Архив рубрики: tutorial

Сверточные нейронные сети для компьютерного зрения [1.1] Классификация изображений: Data-driven подход, k-Nearest Neighbor, train/val/test разделение

Это вводная статья, призванная познакомить людей, не знакомых с компьютерным зрением, с проблемой классификации изображений и data-driven подходом.

Читать далее

Сверточные нейронные сети для компьютерного зрения [0.4] Инструкция по использованию Google Cloud

Для проектов и задач данного курса, авторы предлагают использовать Google Compute Engine для разработки и тестирования ваших реализаций, однако, по нашему мнению это не самый лучший вариант. В этом руководстве перечислены необходимые шаги для работы над заданиями с помощью Google Cloud. Мы рассчитываем, что изучение этого руководства займет около 1 часа. Не пугайтесь шагов, мы постарались сделать это руководство наиболее подробным, чтобы у вас было меньше шансов застрять на определенном шаге. 

Это руководство говорит о том, как настроить собственный экземпляр Google Compute Engine (GCE) для работы с заданиями. После первой регистрации, вы по умолчанию получите $300 от Google.

Читать далее

Сверточные нейронные сети для компьютерного зрения [0.3] Инструкция по использованию IPython

В этом разделе будет рассмотрены IPython notebooks (часто более известный как Jupyter notebooks) для работы над задачами курса. IPython notebook позволяет писать и исполнять Python код в веб-браузере. IPython notebooks позволяет очень легко править код и выполнять его частями; По этой причине IPython notebooks широко используется в научных вычислениях.

Читать далее

Сверточные нейронные сети для компьютерного зрения [0.2] Инструкция по использованию Python/Numpy

Оригинал инструкции был составлен Джастином Джонсоном.

Мы будем использовать язык программирования Python для всех заданий этого курса. Python это отличный универсальный язык программирования сам по себе, но с помощью некоторых популярных библиотек (numpy, scipy, matplotlib) он становиться мощным окружением для научных вычислений.

Несмотря на предположение, что читатель имеет некоторый опыт использования Python и numpy, для этот раздел послужит быстрым вводным курсом по языку программирования Python и использовании Python для научных вычислений для читателей с недостаточными навыками.

Читать далее

Сверточные нейронные сети для компьютерного зрения [0.1] Введение и установка

Эта статья открывает цикл статей, основанных на переводе лекций и практических заданий курса CS231n Convolutional Neural Networks for Visual Recognition Стэнфордовского университета, этот курс является вводным в использование сверточных нейронных сетей для задач компьютерного зрения. В первой части рассмотрены вопросы структуры курса и подготовки рабочей среды. В рамках перевода некоторые термины не будут переводится в силу редкости русскоязычных ресурсов и повсеместного использования оригинальных названий. Кроме того, статьи не являются точным переводом и могут быть дополнены авторами. 

Отдельная просьба к читателям: при наличии вопросов, задавайте их в сообщениях сообщества в VK.

Читать далее

Построение одномерных (Одна переменная, один параметр) бифуркационных диаграмм в Maxima

Слов «бифуркация» означает «раздвоение» и употребляет как название любого скачкообразного изменения, происходящего при плавном изменении параметров в любо системе: динамической, экологической и т. д.

Бифуркации имеют фундаментальное значение при исследовании поведения динамических систем. Часто именно бифуркации определяют механизм возникновения многих сложных процессов.

Рассмотрим способ построения бифуркационных диаграмм для простейших систем с помощью Maxima

В математике, особенно при изучении динамических систем, под понятием бифуркационная диаграмма подразумевают изображение на рисунке смены возможных динамических режимов системы (равновесных состояний, стационарных точек, периодических орбит и пр.) при изменении значения бифуркационного параметра. [Википедия].

Таким образом на диаграмме отражена динамика изменения положений равновесия в зависимости от изменения некого параметра системы.

Построение диаграммы рассмотрим на примере седло-узловой бифуркации в системе, описываемой д.у.

где  λ — варьируемый параметр (В среде Maxima будем использовать L). Необходимо определить равновесные решения. Для этого воспользуемся командой

b4_1: solve(L-x^2=0, x);
(b4_1)[x=-sqrt(L),x=sqrt(L)]

Теперь для построения диаграммы воспользуемся командой:

plot2d( [ rhs(b4_1[1]),rhs(b4_1[2]) ], [ L, -5, 5 ],  [ xlabel, «L» ], [ ylabel, «Точки равновесия» ],[legend, false] );

Получим следующий результат:

Бифуркационная диаграмма

Как видно из рисунка, из точки бифуркации выходят две ветви равновесных состояний, одна из которых устойчивая, а вторая — неустойчивая. При варьировании параметра в сторону увеличения значений из «ничего» рождаются два состояния равновесия, одно из которых устойчиво. Бифуркации такого рода относят к типу «седло-узел».

plot2d() — построение двумерного графика
rhs() — получение правой части равенства, в нашем случае функции x(L)
[ xlabel, «L» ] — Задаем название оси X
[ ylabel, «Точки равновесия» ] — Задаем название оси Y
[legend, false] — отключаем легенду

Аналогичным образом можно построить диаграмц и для системы с большим числом решений/

Больше информации о бифуркациях и больше примеров ищите на digiratory.ru