Я врач психиатр-нарколог. 7 дежурств в месяц, по будням принимаю амбулаторно до 15-18 часов. Свободное время — 3д графика (некоторые модели продаю) и программирование на Пайтоне ))
Вы абсолютно правы!
В нашей системе у старшего коллеги нет ни малейшего интереса кого-либо учить, потому что на нём ответственность за операционных пациентов, нет времени и желания, которое нужно тратить на ординатора за операционным столом, или просто не хочется передавать своё мастерство потенциальным конкурентам. В пример по подготовке хирургов всегда приводят Штаты. Там очень жёсткий отбор в резидентуру по хирургии, учёба очень сложная, многие вылетают, но система выстроена так, что человек выходит из резидентуры абсолютно самостоятельным специалистом, который знает свою работу. Кроме того, профессионализм зависит от того, насколько человек в теме своей специальности. Если у врача нет времени на самообразование, то он будет отставать как специалист.
В медицине нет важных и второстепенных врачей. Хорошие показатели достигаются слаженной работой всех специалистов.
Только вчера был на регулярном тренинге по cердечно-лёгочной реанимация)
Если делать всё по правилам и возраст не больше 50 лет, то рёбра ломаются редко. В Штатах регулярные занятия по CPR начинают проводить ещё в школах для всех, а в аэропортах и на улицах располагают дефибриляторы, которые сами анализируют ритм и говорят, что делать.
Автор действительно смелый человек. Мне страшно было в 25 лет менять хирургию на психиатрию, а он вообще другую специальность получил!
В регионах с хирургией настолько плохо, что специалисты пребывают в полной депрессии. У меня друг в Туле (я с ним в студенческие годы работал на скорой помощи) работал в Щёкинской районной больнице единственным хирургом на весь район. Он дежурил 1-2 раза в неделю на следующий день приходилось принимать амбулаторных до 15 часов. ЗП составляла 35 тыс/мес. Дома жена с ребёнком. При этом, на просьбы поднять зарплату хотя бы до 40 тыс начальство говорило: «Если вам что-то не нравится, можете идти, мы вас не держим». Он ушёл работать в Москву на скорую. Тут при таком графике дежурств можно получать 100 тыс, но при этом не вести приём на следующий день. После работы 2 часа до Тулы и ты дома.
В Москве с хирургией не легче. Дело в том, что в России для хирурга просто мало мест, где он мог бы оперировать. В медицинских ВУЗах бОльшая часть студентов после выпуска идут в хирургию. В условиях переизбытка кадров, к молодым специалистам отношение как к рабам. Все вокруг только и говорят тебе: «Ты сам выбрал профессию», «Не нравится, пошёл вон», «Ты тут работаешь не для зарплаты, а для опыта». При том, что работать приходится день и ночь. В этих условиях иногда нет времени даже на сон. Разумеется, при таком графике у самого специалиста быстро начинают формироваться проблемы с сердечно-сосудистой системой, ожирение, различные зависимости: алкогольная, никотиновая, и т.д.
Скачал и установил geth. В командной строке указываю путь к geth.exe. когда запускаю, показывает: INFO [08-31|23:38:50] Starting peer-to-peer node instance=Geth/v1.6.7-stable-ab5646c5/windows-amd64/go1.8.3
INFO [08-31|23:38:50] Allocated cache and file handles database=C:\\Users\\User\\AppData\\Roaming\\Ethereum\\geth\\chaindata cache=128 handles=1024
INFO [08-31|23:38:50] Initialised chain configuration config="{ChainID: 4 Homestead: 1 DAO: DAOSupport: true EIP150: 2 EIP155: 3 EIP158: 3 Metropolis: 9223372036854775807 Engine: clique}"
INFO [08-31|23:38:50] Initialising Ethereum protocol versions="[63 62]" network=1
INFO [08-31|23:38:50] Loaded most recent local header number=813318 hash=06c0cf…b69d27 td=1570227
INFO [08-31|23:38:50] Loaded most recent local full block number=813318 hash=06c0cf…b69d27 td=1570227
INFO [08-31|23:38:50] Loaded most recent local fast block number=813318 hash=06c0cf…b69d27 td=1570227
WARN [08-31|23:38:50] Blockchain not empty, fast sync disabled
INFO [08-31|23:38:50] Starting P2P networking
INFO [08-31|23:38:52] UDP listener up self=enode://59bff198537a74d536650a8cce74c7a1cf1e7238dadb2d4181682f40b0981f4cc29f8842e9d48a3569a588a4888a7f7a9074cd26c2324cce34b8717679fc9e0a@[::]:30303
INFO [08-31|23:38:52] RLPx listener up self=enode://59bff198537a74d536650a8cce74c7a1cf1e7238dadb2d4181682f40b0981f4cc29f8842e9d48a3569a588a4888a7f7a9074cd26c2324cce34b8717679fc9e0a@[::]:30303
INFO [08-31|23:38:52] IPC endpoint opened: \\.\pipe\geth.ipc
Правильно ли я понял, что алгоритм сам приводит текстовые данные к цифровому виду?
Если да, что как алгоритм решает, например, что категории облаков («кучевые», «слоистые», «перисто-кучевые») лучше представить в виде One-hot, а, к примеру, категориям «сильный ветер», «слабый ветер» нужно присвоить категориальные признаки?
Есть два вопрос:
На keras blog описан интересный метод: Variational autoencoder (VAE). Я так понял, что это гибкий алгоритм кластеризации. Используется сustom loss (vae_loss). Метод интересный, но достаточно трудный для понимания. Где, по-вашему мнению, данный метод может найти применение?
В папках train и validation у нас находятся по 2 папки классов: dogs и cats (соответствующих двум классам изображений). Для обучения сети и её проверки нам необходимы РАЗНЫЕ изображения собак и кошек.
Размечать изображения не нужно. Это делают генераторы изображений при помощи метода .flow_from_directory
Да, можно! Я отмечал, что не заметил разницы в результатах и скорости обучения как при загрузке весов в верхнюю модель. Но оставил этот раздел, так как в нём мы загружаем веса на отдельные слои, а это может пригодиться в других задачах.
Сухой работы было немного (около 3-х часов), поскольку мне не нужно было предобрабатывать изображения. Много времени ушло на тренировку модели, потому что я экспериментировал с гиперпараметрами. Суммарно было 3-4 тренировки по 12 часов (ставил на ночь). Ну, а делал я это всё недели три, так как приходилось отвлекаться на работу с пациентами и дежурства :)
Количество слоёв сети и размер свёрток зависит от данных. Для простых чб изображений типа MNIST достаточно небольшого размера сети, потому что в рукописных символах не так много признаков. Для набора изображений типа CIFAR требуется больше слоёв и больше свёрток. Также и с размером изображений: больший размер- большее количество признаков, значит и параметров требуется больше.
Для наглядности: простые изображения, сложные изображения.
Если даже при большом количестве слоёв и свёрток результат плохой, следует поиграться с гиперпараметрами (в первую очередь с методами оптимизации) и инициализацией весов.
1) Для корректной загрузки данных в сеть (например, изображений), нужно, чтобы размеру этих данных соответствовал ВХОДНОЙ слой сети. В моём случае, размер входного слоя пришлось указывать дважды: при создании Inception (там есть параметр: input_shape=((3, 150, 150))) и при создании FFN модели (input_shape=train_data.shape[1:])). Параметр input_shape говорит, что «нужно сделать слой Input, который будет содержать в первом случае 3*150*150 нейронов». Дальше, размер изображений ни с какими слоями модели не связан.
2) Второй момент связан уже с качеством вашей модели. Чем больше свёрточных слоёв и чем больше в них фильтров, тем лучше модель различает изображения, тем меньше величина ошибок и выше точность. Если, к примеру, вы возьмёте зашумлённые изображения сетчатки глаза (для классификации диабетической ретинопатии) размерами 3Х299Х299 и попытаетесь обучить ими VGG16, точность модели вам не понравится. Тут нужно либо с нуля учить более глубокую сеть (с бОльшим количеством слоёв), либо как-то подготавливать сами изображения.
3) Если мы решаем проблему muticlass классификации, то размер выходного слоя должен содержать столько же нейронов, сколько у нас классов. В случае бинарной классификации (как у нас) или регрессии, размер выхода будет один.
Пока что ни в какой работе я не увидел, чтобы размер слоя имел какое-либо значение. То есть размеры можно сделать и 30, 56, 110, 200.
По Transfer learning есть хороший пост, правда, он без кода. Единственное, при этом методе мы НЕ корректируем верхние слои, которые различают контуры предметов, потому что контуры, как раз, универсальны.
Действительно, работа таких сетей похожа на работу центрального отдела зрительного анализатора, о работе которого мы можем cудить прямыми измерениями у животных: в данном эксперименте был выявлен интересный феномен, говорящий о том, что отдельные зоны затылочной коры могут возбуждаться в зависимости от угла источника света. О работе зрительного анализатора у человека можно судить, например, при травматическом или ишемическом поражении различных отделов зрительной коры, а также при раздражении этой области, к примеру, опухолью или при ауре эпилепрического припадка. При этом человек видит различные феномены: искры, пятна и.т.д. (при повреждении медиальных отделов). Это позволяет нам в какой-то мере говорить, о том, что расположение образов в зрительной коре может быть топическим. Но, вот, точно сказать, как происходит идентификация предметов человеком пока что нельзя. Свёрточные НС — это, в какой-то степени, математическое представление (я бы сказал, чертёж) работы зрительного анализатора. Пока что трудно проводить между ними параллели.
Это ответ в ветке про анестезиолога
В нашей системе у старшего коллеги нет ни малейшего интереса кого-либо учить, потому что на нём ответственность за операционных пациентов, нет времени и желания, которое нужно тратить на ординатора за операционным столом, или просто не хочется передавать своё мастерство потенциальным конкурентам. В пример по подготовке хирургов всегда приводят Штаты. Там очень жёсткий отбор в резидентуру по хирургии, учёба очень сложная, многие вылетают, но система выстроена так, что человек выходит из резидентуры абсолютно самостоятельным специалистом, который знает свою работу. Кроме того, профессионализм зависит от того, насколько человек в теме своей специальности. Если у врача нет времени на самообразование, то он будет отставать как специалист.
В медицине нет важных и второстепенных врачей. Хорошие показатели достигаются слаженной работой всех специалистов.
Если делать всё по правилам и возраст не больше 50 лет, то рёбра ломаются редко. В Штатах регулярные занятия по CPR начинают проводить ещё в школах для всех, а в аэропортах и на улицах располагают дефибриляторы, которые сами анализируют ритм и говорят, что делать.
В регионах с хирургией настолько плохо, что специалисты пребывают в полной депрессии. У меня друг в Туле (я с ним в студенческие годы работал на скорой помощи) работал в Щёкинской районной больнице единственным хирургом на весь район. Он дежурил 1-2 раза в неделю на следующий день приходилось принимать амбулаторных до 15 часов. ЗП составляла 35 тыс/мес. Дома жена с ребёнком. При этом, на просьбы поднять зарплату хотя бы до 40 тыс начальство говорило: «Если вам что-то не нравится, можете идти, мы вас не держим». Он ушёл работать в Москву на скорую. Тут при таком графике дежурств можно получать 100 тыс, но при этом не вести приём на следующий день. После работы 2 часа до Тулы и ты дома.
В Москве с хирургией не легче. Дело в том, что в России для хирурга просто мало мест, где он мог бы оперировать. В медицинских ВУЗах бОльшая часть студентов после выпуска идут в хирургию. В условиях переизбытка кадров, к молодым специалистам отношение как к рабам. Все вокруг только и говорят тебе: «Ты сам выбрал профессию», «Не нравится, пошёл вон», «Ты тут работаешь не для зарплаты, а для опыта». При том, что работать приходится день и ночь. В этих условиях иногда нет времени даже на сон. Разумеется, при таком графике у самого специалиста быстро начинают формироваться проблемы с сердечно-сосудистой системой, ожирение, различные зависимости: алкогольная, никотиновая, и т.д.
Автору респект! Он всё сделал правильно.
INFO [08-31|23:38:50] Starting peer-to-peer node instance=Geth/v1.6.7-stable-ab5646c5/windows-amd64/go1.8.3
INFO [08-31|23:38:50] Allocated cache and file handles database=C:\\Users\\User\\AppData\\Roaming\\Ethereum\\geth\\chaindata cache=128 handles=1024
INFO [08-31|23:38:50] Initialised chain configuration config="{ChainID: 4 Homestead: 1 DAO: DAOSupport: true EIP150: 2 EIP155: 3 EIP158: 3 Metropolis: 9223372036854775807 Engine: clique}"
INFO [08-31|23:38:50] Initialising Ethereum protocol versions="[63 62]" network=1
INFO [08-31|23:38:50] Loaded most recent local header number=813318 hash=06c0cf…b69d27 td=1570227
INFO [08-31|23:38:50] Loaded most recent local full block number=813318 hash=06c0cf…b69d27 td=1570227
INFO [08-31|23:38:50] Loaded most recent local fast block number=813318 hash=06c0cf…b69d27 td=1570227
WARN [08-31|23:38:50] Blockchain not empty, fast sync disabled
INFO [08-31|23:38:50] Starting P2P networking
INFO [08-31|23:38:52] UDP listener up self=enode://59bff198537a74d536650a8cce74c7a1cf1e7238dadb2d4181682f40b0981f4cc29f8842e9d48a3569a588a4888a7f7a9074cd26c2324cce34b8717679fc9e0a@[::]:30303
INFO [08-31|23:38:52] RLPx listener up self=enode://59bff198537a74d536650a8cce74c7a1cf1e7238dadb2d4181682f40b0981f4cc29f8842e9d48a3569a588a4888a7f7a9074cd26c2324cce34b8717679fc9e0a@[::]:30303
INFO [08-31|23:38:52] IPC endpoint opened: \\.\pipe\geth.ipc
geth --rinkeby ввести не могу
Ошибся, не категориальные, ранговые
Правильно ли я понял, что алгоритм сам приводит текстовые данные к цифровому виду?
Если да, что как алгоритм решает, например, что категории облаков («кучевые», «слоистые», «перисто-кучевые») лучше представить в виде One-hot, а, к примеру, категориям «сильный ветер», «слабый ветер» нужно присвоить категориальные признаки?
Есть два вопрос:
На keras blog описан интересный метод: Variational autoencoder (VAE). Я так понял, что это гибкий алгоритм кластеризации. Используется сustom loss (vae_loss). Метод интересный, но достаточно трудный для понимания. Где, по-вашему мнению, данный метод может найти применение?
Когда у меня появилось сие чудо, мне было 5 лет. Любимая игра Starquake. А ностальгия особенно нахлынивает, когда вижу это:
Я исправил названия изображений:
В папках train и validation у нас находятся по 2 папки классов: dogs и cats (соответствующих двум классам изображений). Для обучения сети и её проверки нам необходимы РАЗНЫЕ изображения собак и кошек.
Размечать изображения не нужно. Это делают генераторы изображений при помощи метода .flow_from_directory
Для наглядности: простые изображения, сложные изображения.
Если даже при большом количестве слоёв и свёрток результат плохой, следует поиграться с гиперпараметрами (в первую очередь с методами оптимизации) и инициализацией весов.
1) Для корректной загрузки данных в сеть (например, изображений), нужно, чтобы размеру этих данных соответствовал ВХОДНОЙ слой сети. В моём случае, размер входного слоя пришлось указывать дважды: при создании Inception (там есть параметр: input_shape=((3, 150, 150))) и при создании FFN модели (input_shape=train_data.shape[1:])). Параметр input_shape говорит, что «нужно сделать слой Input, который будет содержать в первом случае 3*150*150 нейронов». Дальше, размер изображений ни с какими слоями модели не связан.
2) Второй момент связан уже с качеством вашей модели. Чем больше свёрточных слоёв и чем больше в них фильтров, тем лучше модель различает изображения, тем меньше величина ошибок и выше точность. Если, к примеру, вы возьмёте зашумлённые изображения сетчатки глаза (для классификации диабетической ретинопатии) размерами 3Х299Х299 и попытаетесь обучить ими VGG16, точность модели вам не понравится. Тут нужно либо с нуля учить более глубокую сеть (с бОльшим количеством слоёв), либо как-то подготавливать сами изображения.
3) Если мы решаем проблему muticlass классификации, то размер выходного слоя должен содержать столько же нейронов, сколько у нас классов. В случае бинарной классификации (как у нас) или регрессии, размер выхода будет один.
Пока что ни в какой работе я не увидел, чтобы размер слоя имел какое-либо значение. То есть размеры можно сделать и 30, 56, 110, 200.
Действительно, работа таких сетей похожа на работу центрального отдела зрительного анализатора, о работе которого мы можем cудить прямыми измерениями у животных: в данном эксперименте был выявлен интересный феномен, говорящий о том, что отдельные зоны затылочной коры могут возбуждаться в зависимости от угла источника света. О работе зрительного анализатора у человека можно судить, например, при травматическом или ишемическом поражении различных отделов зрительной коры, а также при раздражении этой области, к примеру, опухолью или при ауре эпилепрического припадка. При этом человек видит различные феномены: искры, пятна и.т.д. (при повреждении медиальных отделов). Это позволяет нам в какой-то мере говорить, о том, что расположение образов в зрительной коре может быть топическим. Но, вот, точно сказать, как происходит идентификация предметов человеком пока что нельзя. Свёрточные НС — это, в какой-то степени, математическое представление (я бы сказал, чертёж) работы зрительного анализатора. Пока что трудно проводить между ними параллели.