Neyrobugurt। कैसे हमने स्टैनफोर्ड की तुलना में एक साल पहले मेमों का आविष्कार करने के लिए तंत्रिका नेटवर्क सिखाया

स्टैनफोर्ड यूनिवर्सिटी के वैज्ञानिकों द्वारा मेमे जनरेटर के आविष्कार के बारे में इस खबर (+ शोध ) ने मुझे एक लेख लिखने के लिए प्रेरित किया। अपने लेख में, मैं यह दिखाने की कोशिश करूंगा कि तंत्रिका नेटवर्क के साथ दिलचस्प चीजें करने के लिए आपको स्टैनफोर्ड वैज्ञानिक होने की आवश्यकता नहीं है। लेख में, मैं बताता हूं कि कैसे 2017 में हमने लगभग 30,000 ग्रंथों के शरीर पर एक तंत्रिका नेटवर्क को प्रशिक्षित किया और इसे शब्द के समाजशास्त्रीय अर्थों में नए इंटरनेट मेमे और मेम्स (संचार संकेत) उत्पन्न करने के लिए मजबूर किया। हम उस मशीन लर्निंग एल्गोरिदम का वर्णन करते हैं जिसका हमने उपयोग किया, तकनीकी और प्रशासनिक कठिनाइयों का सामना करना पड़ा।

हम न्यूरो-लेखक के विचार में कैसे आए और इसके बारे में वास्तव में क्या हुआ, इसके बारे में थोड़ी पृष्ठभूमि। 2017 में, हमने एक Vkontakte सार्वजनिक वेबसाइट के लिए एक प्रोजेक्ट बनाया, जिसका नाम और स्क्रीनशॉट, जिनमें से Habrahabr मध्यस्थों ने "स्व" पीआर के रूप में इसके उल्लेख को देखते हुए, प्रकाशित करने के लिए मना किया था। 2013 से सार्वजनिक मौजूद है और एक लाइन के माध्यम से हास्य को विघटित करने के सामान्य विचार के साथ पदों को एकजुट करता है और "@" प्रतीक के साथ लाइनों को अलग करता है:


@

@


लाइनों की संख्या अलग-अलग हो सकती है, साजिश कोई भी हो सकती है। सबसे अधिक बार, यह वास्तविकता के बड़े पैमाने पर तथ्यों के बारे में हास्य या तेज सामाजिक नोट्स है। सामान्य तौर पर, इस डिज़ाइन को "buhurt" कहा जाता है।



ठेठ बुहारों में से एक

इन वर्षों में, जनता एक आंतरिक विद्या (वर्ण, भूखंड, स्थान) में बढ़ी है, और पदों की संख्या 30,000 से अधिक हो गई है। परियोजना की जरूरतों के लिए उनके पार्सिंग के समय, पाठ के स्रोत लाइनों की संख्या आधा मिलियन से अधिक हो गई है।

भाग 0. विचारों और टीमों का उद्भव

तंत्रिका नेटवर्क की व्यापक लोकप्रियता के मद्देनजर, हमारे ग्रंथों पर एएनएन को प्रशिक्षित करने का विचार लगभग छह महीने तक हवा में था, लेकिन अंत में दिसंबर 2016 में ई 7 एसयू का उपयोग करके तैयार किया गया था। उसी समय, नाम का आविष्कार किया गया था ("न्यूरोगुगर्ट")। उस समय, परियोजना में रुचि रखने वाली टीम में केवल तीन लोग शामिल थे। हम सभी छात्र एल्गोरिदम और तंत्रिका नेटवर्क में व्यावहारिक अनुभव के बिना थे। इससे भी बदतर, हमारे पास प्रशिक्षण के लिए एक भी उपयुक्त GPU नहीं है। हम सभी में उत्साह और विश्वास था कि यह कहानी दिलचस्प हो सकती है।

भाग 1. परिकल्पना और कार्यों का सूत्रीकरण

हमारी परिकल्पना इस धारणा के रूप में सामने आई कि यदि आप साढ़े तीन साल में प्रकाशित सभी ग्रंथों को मिलाते हैं और इस इमारत पर तंत्रिका नेटवर्क को प्रशिक्षित करते हैं, तो आप प्राप्त कर सकते हैं:

क) लोगों की तुलना में अधिक रचनात्मक
b) मज़ेदार

भले ही बर्थ में शब्द या अक्षर मशीन से उलझे और बेतरतीब ढंग से व्यवस्थित हों - हम मानते थे कि यह एक प्रशंसक सेवा के रूप में काम कर सकता है और फिर भी पाठकों को खुश करेगा।

कार्य को इस तथ्य से बहुत सरल किया गया था कि बुर्जों का प्रारूप अनिवार्य रूप से पाठ्य है। इसलिए, हमें मशीन विजन और अन्य जटिल चीजों में डुबकी लगाने की आवश्यकता नहीं थी। एक और अच्छी खबर यह थी कि ग्रंथों का पूरा शरीर बहुत समान है। इसने प्रबलित अधिगम का उपयोग न करना संभव बना दिया - कम से कम प्रारंभिक अवस्था में। उसी समय, हम स्पष्ट रूप से समझ गए कि एक से अधिक बार पढ़ने योग्य आउटपुट के साथ एक तंत्रिका नेटवर्क लेखक बनाना इतना आसान नहीं है। एक राक्षस को जन्म देने का जोखिम जो बेतरतीब ढंग से चिट्ठियों को लहराएगा, बहुत शानदार था।

भाग 2. ग्रंथों के शरीर की तैयारी

यह माना जाता है कि तैयारी के चरण में बहुत लंबा समय लग सकता है, क्योंकि यह डेटा के संग्रह और सफाई से जुड़ा हुआ है। हमारे मामले में, यह कम हो गया: एक छोटे से पार्सर में लिखा गया था कि सामुदायिक दीवार से लगभग 30k पदों को पंप किया गया था और उन्हें एक txt फ़ाइल में डाल दिया था।

हमने पहले प्रशिक्षण से पहले डेटा को साफ नहीं किया था। भविष्य में, इसने हमारे साथ एक क्रूर मजाक खेला, क्योंकि इस स्तर पर जो त्रुटि हुई थी, उसके कारण हम परिणामों को लंबे समय तक पठनीय रूप में नहीं ला सके। लेकिन उस पर और बाद में।



बर्गर के साथ स्क्रीन फ़ाइल

भाग 3. घोषणा, परिकल्पना का शोधन, एल्गोरिथम का चुनाव

हमने एक सुलभ संसाधन का उपयोग किया - बड़ी संख्या में सार्वजनिक ग्राहक। धारणा यह थी कि 300,000 पाठकों के बीच कई उत्साही लोग हैं जो हमारी टीम के ज्ञान में अंतराल को भरने के लिए पर्याप्त स्तर पर तंत्रिका नेटवर्क के मालिक हैं। हमने प्रतियोगिता की व्यापक रूप से घोषणा करने और मशीन सीखने के प्रति उत्साही लोगों को तैयार समस्या की चर्चा के लिए आकर्षित करने के विचार से शुरू किया। ग्रंथों को लिखने के बाद, हमने लोगों को अपने विचार के बारे में बताया और प्रतिक्रिया की उम्मीद की।



विषयगत चर्चा की घोषणा

लोगों की प्रतिक्रिया हमारी बेतहाशा अपेक्षाओं को पार कर गई। इस तथ्य की चर्चा कि हम एक तंत्रिका नेटवर्क को प्रशिक्षित करने जा रहे हैं, जिसने लगभग 1000 टिप्पणियों द्वारा होलीवर का प्रसार किया है। अधिकांश पाठकों ने बस फीका किया और कल्पना करने की कोशिश की कि परिणाम कैसा दिखेगा। लगभग 6,000 लोगों ने विषयगत चर्चा में भाग लिया, और 50 से अधिक इच्छुक शौकीनों ने टिप्पणी छोड़ दी जिनके लिए हमने प्रारंभिक परीक्षण और प्रशिक्षण आयोजित करने के लिए 814 buhurt लाइनों का एक परीक्षण सेट दिया। प्रत्येक इच्छुक व्यक्ति एक डेटासेट ले सकता है और एल्गोरिथ्म सीख सकता है जो उसके लिए सबसे दिलचस्प है, और फिर हमारे और अन्य उत्साही लोगों के साथ चर्चा करें। हमने पहले ही घोषणा की थी कि हम उन प्रतिभागियों के साथ काम करना जारी रखेंगे जिनके परिणाम सबसे अधिक पठनीय होंगे।

काम शुरू हुआ: किसी ने मार्कोव श्रृंखला पर एक जनरेटर को चुपचाप इकट्ठा किया, किसी ने गीथूब के साथ विभिन्न कार्यान्वयन की कोशिश की, और सबसे ज्यादा चर्चा में पागल हो गया और मुंह पर फोम के साथ हमें आश्वस्त किया कि इसका कुछ भी नहीं आएगा। इससे परियोजना का तकनीकी हिस्सा शुरू हुआ।



उत्साही लोगों द्वारा कुछ सुझाव

लोगों ने कार्यान्वयन के लिए दर्जनों विकल्प पेश किए:

• मार्कोव चेन।
• GitHub के समान कुछ का एक तैयार किया गया कार्यान्वयन खोजें और इसे प्रशिक्षित करें।
• एक यादृच्छिक वाक्यांश जनरेटर पास्कल में लिखा गया है।
• एक साहित्यिक नीग्रो प्राप्त करें जो यादृच्छिक बकवास लिखेंगे, और हम इसे एक तंत्रिका नेटवर्क आउटपुट के रूप में पास करेंगे।

किसी एक सब्सक्राइबर से प्रोजेक्ट की जटिलता का मूल्यांकन

अधिकांश टिप्पणीकारों ने इस बात पर सहमति व्यक्त की कि हमारी परियोजना विफल है और हम प्रोटोटाइप चरण तक भी नहीं पहुंच पाएंगे। जैसा कि हमने बाद में समझा, लोग अभी भी तंत्रिका नेटवर्क को किसी प्रकार के काले जादू के रूप में देखना पसंद कर रहे हैं जो "ज़करबर्ग के प्रमुख" और Google के गुप्त विभाजनों में होता है।

भाग 4. एल्गोरिदम चयन, प्रशिक्षण और टीम विस्तार

कुछ समय बाद, हमने एल्गोरिथ्म के लिए क्राउडसोर्सिंग विचारों के लिए जो अभियान शुरू किया वह इसके पहले फलों को सहन करने लगा। हमें लगभग 30 कामकाजी प्रोटोटाइप मिले, जिनमें से अधिकांश पूरी तरह से अपठनीय बकवास थे।

इस स्तर पर, हमने पहली बार टीम के एक डिमोटेशन का सामना किया। सभी परिणाम बहुत कमजोर रूप से buhurts के समान थे और सबसे अधिक बार अक्षरों और प्रतीकों के अबरकदबरा का प्रतिनिधित्व करते थे। दर्जनों उत्साही लोगों का काम धूल गया और इसने उन्हें और हमें दोनों को ध्वस्त कर दिया।

PyTorch- आधारित एल्गोरिथ्म ने खुद को दूसरों की तुलना में बेहतर दिखाया। इस कार्यान्वयन और LSTM एल्गोरिदम को आधार के रूप में लेने का निर्णय लिया गया। हमने उस ग्राहक को पहचान लिया जिसने उसे विजेता के रूप में प्रस्तावित किया और उसके साथ मिलकर एल्गोरिथ्म को बेहतर बनाने पर काम करना शुरू किया। हमारी वितरित टीम चार लोगों की हो गई है। यहां मजेदार तथ्य यह है कि प्रतियोगिता का विजेता , जैसा कि निकला, केवल 16 वर्ष का था। जीत डेटा साइंस के क्षेत्र में उनका पहला वास्तविक पुरस्कार था।

पहले प्रशिक्षण के लिए, 8 ग्राफिक कार्ड GXT1080 का एक क्लस्टर किराए पर लिया गया था।



कार्ड क्लस्टर प्रबंधन कंसोल

मूल रिपॉजिटरी और सभी टॉर्च-एनएन प्रोजेक्ट मैनुअल यहाँ हैं:
github.com/jcjohnson/torch-rnn बाद में, इसके आधार पर, हमने अपनी रिपॉजिटरी प्रकाशित की, जिसमें हमारे स्रोत हैं, इंस्टॉलेशन के लिए रीडमी, साथ ही समाप्त न्यूरोबुगर स्वयं।

पहले कुछ बार हमने एक भुगतान किए गए GPU क्लस्टर पर पूर्व-कॉन्फ़िगर कॉन्फ़िगरेशन का उपयोग करके प्रशिक्षित किया। इसे स्थापित करना इतना मुश्किल नहीं था - मशाल डेवलपर से बस निर्देश और होस्टिंग प्रशासन से मदद, जो भुगतान में शामिल है, पर्याप्त हैं।

हालांकि, बहुत जल्दी हम कठिनाई में भाग गए: प्रत्येक प्रशिक्षण में जीपीयू किराये के समय की लागत होती है - जिसका अर्थ है कि परियोजना में बस पैसा नहीं था। इस वजह से, जनवरी-फरवरी 2017 में, हमने खरीदी गई सुविधाओं पर प्रशिक्षण का आयोजन किया, और हमने अपनी स्थानीय मशीनों पर उत्पादन शुरू करने का प्रयास किया।

कोई भी पाठ मॉडल प्रशिक्षण के लिए उपयुक्त है। प्रशिक्षण से पहले, आपको इसे प्रीप्रोसेस करने की आवश्यकता है, जिसके लिए टार्च में एक विशेष प्रीप्रोसेसहोम एल्गोरिथ्म है जो आपके my_data.txt को दो फाइलों में परिवर्तित करता है: HDF5 और JSON:

प्रीप्रोसेसिंग स्क्रिप्ट इस तरह चलती है:

 python scripts/preprocess.py \ --input_txt my_data.txt \ --output_h5 my_data.h5 \ --output_json my_data.json 

प्रीप्रोसेसिंग के बाद, दो फाइलें दिखाई देती हैं, जिस पर भविष्य में तंत्रिका नेटवर्क को प्रशिक्षित किया जाएगा

प्रीप्रोसेसिंग स्टेज पर बदले जा सकने वाले विभिन्न झंडे यहां वर्णित हैं । डॉकर से टार्च चलाना भी संभव है, लेकिन लेख के लेखक ने इसकी जांच नहीं की।

तंत्रिका नेटवर्क प्रशिक्षण

प्रीप्रोसेसिंग के बाद, आप मॉडल को प्रशिक्षित करने के लिए आगे बढ़ सकते हैं। HDF5 और JSON के साथ फ़ोल्डर में, आपको वें उपयोगिता को चलाने की जरूरत है, जो आपके साथ दिखाई देती है यदि आपने टार्च को सही ढंग से स्थापित किया है:

 th train.lua -input_h5 my_data.h5 -input_json my_data.json 

प्रशिक्षण में भारी मात्रा में समय लगता है और प्रपत्र cv / checkpoint_1000.t7 की फ़ाइलों को उत्पन्न करता है, जो हमारे तंत्रिका नेटवर्क के "वेट" हैं। ये फाइलें मेगाबाइट की एक प्रभावशाली राशि का वजन करती हैं और आपके मूल डेटासेट में विशिष्ट अक्षरों के बीच लिंक की ताकत होती हैं।



एक तंत्रिका नेटवर्क की तुलना अक्सर मानव मस्तिष्क के साथ की जाती है, लेकिन यह मुझे एक गणितीय फ़ंक्शन के साथ बहुत स्पष्ट सादृश्य लगता है जो इनपुट (आपके डेटासेट) पर पैरामीटर लेता है और आउटपुट (नया डेटा) आउटपुट पर देता है।

हमारे मामले में, 500,000 लाइनों के डेटा सेट में 8 GTX 1080 के क्लस्टर पर प्रत्येक प्रशिक्षण में लगभग एक या दो घंटे का समय लगता था और इसी तरह के CPU i3-2120 पर लगभग 80-100 घंटे का प्रशिक्षण मिलता था। लंबे समय तक प्रशिक्षण के मामले में, तंत्रिका नेटवर्क ने सख्ती से पीछे हटना शुरू कर दिया - प्रतीक अक्सर एक-दूसरे को दोहराते हैं, प्रस्तावनाओं, संयोजनों और परिचयात्मक शब्दों के लंबे चक्रों में गिरते हैं।

यह सुविधाजनक है कि आप चौकियों की आवृत्ति का चयन कर सकते हैं और एक प्रशिक्षण के दौरान आपको तुरंत कई मॉडल मिलेंगे: कम से कम प्रशिक्षित (चेकपॉइंट_1000) से लेकर रिट्रेस्ड (चेकपॉइंट_1000000)। केवल पर्याप्त स्थान ही पर्याप्त होगा।

नई पाठ पीढ़ी

भार (चेकपॉइंट _ *******) के साथ कम से कम एक तैयार फ़ाइल प्राप्त करने के बाद, आप अगले और सबसे दिलचस्प चरण पर आगे बढ़ सकते हैं: ग्रंथों को बनाना शुरू करें। हमारे लिए, यह सच्चाई का एक वास्तविक क्षण था, क्योंकि पहली बार हमें कुछ मूर्त परिणाम मिला था - एक मशीन द्वारा लिखित एक बगर्ट।

इस बिंदु पर, हमने अंततः क्लस्टर का उपयोग करना बंद कर दिया और सभी पीढ़ियों को हमारे कम-शक्ति मशीनों पर किया गया। हालांकि, जब स्थानीय रूप से शुरू करने की कोशिश कर रहे थे, तो हम निर्देशों का पालन करने और मशाल स्थापित करने में सफल नहीं हुए। पहला अवरोध आभासी मशीनों का उपयोग था। वर्चुअल उबंटू 16 पर, छड़ी बंद नहीं होती है - इसे भूल जाओ। StackOverflow अक्सर बचाव के लिए आया था, लेकिन कुछ त्रुटियां इतनी nontrivial थीं कि उत्तर केवल बड़ी कठिनाई से मिल सकता था।

एक स्थानीय मशीन पर टार्च स्थापित करने से कुछ हफ़्ते के लिए परियोजना रुक गई: हमने कई आवश्यक पैकेजों को स्थापित करने में सभी प्रकार की त्रुटियों का सामना किया, हमने वर्चुअलाइजेशन (वर्चुअन .env) के साथ भी संघर्ष किया और अंततः इसका उपयोग नहीं किया। कई बार स्टैंड को sudo rm -rf के स्तर तक ध्वस्त कर दिया गया था और बस फिर से स्थापित किया गया था।

भार के साथ परिणामी फ़ाइल का उपयोग करते हुए, हम अपने स्थानीय मशीन पर ग्रंथों का निर्माण शुरू करने में सक्षम थे:



पहले निष्कर्ष में से एक

भाग 5. समाशोधन ग्रंथ

एक और स्पष्ट कठिनाई यह थी कि पदों का विषय बहुत अलग है, और हमारे एल्गोरिथ्म में कोई भी विभाजन शामिल नहीं है और सभी 500,000 लाइनों को एक पाठ के रूप में मानता है। हमने डेटासेट को क्लस्टर करने के लिए अलग-अलग विकल्पों पर विचार किया और कई हजार बुर्जों में विषय या स्थान टैग द्वारा ग्रंथों के शरीर को मैन्युअल रूप से तोड़ने के लिए भी तैयार थे (इसके लिए एक आवश्यक मानव संसाधन था), लेकिन जीएसटीएम सीखते समय क्लस्टर जमा करने में लगातार तकनीकी कठिनाइयों का सामना करना पड़ा। एल्गोरिथ्म को बदलना और प्रतियोगिता को फिर से आयोजित करना परियोजना के समय और प्रतिभागियों की प्रेरणा के संदर्भ में सबसे समझदार विचार नहीं था।

ऐसा लगता था कि हम एक गतिरोध पर थे - हम buhurts को क्लस्टर नहीं कर सकते थे, और एक ही विशाल डेटासेट पर प्रशिक्षण के परिणाम संदिग्ध थे। मैं एक कदम वापस नहीं लेना चाहता था और लगभग बढ़े हुए एल्गोरिथ्म और कार्यान्वयन को बदलना चाहता था - परियोजना बस कोमा में पड़ सकती है। टीम को सामान्य रूप से स्थिति को हल करने के लिए पर्याप्त ज्ञान नहीं था, लेकिन अच्छे पुराने SME-KAL-OCHK-A बचाव में आए। बैसाखी का अंतिम समाधान प्रतिभाशाली सरल हुआ: मूल डेटासेट में, मौजूदा बुर्जों को एक दूसरे से अलग करना और खाली लाइनों को फिर से प्रशिक्षित करना।

हमने प्रत्येक बर्थ के बाद 10 ऊर्ध्वाधर स्थानों में बीट्स की व्यवस्था की, प्रशिक्षण को दोहराया, और पीढ़ी के दौरान हमने 500 अक्षरों के आउटपुट वॉल्यूम (मूल डेटासेट में एक "प्लॉट" buhurt की औसत लंबाई) पर एक सीमा निर्धारित की।



जैसा भी था। ग्रंथों के बीच अंतराल न्यूनतम हैं।



यह कैसे बने? 10 लाइनों के अंतराल ने LSTM को "समझने" दिया कि एक दलदल खत्म हो गया है और दूसरा शुरू हो गया है।

इस प्रकार, यह प्राप्त करना संभव था कि लगभग 60% सभी उत्पन्न buhurts में पठनीय (प्रायः बहुत ही भ्रमपूर्ण) भूखंड की शुरुआत से अंत तक बुहार की पूरी लंबाई के साथ प्लॉट होने लगे। एक भूखंड की लंबाई, औसतन 9 से 13 लाइनों तक थी।

भाग 6. मुकरना

परियोजना की अर्थव्यवस्था का अनुमान लगाने के बाद, हमने तय किया कि हम अब क्लस्टर किराए पर पैसा खर्च न करें, बल्कि अपने स्वयं के कार्ड खरीदने में निवेश करें। सीखने का समय बढ़ेगा, लेकिन एक बार कार्ड खरीदने के बाद, हम लगातार नए भाव उत्पन्न कर सकते हैं। उसी समय, अक्सर प्रशिक्षण आयोजित करना लगातार आवश्यक नहीं रह गया था।



स्थानीय मशीन पर सेटिंग्स लड़ना

भाग 7. संतुलन परिणाम

मार्च-अप्रैल 2017 के मोड़ पर, हमने तंत्रिका नेटवर्क को फिर से प्रशिक्षित किया, तापमान मापदंडों और प्रशिक्षण युग की संख्या को निर्दिष्ट किया। नतीजतन, आउटपुट की गुणवत्ता थोड़ी बढ़ गई है।



मशाल-आरएनएन सीखने की गति चार-आरएनएन की तुलना में

हमने मशाल के साथ आने वाले दोनों एल्गोरिदम का परीक्षण किया: आरएनएन और एलएसटीएम। दूसरा बेहतर साबित हुआ।

भाग 8. हमने क्या हासिल किया है?

पहला न्यूरोबुगर 17 जनवरी, 2017 को प्रकाशित किया गया था - क्लस्टर पर प्रशिक्षण के तुरंत बाद - और पहले दिन 1000 से अधिक टिप्पणियां एकत्र की गईं।



सबसे पहले न्यूरोब्जर्ग में से एक

न्यूरोबुगरेट्स दर्शकों तक इतनी अच्छी तरह से पहुंचे कि वे एक अलग खंड बन गए, जो कि पूरे वर्ष के दौरान हैशटैग # न्यूरोबुगर और खुश ग्राहकों के तहत सामने आया। कुल मिलाकर, 2017 और 2018 की शुरुआत में, हमने 500 से अधिक वर्णों के औसत के साथ, 18,000 से अधिक न्यूरोबुगर उत्पन्न किए। इसके अलावा, सार्वजनिक पैरोडी का एक पूरा आंदोलन दिखाई दिया, जिनमें से प्रतिभागियों ने न्यूरोबुगर्स को चित्रित किया, स्थानों में बेतरतीब ढंग से वाक्यांशों को पुन: व्यवस्थित किया।

भाग 9. एक निष्कर्ष के बजाय

इस लेख के साथ मैं यह दिखाना चाहता था कि भले ही आपको तंत्रिका नेटवर्क में अनुभव न हो, लेकिन यह दुःख कोई समस्या नहीं है। तंत्रिका नेटवर्क के साथ सरल लेकिन दिलचस्प चीजें करने के लिए आपको स्टैनफोर्ड में काम करने की आवश्यकता नहीं है। हमारी परियोजना के सभी प्रतिभागी अपने वर्तमान कार्यों, डिप्लोमा, कार्यों के साथ सामान्य छात्र थे, लेकिन सामान्य कारण ने हमें परियोजना को अंतिम रूप देने की अनुमति दी। विचारशील विचार, योजना और प्रतिभागियों की ऊर्जा के लिए धन्यवाद, हम विचार के अंतिम सूत्रीकरण के बाद एक महीने से भी कम समय में पहली बार प्राप्त करने में सक्षम थे (अधिकांश तकनीकी और संगठनात्मक कार्य सर्दियों की छुट्टियों 2017 में गिर गए)।



18,000 से अधिक मशीन-जनित बुर्हेट्स

मुझे उम्मीद है कि यह लेख किसी को तंत्रिका नेटवर्क के साथ अपनी महत्वाकांक्षी परियोजना की योजना बनाने में मदद करता है। मैं कड़ाई से न्याय नहीं करने के लिए कहता हूं, क्योंकि यह हैबे पर मेरा पहला लेख है। यदि आप, मेरी तरह, एक एमएल उत्साही, चलो दोस्त हैं ।