Спасибо за взгляд со стороны! Поскольку решения очень разноплановые, а уровень формализации совсем не такой, как на kaggle, то кажется git является неплохим вариантом подачи решений. Я не представитель АСИ, но мне кажется это мероприятие не про "заработать денег на решении", а про "сделать мир лучше". АСИ умеет помогать налаживать контакты, а уж дальше каким будет внедрение — зависит от вас.
Наши пайплайны — это и есть генераторы, поверх которых навешен синтаксис пайплайнов из библиотеки Pipe и набор функций, позволяющих функционально описывать операции над полями структур, проходящих через цепочки обработчиков. Образно говоря, мы сделали для Python то, чем является LINQ для классического C#
Точно не единственный, я тоже это прочитал до конца. За замечания спасибо! Не очень понял, почему текст маркетинговый: я в докладе старался показать, как сделать конкретную поделку, какие сервисы выбрать и как использовать для этого.
Насчет пайплайнов, вопрос интересный: если мне нужно, к примеру, взять набор картинок из директории, применить к ним ряд преобразований (масштабирование, поворот, что-то ещё из компьютерного зрения) и потом это подать на вход нейросети — как это сделать кошерно, Pythonic way? В keras, например, есть ImageDataGenerator, но он решает одну конкретную задачу. Если я хочу например формировать входные данные для тренировки сиамской сети, или triplet loss — мне нужно делать свой DataGenerator на основе существующего. В то же время функциональный подход позволяет строить композицию простых шагов обработки, и из них собирать требуемую функциональность как из конструктора. Я беседовал с людьми на ряде питоновских конференций, и кажется такой подход выглядит вполне симпатичным.
Кажется, всё очень не черно-бело. Человек тоже иногда творит методом случайного поиска, разбрызгивая краски по холсту и смотря, не вызывает ли это какие-то эмоции. И в этом смысле он действует очень похожим на ИИ образом.
Требуется ли самосознание для творчества — вопрос неочевидный. Равно как и выход за рамки запрограммированного — ещё в прошлом веке известны случаи, когда экспертная система предсказывала что-то, что не мог предсказать ни один из экспертов, участвовавших в её разработке (PROSPECTOR). И вообще говоря не очевидно, как там у нас самих обстоят дела с самосознанием и вычислимостью...
Кажется, нейросеть как раз и занимается тем, что накапливает культурный опыт человеческой цивилизации, выискивая в картинах красивые для нас паттерны… и потом бездумно их повторяя.
Какая прекрасная дискуссия! Я специально в этой статье достаточно грубо написал про "картины, нарисованные ИИ", не вдаваясь в подробности. В ближайшее время напишу отдельный пост про то, насколько можно считать это искусством, где как раз отвечу на соображения про резиновую женщину и про интервальное фото!
В Azure ML Jupyter Notebook работает насколько я знаю на отдельной виртуалке, и просто запуская в нём эксперимент мы не получаем бенефитов от распределения задач по кластеру, сохранения результатов эксперимента и т.д. Обычно используют этот ноутбук для посылки задач на кластер, но при этом же training script приходится писать просто в виде текста, без поддержки среды. В общем это для ряда задач вроде оптимизации гиперпараметров удобно (и я ещё напишу про это в следующий раз), но для первоначальной отладки и запуска скрипта мне очень понравился способ через VS Code.
Да, если я посылаю эксперимент на кластер, то делаю ли я это через VS Code, или через Jupyter Notebook с помощью Azure ML SDK — это одно и то же, все результаты хранятся в одном месте. С этой точки зрения способы взаимозаменяемы.
Я думаю тут речь про то, что некоторое заданное фиксированное выражение на функциональном языке можно вычислять по-разному, и при этом будет получаться одинаковый результат. На математическом языке это называется следствием из теоремы Чёрча-Россера.
А как же размер контекста?
Кажется, это очередная попытка изобрести Internet time https://ru.m.wikipedia.org/wiki/Интернет-время
Увы :(
Спасибо за взгляд со стороны! Поскольку решения очень разноплановые, а уровень формализации совсем не такой, как на kaggle, то кажется git является неплохим вариантом подачи решений. Я не представитель АСИ, но мне кажется это мероприятие не про "заработать денег на решении", а про "сделать мир лучше". АСИ умеет помогать налаживать контакты, а уж дальше каким будет внедрение — зависит от вас.
Наши пайплайны — это и есть генераторы, поверх которых навешен синтаксис пайплайнов из библиотеки Pipe и набор функций, позволяющих функционально описывать операции над полями структур, проходящих через цепочки обработчиков. Образно говоря, мы сделали для Python то, чем является LINQ для классического C#
Точно не единственный, я тоже это прочитал до конца. За замечания спасибо! Не очень понял, почему текст маркетинговый: я в докладе старался показать, как сделать конкретную поделку, какие сервисы выбрать и как использовать для этого.
Насчет пайплайнов, вопрос интересный: если мне нужно, к примеру, взять набор картинок из директории, применить к ним ряд преобразований (масштабирование, поворот, что-то ещё из компьютерного зрения) и потом это подать на вход нейросети — как это сделать кошерно, Pythonic way? В keras, например, есть
ImageDataGenerator, но он решает одну конкретную задачу. Если я хочу например формировать входные данные для тренировки сиамской сети, или triplet loss — мне нужно делать свой DataGenerator на основе существующего. В то же время функциональный подход позволяет строить композицию простых шагов обработки, и из них собирать требуемую функциональность как из конструктора. Я беседовал с людьми на ряде питоновских конференций, и кажется такой подход выглядит вполне симпатичным.А какая там была ОС, CP/M? Я застал НГМД для Спектрума, но не для Радио-86РК...
Вот чуть более простой способ собрать спектум на макетках: http://smartykit.ru/
Для Микроши был НГМД???
Я себе делал световое перо к Радио-86РК. Прекрасное было время...
Кажется, всё очень не черно-бело. Человек тоже иногда творит методом случайного поиска, разбрызгивая краски по холсту и смотря, не вызывает ли это какие-то эмоции. И в этом смысле он действует очень похожим на ИИ образом.
Требуется ли самосознание для творчества — вопрос неочевидный. Равно как и выход за рамки запрограммированного — ещё в прошлом веке известны случаи, когда экспертная система предсказывала что-то, что не мог предсказать ни один из экспертов, участвовавших в её разработке (PROSPECTOR). И вообще говоря не очевидно, как там у нас самих обстоят дела с самосознанием и вычислимостью...
Вот Вы к словам придираетесь, а лучше — клонируйте репозиторий!
Кажется, нейросеть как раз и занимается тем, что накапливает культурный опыт человеческой цивилизации, выискивая в картинах красивые для нас паттерны… и потом бездумно их повторяя.
С тем, что математику нужно знать и любить — не поспоришь!
Мне почему-то кажется как раз наоборот :) Обсудим скоро!
Какая прекрасная дискуссия! Я специально в этой статье достаточно грубо написал про "картины, нарисованные ИИ", не вдаваясь в подробности. В ближайшее время напишу отдельный пост про то, насколько можно считать это искусством, где как раз отвечу на соображения про резиновую женщину и про интервальное фото!
В Azure ML Jupyter Notebook работает насколько я знаю на отдельной виртуалке, и просто запуская в нём эксперимент мы не получаем бенефитов от распределения задач по кластеру, сохранения результатов эксперимента и т.д. Обычно используют этот ноутбук для посылки задач на кластер, но при этом же training script приходится писать просто в виде текста, без поддержки среды. В общем это для ряда задач вроде оптимизации гиперпараметров удобно (и я ещё напишу про это в следующий раз), но для первоначальной отладки и запуска скрипта мне очень понравился способ через VS Code.
Да, если я посылаю эксперимент на кластер, то делаю ли я это через VS Code, или через Jupyter Notebook с помощью Azure ML SDK — это одно и то же, все результаты хранятся в одном месте. С этой точки зрения способы взаимозаменяемы.
Спасибо, последний вариант мне прямо очень нравится!