Сообщество - Машинное обучение
Машинное обучение
188 постов 2 904 подписчика
183

Нейросеть улучшает внешний вид классических игр

Это реально очень круто. Нейронная сеть на основе решений от Nvidia способна изменить текстуры в классических играх, так, что они заиграют новыми красками. Автора проекта и подробную инструкцию, как попробовать все самому можно найти по адресу ниже. Что у вас выйдет - напишите в комментариях. https://kingdomakrillic.tumblr.com/post/178254875891/i-figur...

Нейросеть улучшает внешний вид классических игр Kingdomakrillic, Ретро-Игры, Нейронные сети
Нейросеть улучшает внешний вид классических игр Kingdomakrillic, Ретро-Игры, Нейронные сети
318

Нейросеть, расширяющая фото. Продолжение

Всем привет. @xtr7 сделал недавно пост (о нейросети, которая улучшала качество картинки), но то ли никто не поделился, то ли не смогли следовать инструкции. Короче, меньше воды - больше дела.

Нейросеть, расширяющая фото. Продолжение Нейронные сети, Искусственный интеллект, Длиннопост
Нейросеть, расширяющая фото. Продолжение Нейронные сети, Искусственный интеллект, Длиннопост
Нейросеть, расширяющая фото. Продолжение Нейронные сети, Искусственный интеллект, Длиннопост
Нейросеть, расширяющая фото. Продолжение Нейронные сети, Искусственный интеллект, Длиннопост
Нейросеть, расширяющая фото. Продолжение Нейронные сети, Искусственный интеллект, Длиннопост
Нейросеть, расширяющая фото. Продолжение Нейронные сети, Искусственный интеллект, Длиннопост
Нейросеть, расширяющая фото. Продолжение Нейронные сети, Искусственный интеллект, Длиннопост
Нейросеть, расширяющая фото. Продолжение Нейронные сети, Искусственный интеллект, Длиннопост
Нейросеть, расширяющая фото. Продолжение Нейронные сети, Искусственный интеллект, Длиннопост
Нейросеть, расширяющая фото. Продолжение Нейронные сети, Искусственный интеллект, Длиннопост
Нейросеть, расширяющая фото. Продолжение Нейронные сети, Искусственный интеллект, Длиннопост
Нейросеть, расширяющая фото. Продолжение Нейронные сети, Искусственный интеллект, Длиннопост

Последние две чет так себе :)

Нейросеть, расширяющая фото. Продолжение Нейронные сети, Искусственный интеллект, Длиннопост
Нейросеть, расширяющая фото. Продолжение Нейронные сети, Искусственный интеллект, Длиннопост
Нейросеть, расширяющая фото. Продолжение Нейронные сети, Искусственный интеллект, Длиннопост
Нейросеть, расширяющая фото. Продолжение Нейронные сети, Искусственный интеллект, Длиннопост
Ну вот как-то так. Если лень разбираться, куда тыкать, присылайте фото/картинки в комменты, по возможности отвечу.


Спасибо за прочтение, присоединяйтесь к нам!

Показать полностью 14
15

Фальшивое видео

Израильский стартап Canny AI создал алгоритм основанный на "глубоком обучении" (Deep Learning), с помощью которого можно подделать видео. Результаты видео вы можете посмотреть

927

Персонажи последних событий + нейросеть

Помните, я обучал нейросеть распознавать кошек и собак? В общем, сначала обычные примеры:

Персонажи последних событий + нейросеть Нейронные сети, Интересное, Длиннопост, Кот, Собака
Персонажи последних событий + нейросеть Нейронные сети, Интересное, Длиннопост, Кот, Собака
Персонажи последних событий + нейросеть Нейронные сети, Интересное, Длиннопост, Кот, Собака
Персонажи последних событий + нейросеть Нейронные сети, Интересное, Длиннопост, Кот, Собака

Но это банально и неинтересно. Так что я решил поменять входные картинки на...

Персонажи последних событий + нейросеть Нейронные сети, Интересное, Длиннопост, Кот, Собака
Персонажи последних событий + нейросеть Нейронные сети, Интересное, Длиннопост, Кот, Собака
Персонажи последних событий + нейросеть Нейронные сети, Интересное, Длиннопост, Кот, Собака
Персонажи последних событий + нейросеть Нейронные сети, Интересное, Длиннопост, Кот, Собака

Присылайте ссылочки на фотки в комменты, посмотрим, что скажет сетка на ваши фотки)). Ну и приглашаю на огонек.

Показать полностью 5
183

4 факта о нейронных сетях

Нейронные сети – один из самых популярных классов алгоритмов для машинного обучения. В финансовом анализе они чаще всего применяются для прогнозирования, создания собственных индикаторов, алгоритмического трейдинга и моделирования рисков. Несмотря на все это, репутация у нейронных сетей подпорчена, поскольку результаты их применения можно назвать нестабильными.



1. Нейронная сеть – это не модель человеческого мозга


Человеческий мозг – одна из самых больших загадок, над которой бьются ученые не одно столетие. До сих пор нет единого понимания, как все это функционирует. Есть две основные теории: теория о «клетке бабушки» и теория дистрибутивного представительства. Первая утверждает, что отдельные нейроны имеют высокую информационную вместимость и способны формировать сложные концепты. Например, образ вашей бабушки или Дженнифер Энистон. Вторая говорит о том, что нейроны намного проще в своем устройстве и представляют комплексные объекты лишь в группе. Искусственную нейронную сеть можно в общих чертах представить как развитие идей второй модели.


Огромная разница ИНС от человеческого мозга, помимо очевидной сложности самих нейронов, в размерах и организации. Нейронов и синапсов в мозгу несоизмеримо больше, они самостоятельно организуются и способны к адаптации. ИНС конструируют как архитектуру. Ни о какой самоорганизации в обычном понимании не может быть речи.

4 факта о нейронных сетях Нейронные сети, Статья, Длиннопост

Что из этого следует? ИНС создаются по архетипу человеческого мозга в том же смысле, как олимпийский стадион в Пекине был собран по модели птичьего гнезда. Это ведь не означает, что стадион – это гнездо. Это значит, что в нем есть некоторые элементы его конструкции. Лучше говорить о сходстве, а не совпадении структуры и дизайна.



2. Размер имеет значение, но больше – не всегда значит лучше

После выбора архитектуры возникает вопрос, насколько большой или насколько небольшой должна быть нейронная сеть? Сколько должно быть «инпутов»? Сколько нужно использовать скрытых нейронов? Скрытых слоев (в случае с глубокой сетью)? Сколько «аутпутов» нужно нейронам? Если мы промахнемся с размером, сеть может пострадать от переобучения или недообучения. То есть не будет способна грамотно обобщать.


Сколько и какие инпуты нужно использовать?

Число входных сигналов зависит от решаемой проблемы, количества и качества доступной информации и, возможно, некоторой доли креатива. Выходные сигналы – это просто функции, на которые мы возлагаем некие предсказательные способности. И на самом деле мы получаем множество проблем. Ими может стать и отсутствие корреляции, и корреляция между переменными входных данных, "инпутами".


Сколько необходимо скрытых нейронов?

Оптимальное число скрытых элементов – специфическая проблема, решаемая опытным путем. Но общее правило: чем больше скрытых нейронов – тем выше риск переобучения. В этом случае система не изучает возможности данных, а как бы запоминает сами паттерны и любой содержащийся в них шум. Такая сеть отлично работает на выборке и плохо за пределами выборки. Как можно избежать переобучения? Есть два популярных метода: ранняя остановка и регуляризация. Первое означает то, что мы просто остановимся в тот момент, когда validation loss начнет расти. Второе - мы будем регулировать веса синапсов путем добавления их в функцию loss: таким образом, сеть будет стремиться не только дойти до идеального результата предсказания, но еще и сохранить адекватные веса.



3. Нейронным сетям не всегда нужен большой объем данных


Нейронные сети могут использовать три основных обучающих стратегии: контролируемое обучение, неконтролируемое и усиленное обучение. Для первой, нужны, по крайней мере, два обучающих сета данных. Один из них будет состоять из входных с ожидаемыми выходными сигналами, второй с входными без ожидаемых выходных. Оба должны включать маркированные данные, то есть паттерны с изначально неизвестным предназначением.


Неконтролируемая стратегия обычно используется для выявления скрытых структур в немаркированных данных (например, скрытых цепей Маркова). Принцип работы тот же, что и у кластерных алгоритмов. Усиленное обучение основано на простом допущении о наличие выигрышных сетей и помещении их в плохие условия. Два последних варианта не подразумевают использование маркированных данных, поэтому правильный выходной сигнал здесь неизвестен.


4. Нейронную сеть нельзя обучить на любых данных


Одна из главных проблем, почему нейронная сеть может не работать, заключается в том, что нередко данные плохо готовят перед загрузкой в систему. Нормализация, удаление избыточной информации, резко отклоняющихся значений должны проводиться перед началом работы с сетью, чтобы улучшить ее производственные возможности.


Мы знаем, что у нас есть слои перцептронов, соединенных по весу. Каждый перцептрон содержит функцию активации, который, в свою очередь, разделены по рангу. Входные сигналы должны быть масштабированы, исходя из этого ранга, чтобы сеть могла различать входные паттерны. Это предпосылки для нормализации данных.


Резко выделяющиеся значения или намного больше или намного меньше большинства других значений в наборе данных для сета. Такие вещи могут вызвать проблемы в применении статистических методов – регрессии и подгонки кривой. Потому что система постарается приспособить эти значения, производительность ухудшится. Выявить такие значения самостоятельно может быть проблематично. Здесь можно посмотреть инструкцию по техникам работы с резко отклоняющимися значениями.


Внесение двух или более независимых переменных, которые близко коррелируют друг с другом также может вызвать снижение способности к обучению. Удаление избыточных переменных, ко всему прочему, ускоряет время обучения. Для удаления избыточных соединений и перцептронов можно использовать адаптивные нейронные сети.

Спасибо за прочтение!

Часть текста скопировано, а часть урезана (бОльшая часть) и изменена с целью более упрощенной читаемости и меньше_букав. А значит пенять на меня, а не на автора. Источник.

Показать полностью
8

Нейронная сеть LC0 стала сильнейшим в мире шахматным движком

Нейронная сеть LC0 стала сильнейшим в мире шахматным движком Шахматы, Машинное обучение, Нейронные сети, Шахматный турнир, Leela Chess Zero, Длиннопост

В 15 сезоне турнира Top Chess Engine Championship (TCEC) - самом известном и престижном чемпионате компьютерных шахмат - нейронная сеть Leela Chess Zero (LC0) одержала победу, лидируя соперника (классического движка) Stockfish со счетом 50.5-43.0 (14 побед, 7 поражений, 73 ничьи).


Турнир будет продолжаться еще 6 партий (до 100 партий в целом), но LC0 уже набрала большинство очков и опередить ее уже невозможно.


А как же Alpha Zero?


Некоторые спросят, "а как же Alpha Zero? Разве эта программа уже не являлась сильнейшей?" И в самом деле, в декабре 2017 г. Google опубликовала статью, где утверждали, что их нейронная сеть Alpha Zero победила Stockfish с большим отрывом. Однако это невозможно считать официальным результатом по ряду причин:


1. Google не провели игры в открытом турнире, не открыли исходной код, и не предоставили протестировать Alpha Zero сторонним наблюдателям. О силе Alpha Zero оставалось лишь верить на слово Google.

2. Версия Stockfish в играх AlphaZero была устаревшей, играющей намного слабее последней версии.

3. Турнир AlphaZero проводился в режиме рапид (15 минут у каждой стороны), в то время как шахматные движки показывают сильнейшую игру в классическом тайм-контроле.


Турнир TCEC


Турнир TCEC - самый известный и признаваемый чемпионат компьютерных шахмат, проводится уже много лет в открытую, в нем участвуют все сильнейшие шахматные движки. Отборочные туры проводились по швейцарской системе, а финал - серией партий в 100 игр с полновесным тайм-контролем (90 минут + 10 секунд за ход). Используются самые последние версии движков. И наконец, LC0 имеет открытый исходной код, и протестировать ее может любой. Поэтому, в отличии от закрытого турнира Google, победу в TCEC можно считать официальным признанием первенства в компьютерных шахматах.


Архив всех проведенных партий можно посмотреть тут.


Используемое железо:

Поскольку классическим и нейронным движкам требуется разное железо (классическим - главное CPU и RAM, а нейронным - GPU), железо предоставлялось из расчета приблизительно одинаковой рыночной стоимости:


Stockfish:

CPUs: 2 x Intel Xeon E5 2699 v4 @ 2.8 GHz

Ядер: 44 физических

RAM: 64 GB DDR4 ECC

SSD: Crucial CT250M500 240 GB


Leela Chess Zero:

GPUs: 1 x 2080 ti + 1 x 2080

CPU: Quad Core i5 2600k

RAM: 16GB DDR3-2133

SSD:Samsung 840 Pro 256gb


О движке:


LC0 написана на С++ и обучалась с помощью TensorFlow. Первая версия появилась в январе 2018 г. Всего лишь за полтора года LC0, зная лишь основные правила движения фигур и пешек и ничего более, самообучилась до сильнейшей игры в мире, проведя с самой собой сотни миллионов партий.


В отличии от классических движков, использующих метод брутфорса (и предпочитающих тактический стиль игры), нейронные сети умеют оценивать обстановку на доске в целом, и предпочитают позиционный стиль. Так, в миттельшпиле, Stockfish каждую секунду способен перебирать приблизительно 50 миллионов позиций, а LC0 - лишь 50 тысяч (в 1000 раз медленнее!) Но анализ каждой позиции у LC0 - намного более глубокий, чем у Stockfish, и поэтому перевес все равно остается на стороне нейронной сети.


Как AlphaZero, так и LC0 ставят основной задачей не материальный перевес, а контроль над доской и захват пространства, часто жертвуя для этого материалом, а потом - сковав противника в маневре - доводят игру до победы.


Поскольку LC0 продолжает самообучаться, она играет все сильнее с каждым днем, даже на одном и том же железе (в то время как классические движки, в основном, улучшают игру лишь с более сильным железом). Поэтому есть все основания полагать, что нейронные сети сохранят лидерство в обозримом будущем, и будут показывать нам все более сильную шахматную игру.

Показать полностью
16

До появления Deep Thought и Skynet ещё далеко

До появления Deep Thought и Skynet ещё далеко Искусственный интеллект, Twitter, Python, Powerpoint, Microsoft, Машинное обучение

Разница между машинным обучением и искусственным интеллектом:
Если это написано на Python - это скорее всего машинное обучение,
Если это написано в PowerPoint - это скорее всего искусственный интеллект


Из твиттера Mat Velloso Technical Advisor to the CEO at Microsoft

48

Xinhua - искусственный интеллект, ведущий новостную передачу

Xinhua - искусственный интеллект, ведущий новостную передачу Искусственный интеллект, Телеведущие, Китай, Технологии, Новости, Видео

Информационное агентство Китая Синьхуа в четверг представило первого в мире AI-ведущего, который может читать новости на английском и китайском языках.


Синьхуа в сотрудничестве с оператором поисковой системы Sogou представила новую технологию на Всемирной интернет-конференции в Wuzhen, China, South China Morning Post. AI-телеведущий способен принимать форму настоящего человека и вести новости. У них минимальные выражения лица и движения губ, которые выглядят вполне реалистично.


Появляется первый англоговорящий AI Синьхуа. Его внешность во многом основана на Чжан Чжао. Новостное агенство также уверяет, что он «будет неустанно работать» и зачитывать новости без каких-либо перерывов.


Агенство AI также собирает данные и учится развиваться. «Он» сам учится в прямом эфире, и может читать тексты так же естественно, как профессиональный телеведущий », - сообщает Синьхуа.


Синьхуа далее говорит, что ИИ-телеведущий уже стал членом команды ведущих агенства. Он может работать круглосуточно на новостном веб-сайте, а также в своей социальной медиа-платформе. Говорят, что ИИ-телеведущий «снижает издержки производства и повышает эффективность новостей».


ИИ-телеведущий также начал представлять новостные сообщения. Поскольку это ИИ-телеведущий, новость читается очень монотонно, без каких-либо выражений между ними. Сам ИИ-телеведущий признает, что технология все еще находится в разработке и что требуется много усовершенствований.

Сграблено отсюда. Редко читаю новости, поэтому вероятно не очень хорошо скопировал стиль письма :).

Показать полностью 1
Мои подписки
Подписывайтесь на интересные вам теги, сообщества,
пользователей — и читайте персональное «Горячее».
Чтобы добавить подписку, нужно авторизоваться.
Отличная работа, все прочитано!