<Р> софтуерните разработчици на Google, първоначално замислен и построен Deep мечта за ImageNet голям мащаб Recognition Challenge Visual, годишен конкурс която започна през 2010 г. Всяка година десетки организации се състезават, за да намерите най-ефективните начини за автоматично откриване и класифициране на милиони изображения. След всяко събитие, програмисти преоценяват своите методи и работа за подобряване на техните техники.
<Р> Разпознаване на образи е жизненоважен компонент, който е най-вече липсва от нашата кутия с Интернет инструменти. Нашите търсачките са насочени най-вече към разбиране въвели ключови думи и фрази, вместо изображения. Това е една от причините, вие трябва да маркирате вашите колекции от изображения с ключови думи като " котка, " " " къща; и ". " Tommy; Компютри просто се борят за идентифициране на съдържанието на изображения с всяка надеждна точност. Visual данни е затрупана и разхвърлян и непознати, всички от които го прави трудно за компютри, за да разберат.
Благодарение на проекти като Deep мечта, нашите машини са все по-добре, когато видя визуалната света около тях. За да направите Deep мечта работа, програмисти на Google създадоха изкуствена невронна мрежа (ANN), вид на компютърна система, която може да се научи сам по себе си. Тези невронни мрежи са моделирани след функционалността на човешкия мозък, който използва повече от 100 милиарда неврони (нервни клетки), които предават импулсите нервни, даващи възможност на всички наши телесни процеси.
В невронна мрежа, изкуствени неврони застанат в за биологични такива, филтриране на данни в множество начини, отново и отново, докато системата не пристига в някакъв резултат. В случай на Deep мечта, която обикновено има между 10 и 30 слоя от изкуствени неврони, че крайният резултат е изображение.
<Р> Как Deep Дрийм reimagine вашите снимки, да ги конвертирате от познати сцени за компютърно изкуство графики които могат да преследват кошмарите си за идните години?
Компютърни Brains и Мотори
<р> невронни мрежи не бъдат зададени автоматично за идентифициране на данни. Те действително изисква малко обучение -Те трябва да бъдат хранени набори от данни да се използват като отправни точки. В противен случай те ще просто сляпо пресее п
