Quaternions - The Modern Power of 3D-4D Math
Hey everyone, Ræmpest here. As I said before, a post about a truly powerful force is coming soon — Quaternions. Today's post will be theoretical because this topic is HUGE. There's no way to fit it all into one post, so get ready for the next parts about Quaternions :)
So, let's break down what a Quaternion even is?
It's a way to describe rotations in 3D space. Unlike something like Euler angles, quaternions have almost no downsides (well, except that they're complex).
That's clear, but what makes Quaternions so different from Euler angles that they have practically no flaws?
1. The Numbers. Euler angles have three values (pitch, roll, yaw), but Quaternions have a WHOLE 4!!!!! HOLY COW, ONE MORE!!!!! (w, x, y, z)
2. The difference in space also plays a MASSIVE role (and this is actually why quaternions are used the most). The thing is, all the tasks, processes, and equations for Euler angles work in 3D (which is why Gimbal Lock happens). But quaternions, in their infinite wisdom, decided they're the most powerful (and they are) and use not 3D, but 4D space (DAAAAAMN, THIS IS EXACTLY WHY THE MATRICES GET SO COMPLICATED, but I'll explain how quaternions solve this problem in the next post about them).
3. Axes. All movements in Euler Angles happen along a specific axis. (Pitch is z, yaw is x and y, roll is also x and y). That means each operation happens separately, and this, by the way, is one of the main reasons our common enemy, Gimbal Lock, appears. BUT WITH QUATERNIONS, IT'S DIFFERENT!! The cool thing is that for them, ALL MOVEMENTS are like one whole thing, and nothing happens separately.
Yeah, we get it, quaternions are awesome bros, but their most brutal downside is — Complexity.
Why are they so complex?
First, the entry barrier. You can't just wake up one beautiful day and decide to solve quaternion problems because this is ADVANCED MATH!!! To stop quaternions from haunting our nightmares, we need:
• Master working with 3D space
• Linear Algebra
• Euler Angles (for better understanding)
• Trigonometry
And by the way, that's not easy either.
Second, there are SO MANY formulas and restrictions: inverse formulas, the main quaternion formula, a lot of strict rules. For example, in regular math, 1+2 and 2+1 are the same thing. It'll be 3 and nobody will argue with that (I really hope so). BUT WITH QUATERNIONS, IT'S NOT LIKE THAT!!!! THE ORDER IS CRAZY IMPORTANT. If you mess up the order and write x+z+y instead of x+y+z, that's it — failure, errors, and in the worst case, you might lose your drone.
Third, the 4th dimension blows your mind. Yeah, at first glance Quaternions might look like regular formulas, but once you dive deeper... oh boy, oh boy, what awaits you there...
And you're just sitting there at work, drinking your tea, coffee, and thinking, "Man, why the h*ll do I need these quaternions?"
YES, the average person doesn't need them one bit. But if you're going into fields like:
• Game Dev
• Robotics
• Drone Engineering
• Aerospace
Then without quaternions, you're in for a world of pain.
Well, that wraps up our theoretical post. Next time, we'll take a closer look at the formula. We'll solve some problems (or rather, melt our brains) and pretend we're top-tier mathematicians. Well, this was Ræmpest, and see you later, everyone!
Hey everyone, Ræmpest here. As I said before, a post about a truly powerful force is coming soon — Quaternions. Today's post will be theoretical because this topic is HUGE. There's no way to fit it all into one post, so get ready for the next parts about Quaternions :)
So, let's break down what a Quaternion even is?
It's a way to describe rotations in 3D space. Unlike something like Euler angles, quaternions have almost no downsides (well, except that they're complex).
That's clear, but what makes Quaternions so different from Euler angles that they have practically no flaws?
1. The Numbers. Euler angles have three values (pitch, roll, yaw), but Quaternions have a WHOLE 4!!!!! HOLY COW, ONE MORE!!!!! (w, x, y, z)
2. The difference in space also plays a MASSIVE role (and this is actually why quaternions are used the most). The thing is, all the tasks, processes, and equations for Euler angles work in 3D (which is why Gimbal Lock happens). But quaternions, in their infinite wisdom, decided they're the most powerful (and they are) and use not 3D, but 4D space (DAAAAAMN, THIS IS EXACTLY WHY THE MATRICES GET SO COMPLICATED, but I'll explain how quaternions solve this problem in the next post about them).
3. Axes. All movements in Euler Angles happen along a specific axis. (Pitch is z, yaw is x and y, roll is also x and y). That means each operation happens separately, and this, by the way, is one of the main reasons our common enemy, Gimbal Lock, appears. BUT WITH QUATERNIONS, IT'S DIFFERENT!! The cool thing is that for them, ALL MOVEMENTS are like one whole thing, and nothing happens separately.
Yeah, we get it, quaternions are awesome bros, but their most brutal downside is — Complexity.
Why are they so complex?
First, the entry barrier. You can't just wake up one beautiful day and decide to solve quaternion problems because this is ADVANCED MATH!!! To stop quaternions from haunting our nightmares, we need:
• Master working with 3D space
• Linear Algebra
• Euler Angles (for better understanding)
• Trigonometry
And by the way, that's not easy either.
Second, there are SO MANY formulas and restrictions: inverse formulas, the main quaternion formula, a lot of strict rules. For example, in regular math, 1+2 and 2+1 are the same thing. It'll be 3 and nobody will argue with that (I really hope so). BUT WITH QUATERNIONS, IT'S NOT LIKE THAT!!!! THE ORDER IS CRAZY IMPORTANT. If you mess up the order and write x+z+y instead of x+y+z, that's it — failure, errors, and in the worst case, you might lose your drone.
Third, the 4th dimension blows your mind. Yeah, at first glance Quaternions might look like regular formulas, but once you dive deeper... oh boy, oh boy, what awaits you there...
And you're just sitting there at work, drinking your tea, coffee, and thinking, "Man, why the h*ll do I need these quaternions?"
YES, the average person doesn't need them one bit. But if you're going into fields like:
• Game Dev
• Robotics
• Drone Engineering
• Aerospace
Then without quaternions, you're in for a world of pain.
Well, that wraps up our theoretical post. Next time, we'll take a closer look at the formula. We'll solve some problems (or rather, melt our brains) and pretend we're top-tier mathematicians. Well, this was Ræmpest, and see you later, everyone!
✍1👀1
Вот есть люди которые хотят заниматся робототехникой, так ведь? Я надеюсь что такие люди есть в нашем чате и специально для них я создал проект для быстрого setup всех нужных инструментов и фреймворков для робототехники. Скачивание и настройка инструментов для робототехники сложно, я сам через это проходил. Это может занять от нескольких дней до нескольких недель. И специально для решение этой проблемы, я вчера создал набор скриптов которые за 3 коротких команды любой сможет скачать весь Robotics stack. Сама инструкция по скачиванию написано в README (правда там все на Английском но пох, думаю у вас с этим проблем не будет). А вот сама ссылка на проект;
https://github.com/Rempest/linux-dev-setup
https://github.com/Rempest/linux-dev-setup
GitHub
GitHub - Rempest/linux-dev-setup: Linux system package list for robotics development
Linux system package list for robotics development - Rempest/linux-dev-setup
Аномалий - главный враг использование ИИ.
Всем привет ребята, на связи Ræmpest. Все мы прекрасно знаем что ИИ развиваются с огромной скоростью. Все вокруг только интергрируют его куда только можно, создают новые ИИ . Внедряют их от нанороботов до космических ракет. Это все конечно очень круто, шикарно, великолепно, элегатно. Но знаете что мешает идеальному развитию ИИ? Аномалий.
Аномалий - это не коректный ответ от ИИ. Который может звучат как и очень противоречиво, так и очень разумно. Аномалий бывают разные, у всех ИИ есть свои аномалий. (Так сказать как тараканы в голове у людей) И сегодня мы эти аномалий разберем глубже.
Для начала, какие вообще бывают аномалий?
1. Галлюцинаций, когда ИИ не хватает информаций и он начинает придумывать ответ сам. И с полной уверенностью несет бред.
Например: ИИ для компьютерного зрения у робота, принимает кошку за собаку и с полной уверенностью говорит что это собака.
Причины этой аномалий являются:
• Недостаток информаций
• ИИ отвечает на запрос который выше его обучения
• смещенные данные.
2. Системные ошибки. Когда все работает коректно, но на процессор идет огромная нагрузка или же легли сервера. Эти аномалий «Технического» вида, и их легко отслеживают.
3. Нестандартное поведение. Когда ИИ другим способом выдает результат, часто не тот, который хотел разработчик.
Например: автопилот выбирает безопасную, но при этом не обычную траекторию.
Причина этой аномалий является цель ИИ, цель ИИ это выдать хоть какойто ответ, который является ближе к истине, а не знать что человек от него требует.
4. Аномалий данных, когда ИИ выдает один и тот же результат полностью игнорируя запрос. Такое происходит когда ИИ
не понимает входные данные
Можно ли полностью избавить ИИ от аномалий?
Встречный вопрос: Может ли человек стать "Идеальным"?
На эти два вопроса ответ конечно: НЕТ.
У ИИ всегда будет аномалий, каким бы сильным он не был. Даже сейчас у таких популярных ИИ как ChatGPT, Gemeni, GitHub Copilot имеют свои аномалий, хотя они очень сильные ИИ. И это кстати одна из самых главных причин, почему ИИ не заменит програмистов (Кроме джун веб разработчиков, джун веб разрабы идите нахуй).
Существует одна интересная теорема, теорема «Геделя». Она голосит:
Это ознaчает, чем сильнее и мощнее ИИ, тем больше у него аномалий. Из-за этого ребят, используйте ИИ с умом и развивайте критическое мышление, чтобы ИИ вас не наебовал. Ну а всем, пока. На связи был Ræmpest
Всем привет ребята, на связи Ræmpest. Все мы прекрасно знаем что ИИ развиваются с огромной скоростью. Все вокруг только интергрируют его куда только можно, создают новые ИИ . Внедряют их от нанороботов до космических ракет. Это все конечно очень круто, шикарно, великолепно, элегатно. Но знаете что мешает идеальному развитию ИИ? Аномалий.
Аномалий - это не коректный ответ от ИИ. Который может звучат как и очень противоречиво, так и очень разумно. Аномалий бывают разные, у всех ИИ есть свои аномалий. (Так сказать как тараканы в голове у людей) И сегодня мы эти аномалий разберем глубже.
Для начала, какие вообще бывают аномалий?
1. Галлюцинаций, когда ИИ не хватает информаций и он начинает придумывать ответ сам. И с полной уверенностью несет бред.
Например: ИИ для компьютерного зрения у робота, принимает кошку за собаку и с полной уверенностью говорит что это собака.
Причины этой аномалий являются:
• Недостаток информаций
• ИИ отвечает на запрос который выше его обучения
• смещенные данные.
2. Системные ошибки. Когда все работает коректно, но на процессор идет огромная нагрузка или же легли сервера. Эти аномалий «Технического» вида, и их легко отслеживают.
3. Нестандартное поведение. Когда ИИ другим способом выдает результат, часто не тот, который хотел разработчик.
Например: автопилот выбирает безопасную, но при этом не обычную траекторию.
Причина этой аномалий является цель ИИ, цель ИИ это выдать хоть какойто ответ, который является ближе к истине, а не знать что человек от него требует.
4. Аномалий данных, когда ИИ выдает один и тот же результат полностью игнорируя запрос. Такое происходит когда ИИ
не понимает входные данные
Можно ли полностью избавить ИИ от аномалий?
Встречный вопрос: Может ли человек стать "Идеальным"?
На эти два вопроса ответ конечно: НЕТ.
У ИИ всегда будет аномалий, каким бы сильным он не был. Даже сейчас у таких популярных ИИ как ChatGPT, Gemeni, GitHub Copilot имеют свои аномалий, хотя они очень сильные ИИ. И это кстати одна из самых главных причин, почему ИИ не заменит програмистов (Кроме джун веб разработчиков, джун веб разрабы идите нахуй).
Существует одна интересная теорема, теорема «Геделя». Она голосит:
В любой достаточно
сложной системе есть утверждения, которые: либо истинны, но недоказуемы, либо система не может определить их корректно
Это ознaчает, чем сильнее и мощнее ИИ, тем больше у него аномалий. Из-за этого ребят, используйте ИИ с умом и развивайте критическое мышление, чтобы ИИ вас не наебовал. Ну а всем, пока. На связи был Ræmpest
ANOMALIES ARE THE MAIN ENEMY OF AI USE
Hey everyone, what's up guys, Rempest here. We all know perfectly well that AI is developing at a tremendous speed. Everyone is just integrating it wherever they can, creating new AIs. Implementing them from nanobots to space rockets. All of this is, of course, very cool, fantastic, magnificent, elegant. But you know what hinders the perfect development of AI? Anomalies.
Anomalies are incorrect responses from AI. Which can sound both very contradictory and very reasonable. There are different kinds of anomalies, every AI has its own anomalies. (So to speak, the bugs in its head). And today, we're going to dive deeper into these anomalies.
First off, what kinds of anomalies even exist?
1. Hallucinations, when the AI lacks information and starts making up an answer on its own. And delivers complete nonsense with full confidence.
For example: A computer vision AI for a robot mistakes a cat for a dog and says with full confidence that it's a dog.
The causes of this anomaly are:
• Lack of information
• The AI is responding to a query beyond its training
• Biased data.
2. System errors. When everything is working correctly, but there's a huge load on the processor or the servers go down. These anomalies are of the "Technical" variety, and they're easy to track.
3. Non-standard behavior. When the AI delivers a result in a different way, often not the one the developer intended.
For example: an autopilot chooses a safe, but unconventional trajectory.
The cause of this anomaly is the AI's objective. The AI's objective is to provide some kind of answer that is closer to the truth, not to know what the human wants from it.
4. Data anomalies, when the AI produces the same exact result, completely ignoring the query. This happens when the AI doesn't understand the input data.
Can we completely rid AI of anomalies?
A counter-question: Can a human become "Perfect"?
The answer to both these questions is, of course: NO.
AI will always have anomalies, no matter how powerful it is. Even now, popular AIs like ChatGPT, Gemini, GitHub Copilot have their own anomalies, even though they are very powerful AIs. And this, by the way, is one of the main reasons why AI won't replace programmers (Except frontend developers, because they have the easiest path).
There's an interesting theorem, «Gödel's» theorem. It states:
In any sufficiently complex system, there are statements that are: either true but unprovable, or the system cannot determine their correctness correctly.
This means, the stronger and more powerful the AI, the more anomalies it will have. Because of this, guys, use AI wisely and develop critical thinking, so that the AI doesn't mess you up. Well, that's all for everyone, bye. This was Rempest.
Hey everyone, what's up guys, Rempest here. We all know perfectly well that AI is developing at a tremendous speed. Everyone is just integrating it wherever they can, creating new AIs. Implementing them from nanobots to space rockets. All of this is, of course, very cool, fantastic, magnificent, elegant. But you know what hinders the perfect development of AI? Anomalies.
Anomalies are incorrect responses from AI. Which can sound both very contradictory and very reasonable. There are different kinds of anomalies, every AI has its own anomalies. (So to speak, the bugs in its head). And today, we're going to dive deeper into these anomalies.
First off, what kinds of anomalies even exist?
1. Hallucinations, when the AI lacks information and starts making up an answer on its own. And delivers complete nonsense with full confidence.
For example: A computer vision AI for a robot mistakes a cat for a dog and says with full confidence that it's a dog.
The causes of this anomaly are:
• Lack of information
• The AI is responding to a query beyond its training
• Biased data.
2. System errors. When everything is working correctly, but there's a huge load on the processor or the servers go down. These anomalies are of the "Technical" variety, and they're easy to track.
3. Non-standard behavior. When the AI delivers a result in a different way, often not the one the developer intended.
For example: an autopilot chooses a safe, but unconventional trajectory.
The cause of this anomaly is the AI's objective. The AI's objective is to provide some kind of answer that is closer to the truth, not to know what the human wants from it.
4. Data anomalies, when the AI produces the same exact result, completely ignoring the query. This happens when the AI doesn't understand the input data.
Can we completely rid AI of anomalies?
A counter-question: Can a human become "Perfect"?
The answer to both these questions is, of course: NO.
AI will always have anomalies, no matter how powerful it is. Even now, popular AIs like ChatGPT, Gemini, GitHub Copilot have their own anomalies, even though they are very powerful AIs. And this, by the way, is one of the main reasons why AI won't replace programmers (Except frontend developers, because they have the easiest path).
There's an interesting theorem, «Gödel's» theorem. It states:
In any sufficiently complex system, there are statements that are: either true but unprovable, or the system cannot determine their correctness correctly.
This means, the stronger and more powerful the AI, the more anomalies it will have. Because of this, guys, use AI wisely and develop critical thinking, so that the AI doesn't mess you up. Well, that's all for everyone, bye. This was Rempest.
КАК ИИ ДУМАЕТ?
И всем привет ребята, на связи Ræmpest. Сегодня будет еще один пост про искусственные интелекты. В одном из видео, популярный русскоязычный блогер по имени Ян Топлес (он еще известен как умный человек в очках) сказал:
И это абсолютно верно, для ИИ все и вся это цифры.
НО! У этих цифр есть свой термин (Именно в AI engineering и Machine Learning) называется он - Тензоры. И сегодня пост будет как раз про них. Вообще, слово "Тензор" применяются не только в AI engineering но и в обычной профильной математике или в профильной физике.
Тензоры - это огромные массивы чисел (Те кто не знают програмирование, массивы это переменные которые могут хранить несколько данных) или же огромные матрицы чисел, которые используются для того чтобы ИИ понимал мир.
У Тензоров есть своя классификация:
• Сколярные (0Д) - это одно число, он хранит лишь одну цифру
• Векторные (1Д) - Это упорядоченный список чисел.
Каждое число — отдельный признак
• Матричные (2Д) - Это таблица чисел (строки и столбцы).
Используется, когда есть много объектов, у каждого много признаков.
• Трехмерные (3Д) - Это набор таблиц, сложенных друг на друга. Обычно появляется, когда добавляется время или последовательность.
• Четырехмерные (4Д) - Это набор 3D объектов.
Чаще всего — изображения.
• (5Д, 6Д и более)
Ранее, как говорил Ян Топлес звук, видео, рисунок, буквы это все цифры. И как раз так и от этих обьектов, зависит и классификация тензоров.
Тензоры тема очень огромная. И сегодня я покажу вам примеры только про рисунки. Для начала как ИИ различает цвета?
Для ИИ любой цвет это три числа = (R, G, B).
R - сколько в цвете красного оттенка?
G - сколько в цвете зеленого оттенка?
B - сколько в цвете синего оттенка?
Например если ИИ видит допустим какой то фиолетовый цвет, то его тензор появляется в виде:
(255, 0, 255)
(красный и синий равный, вот и появился фиолетовый)
Интересный факт:
❗️RGB это лишь один из способов обучить ИИ различать цвета. На деле этих способов очень много, но многие используют RGB потому что он удобнее.
А что на счёт 3Д/4Д?
RGB = 3 канала и 2Д таблицы:
Канал R = (высота х ширина)
Канал G = (высота х ширина)
Канал B = (высота х ширина)
Если складывать их в один тензор, то получится 3Д. А если картинок несколько то уже 4Д.
В процессе понимание цветов, так же участвует признаки которые ИИ сам научился различать (оттенки, текстуры, контраст и тд). Я надеюсь что вы не запутались, ну и всем удачи и всем пока, а на связи был Ræmpest.
И всем привет ребята, на связи Ræmpest. Сегодня будет еще один пост про искусственные интелекты. В одном из видео, популярный русскоязычный блогер по имени Ян Топлес (он еще известен как умный человек в очках) сказал:
Для ИИ весь мир это цифры, рисунок=цифры, текст, буквы=цифры, звук = цифры и тд. (Я в слово в слово пересказать не могу, но суть одна и та же)
И это абсолютно верно, для ИИ все и вся это цифры.
НО! У этих цифр есть свой термин (Именно в AI engineering и Machine Learning) называется он - Тензоры. И сегодня пост будет как раз про них. Вообще, слово "Тензор" применяются не только в AI engineering но и в обычной профильной математике или в профильной физике.
Тензоры - это огромные массивы чисел (Те кто не знают програмирование, массивы это переменные которые могут хранить несколько данных) или же огромные матрицы чисел, которые используются для того чтобы ИИ понимал мир.
У Тензоров есть своя классификация:
• Сколярные (0Д) - это одно число, он хранит лишь одну цифру
• Векторные (1Д) - Это упорядоченный список чисел.
Каждое число — отдельный признак
• Матричные (2Д) - Это таблица чисел (строки и столбцы).
Используется, когда есть много объектов, у каждого много признаков.
• Трехмерные (3Д) - Это набор таблиц, сложенных друг на друга. Обычно появляется, когда добавляется время или последовательность.
• Четырехмерные (4Д) - Это набор 3D объектов.
Чаще всего — изображения.
• (5Д, 6Д и более)
Ранее, как говорил Ян Топлес звук, видео, рисунок, буквы это все цифры. И как раз так и от этих обьектов, зависит и классификация тензоров.
Тензоры тема очень огромная. И сегодня я покажу вам примеры только про рисунки. Для начала как ИИ различает цвета?
Для ИИ любой цвет это три числа = (R, G, B).
R - сколько в цвете красного оттенка?
G - сколько в цвете зеленого оттенка?
B - сколько в цвете синего оттенка?
Например если ИИ видит допустим какой то фиолетовый цвет, то его тензор появляется в виде:
(255, 0, 255)
(красный и синий равный, вот и появился фиолетовый)
Интересный факт:
благодаря этому ИИ различает цвета лучше чем человек (Потому что мы все слепые дальтоники:). Если ИИ и человеку показать супер пупер два одинаковых оттенка. То человек не поймет в чем разница, а ИИ очень даже сильно увидит огромную разницу именно благодаря тензорам (числам).❗️RGB это лишь один из способов обучить ИИ различать цвета. На деле этих способов очень много, но многие используют RGB потому что он удобнее.
А что на счёт 3Д/4Д?
RGB = 3 канала и 2Д таблицы:
Канал R = (высота х ширина)
Канал G = (высота х ширина)
Канал B = (высота х ширина)
Если складывать их в один тензор, то получится 3Д. А если картинок несколько то уже 4Д.
В процессе понимание цветов, так же участвует признаки которые ИИ сам научился различать (оттенки, текстуры, контраст и тд). Я надеюсь что вы не запутались, ну и всем удачи и всем пока, а на связи был Ræmpest.
HOW DOES AI THINK?
Greetings everyone, Ræmpest here. Today's post will once again delve into the world of artificial intelligences. In one of his videos, the popular Russian-language blogger known as Jan Toples (also famous as 'the smart guy with glasses') stated: For AI, the entire world is numbers—a drawing equals numbers, text, letters equal numbers, sound equals numbers, and so on. This is absolutely correct; for AI, everything and everyone is numbers. BUT! These numbers have their own specific term (precisely in AI engineering and Machine Learning), and it's called Tensors. And today's post is exactly about them.
Tensors are vast arrays of numbers (For those unfamiliar with programming, arrays are variables capable of storing multiple pieces of data).
Tensors have their own classification:
• Scalar (0D) – This is a single number, holding just one digit.
• Vector (1D) – This is an ordered list of numbers. Each number represents a separate feature.
• Matrix (2D) – This is a table of numbers (rows and columns). Used when there are many objects, each with many features.
• Three-dimensional (3D) – This is a stack of tables, layered on top of each other. Typically appears when time or sequence is added.
• Four-dimensional (4D) – This is a collection of 3D objects. Most often—images.
• (5D, 6D, and beyond)
As Jan Toples mentioned earlier, sound, video, drawings, letters—it's all numbers. And it is precisely from these objects that the classification of tensors depends.
The topic of tensors is vast. And today, I will only show you examples related to images. To start: how does AI distinguish colors?
For AI, any color is three numbers = (R, G, B).
R – How much red is in the color?
G – How much green is in the color?
B – How much blue is in the color?
For example, if AI sees, say, a purple color, its tensor appears as:
(255, 0, 255)
(Red and blue are equal, hence purple appears)
Interesting fact: because of this, AI distinguishes colors better than humans (since we are colorblind:). If you show AI and a human two super-duper identical shades, the human won't grasp the difference, but the AI will very clearly see a significant difference—precisely thanks to tensors (numbers).
❗️ RGB is just one method of teaching AI to distinguish colors. In reality, there are many methods, but RGB is widely used because it is more convenient.
What about 3D/4D?
RGB = 3 channels and 2D tables:
Channel R = (height × width)
Channel G = (height × width)
Channel B = (height × width)
If we combine them into a single tensor, it becomes 3D. And if there are several images, it becomes 4D.
In the process of understanding colors, features that the AI has learned to distinguish on its own also play a part (shades, textures, contrast, etc.). I hope you haven't gotten confused. Well, good luck to all, and see you next time.
Greetings everyone, Ræmpest here. Today's post will once again delve into the world of artificial intelligences. In one of his videos, the popular Russian-language blogger known as Jan Toples (also famous as 'the smart guy with glasses') stated: For AI, the entire world is numbers—a drawing equals numbers, text, letters equal numbers, sound equals numbers, and so on. This is absolutely correct; for AI, everything and everyone is numbers. BUT! These numbers have their own specific term (precisely in AI engineering and Machine Learning), and it's called Tensors. And today's post is exactly about them.
Tensors are vast arrays of numbers (For those unfamiliar with programming, arrays are variables capable of storing multiple pieces of data).
Tensors have their own classification:
• Scalar (0D) – This is a single number, holding just one digit.
• Vector (1D) – This is an ordered list of numbers. Each number represents a separate feature.
• Matrix (2D) – This is a table of numbers (rows and columns). Used when there are many objects, each with many features.
• Three-dimensional (3D) – This is a stack of tables, layered on top of each other. Typically appears when time or sequence is added.
• Four-dimensional (4D) – This is a collection of 3D objects. Most often—images.
• (5D, 6D, and beyond)
As Jan Toples mentioned earlier, sound, video, drawings, letters—it's all numbers. And it is precisely from these objects that the classification of tensors depends.
The topic of tensors is vast. And today, I will only show you examples related to images. To start: how does AI distinguish colors?
For AI, any color is three numbers = (R, G, B).
R – How much red is in the color?
G – How much green is in the color?
B – How much blue is in the color?
For example, if AI sees, say, a purple color, its tensor appears as:
(255, 0, 255)
(Red and blue are equal, hence purple appears)
Interesting fact: because of this, AI distinguishes colors better than humans (since we are colorblind:). If you show AI and a human two super-duper identical shades, the human won't grasp the difference, but the AI will very clearly see a significant difference—precisely thanks to tensors (numbers).
❗️ RGB is just one method of teaching AI to distinguish colors. In reality, there are many methods, but RGB is widely used because it is more convenient.
What about 3D/4D?
RGB = 3 channels and 2D tables:
Channel R = (height × width)
Channel G = (height × width)
Channel B = (height × width)
If we combine them into a single tensor, it becomes 3D. And if there are several images, it becomes 4D.
In the process of understanding colors, features that the AI has learned to distinguish on its own also play a part (shades, textures, contrast, etc.). I hope you haven't gotten confused. Well, good luck to all, and see you next time.
Всем дарова, на связи Raempest с объявлением. Сейчас, в американском университете Sanfoundry проходит БЕСПЛАТНЫЙ курс по инженерий с огромным уклоном на автомобили. Семестр этого курса будет месяц, из-за этого успейте зарегатся. А после того как вы пройдёте курс, вас ждет довольно не лёгкий экзамен от самого Sanfoundry на тему которые вы проходили, сдадите хорошо - получите довольно весомый официальный сертификат от имени университета. Сдадите плохо - вас шлют нахуй. (Если не ошибаюсь, там вроде 80% нужно набрать чтобы сертификат получить). А вот сама ссылка на курс:
https://www.sanfoundry.com/certification/automobile-engineering-certification/?src=cert
https://www.sanfoundry.com/certification/automobile-engineering-certification/?src=cert
Я СОЗДАЛ СВОЙ ИИ!
И всем привет ребята, на связи Ræmpest. Сегодня я бы хотел рассказать вам о своем ИИ - DeltaPrime.
DeltaPrime - это ИИ для компьютерного зрения дронов. Чтобы он мог отличать всякие вещи, предметы, людей во время полета дрона. Чтобы он анализировал пространство и остановил дрона, тогда когда обьект находится слишком близко. Чтобы дрон мог предсказывать движения обьекта во время полета (фильтр Кальмана), считать физику , траекторию, планировать действие и многое другое.
Что DeltaPrime уже умеет?
DeltaPrime ИИ у которого под капотом ИИ модель YOLO, и дата сет VisDrone. DeltaPrime прошел уже Deep learning, и обучился на дата сете. DeltaPrime (прям сейчас) может распознавать объекты во время полета, находить самые ближайшие обьекты, находить разницу между объектами, следить за обьектом и принимать решение. Сейчас идет работа чтобы DeltaPrime понимал аэродинамику, и считал основные силы которые действуют на дрона самостоятельно (T, W, D, L). А так же идет работа над фильтром Кальмана.
DeltaPrime ИИ open source. Но пока документация отсутствует, но если вам интересно вот тут можете посмотреть на его открытый исходный код:
https://github.com/Rempest/DeltaPrime
Сам я очень часто вижу что абсолютно каждый студент создаёт свой ИИ, но они создают ИИ используя готовые модели, фреймворки и библиотеки. Я конечно их не осуждаю, а наоборот поддерживаю (Потому что если бы я осуждал их, хотя сам спиздил YOLO это выглядило бы очень глупо с моей стороны). И я рад что у меня есть сильные конкуренты моего возраста (может и чуть страше меня, но не суть).
Сам я DeltaPrime буду развивать очень долго, сейчас в GitHub у него более чем 100 комитов и 1 звезда (от меня 😍). И хочу сказать одну важную вещь:
DeltaPrime был создан на ноутбуке, который страше меня самого и обновлялся последний раз 12 лет назад. У этого ноутбука 8гб ОЗУ, какой-то старый Intel, HHD диск. Впрочем, ноутбук явно не первой свежести.
Конечно, был бы у меня какой-то мощный пк с Ryzen 9, RTX 5060, SSD на 2тб, и озу на 32гб (Размечтался 😊) то DeltaPrime бы сейчас был очень очень мощным ИИ не хуже того же ChatGPT или Gemeni. Но, приходится использовать что дают 🙂.
Сейчас, разработка DeltaPrime происходит в 5 раз в неделю. И я думаю, что уже этим летом DeltaPrime станет довольно полезным и надеюсь он поможет многим Робототехникам.
Сам DeltaPrime состоит из 5 версий;
DeltaPrime V1 - интерграция YOLO и анализ пространство
DeltaPrime V2 - глубокое обучение и физика
DeltaPrime V3 - фильтр Кальмана и модули для PX4
DeltaPrime V4 - голос, чтобы дрон мог материть своего хозяина 😇 (я не шучу, он правда будет матерится)
DeltaPrime V5 - модули для интерграций ROS.
И кстати, DeltaPrime это один из главных инструментов для развития GreenSky. (Олды моего канала помнят его). На этом все, и всем пока.
И всем привет ребята, на связи Ræmpest. Сегодня я бы хотел рассказать вам о своем ИИ - DeltaPrime.
DeltaPrime - это ИИ для компьютерного зрения дронов. Чтобы он мог отличать всякие вещи, предметы, людей во время полета дрона. Чтобы он анализировал пространство и остановил дрона, тогда когда обьект находится слишком близко. Чтобы дрон мог предсказывать движения обьекта во время полета (фильтр Кальмана), считать физику , траекторию, планировать действие и многое другое.
Что DeltaPrime уже умеет?
DeltaPrime ИИ у которого под капотом ИИ модель YOLO, и дата сет VisDrone. DeltaPrime прошел уже Deep learning, и обучился на дата сете. DeltaPrime (прям сейчас) может распознавать объекты во время полета, находить самые ближайшие обьекты, находить разницу между объектами, следить за обьектом и принимать решение. Сейчас идет работа чтобы DeltaPrime понимал аэродинамику, и считал основные силы которые действуют на дрона самостоятельно (T, W, D, L). А так же идет работа над фильтром Кальмана.
DeltaPrime ИИ open source. Но пока документация отсутствует, но если вам интересно вот тут можете посмотреть на его открытый исходный код:
https://github.com/Rempest/DeltaPrime
Сам я очень часто вижу что абсолютно каждый студент создаёт свой ИИ, но они создают ИИ используя готовые модели, фреймворки и библиотеки. Я конечно их не осуждаю, а наоборот поддерживаю (Потому что если бы я осуждал их, хотя сам спиздил YOLO это выглядило бы очень глупо с моей стороны). И я рад что у меня есть сильные конкуренты моего возраста (может и чуть страше меня, но не суть).
Сам я DeltaPrime буду развивать очень долго, сейчас в GitHub у него более чем 100 комитов и 1 звезда (от меня 😍). И хочу сказать одну важную вещь:
DeltaPrime был создан на ноутбуке, который страше меня самого и обновлялся последний раз 12 лет назад. У этого ноутбука 8гб ОЗУ, какой-то старый Intel, HHD диск. Впрочем, ноутбук явно не первой свежести.
Конечно, был бы у меня какой-то мощный пк с Ryzen 9, RTX 5060, SSD на 2тб, и озу на 32гб (Размечтался 😊) то DeltaPrime бы сейчас был очень очень мощным ИИ не хуже того же ChatGPT или Gemeni. Но, приходится использовать что дают 🙂.
Сейчас, разработка DeltaPrime происходит в 5 раз в неделю. И я думаю, что уже этим летом DeltaPrime станет довольно полезным и надеюсь он поможет многим Робототехникам.
Сам DeltaPrime состоит из 5 версий;
DeltaPrime V1 - интерграция YOLO и анализ пространство
DeltaPrime V2 - глубокое обучение и физика
DeltaPrime V3 - фильтр Кальмана и модули для PX4
DeltaPrime V4 - голос, чтобы дрон мог материть своего хозяина 😇 (я не шучу, он правда будет матерится)
DeltaPrime V5 - модули для интерграций ROS.
И кстати, DeltaPrime это один из главных инструментов для развития GreenSky. (Олды моего канала помнят его). На этом все, и всем пока.
Ræmpest -a не будет ВСЕ лето потому что он будет бездельничать 😝. Но если серьезно то меня ждет очень сложный и длинный roadmap по aviation and robotics engineering. Из-за этого мне нужно отлучится. Всем удачи, и всем желаю очень хорошо, активно, приятно провести это лето 💚