Нейронные сети и Театр
Последние пару дней мы с моим товарищем продюсером обсуждаем одну очень интересную концепцию и ведём переговоры по её реализации с потенциальной площадкой и спонсорами.
"Могут ли нейронные сети работать с образами, способны ли они к творчеству?"
Читать
Последние пару дней мы с моим товарищем продюсером обсуждаем одну очень интересную концепцию и ведём переговоры по её реализации с потенциальной площадкой и спонсорами.
"Могут ли нейронные сети работать с образами, способны ли они к творчеству?"
Читать
Telegraph
Нейронные сети и Театр
Последние пару дней мы с моим товарищем продюсером обсуждаем одну очень интересную концепцию и ведём переговоры по её реализации с потенциальной площадкой и спонсорами. "Могут ли нейронные сети работать с образами, способны ли они к творчеству?" То есть…
Если на носу экзамен по квантовой механике (редкостная пакость) то что надо делать?
Правильно, продолжать писать письмо для спонсоров на проект по театрам.
Дальше продолжение первого текста, предполагаемый процесс обучения.
Тут есть два возможных пути решения:
1) Анализировать вектор на выходе BERT на предмет его эмоциональной окраски, т.е. вытаскивать все фичи связанные с эмоциями и на их основе делать отображение на язык инструментов визуализации.
2) Обучить модель, которая делает отображение вектора на выходе BERT в вектор, соответствующий выбору определенных параметров интсрументов визуализации. Например, на входе тревожный текст - на выходе тёмно синее освещение и музыка Ханса Циммера.
Процесс обучения для перечисленных выше подходов будет разным.
В случае 1го варианта потребуется корпус данных, посвящённый различным эмоциональным тональностям текстов. На входе (X) – фрагмент текста, на выходе – параметры, соотвествующие эмоциональной информации, заключённой в этом фрагменте (Y). (Например, тревожность, агрессия и т.д.)
Модель будет обучаться выделять эмоциональные характеристики текста на базе вектора, полученного после предобученной модели BERT.
То есть, на вход BERT получает фрагменты текста, на выходе выдаёт некоторые соответствующие им вектора, на базе которых и будет происходить обучение модели.
Дальнейший переход от эмоциональных характеристик к параметрам инструментов визуализации может быть реализован, например, с помощью деревьев решений или простой цепочки if-else.
Для второго варианта потребуется уже корпус данных, состоящий из пар: «фрагмент текста – параметры инструментов визуализации», использующиеся во время театральных постановок для этого фрагмента текста.
Такой датасет потребуется собирать вручную (как на базе заснятых постановок, так и на базе опроса разных режиссеров).
При наличии такого набора данных можно обучить модель отображать вектор, полученный на выходе BERT, в вектор, конфигурирующий параметры инструментов визуализации.
Правильно, продолжать писать письмо для спонсоров на проект по театрам.
Дальше продолжение первого текста, предполагаемый процесс обучения.
Тут есть два возможных пути решения:
1) Анализировать вектор на выходе BERT на предмет его эмоциональной окраски, т.е. вытаскивать все фичи связанные с эмоциями и на их основе делать отображение на язык инструментов визуализации.
2) Обучить модель, которая делает отображение вектора на выходе BERT в вектор, соответствующий выбору определенных параметров интсрументов визуализации. Например, на входе тревожный текст - на выходе тёмно синее освещение и музыка Ханса Циммера.
Процесс обучения для перечисленных выше подходов будет разным.
В случае 1го варианта потребуется корпус данных, посвящённый различным эмоциональным тональностям текстов. На входе (X) – фрагмент текста, на выходе – параметры, соотвествующие эмоциональной информации, заключённой в этом фрагменте (Y). (Например, тревожность, агрессия и т.д.)
Модель будет обучаться выделять эмоциональные характеристики текста на базе вектора, полученного после предобученной модели BERT.
То есть, на вход BERT получает фрагменты текста, на выходе выдаёт некоторые соответствующие им вектора, на базе которых и будет происходить обучение модели.
Дальнейший переход от эмоциональных характеристик к параметрам инструментов визуализации может быть реализован, например, с помощью деревьев решений или простой цепочки if-else.
Для второго варианта потребуется уже корпус данных, состоящий из пар: «фрагмент текста – параметры инструментов визуализации», использующиеся во время театральных постановок для этого фрагмента текста.
Такой датасет потребуется собирать вручную (как на базе заснятых постановок, так и на базе опроса разных режиссеров).
При наличии такого набора данных можно обучить модель отображать вектор, полученный на выходе BERT, в вектор, конфигурирующий параметры инструментов визуализации.
💻 Update по проекту с театрами
написали спонсорам, ждём ответов, дедлайн от центра имени Мейерхольда 26.01
кому написали:
ABBYY
Дом Ру
Промобот
написали спонсорам, ждём ответов, дедлайн от центра имени Мейерхольда 26.01
кому написали:
ABBYY
Дом Ру
Промобот
Дело было вечером. Сидел залипал на ЦИАН: опять ищу себе квартиру в Москве
Внезапно задумался над созданием приложения для персонализированного подбора квартир на базе фотографий в объявлениях.
То есть нужна Computer Vision нейросетка, которая на вход будет получать несколько фотографий интерьера квартиры, а на выходе давать некоторый вектор, содержащий полезную информацию об этой квартире. Как если бы эти картинки смотрел человек и давал какие-то комментарии.
И дальше, на базе этого вектора можно сделать супер мега расширенную настройку фильтров поиска квартиры.
Хочу сделать приложение.
Как я вижу процесс его работы?
Пользователь заходит в приложение и проходит процесс калибровки.
Например, он как в тиндере свайпает вправо и влево понравившиеся и не понравившиеся калибровочные интерьеры квартир.
На базе некоторого количества калибровочных картинок алгоритмы примерно аппроксимируют вкусы и предпочтения пользователя и дальше персонализировано подбирают ему квартиру. Разумеется, классические фильтры по типу стоимости и местоположения никто не отменял.
Ребята, которые делают приложения уже есть. Осталось найти тех кто сможет:
— вытаскивать данные из Циан / Авито / итд
— помочь мне обучить модель вытаскивать фичи из фотографий интерьеров
— помочь мне создать систему калибровки
Интересно - напиши мне, или порекомендуй товарищу, вдруг это заинтересует его
Внезапно задумался над созданием приложения для персонализированного подбора квартир на базе фотографий в объявлениях.
То есть нужна Computer Vision нейросетка, которая на вход будет получать несколько фотографий интерьера квартиры, а на выходе давать некоторый вектор, содержащий полезную информацию об этой квартире. Как если бы эти картинки смотрел человек и давал какие-то комментарии.
И дальше, на базе этого вектора можно сделать супер мега расширенную настройку фильтров поиска квартиры.
Хочу сделать приложение.
Как я вижу процесс его работы?
Пользователь заходит в приложение и проходит процесс калибровки.
Например, он как в тиндере свайпает вправо и влево понравившиеся и не понравившиеся калибровочные интерьеры квартир.
На базе некоторого количества калибровочных картинок алгоритмы примерно аппроксимируют вкусы и предпочтения пользователя и дальше персонализировано подбирают ему квартиру. Разумеется, классические фильтры по типу стоимости и местоположения никто не отменял.
Ребята, которые делают приложения уже есть. Осталось найти тех кто сможет:
— вытаскивать данные из Циан / Авито / итд
— помочь мне обучить модель вытаскивать фичи из фотографий интерьеров
— помочь мне создать систему калибровки
Интересно - напиши мне, или порекомендуй товарищу, вдруг это заинтересует его
Давно мечтал сделать домашнее задание мо какому-нибудь гуманитарному предмету с помощью NLP нейросетки.
И вот, 4й курс, погряз в стартапах, времени на учебу нет от слова совсем, а тут ещё ОБЖшник хочет чтобы ему скинули что-то на почту - идеальный момент!
Немного поискав в интернете нашёл оптимальный вариант - Google Colab с сеткой от Сбера.
Установив все модули и немного поигравшись с параметрами запуска у меня получился хорошего качества текст. Ниже один пример. Чуть позже скину всю. свою домашку с небольшим % моих правок.
К слову, уникальность этих ответов - 100%, то есть это не копипаст. (Проверил на нескольких платформах)
Вопрос:
«В чем вы видите опасность коррупции вообще, и в частности, в России? »
Ответ нейросети:
Коррупция - это болезнь. И она есть во многих странах мира как следствие несовершенства общества: неравенства возможностей для всех граждан страны; отсутствия четких механизмов контроля за расходованием бюджетных средств. В конечном итоге коррупцию можно назвать одной из форм социального расслоения населения на богатых (чиновников), которые могут себе позволить иметь связи с властью или просто быть богаче остальных людей своей категории.
Коррупция опасна тем, что она разъедает общество изнутри. Она разрушает моральные устои, подрывает доверие людей друг к другу. В конечном итоге это приводит к тому, что государство не может выполнять свои функции по защите граждан от преступных посягательств на их жизнь, здоровье, имущество, права и свободы.
И вот, 4й курс, погряз в стартапах, времени на учебу нет от слова совсем, а тут ещё ОБЖшник хочет чтобы ему скинули что-то на почту - идеальный момент!
Немного поискав в интернете нашёл оптимальный вариант - Google Colab с сеткой от Сбера.
Установив все модули и немного поигравшись с параметрами запуска у меня получился хорошего качества текст. Ниже один пример. Чуть позже скину всю. свою домашку с небольшим % моих правок.
К слову, уникальность этих ответов - 100%, то есть это не копипаст. (Проверил на нескольких платформах)
Вопрос:
«В чем вы видите опасность коррупции вообще, и в частности, в России? »
Ответ нейросети:
Коррупция - это болезнь. И она есть во многих странах мира как следствие несовершенства общества: неравенства возможностей для всех граждан страны; отсутствия четких механизмов контроля за расходованием бюджетных средств. В конечном итоге коррупцию можно назвать одной из форм социального расслоения населения на богатых (чиновников), которые могут себе позволить иметь связи с властью или просто быть богаче остальных людей своей категории.
Коррупция опасна тем, что она разъедает общество изнутри. Она разрушает моральные устои, подрывает доверие людей друг к другу. В конечном итоге это приводит к тому, что государство не может выполнять свои функции по защите граждан от преступных посягательств на их жизнь, здоровье, имущество, права и свободы.
Google
ruGPT3XL_generation.ipynb
Run, share, and edit Python notebooks
А между тем, бот-администратор для приватного личного канала с соответствующим контентом (🔥) запущен с сегодняшнего дня
https://t.me/LadySparkleAdminbot
P.S. делал на заказ, контент не мой, если что 🙃
https://t.me/LadySparkleAdminbot
P.S. делал на заказ, контент не мой, если что 🙃
Telegram
Админ Lady Sparkle Art
ready to play?
решил вспомнить, что у меня есть несколько публикаций на Reddit:
Emoji GAN
Как обучают автопилот в Тесла
Data Scientist Starter Pack
Emoji GAN
Как обучают автопилот в Тесла
Data Scientist Starter Pack
тем временем, написал про наш путь к театральной постановке
https://telegra.ph/Nash-put-k-postanovke-03-04
https://telegra.ph/Nash-put-k-postanovke-03-04
Telegraph
Наш путь к постановке
Самое сложное при создании современной театральной постановки с использованием необычных и нетипичных технологий - это необходимость помирить друг с другом три основных аспекта: Первый аспект - это «сценичность» и «театральность», ведь наша конечная задача…
Для нашего театрального проекта сделал телеграмм бота, сообщение от него ниже. Можете побаловаться. Но учтите, что это лишь только самая первая версия.
На вход он получает предложение, а на выходе даёт синтаксическое дерево для этого предложения и несколько вариантов «обрезки» дерева.
На нынешнем этапе обрезка работает достаточно просто и зачастую падает для сложных предложений.
Однако дерево строится в большинстве случаев.
В течении пары дней добавлю кнопки для обратной связи, чтобы неудачные примеры можно было бы автоматически добавлять в обучающую выборку
P.S
По стеку технологий: в этот раз для сборки и деплоя решил попробовать Docker, оказалось очень удобно!
Осталось разобраться с сервисами по автоматической сборке и деплою докер контейнеров прямо из репозитория на гитхабе
На вход он получает предложение, а на выходе даёт синтаксическое дерево для этого предложения и несколько вариантов «обрезки» дерева.
На нынешнем этапе обрезка работает достаточно просто и зачастую падает для сложных предложений.
Однако дерево строится в большинстве случаев.
В течении пары дней добавлю кнопки для обратной связи, чтобы неудачные примеры можно было бы автоматически добавлять в обучающую выборку
P.S
По стеку технологий: в этот раз для сборки и деплоя решил попробовать Docker, оказалось очень удобно!
Осталось разобраться с сервисами по автоматической сборке и деплою докер контейнеров прямо из репозитория на гитхабе