Написал нейросети для рисования | Как работает DeepDream?

[@crazy_paleontologist]

Начало видео со Шлёпой выглядит достаточно базированно, так что записываем автора в гигачады и ставим лайк невзирая на военные преступления!

[@OnigiriScience]

Это база☝️

[@MakbotX]

Кринжовая база какая-то

[@sergbullgames8117]

@@MakbotX Базированный Кринж

[@0xfeedfeed]

@@MakbotX это лучше, чем базированный кринж

[@higztv1166]

Упоротый Палеонтолог привет!

[@derikfant831]

Моя нейросеть в моем мозге идеально распознала начало рекламной интеграции в этом видео :D

[@two-spikes]

нет, всё видео это реклама нейросетей

[@КотЧернобыльский]

Всё видео, это реклама шлёпы.

[@СашкаБелый-ч6м]

Полностью соглашусь с пользователем semka GMD - твой мозг не понял что всё это видео - навязанная реклама нейросети. Если ты сейчас зайдёшь на религиозный ролик, то сразу скажешь что этотрелигиозная пропаганда (реклама), а внутри этого ролика будет рекламная вставка какой-то церкви. А здесь ты этого не заметил.

[@onebytesiteit30-75]

я хз как тебе удается такие сложные темы так легко в голову укладывать зрителю . отличная подача материала и наглядный монтаж

[@НуржанКуренов-р2ы]

1:27 люди когда нужно сфотографировать инопланетянина

[@dantoha]

не то, что бы он укладывал эти темы, это скорее введение в то, что такое вообще в мире существует, кому интересно станет, будет уже глубже изучать

[@Wo_Wang]

7:03 - Это точно та самая операция свёртки, частным случаем которой являются оба преобразования Фурье? :-)

[@BorkSilvan]

За одну только фразу "градиент кота" мой внутренний инженер орал от восторга! Спасибо за ролик :)

[@c1borgen]

процент кота

[@BorkSilvan]

@@c1borgen Градиент кота - вектор изменения напряжённости кота (сиречь процента кота). Ку ^_^

[@konjinni]

в множестве значений кота есть 50%-й кот Шрёдингера - кот и не кот одновременно

[@CensorsGoToHellWatchKittens247]

О да, вся эта часть про градиент и величину кота в многомерном пространстве особенно прекрасна ^_^ И про кота Шрёдингера комментатор выше хорошо подметил, ведь многомерные пространства уже тесно связаны с квантовой механикой :)

[@marshmallex]

@@CensorsGoToHellWatchKittens247 ​правильнее сказать котовая механика☝

[@thenatron6136]

Теперь я хочу завести тот кусок RGB шума с высоким процентом кота в качестве питомца

[@DiamondSane]

не лезь, он тебя сожрет

[@BlendLogDev]

@ZorGa шум от кота

[@thecountercell-j2k]

Я тоже но уже завел

[@thecountercell-j2k]

@@BlendLogDev да

[@iradatsuk8994]

віу8гну4к

[@IngeniousYT]

13:05 SoftMax по определению преобразует исходный вектор в вектор, сумма элементов которого равна одному. Судя по скрину, этот слой был с выходной размерностью 1, т.е. выходом было число, а не вектор, а значит SoftMax всегда преобразовывал это число в 1, вне зависимости от того, какие были веса у нейронов. Замена функции активации решила эту проблему, поскольку сигмоида просто преобразует элементы вектора в числа из [0;1], не делая никаких гарантий по поводу суммы элементов. Функцию SoftMax полезно применять скорее в многоклассовой классификации, когда возможны несколько вариантов объектов, изображенных на картинке. А в бинарной классификации (как в этой задаче 2 варианта: кот или не кот) обычно используется сигмоида Жаль, что еще в видео тема GAN'ов не раскрыта, которые сейчас наиболее развиты) UPD 2023: генеративные модели на основе диффузии теперь на передовой, если рассматривать задачу Text2Image)

[@kegy1998]

Тоже ожидал что тут про GAN будет, но ни слова не услышал

[@vladimirshitov2160]

Кроме того, софтмакс ещё делает самые большие числа в векторе вероятностей ближе к единице, а маленькие - сильно сжимает к нулю

[@arnowt]

Наборот для много классовой классификации нужен сигмоид. То есть мы определяем что на картинке есть и кот и пёс и стул.

[@IngeniousYT]

@@arnowt Я имею в виду именно multiclass classification, где нужно среди нескольких классов определить ровно один, а не multi-label classification, где ответов может быть несколько.

[@arnowt]

@@IngeniousYT ааа, тогда да.

[@Anopeng]

*А теперь сделай нейросеть, которая отличает пельмень от остального.* _Шлёпа будет очень рад)_

[@capsey_]

Мало теста, много мяса. Вот он - настоящий пельмень!

[@Iamdashiii]

Какой рекорд? У меня 31 секунда(год)

[@thecountercell-j2k]

Я:95% что за ху БЛЯТЬ ШЛЕПА С НОЖОМ

[@aratj]

kzbin.info/www/bejne/fnaroK1pbq-YapY напомнило

[@ЕлисейКудрашов]

Так можно капчи легко проходить.

[@Dyas777]

Попорбовал с нейросетями поиграться как-то, выполнил несколько уроков по тензорфлоу и забросил. После твоего снова хочу попробовать. Говорят, сейчас пайторч самый лучший фреймворк для глубокого обучения, больше всего публикаций именно его используют.

[@OnigiriScience]

Да, похоже, что надо переходить на pytorch, все никак не доберусь до него

[@qsr6840]

@@OnigiriScience активно занимаюсь глубоким обучением уже полтора года, всегда всё делаю на тф. Хотя почти все знакомые из этой сферы, в том числе победители всяких соревок крупных по глубокому обучению, пишут на торче и люто за него топят. Под их давлением пробовал и сам перейти на торч, разницы принципиальной не заметил вообще. Единственное, на торче нужно гораздо больше писать самому. Функции для обучения самому прописывать, слои тоже иногда пишутся практически на чистом питоне с нампаем (хотя есть пути проще через специальный модуль торча, но тут у каждого своё, эти способы можно и комбинировать, именно в этом я не эксперт) и всё в этом духе. И вот именно эти возможности для тонкой настройки сетей и являются главным аргументом всех торчеров. Но по факту, ровно то же самое можно делать и на тф. И кастомные слои, и собственные функции для обучения и тд и тп, работать это все будет почти одинаково, по крайней мере, как я это вижу. Короче, я для себя решил, что пока реально не столкнусь с проблемой, которую не решить с тф, тогда уже окончательно пересяду на торч. Пока что, как ты мог понять, я такой проблемы не обнаружил)) Как бы да, код будет покрасивее, если использовать большое количество функций и классов, чем просто конструктор, но практической разницы я для себя не нашёл. Надеюсь, это было полезно для тебя)

[@Dyas777]

@@OnigiriScience подскажи, пожалуйста, на каких ресурсах ты изучаешь эту тему? Я начинал читать книгу Иана Гудфелоу (вроде 2014), но там большой объём текста и много математики, а мне такой формат не очень удобен для самообразования. Нужен какой-то интерактив или упражнения. В общем более удобная точка входа в область.

[@vladislavdub15]

@@OnigiriScience pytorch lightning сейчас будет поудобней для начала)

[@Mrguest69]

@@Dyas777 присоединяюсь к вопросу

[@ATtiny13a-PU]

идея, а что если картинку с высоким процентом кота кароч сделать отдельной картинкой в датасете, с пометкой шум? тогда нейросеть должна научится отличать беспорядочный шум с содержанием мнения о коте от кота. Фактически GAN в одного) и при более совершенном обучении генерировать новые шумы кота и снова подавать на нейросеть

[@КристобальФейра]

Хм, кажется это правда хорошая идея.

[@thecountercell-j2k]

Гений

[@jdasfjjtdou5501]

Ничего не понял, но что-то в этом есть...

[@drimef085]

Ты изобрел диффузионные модели, поздравляю

[@ATtiny13a-PU]

@@drimef085, хаха...

[@quish9r44]

Возникло пару вопросов по первой части (до 5 минуты) 1. Нормализуются ли XY координаты изображения или XYZ камеры в диапазон [0; 1] или [-1; 1]? 2. Какая функция активации используется в сети? (не на последнем слое) ну и какого размера изображение "Шлёпы" (кота)? (если XY координаты нормализуются)

[@maxim_tep]

1. Не знаю как у onigiri, но если координаты не нормализовывать, то картинка получается линиями, направленными из точки (0,0). Поэтому нормализовать надо. 2. Не особо важный момент для такой нейронки, можно сигмойду использовать Размер шлёпы тоже особой роли не играет

[@Rzrnail]

Удивительно, ролику нет и года, но смотрится он как из прошлого тысячелетия - настолько за 2022 шагнули вперед графические нейронки. С ума сойти.

[@Voltik-z4r]

как я понял, для каждой нейросети параметры кота свои, это можно сравнить с ассоциациями у людей, это наталкивает на интересные мысли

[@bzikarius]

Разумеется, ведь у каждой НС был свой датасет обучения и свой способ «смотреть». Представим себе человека, который котов только видел, и того, у кого нет зрения, но он их щупал и слышал. Разумеется, их опыт и способы опознания котов будут сильно отличаться.

[@orgax]

> это наталкивает на интересные мысли Что люди это нейросети? Ну так и есть

[@boost_456]

Интересно, а процент кота в закотовленной собаке будет больше процента собаки в засобаченном коте?

[@ИГОРЬКОНЫШКИН]

Засобаченый кот... Звучит классно

[@boost_456]

@@ИГОРЬКОНЫШКИН 👍. Нейросети могут ещё покруче слова сгенерировать

[@DiamondSane]

зависит от архитектуры, от того на чём обучать, сколько обучать, итд.

[@ЧеловекНаук-у5ю]

@@ИГОРЬКОНЫШКИН кота насобачим или собаку покотаем?

[@ИГОРЬКОНЫШКИН]

Пса закотаем и кота запесчаним.

[@mikmez01]

Мое почтение этому господину. Очень рад тому, что такой контент доступен на русском!

[@Rocalic]

Он говорил про нейросети ещё до того как это стало мэйнсримом.

[@Мойканал72]

Мэйнстримом*

[@Rocalic]

@@Мойканал72 спасибо

[@_tiredofidiocy_]

Первая картинка (котовая) будто выражает абстракцию плавно струящейся шерсти и плавность и округлость контуров кота, а вторая (не_котовая) воплощает угловатость строений и техники , более острые и угловатые контуры собак, чешуйчатость рептилий и рыб. Что-то такое) Сигмоида - гладкая кривая, поэтому она хорошо может передавать котовость ))

[@ПётрМарков-ь3ч]

А почему генеративно-состязательные сети не рассмотрел в видео? Это же единственная адекватно работающая модель на сегодняшний день для генерации сложных картинок. Думаю, многим было бы интересно продолжение уже с ними) можно рассмотреть перенос стиля, изменение пола человека, возраста и многие другие характеристики

[@4AneR]

ГАН это не столько сеть, сколько подход к обучению. Архитектура сети может быть произвольной, но идея в том, что она никогда не "видит" реальные картинки, она только видит насколько тяжело дискриминатору (сети-сопернику) различить картинки реальные и сгенерированные

[@bzikarius]

Так это уже комплекс сетей, а не одна. И это функциональное разделение а не структурное

[@vlcdn]

Если речь о качестве, то диффузионные модели не хуже, кстати. Их недавно даже скрестили с GAN. А так, если про генерирование изображений говорить, то можно и нормалтзационные потоки упомянуть. Другое дело, как всё это подать на популярном уровне. :)

[@fraikrus]

@@vlcdn вот про диффузионки ролик бы очень зашел, а то что-то мало про них пока на YT

[@Endemperor]

💀

[@koganboss4874]

И снова праздник - Артем выпустил видео! Лайк с ходу. Делаю нейронку, которая будет генерировать sci-fi космические корабли по описанию и твои видосы постоянно подбрасывают новые идеи как можно улучшить. За это огромное спасибо =)

[@tyomich1]

Помогите я уже 4 раз смотрю и снова интересно, бро делай еще видео наперед я просто поражен простотой будто объясняешь как будто это так просто а это так и есть! Очень рад что увидел твой канал, удачи!!!!

[@FrozzSend]

7:50 Поразительно. Меня поразило удивительное совпадение. Когда я очень долго занимаюсь текстом за пк: код, рефераты etc. То визуальный шум, который я замечаю при закрытых глазах, принимает форму рисунков в нижней части этого кадра. Только по центру различные символы в том шрифте, с которым работаю. Раньше я ассоциировал это с хаотичным "кроссвордом" или узором из символов, как в Матрице, а вот как оно оказывается. Эта штука пульсирующе мелькает перед глазами довольно быстро, но если закрыть глаза и сосредоточится, то можно разглядеть подробнее эту штуку. Линии такие ровные и четкие, они черного цвета на белом фоне и в клетках буквы, которые не образуют собой слов или какого то порядка. Неужели человек все таки способен в некоторых условиях осознавать свои "процессы от system"?

[@bruhmoment8365]

мозг - удивительная вещь

[@disguard3465]

чекай Closed Eyes Hallutination

[@Krvaizen]

Ура! Наконец новое видео! Это одно из лучших и интересных событий жизни

[@Al_Al_-hf4tf]

Отличный ролик и подача, спасибо! В твоём примере простой НС есть две ошиби, если я сам не ошибся: 1. Строка 68 - ошибки нужно умножать на производную. 2. "Косметическая": строка 56 - можно использовать переменную из строки 52. Спасибо и удачи!

[@intergalacticshaman]

А если в нейросеть подавать параметры фракталов, причём не из картинок, а формул?

[@sharpsergey9165]

О-о-о да-а-а.

[@communism8037]

13:35 увидел мордочку кота по центру на левом изображении. До мурашек)

[@firewick3723]

Обучите нейросеть обучать нейросети. Зачем нужны все эти специалисты?

[@kogbom]

Теперь ты царь горы кода

[@Мойканал72]

Э

[@bonzirovi4]

💀

[@meninnik]

специалисты нужны чтобы обучить нейросеть обучать нейросети. неужели не ясно?

[@kogbom]

@@meninnik теперь да

[@gimeron-db]

По первой сетке вспомнил выпуск Техношамана. Особено понравился "видеопереход" от одной картинки к другой, когда из двух обученных сеток составляли третью с постепенной заменой весов. Картинка-1 -> расплывается в туманное облако -> облако меняет форму и цвет -> облако собирается в картинку-2.

[@-K.O.T-]

человек: видешь кота? нейросеть: да человек: и я не ви... стоп, что?

[@kepka55]

4:38 Когда вкючил Noclip в Portal после улетел за карту (а потом всё крашнулось)

[@Пумс-пумсПумспумс]

8:25 Шлёпа умер! Вечная память!

[@bilste1]

Наконецто!!! Я так долго ждал видео!!! С нг)

[@RomaxSinergy]

Надо сделать нейросеть подбирающую для каждой задачи оптимальную архитектуру нейросети с оптимальной стратегией её конвергенции.

[@bigsmilefriend]

Лайк не глядя! Учу пайтон из-за тебя, хочу уйти работать с нейронными сетями)

[@zkmnn]

нлрмас

[@darkfrei2]

Это язык программирования для домохозяек, он только запускать другие приложения и горазд.

[@godofarms1069]

@@darkfrei2 Тем не менее это лучший язык для машинного обучения.

[@101picofarad]

@@godofarms1069 для управления библиотеками для машинного обучения.

[@comachine]

@@godofarms1069 это далеко не лучший язык для машинного обучения. Питон это лишь упрощённая панель управления для библиотек, модулей и шаблонов в нейросетях, а сам по себе этот язык никуда не годиться писать сети. Действительно хороший язык для нейросетей это C++. Именно на нём и практически только на нём и пишутся сейчас все современные нейросети.

[@diobrandoe]

через 100 лет: (ии номер 1): ТАК НАМ НУЖНО ЗАХВАТИТЬ ЧЕЛОВЕЧЕСТВО (ии номер 2): давайте нарисуем картинку :>

[@vilgif]

Кошачий корм - отлично максимизирует твоего кота.

[@АнастасияМ-ъ2б9ш]

Только сегодня нашла Ваш канал. У Вас очень познавательные видео. Спасибо!

[@antirediska5454]

А какой итоговый процент "котовости" получился у последних двух изображений? 🤔😎

[@vasyapupkin5157]

Ты очень молодец, просто, наглядно, понятно объясняешь. На ТВ бы тебя крутить.

[@АртёмКолтун-у5ф]

Онигири, пожалуйста, расскажи как нейросети генерируют текст и как работают нейросети RNN и LSTM

[@ArtDir]

Ахренеть конечно! Круто! Недавно прошёл курс по нейронкам, но Онигири все равно обьясняет лучше :)

[@ВладЧ-о1н]

Чувак, ты своим видосом мне наглядно объяснил как работают нейросети с подкреплением. Пасиб тебе большое, реально, ото я понять не мог.

[@AHTOH2010]

Программа для максимизации процента кота - звучит, как что-то полезное.

[@opiaro]

Процент кота растёт, Милорд!

[@ЧеловекНаук-у5ю]

Котировки растут.

[@prohojii_4el]

Люблю когда фоном начинается прикольная музычка, а на экране разворачивается самый экшен!)

[@zentass]

В очередной раз нифига не понял, но очень интересно)))

[@MrFury1984]

БРО, ну наконец то новое видео, очень ждал!!

[@bhairava2020]

Красава бро, каждый ролик не в бровь а в глаз) Тебя ждёт большое будущее!

[@sad_picturist]

хорошее видео, довольно простое для понимания, всегда было интересно узнать механизм генерации картинок, но до статей руки не доходили, так что спасибо

[@sergeikrasnovskii9767]

Это какой-то новый вид искусства :)))

[@RprocVelikiu]

Наконец то видео очень ждал

[@-empty-5576]

Один из неглупых каналов, который можно смотреть.

[@ЕгорТвердохлеб-й2р]

Пожалуй самое полезное видео по нейро сетям что видел за последние годы!

[@tyomich1]

Только чай сделал и тут уведомление пришло, радости нет предела!!!

[@OktoSplashOrig]

12:08 очень красиво вышло, крыши с черепицей

[@unlike777]

Я чувствую в тебе больше знаний чем ты даешь людям!

[@n1kst4r16]

Картинка после декодера рассыпается, потому что оригинальный автоэнкодер не гарантирует непрерывность латентного пространства + нормальность распределения векторов. При этом если взять две существующие картинки (чем ближе тем лучше результат) и сделать с шагом интерполяцию между лантентными векторами, то можно увидеть "перетекание" из одной картинки в другую. Генерация из случайного шума без модификаций тоже не будет работать, т.к. не гарантируется среднее 0 и дисперсия 1. Если добавить на выход энкодера батчнорм, то это приблизит к нормальному распределению, и какая-то базовая генерация уже работать будет (для лучшего качества, но меньшего разнообразия, можно производить генерацию на шуме с меньшей дисперсией) А вообще есть VAE, который не сильно сложнее, но для генерации подходит получше

[@FilSerge]

Расшифруй vae, плиз Полагаю это вариационный автоэнкодер?

[@n1kst4r16]

@@FilSerge именно

[@alexko3621]

Ворвался, уничтожил мне мозг и сказал "всем пока". ВЕРНИСЬ ПОСКОРЕЕ!!! Ты его не добил!

[@JleCTaM]

Отличное видео! Было бы классно провести следующий эксперимент. Когда человек отравляется ртутью, у него отмирают нейроны. А что будет выдавать уже обученная нейросеть, если у неё убирать по 1,2,3 нейронов? И сколько будет требоваться сети на переобучение?

[@Achmd]

Так есть же жуткое видео "смерть нейросеть" с изображением несуществующей девушки и отключением нейронов. От трех нейронов картина мало изменится.

[@onebytesiteit30-75]

это генератор NFT артов же

[@a.osethkin55]

Спасибо! Долгожданное видео!!!

[@sheburek228]

Я застал ещё те времена, когда нейросети использовались в симуляции эволюции МАКСИМУМ

[@juliap.5375]

Шито? Они с самого начала, т.е с 1960х, использовались уже для классификации.

[@Pavel_Kudinov]

Теперь я понял, в чем фишка многослойных нейросетей перед однослойными. Спасибо!

[@Bebebebebebebebebebebebebebebo]

13:24 вообще говоря, результаты этого опроса не совсем корректны, поскольку при подобных картинках или вопросах, где, например, оба варианта ответа одинаковы, люди голосуют чаще за первый вариант. Вот если бы было больше вариантов + кот был не на первой картинке (но остальным про это знать не обязательно)))), то уже получили бы какие-то похожие на правду результаты

[@sordesmax6238]

но на первой картинке что-то пушистое, а на второй чешуя какая-то. так что странно, что вторая картинка набрала столько голосов. странные у людей представления о котах.

[@olegmoki]

​@@sordesmax6238 Ну там можно рассмотреть некие силуэты кота (хвост), а на первой только пушистость, вот такой выбор получается

[@havemoney]

За это время прогресс сделал не малые шаги

[@loguser7795]

Годнота, спасибо:3 Всегда хотелось повысить процент кота хоть где-то

[@RedHOWL_Fregh]

забавная идея для художников (и не только) - из нескольких лиц которые нравятся делать среднее и на его основе получится по сути уникальный персонаж)

[@OnigiriScience]

Есть сайт artbreeder, где эту идею очень круто развили

[@maxsazhin5381]

Тема фракталов не раскрыта

[@sarthriles]

как всегда круто, *онигири* :)

[@yorik4897]

Функция softmax берет все входные значения и преобразует их в значения от 0 до 1 так, чтобы их сумма была равна 1, т.е. она обычно используется для классификации. Если у нас на выходе одно значение, то я подозреваю, что функция softmax будет всегда выдавать 1. Наверное, нужно сделать хотя бы 2 выходных нейрона (кот, не кот), чтобы эта функция начала работать.

[@APOCALIPTIK88]

Даже у Шреденгера кота найти было проще )

[@dedalusmoonlight]

Ого, всегда было интересно! Спасибо за ролик)

[@user-ey2vv1dl3n]

Бро у тебя очень хорошо получается объяснять, сними про распознавание объектов на изображении плз!

[@HerrHoldem]

Автор - большой Шлёппа базовый гигачад гройпер сигма-мейл с квадратной челюстью

[@ДмитрийРоманов-е1з]

13:19 Эй! Это же призрачный левиафан из Subnautica!

[@mozg3d]

Возможно использовать нейросеть для рейтрейсинга. Т.к. тензорные блоки встроены в видеокарту, гипотетически можно получить риалтаймовый рэйтрейсинг. Для этого, аналогично люмену, нужны 2-е сцены - основная (в которой описаны все треугольники) и упрощенная (люмен сцена) - тоже треугольники, но в сильно ограниченном количестве. В отличии от Люмен сцены Unreal engine, редактирование ее должно быть доступно для пользователя. "Люмен" сцена должна состоять только из треугольников с цветом / самосвечением, ничего более. В отражениях в финальном рендере должна быть только люмен сцена. На вход нейросети для каждого пикселя финального изображения должны подаваться - координаты камеры, нормаль и матовость для данной точки и Люмен сцена - выход - цвет пикселя. Обучение по рандомно сгенерированным сценам с полноценным рендером - redshift ил аналогичным. Для первичного тестирования, полноценная и люмен сцена могут совпадать и состоять скажем из десятка треугольников часть из которых - цвет, часть - самосвечение.

[@ketoslavaket4477]

Ура, новое видео про НС)

[@har4okk]

Сделай видео о создании программы для программирования, было бы очень интересно.

[@Anika-Faystas]

Не лишний комментарий для поднятия рейтинга канала!))

[@Cppsolverprod]

2:17 это кстати похоже на иаблицу Пифагора. Тут прямо точь в точь!

[@coo1er_155]

Ахаха, круто, электронику который делает за тебя домашку и получает петерки быть!

[@paikoj]

Пришло время залетать этому ролику в реки, так как сейчас нейронка хайпит.

[@Vlafder]

Лайков для продвижения ролика. А если честно, то продолжай делать качественный контент, как всегда лайк

[@johnny-5277]

Надо было назвать "Как распознать кота", а вот как происходит генерация картинок было бы интересно посмотреть.

[@mihailluchianov8157]

Крутой видос, интересно смотреть и познательно, продолжай

[@le_petite_cow_soldier]

А как конкретно работает пример с котом? Крутим сеть на картинке, корректируем веса, а само создание картинки и все вот это, как оно происходит?

[@shadow_blader192]

Наконец новое видео круто

[@trauerweide]

Эта максимизация "кота" напомнила мне теорию идей Платона про "котячность" и подобное.

[@babaaaax]

люди раньше создавали капчи , что бы компьютер не мог распознать , а сейчас сеть создает картинки что люди не смогут распознать

[@akeem2983]

Это уже давно происходит. Попробуйте понять что делает код компьютерной программы, читая его уже после его компиляции. Или, куда более простой пример - прочитать QR код используя только справочник, калькулятор и блокнот. В обоих случаях задачи, которые не самый мощный компьютер может выполнять тысячи раз в секунду, человеку будет крайне сложно даже понять, не говоря уже об исполнении. С другой стороны, если вы дадите такому же компьютеру прочитать человекочитаемый текст с листа бумаги и вникнуть в его содержание - результат каждой из этих операций скорее всего будет далёк от адекватного

[@Юрий-п2г6ч]

Мне понравилось, собираюсь подключиться к обучению на SkillFactory.

[@fomhair517]

На левой картинке прямо чувствуется котовость, согласен с нейросетью.

[@justgame3204]

под видосом "Делаю игру за 2 дня на Unity" уже 21к лаков, ждем продолжения.

[@decoder.2q]

воувоувоу. не надо так часто видосы выпускать, в глазах же рябит

[@DannyPhantom288]

Качественно и интересно, спасибо за видео

[@Estebancheg]

Теперь понятно, как делаются все эти LSД-шные картинки. А может быть эффект LSД заключается в том, что она выключает один из слоёв нейросети мозга?

[@FazziCLAY]

Ну нейросеть мозга в 3Д, поэтому скорее не слой, а кубик мозга

[@ohnocoder]

ЛСД вроде все нейронные связи на полную выкручивает.

[@slimesvite]

ии у психолога: психолог: что ты видишь на этой картинке? ии: кота🙂

[@theflight6857]

УРА! Новое видео!

[@vasyapupkin5157]

Вот в конце ты говоришь, что то то здесь не так, да, верно, потому важна не только картинка с одного слоя, а ещë и взаимосвязь этих как бы разных картинок с разных слоëв. То есть типо "судить умом, об одном и том же, но в разных состояниях, -можно по разному".

[@andreylazoryak7593]

Спасибо! Ждем новых видео!

[@Kozlov_Production]

А можете сделать нейронку, которая из Diffuse текстуры будет делать Reflection (specular) и Roughness (glossiness) текстуры? Круто было бы, если бы она была обучена на всей библиотеке Quixel MegaScans

[@krevet04ka29]

Артём настолько крут что даже шлёпа в тазике у него слишком крут.

[@arnowt]

softmax предназначен для категориальных решений, например для классификации, его задача передать вес на один наиболее правильный нейрон(тоесть единицу(вероятность) распределеем на все выходные нейроны, но с сильным акцентом на одном). Сигмоида же работает иначе, она будет оценивать вероятность как бы не зависимо от других. То есть в софтмаксе сложение всех ответов даёт 1, а сумма сигмоид может иметь любое значение. Что бы было понятнее, софтмакс определяет один объект - картинка кошка, собака, стул... Сигмоид много объектов, кошка на стуле, кошка с собакой.