Идет урок в школе. Учительница спрашивает:
- Дети, кто из вас сможет унести больше всего арбузов?
Руку тянет Вовочка, учительница:
- Вовочка, опусти руку, ты опять все опошлишь. Леночка, сколько арбузов
ты сможешь унести?
- Два, один возьму в левую ручку, другой в правую.
Учительница:
- Молодец Леночка. Кто больше сможет унести арбузов?
Вовочка опять руку тянет.
Учительница:
- Молчи Вовочка опять все опошлишь. Петя, сколько ты сможешь унести
арбузов?
- Три. Один возьму в левую ручку, второй в правую, а третий на хуй
надену.
Учительница возмущенно:
- Петя как ты можешь, у тебя такие интеллигентные родители-инженеры.
Опять следует вопрос о количестве арбузов. Вовочка по прежнему тянет
руку, учительница в полной уверенности, что опошлять уже нечего
спрашивает Вовочку.
Вовочка:
- Я смогу унести пять арбузов. Один возьму в правую ручку, второй в
левую, а на хуй Петю надену.
Естественно. И не я один - я и еще некоторые тут приглядываем, кое-кто в реале тебя пасет. Уж не первый день, как бы.
Листаю свои ответы. Вижу ЭТО. Рядом сидит охуевшая девушка и смотрит на меня крайне испуганно. Как я должен отговориться? Никак.
Собсно, выбежал из автобуса и стал ждать новый, пиздец.
Девушка ещё более охуела от вида мужика, подорвавшегося со своего места и выбегающего из автобуса после просмотра картинок бдсм.
Получается, что эта арбузохуеножка есть модель управленческой структуры по типу "директор->манагер->Вася".
Короткий вариант__
У грузина спрашивают сколько он унесёт арбузов:
- Три!
- Это как?
- Адин пад мишку, другой пад мишку, трэтий на шишку!
Тот же вопрос армянину:
- А я пять!!
- Как??
- Адын пад мишку, другой пад мишку, грузина на шишку!!11!
Да попросту сверяет картинки со всей базы с картинкой пользователя, ищет разные теги или что-то связанные из источников картинки.
"Для поиска по графическим файлам даже в том случае, когда к ним нет подписи, а имя файла не несёт полезной информации, в Google+ Photos, как и в Google Drive, используется технология распознавания изображения. «Эта технология базируется на компьютерном распознавании изображений и машинном самообучении, в результате на основании содержания картинки генерируются поисковые теги (searchable tags), что в сочетании с другими источниками, такими как текстовые теги и метаданные EXIF, делает возможным поиск таких обобщённых образов, как цветы, еда, автомобили, самолёты, черепахи…», объясняет Google. Недавно Google приобрёл компанию DNNresearch, стартап, который создали профессор Джеффри Хинтон (Geoffrey Hinton) и два его дипломника из Университета Торонто. Они построили «систему, которая использует глубокое обучение и свёрточные нейронные сети и показала своё значительное превосходство по сравнению с традицонными подходами к распознаванию образов на конкурсе компьютерного распознавания ImageNet». Затем Google построил аналогичную модель большего масштаба, которая при испытаниях показала в среднем вдвое лучшую точность по сравнению с другими методами распознавания объектов. «Мы взяли исследование с переднего края науки прямо из исследовательской лаборатории и запустили его в жизнь — немногим более чем за шесть месяцев», говорит Чак Розенберг (Chuck Rosenberg) из команды сервиса Картинки (Google Image Search). Доклад под названием «Классификация изображений с помощью глубоких свёрточных нейронных сетей» (PDF-файл) разъясняет принципы работы алгоритма. В нём используются контролируемое обучение, 7 скрытых весовых слоёв и особые биграфы, выстраиваемые на основании данных. «Наша нейронная сеть включает 60 млн оцениваемых параметров и 650 тыс. нейронов. Она обладает серьёзным запасом мощности. Мы обучаем её распознавать образцы размером 224×224 пикс., случайным образом получаемые из изображений размера 256×256, и их горизонтальные отражения». Google сообщает, что общедоступная функция поиска по фотографиям распознаёт 1 100 тегов. «Мы довели набор визуальных классов до 2 000, отталкиваясь от популярных меток в Google+ Photos и выраженного визуального компонента (то есть человек должен легко идентифицировать класс, просто глядя на изображение), то есть значительно улучшили систему: на конкурсе ImageNet набор составлял 1 000 классов. Как и в прототипе, классы представляют собой не текстовые строки, а понятия, категории (entities); мы используем категории базы знаний Freebase, на основе которых создана наша Сеть знаний (Knowledge Graph), которая применяется в Поиске (Google Search). Категория — это способ уникальным образом определить нечто независимо от языка. <…> Поскольку мы хотели достичь высокой точности в присвоении меток, к запуску функции мы уточнили наш набор классов, сократив его с начальных двух тысяч до 1 100 высокоточных классов». Вот несколько примеров распознаваемых классов: автомобиль, танец, поцелуй, гибискус, георгин, закат, белый медведь, медведь гризли. Система распознаёт общие понятия и конкретные объекты. «В отличие от других систем, с которыми мы экспериментировали, ошибки данной системы выглядят по-человечески обоснованными: они похожи на ошибки, которые делает человек, когда путает похожие вещи»."