Ну что ж, после долгого перерыва в творчестве (последнюю игруху я делала кажись аж в 2017 году) , я взяла себя в руки и на свет появился мелкий сладкий бес. Росточку он не великого , около 17 см в сидячем положении.
За годы без практики мои руки отвыкли от тонкой работы, поэтому на игруху ушли недели. А еще оказывается цены на материалы очень выросли. Но зато появилось большее разнообразие "сырья", а так же возможность заказать его любым удобным способом. Наличие трех котов тоже не способствует дзэну от процесса созидания, то нитки стащут, то лоток опрокинут, то всюду шерсть оставляют. Кстати, о шерсти! Прежде чем приступить к лепке из глины, нужно все пропылесосить, протереть от пыли, желательно увлажнить воздух, чтоб ворсинки осели на пол, ибо глина есть материал собирающий на себя всякую мелкодисперсную дрянь. Одним словом прежде чем приступить к работе, ты уже успеваешь малех подустать от уборки.
Зато когда входишь в раж, часы превращаются в одно мгновение. Знаете, это забытое чувство, когда ты снова можешь что-то делать, и главное хочешь.
P.S. Для создания чертика-хранителя использовались материалы: полимерная глина Fimo doll art, искусственный мех, акриловые краски, пастель, акриловый лак, фурнитура, наполнитель для игрушек.
Многое (почти все) я заказывала на всем известных маркетплейсах, озон и wb
Простите поклонники лучика, но не мог пройти мимо. Я не буду разбирать каждый абзац этой статьи и комментировать его, только в конце приведу цитаты и свои комментарии к ним. На мой взгляд статья очень размыто отвечает на главный вопрос, поставленный в заголовке: как работает нейросеть? Я не в курсе на какую возрастную аудиторию рассчитан материал, но с учетом того, что в статье приведена функция y = kx + b, полагаю, я могу использовать немного математики.
Авторы предлагают аналогию вроде такой: нейросеть - это набор нейронов-чисел, а учатся они, если им показать много примеров. Прежде чем переходить к нейронам, я расскажу как они учатся. Это может показаться странным, но просто принцип обучения что в нейросетях, что в простых моделях машинного обучения одинаков. Для примера рассмотрим как раз уже приведенную функцию y = kx + b. Перенося ее на реальный мир можно взять в качестве примера задачу расчета стоимости жилья в зависимости от площади квартиры. Тогда y - стоимость, x - площадь квартиры, а решаем мы задачу т.н. линейной регрессии (это для сильных духом, постараюсь обходиться без терминов). Далее слайды, которые рисовал сам, простите.
Нужно получить модель, которая по набору иксов (метраж квартиры) дает правдоподобную стоимость. Точки на графике - наши реально существующие данные. Прямая - наша функция. Обучив модель, мы можем подать ей на вход один x и получить ожидаемый y.
В случае применения машинного обучения мы должны просто настроить неизвестные параметры нашей функции (k и b), чтобы получить оптимальную прямую. Главный вопрос - как? Для этого мы должны ввести понятие ошибки модели, чтобы понять, хороши ли она выполняет свою задачу. В нашем примере ошибка - это разность между предсказаниями и реальной стоимостью.
Ошибка модели - средняя разность между реальными значениями и предсказанными по модулю или в квадрате. Формальным языком: L = (y' - y)^2 / n, где n - количество примеров в данных, y' - предсказания, а y - реальные значения y для наших x).
Назовем функцию вычисления ошибок функцией потерь (точнее, она так и называется). Оптимальная модель будет выдавать минимальную среднюю разность, т.е. значение функции потерь будет минимальным. С оценкой определились, теперь переходим к процессу обучения. Для этого мы строим одну случайную прямую, считаем разность между предсказаниями и данными, определяем в какую сторону нам нужно сдвинуть нашу прямую, и сдвигаем, меняя наши k и b на небольшое значение. На какое - задается параметрами модели, обычно этот шаг небольшой, чтобы не перескочить наше оптимальное положение.
Случайная прямая
Один шаг обучения
Второй шаг обучения ( и так далее)
Небольшое отступление, которое можно пропустить. Пытливый ум спросит меня, а как мы определяем в какую сторону двигаться на каждом шаге? Отвечаю - просто смотрим на знак. Раньше я упомянул, что для расчета мы используем квадрат или модуль разностей для каждого отдельно взятого примера и усредняем их. Но тогда все наши расчеты будут положительными. Трюк в том, что при обучении мы используем не саму функцию потерь, а производную от нее или т.н. градиент (блин, обещал же без терминов). Геометрически производную можно изобразить так:
Производная - это тангенс угла наклона касательной к функции потерь в выбранной точке. Производная показывает направление роста функции.
На графике изображена функция потерь при разных значениях для нашей задачи - это парабола. Причем левая ветвь соответствует ситуации, когда мы задаем случайную прямую ниже наших точек, правая - выше. Наша задача попасть из красной точки в желтую, т.е. в минимум функции. Определив градиент, мы двигаемся в сторону уменьшения функции, достигая минимума. Математически, при расчете производной (dL = (2 / n) * (y' - y) * x) мы избавляемся от квадрата и можем получать отрицательные значения (и получаем в нашем примере) и тогда двигаемся в противоположную от знака сторону, прибавляя небольшие значения к нашим коэффициентам k и b.
Возвращаясь к объяснению на пальцах. В реальной жизни параметров, влияющих на стоимость квартиры больше, чем просто ее метраж. Тогда мы переходим в многомерное пространство. В реальной жизни у нас есть другие задачи, например то же отделение фотографий кошек от фотографий собак (задача классификации). Или генерация изображений. Но во всех этих задачах используется один и тот же принцип: мы должны определить функцию потерь - определить как мы вычисляем ошибки предсказаний модели и посчитать разницу между предсказаниями и реальными значениями и изменить значения коэффициентов, в зависимости от смещения предсказаний. Для задачи классификации животных (кошек и собак) мы на самом деле строим точно такую же прямую, просто эта прямая не проходит через точки в пространстве, а старается разделить их. Точками в этом случае могут выступать значения пикселей наших картинок, в таком случае, для обычного изображения кошечки, например, разрешением 512х512, мы работаем в 786432-мерном пространстве (потому что 3 (если используем цветное изображение RGB) * 512 * 512 = 786432) и подбираем в этом пространстве не прямую, а плоскость. И уравнение этой плоскости будет таким y = b + k1 * x1 + k2 * x2 + ... + k786432 * x786432. А функция потерь будет другая, но об этом я уже не буду говорить.
Теперь, когда мы поняли как мы учим, можно понять, что такое нейрон в нейросетях. На самом деле, ответ уже понятен. В процессе обучения мы настраиваем коэффициенты некой функции, нейрон тогда - это просто математическая функция от входных данных. Возвращаясь к статье лучика, на этой картинке нейрон - это как раз таки серый кружочек. А желтые - это значения входных данных. Они могут быть в то же время выходными данными с нейронов предыдущего слоя нейросети.
x1, x2 - значения входных данных, w1, w2, b - коэффициенты (я использовал выше k и b)
А сколько нейронов в нейросети? Много и зависит от архитектуры. Входной слой просто принимает данные и вычисляет взвешенную сумму, передавая результат на внутренние слои. На примере тех же изображений - количество нейронов на первом слое будет зависеть от параметров изображения, а именно от количества пикселей, но количество нейронов скрытых (внутренних) слоев мы устанавливаем сами. Мы можем поставить один нейрон на первый скрытый слой, который будет суммировать все данные, но толку от такой сети будет мало. На выходном слое количество нейронов зависит от нашей задачи. Для генерации нам нужно в каждом пикселе сетки предсказать реальное значение цвета, значит нейронов будет столько же, сколько пикселей нам надо получить. Если мы говорим о задаче классификации, то на выходном слое будет столько нейронов, сколько у нас классов - т.е. 2 для кошек/собак, например. Рассматривать необычные слои, вроде сверток, не будем, но они есть.
А зачем вообще нужны нейросети? Я уже выше описал, что все задачи так или иначе формализуются в набор известных функций. Но преимущество нейросетей в том, что они универсальны как раз за счет общих принципов построения. А взаимодействие нейронов на разных слоях позволяет расширить пространство настраиваемых параметров, что в свою очередь позволяет уловить связи в данных на разных уровнях. Например, разные слои нейросети, обученной на задаче классификации изображений, могут улавливать разные паттерны: например контуры, формы или цвета. Что как раз-таки используется для передачи стиля - мы замораживаем глубинные веса обученной нейросети (те, которые отвечают за пространство, форму и т.д.) и дообучаем на одном стилевом изображении только те слои, которые отвечают за "мазки кисти" и цвета.
Несколько примеров современных нейросетей и как они обучены:
Генерация изображений. Существует множество архитектур сетей для генерации. Причем я говорю о генерации без текстового описания. Например, т.н. GAN-ы. Они обучены генерировать изображения из шума, как и сказано в статье. Но они не обучаются специально запоминать формы, объемы, углы, цвета. Они обучаются генерировать изображение так, чтобы результат не отличался от данных, с которыми мы его сравниваем.
Векторизация текстов - я выделил этот пункт отдельно, т.к. все сети, работающие с текстами, должны уметь переходить от тестов к точкам в пространстве - векторам чисел. Описывать, как это происходит примерно так же долго, как я описывал линейную регрессию. Но для простоты скажем, что нейросети учатся предсказывать пропущенные в тексте слова, настраивая при этом числа в пространстве векторов, где каждый вектор соответствует отдельному слову. Это классическая задача классификации, а значит мы снова строим разделяющие плоскости.
Генерация текстов. И снова множество архитектур. Есть даже не нейросетевые (смотрите цепи Маркова, которые просто считают попарные вероятности слов в тексте). Нейросетевые пытаются предсказать одно следующее слово на основе предыдущих.
Генерация изображений по тексту. Здесь мы объединяем известные подходы и идея такая: раз мы уже знаем, как векторизовать текст, то будем использовать вектора текста как входные данные, а готовые изображения, как идеал, который нужно научится генерировать из шума. Для обучения таких моделей используется огромное количество картинок с описаниями к ним. Кстати, поэтому было много претензий к русскоязычным генеративным моделям, которые генерировали, например, американские флаги по запросу "Родина". Просто сложно создать большой датасет размеченных изображений своими силами, все используют открытые датасеты, и, например, переводят тексты и всячески обогащают данные.
Теперь можно перейти к самому интересному - цитаты из статьи.
Компьютерный нейрон – это просто... число!
Уже выяснили, что нет.
«А если собаки и кошки раскиданы вперемешку, а?» – спросите вы. Ну что ж, тогда нам может потребоваться не одна линия. И возможно не две и не три, а целый десяток или даже сотня. Важно понять, что рано или поздно мы сможем с помощью обыкновенных чисел и прямых «поделить» наш лист так, чтобы нейросеть уже знала наверняка – что именно она «видит», кошку или собаку, в чью именно область она «ткнула пальцем».
Я зацепился за это определение. Потому что если нам известно только 2 класса, то будет только одна "линия" на выходе. Да, каждый нейрон строит свое собственное решение, но он во-первых, не видит какую-то свою область данных, а во-вторых, его решение агрегируется с решениями всех остальных нейронов на выходном слое. То, что описано - это скорее работа классических деревьев решений, которые действительно нарезают пространство на сколько угодно областей.
Проблема номер один – для обучения нейросети нужно очень много информации. Чтобы научить нейросеть отличать кошку от собаки, ей нужно показать тысячи (лучше миллионы) самых разных кошек и собак. Воспитанник детского садика в возрасте трёх лет кошку с собакой не спутает, даже если видел их всего лишь пару раз в жизни...
С миллионом явный перебор. Кроме того, существуют техники дообучения, позволяющие переиспользовать обученные модели с гораздо меньшим набором данных.
Проблема номер два: нейросети совершенно не умеют анализировать собственные творения, объяснять, «что здесь нарисовано и почему», в частности, они не умеют считать! Из-за этого компьютерные изображения постоянно рисуют людей то с шестью, то с восемью пальцами. Или кошек то с тремя, то с пятью лапами.
Вообще-то, объяснять уже умеют. Но только узкий класс мультимодальных сетей (если мы обучим модель генерировать текст по изображению - обратная задача генерации изображения по тексту - то сможет). А с пальцами проблема в общем тоже пофикшена улучшениями архитектур и увеличением количества параметров моделей. Были бы деньги обучать такие модели.
Проблема номер четыре: нейросеть не умеет работать при нехватке информации, «достраивать недостающее». Скажем, человеческий детёныш, даже малыш, увидев кошачий хвост, торчащий из-под дивана, тут же уверенно «распознает» спрятавшегося котёнка и побежит ловить его! Нейросеть такое «неполное» изображение понять не в состоянии. Человек, исказивший внешность (скажем, надевший маску или загримированный) для современной нейросети опять же становится неузнаваемым.
Умеет и достраивает. И распознает и людей в масках узнает. Опять же, на это влияют как архитектура, так и способ получения данных. Всегда можно аугментировать изображения (например в части тренировочных изображений кошек и собак обрезать все, кроме хвостов и тогда такая нейросеть сможет по хвосту определить животное).
Проблема номер пять: нейросеть совершенно не понимает законов нашего мира – скажем, тех же законов оптики. Она никогда не сможет различить на картине человека – и его отражение в зеркале (для живого человека – задачка пустяковая). Она никогда не сможет различить человека или его лицо в кривом зеркале (как это делаем мы на аттракционе «Комната смеха» в городском парке, или когда разглядываем самих себя в новогодние шарики).
Аналогично - аугментация данных решает проблемы с кривыми зеркалами.
Проблема номер шесть: нейросети чрезвычайно чувствительны к разного рода помехам, дефектам, «шуму». Скажем, если на старой фотографии часть изображения залита грязью, чернилами, испорчена пятнами или царапинами, сильно выцвела, если карточка разорвана или разрезана напополам – уверенное узнавание тут же становится неуверенным и вообще ошибочным. Для человека сломанная на части кукла – всё равно кукла; для нейросети – это уже совершенно другой, неизвестный объект
Формально - да. Именно поэтому при обучении специально добавляют шум, аугментируют данные, выключают часть нейронов. И тогда модель справляется.
Проблема номер семь: нейросети на текущий момент ужасающе «однопрограммны». Если нейросеть настроена на распознавание лиц – она будет уметь только распознавать лица. Переучить её на написание текстов или музыки будет чрезвычайно сложно, часто вообще проще написать и обучить совершенно новую сеть. Если она умеет отличать квадраты от треугольников – даже не пробуйте попросить её отличить кошку от собаки или самолёт от парусной лодки...
В целом верно, но не совсем. В рамках одной моды и архитектуры - работа с текстом, или изображениями, или музыкой - переучить нейросеть не проблема. И даже мультимодальные модели существуют и активно развиваются. Но да, архитектура генератора музыки и генератора изображений и данные для этих сетей настолько разные, что просто в тупую подменить данные нельзя. Удивительно.
Проблема номер восемь: связи между компьютерными нейронами случайны, поэтому нейросети лишены запоминания созданных образов. На приказ «нарисуй мне дерево» нейросеть охотно откликнется и будет рисовать деревья снова и снова, но... каждый раз это будет «другое дерево». И если вы напишете команду «нарисуй мне такое же дерево, как в прошлый раз, только на берегу реки», нейронная сеть не поймёт вас. Она опять нарисует «новое случайное дерево».
Связывать случайность (кстати, они не случайны, а заданы архитектурой) связей между нейронами и неспособность запоминать созданный образ - максимально некорректно. То, что здесь описано, на самом деле решаемо. Но это решение за пределами архитектуры нейросети. Это как предъявлять претензии микроволновке, за то, что она не включила сама кнопку, типа, могла бы и запомнить. У нее нет инструментов запоминания результата, как нет у голой нейросети - она получает данные на вход, генерирует выход и все.
В целом, я догадываюсь, что изначальная статья была рассчитана на детей младшего школьного возраста. И я по размышлению выкинул из моего разбора несколько цитат, которые на самом деле оказались верны, просто сильно упрощают представление. И то, что я описал может быть не всем понятно и требует более глубокого погружения.
Часто кажется, что технический прогресс, изменяющий жизнь людей, замедлился – «все велосипеды уже изобрели». Что ж, в самом деле, велосипед современного типа – так называемый «ровер», он же «безопасный велосипед» – появился на свет ещё в XIX веке:
Велосипед Ровер 1885 года
А прогресс готовится совершить очередной огромный шаг в неизведанное. Речь о компьютерных нейронных сетях. Они уже умеют вполне прилично распознавать лица людей, писать и переводить тексты рисовать картины. Сочинять музыку – причём не только простенькую попсу, но и вполне себе «серьёзную», вот послушайте:
Если первые опубликованные результаты работы нейронных сетей, вызывали смех ввиду своей откровенной нелепости, то сейчас – напротив! – нередко вызывают у людей неподдельное восхищение и удивление: как?! Вот это сделал тупой компьютер?!
Иллюстрация к художественному рассказу, выполненная нейросетью
Это удивляет, радует – но одновременно вызывает кучу вопросов.
Раньше считалось, что компьютеры лишены таких человеческих качеств, как творческое воображение, вкус, инициатива... И вдруг оказывается, что они вполне способны на творческую работу! Причём делают её (в отличие от людей) быстро, дёшево, безропотно, не устают, не болеют. Что же это тогда получается?
Нейронные сети оставят без работы переводчиков и копирайтеров, журналистов и художников, композиторов, поэтов и писателей, а кто будет следующим? Экономисты, врачи, юристы, политики, архитекторы, учителя – все они тоже будут постепенно вытеснены компьютерными программами? А что останется людям?
Однако оставим этические вопросы. Давайте разберёмся, как эти нейросети устроены, как они работают?
Как устроена, из чего собрана нейронная сеть? Само название подсказывает нам, что она состоит из нейронов. Вот тут нас ждёт первый сюрприз! На самом деле нейроном называют нервную клетку человека или любого другого существа, у которого есть нервная ткань. Нервы – это «система управления» живым организмом, те самые «провода», по которым передаются самые разные команды: от относительно простых, типа «сжать пальцы / разжать пальцы», до невероятно сложных («вспомнить теорему Паппа-Гульдина»). По представлениям современных учёных, каждый нейрон может быть в двух основных состояниях – невозбуждённом и возбуждённом.
Внутри компьютера «всё не так». Компьютерный нейрон – это просто... число! Обыкновенное число – скажем, от нуля до единицы. Текст, звук, изображение, музыка – абсолютно любая информация внутри компьютера преобразуется в числовую таблицу – насколько большую, зависит от того, насколько сложная у нас информация. Скажем, для того чтобы «оцифровать» чёрно-белую фотографию квадратной формы, мы можем взять «решётку», «матрицу» размером восемь на восемь точек (всего 64 «нейрона»), а можем – 256 на 256 точек (то есть свыше 65 тысяч «нейронов»). При этом единица будет соответствовать белому цвету, ноль – чёрному, а остальные числа – различным оттенкам серого.
Изображение разбито на разное число датчиков-нейронов для анализа
Числа-нейроны внутри компьютера организованы в «слои», и эти слои связаны между собой многочисленными связями – будто невидимыми ниточками. При этом каждая связь – это ещё и математическая формула, простая, но очень важная. И у этой формулы есть свои параметры, свои «рычаги управления». Как педали «газ» и «тормоз» на автомобиле. Зачем они? Сейчас объясним.
Здесь взаимодействуют два компьютерных нейрона (выделены жёлтым)
Изначально нейронная сеть абсолютно глупа, она ничего не умеет и не знает. И все связи между нейронами одинаковы. Но вот начинается самое интересное – обучение нейросети! Да-да, компьютерная нейросеть, прежде чем заработать, должна пройти (иногда очень долгий и трудный) процесс обучения. Который в чём-то очень похож на обучение детей в школе.
Допустим, мы хотим научить нейросеть отличать нарисованный круг от нарисованного треугольника. С помощью специальной программы мы «показываем» нейронам первого слоя («сенсорам», «датчикам») самые разные круги и треугольники. Десятки, сотни, тысячи! Да что там тысячи – скажем, обучающий набор данных («датасет») Digi-Face 1M содержитсвыше миллиона фотографий человеческих лиц! И каждый раз мы как будто нажимаем на кнопку «это треугольник» или «это круг» – то есть как бы «говорим» сети, что именно изображено, «объясняем» ей. При этом сама нейросеть тоже пытается «угадать», что именно изображено – и все её нейроны как бы «голосуют», каждый за свой вариант.
Устройство более сложной многослойной нейросети
Помните, мы говорили о том, что каждая связь в нейронной сети – это формула с «рычагами управления»? И вот тут начинает работать известный людям (особенно школьникам) с давних времён «метод поощрения и наказания». Те нейроны, которые ошиблись, «проголосовали» за неправильный вариант ответа, «наказываются» – им не ставят двоек, но вот связи между ними ослабляются, и в следующий раз голос «двоечника» будет учитываться меньше. Те нейроны, которые «голосуют» правильно, напротив, «поощряются» – только вместо пятёрок их связи усиливаются (математически), при следующем «голосовании» их голоса будут слышны «громче» остальных. Наконец, после достаточного количества «уроков» (и если сама нейронная сеть построена правильно, то есть верно выбраны число нейронов и их слоёв), мы получаем готовую к работе обученную сеть. Уррра, заработала!
«Но как с помощью каких-то чисел можно узнавать предметы?!» – спросите вы. Это вполне возможно! Рассмотрим самый простой пример. Представьте себе плоскость, лист бумаги, в одной части которого нарисованы самые разные кошки, а в другой части – самые разные собаки. Процесс «угадывания» компьютерной нейросетью похож на выбор какой-нибудь точки на этом листе бумаги – если мы попали в область с кошками, то отвечаем «кошка». А если попали в область с собаками, отвечаем «собака». Но погодите! Ведь мы же можем взять линейку и просто провести через лист линию, которая отделит область с собаками от области с кошками! А любая прямая линия в математике записывается очень простым уравнением:
y = ax + b
Такое уравнение называется «линейным». У него всего лишь два параметра, два «рычага управления» – это числа a и b. Это означает, что абсолютно любую прямую линию на плоскости мы можем построить, зная всего лишь два числа! Когда мы только начинаем обучение нейросети, значения этих чисел «какие-то», взятые с потолка и совершенно неправильные. Но когда нейросеть в процессе обучения «тыкает и угадывает», она как бы немножечко изменяет эти числа, «сдвигает» так, чтобы в результате наша прямая точно отделила всех собак от всех кошек! И – вуаля! – наша задача решена, нейросеть умеет распознавать кошек и собак!
Подбирая положение линии, мы можем научиться отличать собак от кошек на листе бумаги
«А если собаки и кошки раскиданы вперемешку, а?» – спросите вы. Ну что ж, тогда нам может потребоваться не одна линия. И возможно не две и не три, а целый десяток или даже сотня. Важно понять, что рано или поздно мы сможем с помощью обыкновенных чисел и прямых «поделить» наш лист так, чтобы нейросеть уже знала наверняка – что именно она «видит», кошку или собаку, в чью именно область она «ткнула пальцем». Теперь понятно?
«Ну ладно, в отличить кошку от собаки с помощью математики это ещё можно поверить – скажете вы – но как быть с теми же самыми рисунками? С рисованием? С написанием музыки?». Будете смеяться – но снова «всё почти как в школе». Скажем, рисование. Сперва многослойную нейросеть снова обучают на уже существующих многочисленных картинах, фотографиях, образах. Учат её определять «контент» – то есть форму предметов, цветовую гамму, контуры, линии, углы... А затем подают «на вход» уже обученной системы что-нибудь «другое». Какую-нибудь каляку-маляку или «цветовой шум», хотя это может быть и вполне себе «нормальное» изображение – просто другое, «постороннее». И тогда система – её же научили этому! – начинает как бы находить внутри постороннего знакомое и усиливать. Примерно как мы, люди, глядя на облака, узнаём контуры знакомых животных – то верблюда, то льва, то собаки... В точности так же нейросеть может «применить» заученный «стиль» – то есть некую совокупность цветов, линий, форм и так далее – к заданной картинке. И получить, скажем, картину «Утро стрелецкой казни», написанную Ван Гогом. Или Эдвардом Мюнчем. Учёные, которые любят мудрёные слова, называют это «инцепционизм» (язык сломаешь, но тут мы не виноваты).
Применение стиля к изображению
С музыкой всё даже проще, чем с изображением – это красок может быть сотни и даже тысячи, а нот всего семь (точнее, двенадцать, но это тоже немного). Сперва мы обучаем нейросеть – то есть учим её распознавать ритмический рисунок, мелодию, движение нот – вверх, вниз, скачками или плавно. А затем берём обычный шумовой сигнал, «белый шум», применяем к нему нашу нейросеть – и вдруг получаем нечто музыкальное на выходе! Само собой – это «нечто» будет именно в том стиле, на который нашу нейросеть «натаскивали». Если нейросеть «учили» на рок-музыке – будет рок. Если на рэпе – то непременно будет рэп. Но уже какой-то «свой», не точная «копия», а нечто среднее, где будут те или иные элементы от каждого «урока». Не так ли работают и живые композиторы, кстати?
Применение стиля к изображению нейросетью
...Или поэты с писателями? Ведь что такое, например, литературная пародия? Когда к одному тексту применяют «стиль» определённого автора? Скажем, как в книге «Парнас дыбом» – где известное всем детское стихотворение «Жил-был у бабушки серенький козлик» как будто «писали» разные авторы. То Иван Андреевич Крылов:
У старой женщины, бездетной и убогой, Жил козлик серенькой, и сей четвероногой В большом фаворе у старушки был...
То Александр Сергеевич Пушкин:
Одна в глуши лесов сосновых Старушка дряхлая жила, И другом дней своих суровых Имела серого козла...
То Алексей Константинович Толстой
А уж кто бы нам песню-былину завёл, Чтоб забыть и печаль и нелады. Как живали старуха и серый козёл. Ой, ладо, ой, ладушко ладо!
Вот и нейронная сеть: её обучают на определённом материале (скажем, на текстах Пушкина). И она как бы заучивает его характерные обороты, подбор слов, длину фраз – в общем, «стиль». А затем обученную сеть запускают на совершенно другом материале – да хоть на репортаже с футбольного матча! Неожиданно интересная штука может получиться, не так ли?
«Что же тогда – спросите вы – нейронные сети вообще могут всё?». Ну, не знаю, огорчим мы вас или обрадуем, но... нет, не всё. Чего то нейросети не умеют «пока», и возможно в дальнейшем они этому научатся. А что-то для них недоступно в принципе. Итак, где же у нейросетей проблемы?
Проблема номер один – для обучения нейросети нужно очень много информации. Чтобы научить нейросеть отличать кошку от собаки, ей нужно показать тысячи (лучше миллионы) самых разных кошек и собак. Воспитанник детского садика в возрасте трёх лет кошку с собакой не спутает, даже если видел их всего лишь пару раз в жизни...
Проблема номер два: нейросети совершенно не умеют анализировать собственные творения, объяснять, «что здесь нарисовано и почему», в частности, они не умеют считать! Из-за этого компьютерные изображения постоянно рисуют людей то с шестью, то с восемью пальцами. Или кошек то с тремя, то с пятью лапами.
Кошки с неправильным количеством лап – это обычное дело для нейросетей
Проблема номер три: для работы нейросеть должна быть обучена, у неё отсутствует фантазия. Я уже упоминал про свой рассказ «Велозавр и велотавры», для которого нейронная сеть нарисовала очень хорошую иллюстрацию с мальчиком на велосипеде. Но вот когда я «попросил» систему нарисовать того самого велозавра или велотавра, она... она просто не понимала, о чём идёт речь! И упорно рисовала мне обыкновенного велосипедиста на дороге. Догадаться «скрестить» велосипед с динозавром или велосипед с кентавром? Это было вне её понимания! В общем, нарисовать бегемота нейросеть сумеет. А вот бармаглота из сказки про Алису – нет.
Проблема номер четыре: нейросеть не умеет работать при нехватке информации, «достраивать недостающее». Скажем, человеческий детёныш, даже малыш, увидев кошачий хвост, торчащий из-под дивана, тут же уверенно «распознает» спрятавшегося котёнка и побежит ловить его! Нейросеть такое «неполное» изображение понять не в состоянии. Человек, исказивший внешность (скажем, надевший маску или загримированный) для современной нейросети опять же становится неузнаваемым.
Проблема номер пять: нейросеть совершенно не понимает законов нашего мира – скажем, тех же законов оптики. Она никогда не сможет различить на картине человека – и его отражение в зеркале (для живого человека – задачка пустяковая). Она никогда не сможет различить человека или его лицо в кривом зеркале (как это делаем мы на аттракционе «Комната смеха» в городском парке, или когда разглядываем самих себя в новогодние шарики).
Проблема номер шесть: нейросети чрезвычайно чувствительны к разного рода помехам, дефектам, «шуму». Скажем, если на старой фотографии часть изображения залита грязью, чернилами, испорчена пятнами или царапинами, сильно выцвела, если карточка разорвана или разрезана напополам – уверенное узнавание тут же становится неуверенным и вообще ошибочным. Для человека сломанная на части кукла – всё равно кукла; для нейросети – это уже совершенно другой, неизвестный объект.
Проблема номер семь: нейросети на текущий момент ужасающе «однопрограммны». Если нейросеть настроена на распознавание лиц – она будет уметь только распознавать лица. Переучить её на написание текстов или музыки будет чрезвычайно сложно, часто вообще проще написать и обучить совершенно новую сеть. Если она умеет отличать квадраты от треугольников – даже не пробуйте попросить её отличить кошку от собаки или самолёт от парусной лодки...
Проблема номер восемь: связи между компьютерными нейронами случайны, поэтому нейросети лишены запоминания созданных образов. На приказ «нарисуй мне дерево» нейросеть охотно откликнется и будет рисовать деревья снова и снова, но... каждый раз это будет «другое дерево». И если вы напишете команду «нарисуй мне такое же дерево, как в прошлый раз, только на берегу реки», нейронная сеть не поймёт вас. Она опять нарисует «новое случайное дерево».
У нейросети неплохо получаются пейзажи, а вот в парусах она разбирается "приблизительно"...
Однако вернёмся к началу нашего разговора. Задайтесь вопросом – а способна ли нейросеть, например, придумывать законы? И ответ здесь будет скорее «да», чем «нет». Существует огромное количество законов, юридических документов – если «пропустить» их все через достаточно сложную нейросеть, она вполне будет в состоянии «заговорить» тягомотным и малопонятным юридическим языком, начать «штамповать» циркуляры и распоряжения... Но захотите ли вы жить по законам, которые штампует компьютер?
Способна ли нейросеть ставить диагноз больному в поликлинике и назначать лечение? Снова «да» – но врач-человек несёт ответственность за принятое решение. У нейросети никакой ответственности (а уж тем более ни совести, ни сострадания) быть не может – если она вдруг ошиблась, то... ничего. Ну, ошиблась и ошиблась, это же компьютер, а что человек пострадает при этом – а кого это волнует? Захотите ли вы лечиться у таких врачей?
С одной стороны как здорово сказать компьютеру – «слушай, Алиса, нарисуй мне стрекозу на цветке!». И – ррррраз! – держите, пожалуйста, рисунок. Но с другой стороны – неужели рисовать самому настолько тяжело и неинтересно, что обязательно нужно перепоручать это дело компьютеру? А?
В журнале «Лучик» мы рассказываем:
Почему Земля вращается? Как устроена бесконечность? Как измеряют расстояние до звёзд? Что такое энтропия, и грозит ли вселенной тепловая смерть? Что такое гравитация и гиперпространство, и почему время нам только кажется?
Картины одного из ярчайших представителей постимпрессионизма всегда заметны и узнаваемы. Они известны даже людям далёким от мира искусства. А любителям живописи стоит только взглянуть на полотно, написанное кистью Ван Гога, как сразу становится ясно кто автор. Но так было не всегда. Известность нидерландский художник получил уже после смерти. И при жизни смог продать только одну картину за приличные деньги. Давайте узнаем немного больше о жизни этого удивительного человека.
Будущий художник родился на юге Нидерландов в деревне Грот-Зюндерт 30 марта 1853 года. Его родителями были пастор Теодор Ван Гог и Анна Корнелия Карбентус. Для ребенка родители выбрали имя Винсент, что в переводе с латыни означает «победоносный». Спустя четыре года на свет появится его брат Теодорус Ван Гог (Тео), который сыграет значительную роль в жизни Винсента. А всего в их семье будет шестеро детей.
С самого детства Винсент отличался от других детей своим поведением. В кругу близких он был неусидчивым и непослушным ребенком, за что нередко подвергался наказанию со стороны родителей. Зато вне семьи он вёл себя тихо и незаметно, как будто проводя больше времени в мечтах, чем в реальном мире.
С обучением у Ван Гога были сложности. Когда ему исполнилось семь лет, его отдали в деревенскую школу, но уже через год перевели на домашнее обучение. В 1864 году родители устроили его в интернат в городе Зевенберген в 20 км от дома. Этот переезд причинял ему сильную душевную боль. Преподаватели отмечали его успехи в изучении иностранных языков и рисовании. Казалось, что Винсенту нравится обучение. Но несмотря на это, тоска по дому была сильнее желания учиться, и в марте 1868 года он всё же бросил учебу, чтобы вернуться домой. Так закончилось образование Ван Гога, продлившееся неполных восемь лет.
В семье Ван Гогов мужчины занимались либо служением в церкви, либо торговлей живописью. Винсент не стал исключением. В июле 1869 года шестнадцатилетний юноша начал работу в качестве торговца картинами в гаагском филиале компании «Гупиль и Ко», которой руководил его дядя. За особые заслуги в работе в 1873 году Винсента перевели в Лондонский филиал. Тут у него началась счастливая жизнь. Высокая зарплата, хороший дом, много свободного времени, которое он тратил на прогулки по Лондону и посещение всевозможных выставок.
Однако в 1875 году в жизни будущего художника произошло событие, которое резко перевернуло его судьбу. До конца неизвестно, что именно случилось, но по предположениям близких людей Винсент влюбился в девушку, которая была помолвлена с другим молодым человеком. Как звали эту девушку, так и осталось загадкой. В результате её отказа Ван Гог закрылся от других людей и увлекся религией. Начались сложности с работой. На ситуацию не повлиял и скорый перевод во Францию, где Винсент окончательно рассорился с начальством и был уволен.
Поиски своего предназначения приводят Ван Гога к мысли, что оно состоит в религии и служении Богу. В декабре 1878 года Винсент отправляется миссионером в шахтерский поселок Патюраж на юге Бельгии, где начинает бурную деятельность. Он читает Писание неграмотным, проповедует, посещает больных в местной больнице. Через полгода разворачивает борьбу за права рабочих на шахте. Это очень не нравится местной администрации, и они лоббируют в синодальном Комитете протестантской церкви Бельгии отстранение Ван Гога от должности проповедника. Решение Комитета сильно бьет по моральному духу Винсента. Начинаются депрессия и меланхолия. Он возвращается домой, где его встречают родители и брат. У Тео дела идут в гору, и он берется поддерживать Винсента морально и материально.
Становление как художника
В октябре 1880 года двадцатисемилетний Ван Гог переехал в Брюссель. Он горит новой идеей – стать профессиональным художником. Тео поддерживает его в этом и дает денег на обучение в Королевской Академии изящных искусств. До этого обучения Винсент уже любил рисовать и это у него хорошо получалось. Но обучение не прошло зря. Для понимания того, насколько вырос уровень его мастерства после посещения Академии можно на примере ниже.
Вернувшись домой после обучения Ван Гог снова безответно влюбляется. На этот раз в недавно овдовевшую собственную кузину по имени Корнелия. Несмотря на её отказ, он продолжает ухаживания. Естественно, что родные против подобных проявлений внимания и запрещают ему приходить к ней в гости. Разражается скандал. В одно из посещений Ван Гогом семьи возлюбленной, он задерживает свою руку над пламенем горящей свечи и произносит обещание: «Дайте мне поговорить с ней столько времени, сколько я смогу продержать руку в огне!» На что удивленный отец Корнелии задувает свечу и безвозвратно выгоняет незадачливого жениха из дома.
Художник окончательно разочаровывается в любви, собирает вещи и переезжает в Гаагу, где погружается в занятие живописью. Он начинает экспериментировать с различными техниками, смешивает их на холсте для поиска своей собственной уникальной техники. Одна из картин того периода:
В это время происходит еще одна попытка обзавестись семьёй. Он знакомится с беременной проституткой Сиеной, у которой уже есть пятилетняя дочь и пускает их к себе домой. Из-за сомнительного прошлого женщины на художника давят родители и друзья. К тому же Винсент еле сводит концы с концами: картины не продаются и только брат Тео не дает умереть с голоду. Всё это в итоге приводит к тому, что Ван Гог возвращается к одиночеству.
От тьмы к свету
Винсент снова в поиске своего места в жизни и собственного стиля в живописи. В его картинах этого времени преобладают тёмные тона, которые передают его внутреннее состояние. Начинают сильнее проявляться психические проблемы. Появляется пристрастие к алкоголю, а по некоторым источникам – и к наркотикам. Он едет в Антверпен, где посещает занятия в Академии художеств. Однако, постоянно конфликтует с преподавателями из-за расхожих взглядов и в итоге очень быстро заканчивает учебу. Не смотря на уговоры родителей вернуться домой, он твердо решает уехать в Париж, где ожидает для себя перемен.
В Париже Ван Гог проникается свободной атмосферой города и начинает писать картины в новом для себя стиле. Теперь он пишет яркие и красочные произведения, разительно отличающиеся от своих предыдущих работ. В Париже Винсент близко знакомится с модным импрессионизмом и вливается в творческие круги города. Начинается дружба с Полем Синьяком, который пишет в своеобразной технике пуантилизма, когда краска наносится на полотно точками. Вполне возможно, что именно это знакомство подтолкнуло Ван Гога к изобретению своей собственной техники грубых мазков, которую мы знаем теперь.
В Париже брат Тео берет Винсента под опеку. Устраивает его у себя дома, кормит, обеспечивает деньгами и всячески поддерживает. Этот период будет самым плодотворным для художника. С 1886 по 1888 гг. живя в Париже, он напишет 230 картин и наконец найдёт свой стиль с буйством тонов и оттенков. А при посредничестве брата в окружении художника появятся Пьер-Огюст Ренуар, Клод Моне и Камиль Писсарро.
Отрубленное ухо
В феврале 1888 года у Ван Гога новая потребность. Теперь это тяга к природе. Он оставляет Париж и уезжает в Прованс. Тео продолжает поддерживать брата, высылая тому каждый месяц по 250 франков. Этого вполне хватает на проживание в гостинице и питание. Винсент отвечает благодарностью и отсылает Тео в ответ все свои работы, написанные в Провансе.
По приглашению Ван Гога к нему приезжает Поль Гоген. Несмотря на одинаковую любовь к искусству оба этих художника были слишком разные: Гоген – педантичный и ответственный, а Ван Гог – импульсивный и несобранный. Это часто приводило друзей к ссорам, одна из которых плохо закончилась.
23 декабря 1888 года после очередного конфликта Гоген заявил, что ему надоела атмосфера вечных ссор и он планирует уехать обратно в Париж. Ван Гог пытался отговорить друга. В приступе отчаяния он сначала угрожал бритвой Гогену, а затем оттянул мочку своего левого уха и отрезал её. Затем импульсивный Винсент обмотал голову полотенцем, завернул отрезанное ухо в бумагу и зачем-то отнес его их общей знакомой проститутке по имени Рашель. Представьте себе её «радость» от подобной посылки. Бедная женщина упала в обморок, увидев содержимое. А Ван Гог, как ни в чем не бывало, пошатываясь вернулся домой и лёг спать. На утро к художнику пришла полиция и обнаружила его в постели живого, но окровавленного и без сознания. Винсента поместили в местную больницу. Он очень ждал, что Гоген придет его навестить. Но тот уехал безвозвратно.
Существует мнение, что официальная версия про отрезание уха Ван Гогом является лишь прикрытием. А на самом деле всё было иначе: во время ссоры друзей произошла драка с применением холодного оружия и Гоген случайно отрезал мочку уха Ван Гогу. А поскольку Винсент очень хотел сохранить дружбу с Полем, то друзья и придумали историю, что это сделал сам Ван Гог. Кстати говоря, изначально эта версия была основной, и полиция подозревала именно Гогена.
Рана на ухе художника со временем затянулась, но психическое здоровье Ван Гога после этой истории стало ещё хуже. Вернувшись из больницы Винсент снова взялся за кисть и даже нарисовал самый известный эпизод своей жизни в виде автопортрета с перевязанной головой.
Конец гения
Скоро местные жители стали проявлять озабоченность относительно поведения Винсента. И в 1889 году составили петицию, в которой просили оградить их от чуждого им художника. Ван Гог, понимая опасность, которую он может представлять окружающим, согласился лечь в клинику в Сен-Реми. Его поведение в клинике было разным. Периоды апатии сменялись периодами воодушевления. Медицинский персонал клиники не возражал против его увлечения живописью и позволял рисовать. Именно в этот момент Ван Гог написал свою самую известную картину «Звездная ночь».
Состояние художника менялось, депрессия накатывала сильнее. Но несмотря на это Тео смог устроить брату участие в Салоне Независимых, который проходил в Париже. Там Ван Гог выставил своё полотно «Красные виноградники в Арле». Её купили за 400 франков. Это была единственная картина, проданная Ван Гогом в своей жизни за приличные деньги.
Продажа картины воодушевила братьев. Винсент стал рисовать с тройным усердием, а Тео делал так, чтобы у художника было всё необходимое для творчества. Но скоро психические проблемы вернулись – Винсент начал есть краски. Тогда весной 1890 года Тео устроил его к своему знакомому терапевту-гомеопату доктору Гаше. Лечение проходило успешно и Винсента даже отпустили съездить в Париж.
Приехав в Париж к Тео, Винсент увидел, что в этот раз брат не очень рад его приезду. У Тео сильно заболела дочь и в добавок он в этот момент испытывал финансовые трудности. Радушной встречи не получилось. Винсенту стало ясно, что он всю жизнь тяготил своего брата, и чтобы не мешать немедленно вернулся в клинику.
Художник очень переживал после случившегося. Депрессия накатила с новой силой. 27 июля 1890 Винсент Ван Гог выстрелили себе в грудь из пистолета. Он целился в сердце, но выстрел был неточный и пуля застряла в ребре. В таком состоянии он пришел к доктору Гаше, который уложил его в постель и немедленно телеграфировал о происшествии брату живописца. Тео немедленно примчался. Увидев Винсента в таком плачевном состоянии, он гладил и успокаивал того, что его вылечат и всё будет хорошо. На что художник ответил: «Печаль продлится вечно». Винсент Ван Гог умер от полученной раны 29 июля 1890 года в 1 час 30 минут. Похоронили его на следующий день в городе Овер-сюр-Уаз.
Тео после смерти брата взялся за организацию выставок его картин. Но очень скоро сам слег с нервным расстройством – он винил в произошедшем себя. И всего через полгода после смерти Винсента умер и его брат Тео, который не смог пережить ранний уход великого художника.
«Вечный странник» Винсент Ван Гог прожил недолгую жизнь и оставил после себя более 850 картин и почти 1300 работ на бумаге. При жизни он смог продать всего несколько полотен и только одну картину за приличные деньги. К сожалению, современники художника не смогли по достоинству оценить его вклад в искусство.
Похожие статьи будут регулярно выходить на канале, посвященном искусству: Усы вДали. Буду рад, если подпишетесь!
Fanvue, платформа, известная как дерзкий аналог OnlyFans, запускает беспрецедентный проект, который обещает встряхнуть индустрию моды и красоты до основания. Забудьте о подиумах, топ-моделях и строгих стандартах красоты – на сцену выходят виртуальные дивы, рожденные искусственным интеллектом, чтобы сразиться за титул “Мисс ИИ“!
Забудьте о силиконе и фотошопе – здесь правят пиксели!
В этом конкурсе нет места пластическим операциям и ретуши. Красота здесь рождается из кода, а идеальные пропорции создаются не скальпелем хирурга, а искусственным интеллектом.
Битва за славу и богатство:
20 000 долларов – внушительный призовой фонд, который будет разделен между самыми талантливыми создателями и их цифровыми музами. 5 000 долларов, продвижение на Fanvue и мощная PR-поддержка – вот что ждет победительницу и ее создателя.
Правила игры в виртуальном мире красоты:
Участники – совершеннолетние художники-программисты, владеющие искусством создания виртуальных моделей с помощью нейросетей.
Красота – это важно, но не единственный критерий! Жюри будет оценивать и социальное влияние участниц, и их “интеллект”, который проявится в ответах на вопросы.
Звездное жюри
Эмили Пеллегрини и Айтана Лопес – известные модели и инфлюенсеры, которые знают все о секретах красоты и успеха в социальных сетях.
Эндрю Блох – гуру PR и предприниматель, который поможет победительнице покорить мир медиа.
Салли-Энн Фосетт – главный судья национального конкурса “Мисс Великобритания” в течение последних десяти лет, которая привнесет свой опыт и экспертизу в оценку участниц.
10 мая – день коронации первой “Мисс ИИ”!
Этот конкурс – не просто соревнование красоты, это смелый шаг в будущее, где виртуальные модели становятся неотъемлемой частью индустрии моды и красоты, открывая новые возможности для дизайнеров, брендов и самих моделей.
“Мисс ИИ” – это больше, чем конкурс. Это революция, которая изменит наше представление о красоте!
Присоединяйтесь и станьте свидетелем рождения нового эталона красоты!
Часть коллекции фотографии, собранной Элтоном Джоном на выставке в Музее Tate Modern
В современном мире коллекционирование искусства становится все более популярным хобби. Это уже не только для наследников «старых денег», но и для тех, кто создал свое богатство самостоятельно и недавно получил доступ к объектам роскоши.
Более того, активно набирает обороты искусство, доступное широкому кругу покупателей, например, тиражные работы и молодые авторы.
В этой статье мы обсудим основы коллекционирования современного искусства и приведем примеры ошибок, которые часто совершают начинающие коллекционеры.
Инвестиция в искусство
Коллекционирование искусства можно рассматривать как инвестицию. Некоторые произведения со временем могут заметно увеличиться в цене, особенно если они созданы известными художниками. Например, работа Питера Дойга «Coburg 3 +1 More» 1994 года, которую страховая компания из Дюссельдорфа купила в 1994 году за £10 000, была продана в 2017 году за £12.7 млн. Это далеко не предел для послевоенного искусства. Полотно «Номер 5» американского абстракциониста Джексона Поллока была продана за $ 140 млн, что было рекордом в то время.
Peter Doig "Coburg 3 +1 More", 1994
Даже самые продуктивные художники редко создают по 1000 картин в год. Тут вступает закон спроса и предложения — популярные авторы не покрывают спрос и на их новые работы очередь, как на сумку Birkin.
Произведения с большей охотой продадут тому, кто положительно повлияет на провенанс (история произведения). Например, многие коллекционеры готовы на время отдать купленную работу в музей на выставку, это признак хорошего тона. Выставки в знаковых музеях влияют на цену при последующей продаже, поэтому это выгодно всем: коллекционеру, художнику и галерее, которая его представляет.
Исследование вкусов
Искусство также является способом самовыражения. Выбирая произведения для коллекции, вы показываете свои вкусы, интересы и взгляды на мир. Людям просто нравится процесс изучения новых художников, посещения галерей и аукционов. Однако следует помнить, что до первой покупки нужно подготовиться — установить бюджет, изучить основы ухода за произведениями искусства и желательно выбрать концепцию коллекции. Без этого, коллекционирование может привести к финансовым потерям и разочарованию.
Вы уверены, что хотите видеть у себя в гостинной эту кроваво-красную картину на протяжение ещё 10 лет?
Изменение цены происходят постепенно, а арендовать отдельный склад под хранение картин — это уже для заядлых коллекционеров. Частый совет, который можно услышать на ярмарках — ориентироваться на то, что вам нравится, а не на то, что, вероятно, вырастет в цене. Предсказать рост цен на современных творцов не легче, чем маневрировать на фондовом рынке. А падение без инсайдерской информации предсказать почти невозможно. Слишком много переменных — рынок может наводниться работами одного периода или автора из-за банального развода. Так Джонни Депп, готовясь к разделу имущества с Эмбер Херд, заблаговременно продал 8 работ Жан-Мишеля Баскии, собрав в сумме £8,6 млн.
Jean-Michel Basquiat "Self-Portrait" 1981
Формирование коллекции
Важно понять, какие произведения искусства вы хотите собирать. Выбор ограничен только вашими интересами — вы можете сосредоточиться на определенном жанре, художнике или типе искусства. Начинать лучше с малого, не обязательно вкладывать миллоны, лучше прощупайте почву. Для этого можно начать с тиражных работ начинающих авторов, например, графики или фотографии. Это самый доступный вариант. Обращайте внимание на тираж, чем он больше, тем дешевле каждый отпечаток. Тираж в 10 экземпляров — маленький, а 100 уже большой. Самый частый вариант до 50 штук.
Также есть принты — их тираж неограничен, поэтому они доступны всем и цена на них вряд ли когда-то вырастет. Поэтому они подходят для оформления интерьера кофейни, но не для инвестиций. Работы или их принты можно приобрести у понравившегося автора напрямую, или через посредника в лице галереи или онлайн-платформы.
Даже если ваш бюджет неограничен, купить возможно не всё. Работы старых мастеров, таких как Рембрант, Леонардо да Винчи и Вермеер, почти все находятся в музеях и редко выставляются на продажу. Поэтому для тех, кто готов раскошелиться имеет смысл обратить внимание на послевоенных авторов и уже признанных современников.
Они часто появляются на аукционах, самые крупные из которых — Christie’s и Sotheby’s. На недавнем онлайн-аукционе Christie’s резервная цена (сумма ниже которой работу не продадут) на одну из работ составила чуть меньше $ 4000. За те же деньги можно взять подержанный Renault Logan, который куда меньше похож на предмет роскоши.
1/2
Кстати, эта работа мне не нравится
Образование
Не бойтесь инвестировать в себя и свое образование. Посещайте выставки и курсы, чтобы узнать больше о мире искусства. Открытые лекции проходят практически в любом центре современного искусства, в Москве это Гараж и ГЭС-2, многие из них доступны онлайн. Даже самые крупные покупатели не чураются услугами арт-консультантов, всё знать невозможно, а человек разбирающийся в направлении подскажет, где откопать редкий неон Трейси Эмин и у кого из новичков есть потенциал.
Tracey Emin "I Whisper to My Past, Do I have Another Choice", 2010
Помните, что коллекционирование искусства — это процесс, который требует времени и терпения. И если вы просто хотите купить картину, потому что она вам нравится и идеально вписывается в вашу спальню, то не обязательно становиться коллекционером. Главное получать удовольствие. Не бойтесь делать ошибки и учиться на них. С правильным подходом и отношением, это может стать ценной частью вашей жизни.
Ольга Бузова, Ярослав Дронов (Shaman), Ксения Собчак.
Мои очередные эпиграмыши. К сожалению для аудитории Пикабу эпиграммы публикуются с опозданием. Термин "эпиграмыши" придумала я, это люди, события и явления, засветившиеся на нашей Русской Земле и имеющие наши внутренние корни. Признаюсь, материала хватает на небольшой сборник. Скоро я открою другой цикл, про то, что находится на внешнем контуре.
Коллаж-обложка "Эпиграмыши-2023. Выпуск 7". Ольга Бузова, Ярослав Дронов (Shaman), Ксения Собчак.
Эпиграмма на Ольгу Бузову
Терпеть не думали настолько Придется Бузову нам Ольгу. Впряглась, локтями растолкав, буквально. Мгновенно обросла солидным шоу-грузом. Никто не думал, что вот так нахально Из публики изгонит Музу. (2023)
* * *
Эпиграмма на Ярослава Дронова (Shaman)
Ну, раз пусты эстрады залы, Поймал на русский всех аркан, Усилив это погонялом, Кликухой, прозвищем, Шаман. Головотяпам лишь сия икона Заменит творчество Кобзона. (2023)
* * *
Эпиграмма на Ксению Собчак
Взлетев с любовной перестройки, Увязла в патриотах и врагах. Но, так как стартанула бойко, Контактам поклонилась, что в верхах. Не раз меняла взгляды Блондинка в шоколаде. И брак - не брак. И мир - не мир. Кругом бардак и дорогой сапфир. Но личного в поступках Ксюши не видать, Ксенофилию тоже можно продавать. (2023)