время и затраты на ресурсы.
В моем представлении это:
1. Исключить громоздкое использование теории и формул.
2. Описать процесс в виде step by step.
3. Минималистичный пример без использования большого количества зависимостей.
Все что вам нужно это преобразовать вводную информацию в вектор и уже использовать это в дальнейшем. Плюс, данный тип сети исключает процесс обучения(если так можно выразится) и не требует на это больших затрат.
Я старался исключить подробное описание тех вещей которые используются здесь как данность. Если постараться описать во вкратце, то после так называемого процесса обучения мы получаем слепок памяти всех образов что мы используем в виде единой матрицы W. Мы как будто накладываем каждую картинку на картинку и после подставленная нашего входного образа Y, сесть стремится к одному из образов. Конечно стоит учесть, что образы должны максимально отличатся друг от друга, иначе если мы и получим ответ, он может быть в виде «Химеры»(образ который слеплен из частей других образов).
Примерно 2 секунды. Проверте что бы размер картинок был 20х20 и длина вектора была 400. Это может происходить из за того что размер или вектора или матрицы не совпадает, если подождать еще не не много то может вылететь out of range. Также можно образать цикл из 100 до 3.
Главное что бы мы от этого воя в ответ, не начали пракастинировать в глубоком шоке, лет так 10-15.
По своему опыту могу сказать что после увольнения из компании я обладал всеми средствами для того что бы отправить ее в бессрочный отпуск. Такая халатность, как и в прочем люба, добром не заканчивается.
Ключевым фактором является функция активации (F). После прохождения искомого вектора через единую матрицу W мы получаем некий коллаж и разных частей образов. Нормальизируя данные ( приводя их к виду 1, -1), мы как будто смахиваем остатки того что нам не нужно за раз и проверяем похоже это на что то или нет. Если ответ нет, подставляем выходной результат обратно на условный вход. Наша главная задача получить «Статический аттрактор» — устойчивое состояние сети, где выходной сигнал(вектор) не будет изменяться в последующих итерациях. Во избежания «Динамического аттрактора»(неустойчивое положение выходного сигнала, вследствие которого мы получаем новый результат снова и снова), используется асинхронный режим сети что значительно увеличивает время и затраты на ресурсы.
1. Исключить громоздкое использование теории и формул.
2. Описать процесс в виде step by step.
3. Минималистичный пример без использования большого количества зависимостей.
Все что вам нужно это преобразовать вводную информацию в вектор и уже использовать это в дальнейшем. Плюс, данный тип сети исключает процесс обучения(если так можно выразится) и не требует на это больших затрат.
Я старался исключить подробное описание тех вещей которые используются здесь как данность. Если постараться описать во вкратце, то после так называемого процесса обучения мы получаем слепок памяти всех образов что мы используем в виде единой матрицы W. Мы как будто накладываем каждую картинку на картинку и после подставленная нашего входного образа Y, сесть стремится к одному из образов. Конечно стоит учесть, что образы должны максимально отличатся друг от друга, иначе если мы и получим ответ, он может быть в виде «Химеры»(образ который слеплен из частей других образов).