Лаборатория глубокого обучения МФТИ выложила свою библиотеку для построения end-to-end диалоговых система и обучения чатботов. Версия 0.0.1 подсказывает, что это далеко не конечный продукт.

https://deepmipt.github.io/DeepPavlov/

В пятницу принято постить что-нибудь развлекательное, поэтому вот: песня о RANSAC

https://www.youtube.com/watch?v=1YNjMxxXO-E

Канал стар, но прекрасен.

visdom online
https://learning-rates.com/

https://research.fb.com/announcing-tensor-comprehensions/

Новый алгоритм фейсбука, который позволяет из кода на http://halide-lang.org/ получать оптимизированные с помощью генетических алгоримтов CUDA-ядра. Обещают скоро добавить в PyTorch.

https://www.gwern.net/Danbooru2017

Есть такой сайт - https://danbooru.donmai.us (запрещено на территории РФ) на котором поклонники аниме размечают картинки. Делают они это уже давно и очень упорно.

В базе 1.9 Тб (2.94 млн) картинок, 333 тысячи тегов (26.3 тега на картинку).

Масштабы впечатляют. Всем аниме.

Кэш для NFS от RiseML https://blog.riseml.com/accelerating-io-bound-deep-learning-e0e3f095fd0

Исследователи из Сингапура попытались создать сеть, которая определяет, можно ли переходить по ссылке, или там казино Вулкан.
Что же у них получилось, можете узнать по ссылке
https://arxiv.org/abs/1802.03162

Данные от data journalism ресурса. По ссылке вы можете найти много интересных датасетов о спортивных событиях, выборах, науке, экономике и тд.
https://data.fivethirtyeight.com/?utm_campaign=Data%2BElixir&utm_medium=email&utm_source=Data_Elixir_169

Роборука (с 7ю степенями свободы) и более другая роборука (обычная такая рука, с пальцами) добавлены в OpenAI Gym

https://github.com/openai/gym/tree/master/gym/envs/robotics

Есть подвох - требуется MuJoCo

Старик Юрген написал статью "Одна Большая Сеть Для Всего" https://arxiv.org/abs/1802.08864

В ней он сослался на 25 своих статей и еще 22, где он соавтор.

Автор предлагает сделать сеть по имени ONE, которая будет уметь делать приблизительно всё.

Bartosz Ludwiczuk написал классную серию статей про face recognition с анализом и сравнением подходов ко всем этапам обучения таких моделей: как влияет шум в данных, способы face alignment, виды data augmentation.

10 / 10, Poland strong.

http://blcv.pl/static//

Статья от Вконтакте, о том как работает их face recognition
https://vk.com/@td-highload-face-recognition

Tensor Comprehensions встроили в Pytorch

http://pytorch.org/2018/03/05/tensor-comprehensions.html

Отличный ответ Гугла на вопрос, который мне после каждой лекции задают «Я программировать немного/хорошо/отлично умею уже, а как руками быстро пощупать машинное обучение и нейронные сети?»
Отличный crash-course с очень мягкими входными требованиями: знание основ алгебры и некоторый навык программирования на Питоне.
Насколько я понимаю, они собрали и выложили очень хороший пакет, который внутри компании использовали для повышения квалификации сотрудников.
https://developers.google.com/machine-learning/crash-course/

Сегодня все пересылают друг другу ссылку на курс гугла про машинное обучение. Я его полистал и имхо он не стоит потраченного на него времени - есть куда более классный и адекаватный курс "Practical Deep Learning for Coders", который я всем горячо рекомендую. Курс создан Джереми Говардом и рассчитан на программистов, знание математики в нем совсем не обязательно. http://course.fast.ai/

Обзор на нейронные сети от Джона Кармака

https://www.facebook.com/permalink.php?story_fbid=2110408722526967&id=100006735798590

Возможно, многие уже слышали, а может даже и попробовали находить по селфи своих "двойников" среди классических портретов с помощью приложения «Google Arts and Culture».

На этот раз Google представило сразу два новых сервиса с нейросетью, анализирующие изображения - Life Tags и Art Palette.

Life Tags была создана совместно со старейшим изданием Life, в котором только за 20 век было опубликовано 6,5 миллионов фотографий. Google проанализировала все изображения журнала, и по ключевым словам можно найти нужный снимок (https://goo.gl/CQmi5P).

Art Palette позволяет загружать собственные изображения и сравнивать их цветовую гамму с произведениями искусства по всему миру (https://goo.gl/j1DEyg).

http://people.ee.ethz.ch/~ihnatova/

Ребята из Цюрихского политеха заинтересовались, можно ли с помощью машинного обучения сделать фотографии с телефона неотличимыми от фотографий, сделанных на фотоаппарат за $1000.

Они 3 недели ходили по городу с большой черной камерой и 3мя телефонами и фотографировали всё, что попадалось на глаза при помощи устройства, собранного из бабушкиного шкафа и фотоштатива: http://people.ee.ethz.ch/~ihnatova/assets/img/k800.jpg
Всего получилось около 22к картинок.

Дальше берется ГАН и 3 лосса: цветовой, текстурный и содержательный и обучается 20к итераций на кусочках изображений.

Испытания показали, что люди не замечают разницы между фотографиями, сделанными на зеркалку и улучшенными фотографиями с телефона. Шах и мат, компьютеры снова победили.

Испытать алгоритм можно тут: http://phancer.com

Вчера ночью Гугл выложил в опенсорс свою текущую реализацию системы семантической сегментации на tensorflow. Непонятно?

Это система, позволяющая различить какая область фотографии чем занята. Говоря очень грубо, компьютер понимает где на фотографии человек, где дом, где машина и так далее. Это важно не только для каких-то сложных штук (вроде самоуправляемый автомобилей), но и для банального размытия фона на фотографиях. Собственно для этого изначально deeplab и использовался для обработки фотографий.


Кроме исходных кодов реализации Гугл так же щедро выложил и уже предтренированные модели. Пользуйтесь, я сегодня вечером тоже попробую.

https://research.googleblog.com/2018/03/semantic-image-segmentation-with.html

Наконец-то сделали что-то действительно полезное с помощью дипленинга. Модель, на основе различных данных, таких как история браузинга и покупок, делает предсказания о том, какие нотификации вы бы не хотели видеть, и таким образом показываются только те нотификации, на которые вы хотите кликнуть, а не удалить. https://arxiv.org/abs/1803.00458