Рисунок 1 – Схема единицы нейросети

Можно заметить, что составляющими единицы нейросети, являются синапсы, обеспечивающие связь входные данные и ядро; в то время как ядра нейрона, которое служит для непосредственного анализа входных сигналов; а также аксона, обеспечивающего связь между ядром и следующим слоем нейросети или выходом.

В данной работе был рассмотрен пример использования Google Сolab для машинного обучения. Для его реализации будем использовать GitHub файл с нейросетью. По аналогии с FastAI создадим нейронную сеть, которая будет классифицировать изображения из нашего собcтвенного датасета.

Сначала необходимо подготовить изображения для классификации, будем классифицировать черных медведей и гризли. Из всех взятых изображений с Google Картинки, необходимо удалить все поврежденные или с плохим качеством изображения. Сделать это можно с помощью цикла:

for c in classes:

    print(c)

    verify_images(path/c, delete=True, max_size=500)

Составим датасет, а именно набор данных с которым мы будем работать.

Датасет представляет собой набор изображений для классификации черных медведей (black) и гризли(grizzly), которые будут входными сигналами (рисунок 2).

Рисунок 2 – Датасет классификации

После удачного создания датасета, необходимо начать тренировку нейронной сети. Для этого будем использовать следующую функцию:

learn = create_cnn(data, models.resnet34, metrics=error_rate)

Получим таблицу с данными по тренировке нейросети (рисунок 3):

Рисунок 3 – Тренировка

После удачной тренировки посмотрим интерпретацию полученных результатов (рисунок 4).

Рисунок 4 – Интерпретация классификации

Как видно на рисунке,было правильно распознано 41 изображение черных медведей и 31 картинка с гризли, а так же выявлено несколько ошибок, которые мы рассмотрим внимательнее (рисунок 5).

Рисунок 5 – Ошибочные изображения

Из графика видно, что фотографии не могут быть интерпретированы точно, что влияет на получение результата.

Проведем тестирование обученной нейросети. Возьмем изображение гризли и проверим точность классификации (рисунок 6):

Рисунок 6 – Изображение для теста

Получаем вывод от нейросети:

Category grizzly, а значит классификация произошла верно.

В результате выполненной работы были описаны возможности Google Colab для изучения технологий машинного обучения и нейронных сетей и приведен пример классификации изображений, взятых из Google Картинки.

Проанализировав данные задачи, выберем нейросеть для распознавания изображений применимо к условиям задачи. На рисунке 1 представлено изображение, на основе которого будет описыван выбор НС. Сначала, на фотографию наложим систему координат с началом в нижнем углу. Затем наложим решетку состоящую из 6 фрагментов. Размерность изображения 800х600, а значит, размерность каждого отдельного фрагмента 400х200.

Рисунок 1 – Исходное изображение

Для распознавания данного изображения наиболее оптимальным будет использование многослойной сети, схема представлена на рисунке 2.

Рисунок 2 – Схема нейросети

Нейроны, объединенные в слои образуют многослойные сети. Каждый слой содержит определенное количество нейронов с одинаковыми входными сигналами. В зависимости от функций, которые должны выполнять нейроны в сети, можно выделить 3 основных типа нейронов [2]:входные (в данном случае, фрагменты 1 – 6);
промежуточные;
готовый результат.

Рисунок 3 – Тренировка

Определим границы у каждого фрагмента в отдельности (таблица 1).
Таблица 1 – граничные области фрагмента

Получим следующий вид нейронной сети (рисунок 4).

Рисунок 4 – Нейронная сеть

Для решения данной задачи решено было использовать:модель НС – многослойный персептрон;
число входов – 6;
число скрытых слоев 128;
число выходов – 1;
предусмотрена проверка полученных данных.Для тренировки данной нейросети было решено использовать алгоритм Хебба. Этот метод заключен в изменении весов по данному правилу:

где – выходное значение j-го нейрона слоя (n-1);
 – выходное значение i-го нейрона слоя n;
 – весовой коэффициент;
 – коэффициент скорости обучения.
Нужно учитывать, что под слоем n понимается произвольный слой НС.
Алгоритм данной нейросети выглядит так:Всем весовым коэффициентам присваиваются случайные значения;
На входы сети (рисунок 4) подается обработанное изображение (рисунок 3) и для каждого нейрона рассчитывается взвешенная сумма его входов, которая обрабатывается через активационную функцию и получаем выходное значение.
По формуле 1 производится изменение весовых коэффициентов
Алгоритм циклируется с шага 2, пока не будет получена точностью [3].В результате выполненной работы будет получен анализ всех фрагментов обработанного исходного изображения, представленного на рисунке 3. Была описана работа нейронной сети и приведен пример обработки изображений.

В данный момент, наиболее распространенными являются следующие методы:

• метод, основанный на классификации по сходству с эталонами, называемый корреляционным;
  
• методы детерминированного и статистического подхода, которые называются признаковыми или синтаксическими.
  

Рассмотрим каждый метод подробнее. Корреляционный метод работает по следующему алгоритму: входное пространство зрения сканируется полным перебором. Достоинством данного метода является помехоустойчивость. А главным недостатком можно считать сложность в реализации. Применяется данный метод в современных системах слежения и навигации.

Синтаксический и признаковый метод работает на основе выбранных признаков, притом признаки одного класса не должны существенно различаться, в то время как необходимо, чтобы признаки разных классов различались радикально. Главным преимуществом является простота в разработке. А главным недостатком можно назвать сложность обработки признаков для классификации объектов.

Главной задачей распознавания динамического объекта, который движется по произвольной траектории, является прогнозирование параметров траектории и восстановление изображения. При реализации методов классификации образов принято рассматривать физическую модель восприятия изображений. Нужно учитывать, что при наблюдении двух объектов с угловым расстоянием α, которое меньше одной угловой минуты, имеет тенденцию сливаться в один объект. Это нам позволит определить оптимальный размер объекта для успешной классификации.

Например, используя метод ключевых точек, мы получим формулу:

где minl – минимальное расстояние между самыми ближайшими точками;

L – расстояние до объекта;

tgα – тангенс углового расстояния.

В данной формуле tgα будет рассчитываться следующим образом:

В данной работе был рассмотрен пример использования alwaysAI для машинного обучения. Для его реализации будем использовать GitHub файл с нейросетью для классификации динамичных объектов для автономного вождения. Сначала необходимо подготовить видеозапись для классификации, будем классифицировать движущиеся и статические объекты на улице. Однако в этом случае нам нужна гораздо более подробные сведения о точном местонахождении пешеходов и велосипедистов при обнаружении объектов, поэтому мы будем использовать метод семантической сегментацией, в которой классификация выполняется попиксельно, а не с помощью рамок.

Удаление пешеходов и велосипедистов из видео

В этой работе будет использоваться модель компьютерного зрения enet для сегментации пешеходов и велосипедистов в каждом кадре видео, а затем классифицировать и выводить результаты для дальнейших действий в зависимости от местоположения пешеходов и велосипедистов. Чтобы упростить работу, мы использовать детекторы для редактирования выходного видео, удаляя пешеходов и велосипедистов из видео.

Сначала необходимо выбрать видео и поместить его в каталог приложения. Сделать это можно с помощью данного фрагмента кода:

Листинг 1 – фрагмент кода программы

Затем мы можем запустить приложение из GitHub, чтобы проанализировать, насколько хорошо оно классифицирует пешеходов и велосипедистов. После запуска приложения и запуска видео получим следующее (рисунок 1):

Рисунок 1 – Пример работы

Как можно заметить, модель enet успешно обнаруживает некоторую часть людей, но, все еще неправильно определяет оставшуюся часть людей и классифицирует велосипеды как мотоциклы, поэтому нам нужно будет предпринять дополнительные шаги, чтобы исправить эту проблему.

Рассмотрим лейблы для модели, нас интересуют ярлыки «Человек», «Водитель» и «Велосипед». Ниже замаскируем только пешеходов и велосипедистов.

def main ():

…

label_to_mask = ['Person', 'Rider', 'Bicycle']

print (“Labels to mask:n{}n”.format(labels_to_mask))

Листинг 2 – Маскировка классов

Видим, что классификация проходит успешнее (рисунок 2).

Рисунок 2 – Пример классификации после маскировки

Чтобы более четко видеть изображение и маску, мы можем разделить их, чтобы мы могли видеть их отдельно вместо того, чтобы видеть маску, наложенную на изображение видеоряда. Для этого мы просто объединим кадр и маску и отправим объединенные изображения как одно изображение в Streamer. Выглядеть это будет следующим образом:

mask = semantic_segmentation.build_image_mask(filtered_class_map)
combined = np.concatenate((frame, mask), axis=0)

      streamer.send_data(combined, text)

Листинг 3 – Объединение видеоряда и меток

Выглядеть это будет следующим образом (рисунок 3):

Рисунок 3 – Объединение меток и изображения

Так как происходит пакетная обработка видео, на самом деле нет необходимости отображать все на экране. Мы можем обработать каждый кадр отдельно и выводить новый видеофайл на Streamer. Для сохранения видеоклипа воспользуемся классом VideoWriter. Также есть необходимость в создании флага, чтобы мы могли легко включать и отключать процесс обработки.

Листинг 4 – обработка видеоряда и создание флага

В результате выполненной работы были описаны возможности alwaysAI для изучения технологий машинного обучения и нейронных сетей и приведен пример классификации видеоряда на основе простой сегментации изображения, маскирования определенных классов и выполнения действий на основе этих масок.

Художественный текст и его создатель всегда интересуют читателя, небезразличного к уникальности словесного искусства, его образному потенциалу и субъектно-объектной организации. Вместе с тем важную роль играет и автор биографический, распределяющий творческие силы между всеми субъектами сознания в литературно-художественном тексте. Знание биографии автора-творца позволяет увидеть книгу совершенно в другом ракурсе: культурный голос эпохи звучит с каждой страницы произведения, в философии которой лежит не только фигура образа автора, героев, но и того, через сознание которого проходит анализ увиденного и воплощенного в словесно-знаковых формах бытия.

Критические и научные статьи, монографии, биографии авторов, эпистолярий, мемуары значимы для научного осмысления литературных произведений. Такие источники помогают расширить понимание художественного текста, выявить скрытые смыслы, контексты и связи с другими произведениями [1], увидеть природу и динамику авторской идеи.

Изучая литературоведческие материалы, исследователь получает доступ к историческому, культурному и социальному контекстам вербального текста. Критические статьи демонстрируют разные точки зрения на произведение, позволяют анализировать его язык и стиль, философские и эстетические концепции, символические элементы. Дополнительным источником творческой трактовки художественного текста непременно будут выступать биографические жанры.

Научные и критические исследования, посвященные отдельным произведениям или творчеству конкретного автора, углубляют понимание его биографии, творческого пути. Монографии предлагают комплексный анализ творчества одного или нескольких авторов, литературного периода или направления, отдельного литературного феномена, его связей с эпохой. Биографии авторов дополняют картину, дают полезную информацию о жизни и творчестве писателя, его личных переживаниях и бытийном опыте, повлиявших на специфику творчества. Аналитические обзоры позволяют оценить вклад конкретного произведения в литературный процесс. Таким образом, литературоведческие материалы способствуют развитию аналитического мышления, критическому осмыслению текста, а также формированию собственной позиции и интерпретации произведения. Они помогают увидеть литературное произведение не просто как процесс и повод для вдумчивого чтения, а как источник информации о человеке, культуре, истории и мире [2].

В рамках нашего исследования мы решили проанализировать спектр возможностей GPT в области биографики: нейросеть получила промпт с указанием позиций для создания биографии известного белорусского классика Янки Купалы.

Краткая биография литератора, сгенерированная GPT, в целом точна и отражает ключевые моменты жизни и творчества автора биографического. GPT обладает глубокими знаниями в области литературоведения, что проявляется в качестве сведений, приведенных в биографии, например, указано название его первого сборника стихов. Нейросеть правильно идентифицирует Я. Купалу в качестве одного из основоположников современной белорусской литературы и подчеркивает его влияние на развитие белорусской культуры. Также GPT указывает, что «произведения Я. Купалы раскрывают тему борьбы за свободу, мотивы тяжелой жизни крестьян, события революций и Гражданскую войну»; «несмотря на репрессии со стороны советских властей, он продолжал активно творить и оставил после себя значительное литературное наследие. Его работы были переведены на множество языков и продолжают быть важными для белорусской и мировой литературы».

Выполним сравнительный анализ биографии Я. Купалы, написанной GPT, и биографии, представленной на сайте Национальной библиотеки Беларуси [3]. Оба текста дают исчерпывающую фактическую информацию о литераторе, охватывают основные периоды его жизни. Вместе с тем текст с сайта НББ очевидно более подробен, чем текст, написанный GPT. На сайте предоставлена дополнительная информация о родословной Купалы, сказано о его работе в газете «Наша Нива», говорится о его эвакуации во время Великой Отечественной войны [3]. Следует отметить, что оба текста в изложении основных событий жизни Купалы, следуют хронологическому принципу. Тексты точны в предоставляемой информации, которая соответствует утвержденным и проверенным фактам о жизни и творчестве писателя. Отсюда следует, что оба биографических материала характеризуются множественными типологическими схождениями в предоставлении сведений о Я. Купале. Однако текст с сайта НББ, благодаря подробным фактическим данным, представляется более полным. Например, можно ознакомиться с реализацией культурной памяти о литераторе: «Именем Я. Купалы назван Институт литературы Национальной академии наук Беларуси (с 2008 г. – Институт языка и литературы им. Я. Коласа и Я. Купалы), Гродненский университет, поселок в Глусском районе и деревня в Пуховичском, колхозы, библиотеки, школы, улицы во многих городах и населенных пунктах Беларуси, суда Дунайского и Волжского пароходств. Имя Купалы получили школа и улица в Душанбе (Таджикистан), библиотека в Харькове и улицы в Киеве и Запорожье (Украина), улицы в Ташкенте (Узбекистан), Тбилиси (Грузия), Риге (Латвия), Нижнем Новгороде (Россия), Белостоке (Польша). В Порто-Аллегро (Бразилия) имя Янки Купалы присвоено библиотеке-читальне» [3].

Можно сделать вывод о том, что GPT способен предложить реципиенту известные и подробные сведения о писателях, о литературных явлениях, сформировавших творческое мышление творца слова. Нейросеть может точно определять и объяснять такие понятия, как метафора, символ, ирония, персонаж, сюжет и др., рассказать о специфике проявления этих художественных средств в литературном творчестве. Кроме того, GPT демонстрирует понимание литературных жанров и поджанров, нередко успешно может их дифференцировать. И, как показывает эксперимент, нейросеть готова предоставить биографические сведения о творческой личности.

Однако важно понимать, что все сгенерированные нейросетью сведения необходимо перепроверять, уточнять и дополнять, а потом посредством креативного мышления биографа трансформировать в биографический материал с достаточной степенью информативности. Создание писательской биографии – результат многолетнего и упорного труда, процесс взаимодействия с архивными материалами, множеством людей, имеющих отношение к жизни и творчеству биографируемой персоны. Биография всегда отражает уникальную природу субъекта сознания, создавшего текст. Нейросеть выступает лишь «секретарем-помощником» в этом направлении деятельности, но при правильном подходе может существенно облегчить деятельность исследователя, решить общие и формальные задачи, найти и систематизировать данные.