По логике вещей, какие конкретные руки у абстрактного man?
Преподаватель английской грамматики в университете когда я пытался логически вывести что-то часто смеялась и называла меня философом. :) К сожалению, логика часто не работает (например, on the radio, но on TV. Это, конечно, не значит, что правил нет.
Если бы я объяснял употребление артиклей в данном случае, то сделал бы это так.
В общем смысле, как обозначение человеческой расы man употребляется без артикля.
Части тела обычно используются с притяжательными местоимениями (my head, his leg).
В случае частей тела артикль the часто заменяет притяжательное местоимение после предлогов (в особенности если с ними что-то случилось или они болят, но и в других случаях тоже).
Тогда можно восстановить 3D модели с помощью, например, COLMAP. На Хабре было несколько статей по фотограмметрии. Вот, например, перевод статьи с обзором подходов и практическими советами.
Увы, эти статьи не про применение детектора. В первой описывается реализация на ПЛИС, а во второй модификация детектора.
В принципе, можно и не для предобработки применять. Есть дифференцируемые реализации детектора. Можно ставить его на выходе сети как промежуточное звено между моделью и функцией потерь. Но, как я уже писал, это экзотика. Может, я такое и встречал, но сходу вспомнить не могу.
алгоритм Canny Edge Detector применяется в нейронных сетях
Как часть нейронной сети именно детектор Кэнни я, кстати, не припомню. Хотя, скажем, есть много работ, когда использовали фильтры Габора.
Кроме как на входе этот детектор особо поставить больше некуда (впрочем, модели бывают разные, может кто-то и приспособил для обработки feature maps, хотя я большого смысла в этом не вижу), так что я б отнёс его скорее к методам преобработки данных.
Это ваш цикл статей, так что вы выбираете темы, никаких проблем. В подобном цикле вполне могут быть статьи про предобработку изображений. Не обязательно в каждой статье цикла именно нейронную сеть обучать.
Единственное, что я хотел сказать, это то, что в этой конкретной статье нет ни нейронных сетей, ни машинного обучения. Детектор границ Кэнни — это не машинное обучение. В противном случае, что именно в нём обучается или что он обучает?
Это действительно алгоритм компьютерного зрения, но он точно не относится к машинному обучению. Разве что его можно использовать для предобработки данных или как элемент какой-то модели.
Но речь не об этом. Я лишь хотел сказать, что нейронных сетей в этой конкретной статье нет.
Не очень понятно, что именно автор называет законом больших чисел, который играет ключевую роль в рассуждениях. Если речь о законе больших чисел из теории вероятностей, то он в этих рассуждениях не очень-то применим.
Во-первых, утверждение "решать систему уравнений методом Гаусса проще, чем делать LU-разложение" -- это какой-то логический парадокс. Стандартный метод LU-разложения (например в LAPACK'е) -- это и есть метод Гаусса
Такого утверждения нет, виноват кривой перевод. В оригинале было: «it is faster and more accurate to solve a linear system by LU factorization (Gaussian elimination) with partial pivoting than by inverting A (which has, in any case, to be done by LU factorization)».
Во-вторых, обращение матрицы -- это решение системы уравнений с правой частью равной единичной матрице.
В статье речь идёт о системе, где правая часть — вектор. С точки зрения количества вычислений есть разница между решением системы, у которой правая часть матрица, и системы, у которой правая часть — вектор.
нет никакой разницы, решаете ли вы систему уравнений или сначала считаете обратную матрицу, а затем умножаете на правую часть
На практике разница есть. Я ради интереса попробовал решить систему с матрицей 10000x10000 на своём ноутбуке. Обращение матрицы с умножением в среднем заняло 20 с, а решение системы напрямую — в среднем 5 с. Так что разница очень даже ощутимая.
В случае с картами у вас с собой одна карта какой-то определённой масти. Неважно, посмотрели вы на неё или нет. То есть, грубо говоря, карта заранее знает, какой она будет масти, когда вы посмотрите на неё.
В квантовом мире у вас есть две карты, каждая из которых может случайным образом стать какой-то одной масти, но не становится, пока вы не посмотрите. И вот как только вы смотрите, она случайно принимает какую-то одну масть. А вторая карта на каком бы расстоянии от была принимает противоположную.
Может показаться, что раз мы не смотрим на карту, то и разницы для нас нет, знает карта, какой она будет, или не знает. Но разница есть. Если интересно, почитайте про неравенства Белла.
Вот просто все так собрались, и решили, что читать и обсуждать его больше не будут.
Про «все» — неправда. Его как проходили в школе, так и проходят. Как стояли его произведения на полках в книжных, так и стоят. Или это какой-то тайный запрет или отмена?
Да нормальная зарплата. Хотя на личную яхту может и не хватить, конечно.
$250k — это больше годовой зарплаты типичного сотрудника. L7 (Senior Staff SWE) примерно так получают, если верить levels.fyi.
Преподаватель английской грамматики в университете когда я пытался логически вывести что-то часто смеялась и называла меня философом. :) К сожалению, логика часто не работает (например, on the radio, но on TV. Это, конечно, не значит, что правил нет.
Если бы я объяснял употребление артиклей в данном случае, то сделал бы это так.
В общем смысле, как обозначение человеческой расы man употребляется без артикля.
Части тела обычно используются с притяжательными местоимениями (my head, his leg).
В случае частей тела артикль the часто заменяет притяжательное местоимение после предлогов (в особенности если с ними что-то случилось или они болят, но и в других случаях тоже).
Тогда можно восстановить 3D модели с помощью, например, COLMAP. На Хабре было несколько статей по фотограмметрии. Вот, например, перевод статьи с обзором подходов и практическими советами.
Да, так и есть. Зависит от того, как произносите. Просто выберите один вариант и придерживайтесь его.
На практике очень редко используют чисто символьные вычисления. Да и зачем использовать неустойчивый метод, если можно использовать устойчивый? :)
Увы, эти статьи не про применение детектора. В первой описывается реализация на ПЛИС, а во второй модификация детектора.
В принципе, можно и не для предобработки применять. Есть дифференцируемые реализации детектора. Можно ставить его на выходе сети как промежуточное звено между моделью и функцией потерь. Но, как я уже писал, это экзотика. Может, я такое и встречал, но сходу вспомнить не могу.
Как часть нейронной сети именно детектор Кэнни я, кстати, не припомню. Хотя, скажем, есть много работ, когда использовали фильтры Габора.
Кроме как на входе этот детектор особо поставить больше некуда (впрочем, модели бывают разные, может кто-то и приспособил для обработки feature maps, хотя я большого смысла в этом не вижу), так что я б отнёс его скорее к методам преобработки данных.
Это ваш цикл статей, так что вы выбираете темы, никаких проблем. В подобном цикле вполне могут быть статьи про предобработку изображений. Не обязательно в каждой статье цикла именно нейронную сеть обучать.
Единственное, что я хотел сказать, это то, что в этой конкретной статье нет ни нейронных сетей, ни машинного обучения. Детектор границ Кэнни — это не машинное обучение. В противном случае, что именно в нём обучается или что он обучает?
Это действительно алгоритм компьютерного зрения, но он точно не относится к машинному обучению. Разве что его можно использовать для предобработки данных или как элемент какой-то модели.
Но речь не об этом. Я лишь хотел сказать, что нейронных сетей в этой конкретной статье нет.
Очевидно, имеется в виду DCT, то есть дискретное косинус-преобразование.
Но в этой статье же нет нейронных сетей.
Всё так. В этой статье нейронных сетей нет.
Я понимаю. Лишь хотел заметить ради справедливости, что эта статья всё же ничего такого криминального не утверждает.
Не очень понятно, что именно автор называет законом больших чисел, который играет ключевую роль в рассуждениях. Если речь о законе больших чисел из теории вероятностей, то он в этих рассуждениях не очень-то применим.
Такого утверждения нет, виноват кривой перевод. В оригинале было: «it is faster and more accurate to solve a linear system by LU factorization (Gaussian elimination) with partial pivoting than by inverting A (which has, in any case, to be done by LU factorization)».
В статье речь идёт о системе, где правая часть — вектор. С точки зрения количества вычислений есть разница между решением системы, у которой правая часть матрица, и системы, у которой правая часть — вектор.
На практике разница есть. Я ради интереса попробовал решить систему с матрицей 10000x10000 на своём ноутбуке. Обращение матрицы с умножением в среднем заняло 20 с, а решение системы напрямую — в среднем 5 с. Так что разница очень даже ощутимая.
Нет, оно не так работает.
В случае с картами у вас с собой одна карта какой-то определённой масти. Неважно, посмотрели вы на неё или нет. То есть, грубо говоря, карта заранее знает, какой она будет масти, когда вы посмотрите на неё.
В квантовом мире у вас есть две карты, каждая из которых может случайным образом стать какой-то одной масти, но не становится, пока вы не посмотрите. И вот как только вы смотрите, она случайно принимает какую-то одну масть. А вторая карта на каком бы расстоянии от была принимает противоположную.
Может показаться, что раз мы не смотрим на карту, то и разницы для нас нет, знает карта, какой она будет, или не знает. Но разница есть. Если интересно, почитайте про неравенства Белла.
Про «все» — неправда. Его как проходили в школе, так и проходят. Как стояли его произведения на полках в книжных, так и стоят. Или это какой-то тайный запрет или отмена?
Как-то плохо его запрещают. Вот, например, Royal Opera House продаёт билеты на «Щелкунчика».
Именно поэтому когда говорят о 13-значном числе подразумевают форму записи.