JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть IV • Резюме и заключительное слово
z
z
Отображение изображений и вектора в изображение.
•
Виртуальная примерка одежды и косметики
(Virtual try­on for clothes and 
cosmetic products) — отображение селфи пользователя и векторного пред­
ставления косметического средства или предмета одежды в изображение 
пользователя, на которого надета данная одежда или нанесена косметика.
z
z
Отображение данных временного ряда и вектора в данные временного ряда.
•
Перенос музыкального стиля 
(Musical style transfer) — отображение партитуры 
(например, произведения классической музыки в виде временного ряда нот) 
и описания желаемого состояния (например, «джаз») в новую партитуру, на­
писанную в этом стиле.
Как вы могли заметить, последние четыре категории в этом списке включают 
смешанные типы входных данных. На современном этапе развития технологии, 
когда все вокруг оцифровывается, а потому может быть представлено в виде тензо­
ров, возможности глубокого обучения ограничиваются лишь вашим воображением 
и наличием обучающих данных. И хотя возможны почти все виды отображений, но 
не все. Мы обсудим в следующем разделе, на что глубокое обучение 
не
способно.
13.2.5. Ограничения глубокого обучения
Спектр приложений, которые можно реализовать с помощью глубокого обучения, 
практически неисчерпаем. В результате очень легко переоценить мощь глубоких ней­
ронных сетей и чересчур оптимистично отнестись к перечню задач, которые они могут 
решить. В этом разделе мы вкратце поговорим о некоторых текущих их ограничениях.
Нейронные сети видят мир не так, как люди
Пытаясь разобраться в глубоком обучении, важно не слишком 
очеловечивать
его — 
существует тенденция неправильно интерпретировать глубокие нейронные сети 
как некую имитацию восприятия и мышления людей. Очеловечивать глубокие 
нейронные сети, вне всякого сомнения, будет неправильно в нескольких отноше­
ниях. Во­первых, воспринимая внешний стимул (например, изображение лица 
девушки или изображение зубной щетки), человек не только воспринимает яркость 
и цветовые закономерности входного сигнала, но и выделяет из него более глубокие 
и важные концепты, отражаемые этими поверхностными закономерностями (на­
пример, лицо молодой девушки или товар, связанный с гигиеной ротовой полости, 
а также связи между ними). Глубокие нейронные сети работают не так. При об­
учении модели, предназначенной для добавления подписей к изображениям, ото­
бражать изображения в текстовый выходной сигнал не следует считать, что модель 
«понимает» изображение подобно человеку. В некоторых случаях модель может 
начать генерировать абсурдные подписи даже при незначительном отклонении от 
представленной в обучающих данных разновидности изображений (см. рис. 13.3).
В частности, своеобразный, нечеловеческий способ обработки глубокими ней­
ронными сетями входных данных иллюстрируется 
состязательными примерами 

---