Я. Гудфеллоу, И. Бенджио, А. Курвилль

11.6. Пример: распознавание нескольких цифр
В качестве примера практического применения комплексной методологии проекти-
рования мы кратко опишем систему транскрипции Street View с точки зрения про-
ектирования компонентов глубокого обучения. Понятно, что не менее важную роль 
играют и многие другие компоненты системы, в частности автомобили Street View, 

---

Пример: распознавание нескольких цифр 

371
инфраструктура базы данных и т. д. С точки зрения машинного обучения процесс на-
чинается со сбора данных. Автомобили собирают исходные данные, а люди помечают 
их. Собственно, транскрипции предшествовала большая работа по подготовке набора 
данных, в т. ч. применение других методов машинного обучения для обнаружения 
номеров данных.
В начале работы над проектом мы определили показатели качества и их жела-
тельные значения. Важный общий принцип – выбирать показатели в соответствии 
с бизнес-целями проекта. Поскольку карты ценны, лишь если они верны, важным 
требованием к проекту было достижение высокой верности. Точнее, ставилась цель 
достичь такой же верности, как при определении номеров домов человеком, – 98%. 
Добиться такой верности не всегда возможно, поэтому система транскрипции Street 
View пожертвовала покрытием. Таким образом, покрытие стало главным показате-
лем качества, который и требовалось оптимизировать при ограничении на верность 
98%. По мере совершенствования нейронной сети появилась возможность снизить 
порог доверия, ниже которого система отказывалась транскрибировать вход, так что 
в итоговой системе покрытие превзошло намеченные 95%.
Следующим после выбора количественных целей шагом рекомендуемой методоло-
гии является скорейшая организация разумной базовой системы. Для задач компью-
терного зрения это сверточная сеть с блоками линейной ректификации. Именно та-
кую модель мы и выбрали в начале проекта. В то время редко можно было встретить 
сверточные сети, порождавшие последовательность предсказаний. В первой, самой 
простой модели выходной слой состоял из 
n
softmax-блоков для предсказания после-
довательности 
n
символов. Эти блоки обучались так, как если бы речь шла о задаче 
классификации, каждый softmax-блок обучался независимо от остальных.
Наша методология рекомендует итеративно уточнять базовую модель и прове-
рять, привело ли очередное изменение к улучшению. Первое изменение системы 
транскрипции Street View было связано с теоретическим осмыслением метрики по-
крытия и структуры данных. Точнее, система отказывалась классифицировать вход