razvijalci programske opreme Googlovi prvotno zasnovana in zgrajena globokega spanca za ImageNet velikem obsegu Visual Priznanje Challenge, letno tekmovanje ki se je začela leta 2010. Vsako leto, več deset organizacij tekmovale, da bi našli najbolj učinkovite načine za samodejno zaznavanje in razvrsti milijone slik. Po vsakem dogodku, programerji reevaluate njihove metode in dela za izboljšanje njihove tehnike.
priznanje Slika je bistvena sestavina, ki je večinoma manjka iz naše polje internetnih orodij. Naši iskalniki so usmerjena predvsem k razumevanju vnesli ključne besede in besedne zveze, namesto slik. To je eden od razlogov, boste morali označiti svoje zbirke slik s ključnimi besedami, kot so " mačka, " " hiša " in ". Tommy " Računalniki preprosto borijo za prepoznavanje vsebine slik s kakršno koli zanesljivo natančnostjo. Visual podatkov je nered in grdo in ne poznajo, kar vse otežuje računalniki razumejo.
Hvala za projekte, kot so Deep Dream, naši stroji so vedno boljši na videnje vizualni svet okoli njih. Da bi globokega spanca delo, Google programerji ustvarili umetno nevronske mreže (ANN), vrsto računalniškega sistema, ki se lahko učijo na svoje. Te nevronske mreže so po vzoru funkcionalnosti človeških možganov, ki uporablja več kot 100 milijard nevronov (živčnih celic), ki prenašajo živčne impulze, ki omogočajo vse naše telesne procese.
V nevronske mreže, umetni nevroni stojalo v bioloških tiste, filtriranje podatkov na številne načine, znova in znova, dokler sistem ne prispe na nekakšnem rezultata. V primeru globokega spanca, ki je običajno med 10 in 30 plasti umetnih nevronov, da je končni rezultat podoba.
Kako Deep Dream Reimagine svoje fotografije in jih pretvori iz znanih prizorov za računalniško-umetniških ometi da lahko preganjalo svoje nočne more v prihodnjih letih?
Računalniški Brains in Bikes
Nevronske mreže ne nastavi samodejno glede identifikacije podatkov. Dejansko zahteva malo usposabljanja -So treba krmiti nize podatkov uporabiti kot referenčne točke. V nasprotnem primeru bi le slepo odbirati skozi podatkih, ne more nobenega smisla za to.
Glede na Googlovem uradnem blogu, proces usposabljanja temelji na ponavljanju in analize. Na primer, če želite trenirati za ANN identificirati s kolesom, bi mu pokazal več milijonov koles. Poleg tega bi vam jasno določi - v računalniške kode, seveda. - Tisto kolo I
