Сейчас чего только не распознают, вот — рукописные цифры на RPI Pico: github.com/iwatake2222/pico-mnist или Tiny ML на других микроконтроллерах.
ESP32 Cam — можно сказать, слишком мощный, на нем и лица распознают. Для цифр, букв, шахматных фигур и прочего достаточно Arduino 101 (бывает в очень малом форм-факторе) и датчика от мыши (может иметь дело с тысячами кадров в секунду): www.general-vision.com/curieneurons
Что тут хорошего — используется neuromemory, она — как хороший студент, один раз увидит, запомнит навсегда. То есть, не надо модели тренировать. Можно на рыболовецком судне показать, например, рыбу без хвоста, нажать кнопку, мол, брак. И всё — дальше система при виде всех дефектных рыб будет их выталкивать с транспортера. То же самое на линии розлива все бутылки с кривыми пробками и этикетками или мусором внутри будут отбракованы. Не надо держать специалистов по машинному обучению, любой наладчик справится. Кроме того, не нужно «гонять» процессор для распознавания, тут работает аппаратная схема, параллельно, дает результат, грубо говоря за единицы микросекунд независимо от числа нейронов и не ест батарейку.
Была в кабинете «Электроника-85» (это, вроде, DEC Professional).
После «Электроника-60» (они работали в АСУТП) и ДВК-1,2,3,4 — отличная машина. И текст, подтверждаю, прокручивался плавно, что было удивительно.
«Электроника-79» тоже недалеко была, а у нас «Кулон» был на базе «Электроники-125» с двумя векторными дисплеями и огромным (с бильярдный стол) графопостроителем. Еще «Электроника-125» работала в составе УВТК-300 для учета электроэнергии предприятия.
Хотел сказать, что разрешение по вертикали равно шагу между дорожками, а по горизонтали — зависит от точности срабатывания датчика положения диска, а он не дает точность, равную шагу между дорожками.
А приводы — в основном, все одинаковые, моторы постоянного тока.
При увеличении видно, что строки смещены друг относительно друга.
Знокомый хотел голограммы рисовать таким образом…
А выглядело у меня не хуже, чем на Вашем фото, особенно с такого же расстояния.
Знали мы об этом. По горизонтальной оси было "плавание". Скорость мотора не очень постоянная.
Легче лазерный маркиратор применить.
Следующая статья будет про M-Disc, например, с 1000-летним временем хранения данных?
Спасибо за статью!
Конфигурировал RT232RL в Windows 10. Всё работает, но при измении имени, например, в INF файле, драйвер нужно потом подписывать, а это стоит денег,. Или отключить проверку подписи и подсунуть ей драйвер… А это не будет делать рядовой пользователь.
С Linux проще получается.
Это тот еще FDD. Даже на 386 SX если диск не читался из-за дефектов, то система "подвисала". В отличие от "Электроники-60", у которой головки у двух приводов перемещались независимо друг от друга и ничего не подвешивали.
Я его ускорял, можно было изменить период системного таймера. Принц начинал носиться, как угорелый.
Но после обращения к диску, программа обработки прерывания от таймера восстанавливалась. Тогда опять нажимал "нужную" кнопку. Были программы, резидентные в памяти...
Алгоритмы ИИ и сети как раз и нужны там, где сложно или невозможно применить вычислительные методы.
Например, у вас есть облако точек, полученных с сенсора мыши или камеры, которые представляют букву W. Попробуйте составить систему уравнений, чтобы при нужном наборе входных данных получить ответ — буква W.
Модели создавать и обучать тоже не всегда нужно, вместо этого можно применить нейроморфные сети. Обучить такую сеть может, например, оператор технологической линии, который не имеет нужной квалификации, чтобы составлять уравнения или работать с моделями. Он предъявляет сети объекты и соответствующие результаты. И всё.
Эти сети сравнивают с хорошим студентом, который узнает один раз и больше не забудет.
О быстродействии — сеть вычисляет выходное значение, скажем, за 8 микросекунд, и это время не зависит от числа нейронов, так как они работают параллельно, будь их хоть миллион.
Попробуйте решить сложную систему уравнений за это время на обычном процессоре. При этом потребление энергии различается на порядки.
Реализованы они как IP для FPGA, FTGA, ASIC, нейрочипы или встроены в обычные процессоры.
На видео — показываем символы, говорим, кто есть кто, потом эта штука распознаёт:
Спасибо, знаю и про супергетеродинные, и про сверхгенеративные приёмники.
Если мы перешли от подводных лодок к электромагнитным волнам, то мне интересно, почему до сих пор не рассчитали такую антенну, у которой сигнал не расходится в пространстве, а идет лучом. Вот, например, кольца дыма — летит кольцо и не рассеивается, вот так бы и электромагнитную волну закрутили и летела бы себе ровно.
Вот и я о том же, чтобы не сгенерировать, а передать сигнал в эфир. То есть, мы передаём два более высокочастотных сигнала через маленькие антенны на маленькую опять же приемную антенну, а на ней возникают биения.
Вообще-то я больше подразумевал ультразвук в воде для ВМФ же.
Была проблема в гидроакустике — излучать низкочастотные звуковые волны. Один излучатель не мог с этим справиться, тогда предложили применить два излучателя с более высокими частотами, чтобы разность соответствовала нужной низкой частоте.
Описание этого устройства сразу не нашел.
Но есть подобное — например, если излучать ультразвук с разными частотами, то будет ультразвуковой динамик, который может слышать человеческое ухо. Такое применяется, например, в выставочных залах, чтобы описание экспоната было слышно только тем людям, которые около него стоят. www.explainthatstuff.com/directional-loudspeakers.html — вот одна из ссылок.
Но здесь тонкость в том, что разностная частота возникает непосредственно в ушах человека.
И почему бы не применять звуки под водой, если идет речь о ВМФ…
Чтобы генерировать сверхнизкие частоты, можно взять два излучателя более высокой частоты.
При этом возникнет разностная частота.
Но это работает для звуковых волн в среде, а для радиоволн надо еще подумать.
Не знаю, как называется, сделали 32 нейрона на ПЛИС, а потом нейрочипы на 1024 и 576. Intel применяла эту IP, они, конечно, в больших объёмах делают, но, возможно развили.
Есть реализации нейроморфной памяти как раз на Xilinx Zynq. Учится на самом устройстве и сразу готова распознавать.
Хотел записаться, но вопросов много...
github.com/iwatake2222/pico-mnist или Tiny ML на других микроконтроллерах.
ESP32 Cam — можно сказать, слишком мощный, на нем и лица распознают. Для цифр, букв, шахматных фигур и прочего достаточно Arduino 101 (бывает в очень малом форм-факторе) и датчика от мыши (может иметь дело с тысячами кадров в секунду):
www.general-vision.com/curieneurons
Что тут хорошего — используется neuromemory, она — как хороший студент, один раз увидит, запомнит навсегда. То есть, не надо модели тренировать. Можно на рыболовецком судне показать, например, рыбу без хвоста, нажать кнопку, мол, брак. И всё — дальше система при виде всех дефектных рыб будет их выталкивать с транспортера. То же самое на линии розлива все бутылки с кривыми пробками и этикетками или мусором внутри будут отбракованы. Не надо держать специалистов по машинному обучению, любой наладчик справится. Кроме того, не нужно «гонять» процессор для распознавания, тут работает аппаратная схема, параллельно, дает результат, грубо говоря за единицы микросекунд независимо от числа нейронов и не ест батарейку.
На ESP32 Cam, без герконов, без датчиков Холла, без пропуска импульсов, без пайки:
https://github.com/jomjol/AI-on-the-edge-device
Считывает и цифры, и стрелки (если у кого есть).
После «Электроника-60» (они работали в АСУТП) и ДВК-1,2,3,4 — отличная машина. И текст, подтверждаю, прокручивался плавно, что было удивительно.
«Электроника-79» тоже недалеко была, а у нас «Кулон» был на базе «Электроники-125» с двумя векторными дисплеями и огромным (с бильярдный стол) графопостроителем. Еще «Электроника-125» работала в составе УВТК-300 для учета электроэнергии предприятия.
А еще на струйных принтерах печатают гибкую электронику — есть чернила-люминофоры, токопроводящие и пр.
Хотел сказать, что разрешение по вертикали равно шагу между дорожками, а по горизонтали — зависит от точности срабатывания датчика положения диска, а он не дает точность, равную шагу между дорожками.
А приводы — в основном, все одинаковые, моторы постоянного тока.
При увеличении видно, что строки смещены друг относительно друга.
Знокомый хотел голограммы рисовать таким образом…
А выглядело у меня не хуже, чем на Вашем фото, особенно с такого же расстояния.
Знали мы об этом. По горизонтальной оси было "плавание". Скорость мотора не очень постоянная.
Легче лазерный маркиратор применить.
Следующая статья будет про M-Disc, например, с 1000-летним временем хранения данных?
Спасибо за статью!
Конфигурировал RT232RL в Windows 10. Всё работает, но при измении имени, например, в INF файле, драйвер нужно потом подписывать, а это стоит денег,. Или отключить проверку подписи и подсунуть ей драйвер… А это не будет делать рядовой пользователь.
С Linux проще получается.
Это тот еще FDD. Даже на 386 SX если диск не читался из-за дефектов, то система "подвисала". В отличие от "Электроники-60", у которой головки у двух приводов перемещались независимо друг от друга и ничего не подвешивали.
Я его ускорял, можно было изменить период системного таймера. Принц начинал носиться, как угорелый.
Но после обращения к диску, программа обработки прерывания от таймера восстанавливалась. Тогда опять нажимал "нужную" кнопку. Были программы, резидентные в памяти...
Например, у вас есть облако точек, полученных с сенсора мыши или камеры, которые представляют букву W. Попробуйте составить систему уравнений, чтобы при нужном наборе входных данных получить ответ — буква W.
Модели создавать и обучать тоже не всегда нужно, вместо этого можно применить нейроморфные сети. Обучить такую сеть может, например, оператор технологической линии, который не имеет нужной квалификации, чтобы составлять уравнения или работать с моделями. Он предъявляет сети объекты и соответствующие результаты. И всё.
Эти сети сравнивают с хорошим студентом, который узнает один раз и больше не забудет.
О быстродействии — сеть вычисляет выходное значение, скажем, за 8 микросекунд, и это время не зависит от числа нейронов, так как они работают параллельно, будь их хоть миллион.
Попробуйте решить сложную систему уравнений за это время на обычном процессоре. При этом потребление энергии различается на порядки.
Реализованы они как IP для FPGA, FTGA, ASIC, нейрочипы или встроены в обычные процессоры.
На видео — показываем символы, говорим, кто есть кто, потом эта штука распознаёт:
Спасибо за статью!
Похоже, как в RISC-V ядра работают.
В ARM мне казалось, что у всех надо на ассемблере ядра разделять в самом начале.
Мазер, возможно, подойдет. Тем более, что станоаятся компактнее.
Мазер — для радиодиапазона. Раньше они были большими (как деревья в ыильме :)
Не так давно британцы сделали малогабаритные.
Если мы перешли от подводных лодок к электромагнитным волнам, то мне интересно, почему до сих пор не рассчитали такую антенну, у которой сигнал не расходится в пространстве, а идет лучом. Вот, например, кольца дыма — летит кольцо и не рассеивается, вот так бы и электромагнитную волну закрутили и летела бы себе ровно.
Вообще-то я больше подразумевал ультразвук в воде для ВМФ же.
Описание этого устройства сразу не нашел.
Но есть подобное — например, если излучать ультразвук с разными частотами, то будет ультразвуковой динамик, который может слышать человеческое ухо. Такое применяется, например, в выставочных залах, чтобы описание экспоната было слышно только тем людям, которые около него стоят.
www.explainthatstuff.com/directional-loudspeakers.html — вот одна из ссылок.
Но здесь тонкость в том, что разностная частота возникает непосредственно в ушах человека.
И почему бы не применять звуки под водой, если идет речь о ВМФ…
Чтобы генерировать сверхнизкие частоты, можно взять два излучателя более высокой частоты.
При этом возникнет разностная частота.
Но это работает для звуковых волн в среде, а для радиоволн надо еще подумать.
Не знаю, как называется, сделали 32 нейрона на ПЛИС, а потом нейрочипы на 1024 и 576. Intel применяла эту IP, они, конечно, в больших объёмах делают, но, возможно развили.
Есть реализации нейроморфной памяти как раз на Xilinx Zynq. Учится на самом устройстве и сразу готова распознавать.
Хотел записаться, но вопросов много...
Если вещи будут развиваться подобным ходом, то переизобретут автоматическую коррекцию IF, потом RBF Classifier, и даже нейроморфную память :) О_o