हम एक रोबोट वैक्यूम क्लीनर को एक सार्वभौमिक सैनिक में बदलते हैं

यह सब गहन सीखने, तंत्रिका नेटवर्क और सूची को और नीचे लाने के जुनून के साथ शुरू हुआ। मैंने कुछ पाठ्यक्रमों को देखा, कागले पर एक प्रतियोगिता में भाग लिया ... "और क्या करना है?"। फिर एक रोबोट वैक्यूम क्लीनर (Xiaomi वैक्यूम क्लीनर V1) अपने स्वयं के व्यवसाय द्वारा क्रॉल किया गया और एक दिलचस्प विचार फेंक दिया ...

लंबा परिचय

यह लेख एक विशिष्ट जीवन काल का एक अंतरिम सारांश है। मुझे उम्मीद है कि यह उन लोगों के लिए उपयोगी होगा जो मशीन लर्निंग में संलग्न होना चाहते हैं, लेकिन अभी तक यह तय नहीं किया है कि किस दिशा में विकास करना है। लगभग एक साल पहले, मैंने एक बार फिर से अपनी नौकरी और निवास स्थान बदल दिया। एक नई जगह में, उन्होंने मशीन लर्निंग के बारे में बहुत सारी बातें कीं, लेकिन ज्यादातर प्रबंधक जो एक प्रचार विषय को बढ़ावा देना चाहते हैं। बाकी, बहुत उत्साह के बिना विषय पर मिले (फिर भी, उनके लिए काम करने के लिए)।

मैंने सोचा कि मशीन सीखना क्या था। एक साल बाद, मैं कह सकता हूं कि विषय हड़ताली रूप से बड़ा है। आइए देखें कि जीवन और व्यवसाय में उपयोग के लिए कौन से विशिष्ट पहलू उपलब्ध हैं।

1. शास्त्रीय मशीन सीखने।
   संक्षेप में: सब कुछ जो उपस्थिति से पहले था HYIP गहरी सीख (डीप लर्निंग)। यदि आपके पास बिक्री, ग्राहक, लेनदेन पर सारणीबद्ध डेटा है और आप बिक्री बढ़ाना चाहते हैं, ग्राहकों को आकर्षित करना, धोखाधड़ी को पहचानना, यहां आप हैं। डेटा का विश्लेषण करने और यादृच्छिक वन, K- साधन या XGBoost जैसी विधियों का उपयोग करने के तरीके को समझने में आपकी मदद के लिए यहां कुछ अच्छे व्याख्यान दिए गए हैं। मुझे कागल माइक्रोकोर्स और साथ में घर की कीमत की भविष्यवाणी की प्रतियोगिता भी पसंद है। शायद कोई भी व्यवसाय जिसमें वास्तविक ग्राहक हैं (और इसलिए एक डेटाबेस) इन विधियों को लागू कर सकते हैं। कई दिलचस्प बातें हैं।
2. गहरी सीख
   मानव रहित कारों, मानव रहित कारों और जैक निकोलसन के सिर की जगह जिम कैरी के सिर के साथ । लेकिन अगर आप गहरा गोता लगाते हैं, तो कोई भी सिर घूम जाएगा। यहां, चेहरे, भावनाओं, शरीर की स्थिति, वीडियो से शब्दार्थ को खींचने और सभी प्रकार के वीडियो स्ट्रीम परिवर्तनों की पहचान है। ऑटो-ट्रांसक्रिप्शन और ऑटो-ट्रांसलेशन, बीमारियों और मातम की परिभाषा, अच्छी तरह से, आप समझते हैं, लगभग कुछ भी। कंप्यूटर दृष्टि के अलावा, प्राकृतिक भाषा प्रसंस्करण (एनएलपी), ऑडियो स्ट्रीम का प्रसंस्करण और सिमुलेशन, गेमिंग न्यूरल नेटवर्क जीएएन भी है। आप जो भी गहरी शिक्षा चुनते हैं, उस पर आप समय बिता सकते हैं:

• तंत्रिका नेटवर्क की वास्तुकला के विवरण में गहरा होना।
  यह क्षेत्र, मेरी राय में, विज्ञान के सबसे करीब है और इसके लिए गणित और कंप्यूटर विज्ञान में ज्ञान के शरीर की आवश्यकता है। यदि आप एक नए हत्यारे सक्रियण फ़ंक्शन के साथ प्रयोग करने के लिए उत्सुक हैं, तो कस्टम परतों को मोड़ें, और ताकि सीखने की दर केवल ट्राइट में कमी न हो, लेकिन एक ट्यूब में बदल जाती है, तो गहन सीखने का यह क्षेत्र आपके लिए है। नवीनतम वैज्ञानिक लेख खोलें और प्रयोग शुरू करें। व्यापार के दृष्टिकोण से, जो कंपनियां विशेष रूप से चर्चा में निवेश करने को तैयार हैं वे इन चीजों को कर सकती हैं। YouTube पर YouTube परिचित के लिए स्टैनफोर्ड विश्वविद्यालय से व्याख्यान हैं ।

  
  

• आधारभूत संरचना के विवरण में गहनता।
  छवियों की मान्यता के लिए तंत्रिका नेटवर्क-imaged का प्रशिक्षण मशीन संसाधनों की आवश्यकता है। लोहे का चुनाव केवल बटुए के आकार से विस्तृत और सीमित होता है। मुझे लगता है कि GTX 1070 Ti को एक अच्छी शुरुआत माना जा सकता है, लेकिन यह मत भूलो कि अकेले एक वीडियो कार्ड सभी समस्याओं को हल नहीं करता है, क्योंकि डेटा अभी भी तैयार करने और तंत्रिका नेटवर्क को खिलाया जाना है। एक कमजोर सीपीयू या धीमी गति से हार्ड ड्राइव आपके सिस्टम की अड़चन बन सकती है। इसलिए, एक अतिरिक्त i5 प्रोसेसर, 16 गीगा रैम और एक ठोस-राज्य हार्ड ड्राइव खरीदें। कीबोर्ड, ऐसा हो, सबसे सस्ता आ जाए। एक अन्य विकल्प, Google क्लाउड, एज़्योर, एडब्ल्यूएस, कागल फिर से। क्लाउड सेवाएं दर्जनों प्रदान करती हैं, यदि सैकड़ों विकल्प नहीं, तो K80 के लिए लगभग 50 सेंट प्रति घंटे की शुरुआती कीमत (लगभग GTX 1070 Ti के समान)। Google आपको अभ्यास करने के लिए $ 300 जमा देता है। एज़्योर $ 200 देता है, अमेज़न के साथ सौदा नहीं करना था। मुझे Google विकल्प पसंद आया क्योंकि आप वीडियो कार्ड को जल्दी से बदल सकते हैं ("आह, जैसे चलना है। आज V100 होगा")। बेशक, अपने अनुसंधान विभाग से साइट परीक्षणों के रॉक-स्टार की तारीख के वेतन के साथ तुलना में, ये खर्च वास्तविक पेनी होंगे। क्लाउड में एक मशीन से कनेक्ट होने पर एक छोटा जीवन हैक, पोर्ट फ़ॉरवर्डिंग का उपयोग करें: you_user@your_host -L 8888:127.0.0.1:8888 । यह आपको स्थानीय कंप्यूटर पर रिमोट ज्यूपिटर चलाने की अनुमति देगा। मैं Google TPU के बारे में भी कहना चाहूंगा। उन्हें सीधे Google Colab से पूरी तरह से मुक्त किया जा सकता है, लेकिन क्या आप उनका उपयोग कर सकते हैं, यह सवाल है। जब आप अधिक या कम मानक मॉडल के साथ काम करते हैं, तो सब कुछ सुंदर दिखता है, लेकिन कस्टम मॉडल अप्रत्याशित रूप से व्यवहार करते हैं यदि वे बस शुरू करते हैं।

  
  

• उत्पादन में कार्यान्वयन में गहनता।
  वास्तुकला के साथ प्रयोग और प्रतियोगिताओं में भागीदारी बहुत उपयोगी चीजें हैं, लेकिन वास्तव में यह इतना महत्वपूर्ण नहीं है, आपका मॉडल 85% या 87% की सटीकता देता है। इस मामले में मानवरहित कारों या मोबाइल अनुप्रयोगों के लिए, निर्णय लेने की गति अधिक महत्वपूर्ण होगी, और चिकित्सा जरूरतों के लिए, सबसे अधिक संभावना दूसरे प्रकार की त्रुटियों का एक निम्न स्तर है ("स्वस्थ आओ! अलविदा!")। यही है, प्राथमिकताओं की पहचान सामने आती है। साथ ही, तकनीकी प्रश्नों का एक समूह: उत्पाद पर्यावरण में निरंतर संचालन और कैसे सुनिश्चित करें, नए डेटा पर मॉडल को कैसे प्रशिक्षित किया जाए, काम के परिणामों की निगरानी और मूल्यांकन कैसे करें, बग को कैसे पकड़ें और ठीक करें, आखिरकार। हमारे पास पहले से ही सामान्य सॉफ़्टवेयर के साथ ये सभी समस्याएं हैं, लेकिन अब वे एक अलग स्तर पर जाते हैं। पहले से ही मशीन नियंत्रण के लिए विशेष रूप से तैयार किए गए संस्करण नियंत्रण (Git-LFS, सैटर्न क्लाउड) के लिए उपकरण हैं, लेकिन आम तौर पर स्वीकृत मानक अभी तक मौजूद नहीं हैं, जो निश्चित रूप से इसका अपना रोमांस है। एक और जीवन हैक: यदि आप हाइपरपैरामीटर को अलग-अलग कॉन्फ़िगरेशन फ़ाइलों में रखते हैं, तो आप आसानी से सफल प्रयोगों को पुनर्स्थापित कर सकते हैं।

  
  

• तैयार मॉडल का उपयोग करना और सीखने का स्थानांतरण।
  मशीन सीखने का सबसे सरल और सबसे आकर्षक हिस्सा, उन लोगों के लिए जो यह देखना चाहते हैं कि यह वास्तविकता में कैसे काम करता है। पर्याप्त तैयार मॉडल हैं, कोड और वॉइला की दर्जनों लाइनें: स्क्रीन के चारों ओर बहु-रंगीन वर्ग। मॉडल को खरोंच से प्रशिक्षित करने के लिए समय और संसाधन खर्च करने की आवश्यकता नहीं है। यदि आप ऑन-साइट मान्यता चाहते हैं तो हार्डवेयर में तैयार समाधान भी हैं (वैसे, उन पर एक उत्कृष्ट अवलोकन) । ऐसा लगता है, इसे लें और इसका उपयोग करें, लेकिन कुछ बारीकियां हैं। तैयार मॉडल को मानक डेटासेट पर प्रशिक्षित किया जाता है। इसलिए, यह पता लगाने के लिए कि आपके व्यवसाय से खट्टा क्रीम कौन चोरी करता है: वास्का बिल्ली या शिमोन बिल्ली, आपको अभी भी मॉडल (स्थानांतरण सीखने) को ट्यून करना होगा। शायद झाड़ू वाले बाबा माशा के व्यापार में बहुत कम खर्च आएगा।

  
  

मुख्य शरीर

यहां हम पोस्ट की शुरुआत में लौटते हैं। जब तक रोबोट वैक्यूम क्लीनर पास हुआ, तब तक मैं मशीन विजन का उपयोग करके एक साधारण कामकाज एप्लिकेशन या डिवाइस बनाना चाहता था। तो यह विचार आया, वैक्यूम क्लीनर को बाहरी दुनिया के साथ संचार का एक और चैनल देने के लिए।
यदि आप इसे एक छोटा कैमरा पेंच करते हैं, तो आप तैयार किए गए मॉडल का उपयोग कर सकते हैं या अपना खुद का प्रशिक्षण ले सकते हैं। आवेदन की संभावनाएं भरी हैं। मौके की सफाई से लेकर कुत्ते को घूरने तक। आप GAN का उपयोग करके भौतिक स्थान में किसी प्रकार के गेम के साथ आ सकते हैं या NLP मॉडल के साथ खेल सकते हैं और उसे सिखा सकते हैं कि वॉइस असिस्टेंट के तरीके से कैसे बोलें। संक्षेप में, अपने घर रोबोट को प्रशिक्षित करने का समय।

बेशक, आपको सरल चीजों से शुरुआत करने की आवश्यकता है। उदाहरण के लिए, हैबे पर खोज करने के लिए जो पहले से ही हमारे लिए बनाया गया है। यह उसके "उबंटू 14.04" के अंदर "बाहर" हो जाता है, जिसका अर्थ है कि यदि आपके पास एक जड़ है, तो आप उदाहरण के लिए, जॉयस्टिक से इसे नियंत्रित कर सकते हैं। यदि आप लिडार डेटा को खींचते हैं, तो आपको हाथ कम नहीं होंगे, मानवरहित कार का एक प्रोटोटाइप।
पसंद इस चरण में पहले से ही शुरू हो जाती है। जेटसन नैनो की तरह वाई-फाई और बैटरी या बोर्ड के साथ एक तैयार कैमरा लें? और क्या मैं रास्पबेरी पाई पर एक कैमरा, वाई-फाई और बैटरी इकट्ठा कर सकता हूं? प्रत्येक दृष्टिकोण अपने तरीके से दिलचस्प है, लेकिन मैंने मुख्य लक्ष्य से चिपके रहने की कोशिश की: मशीन सीखने का उपयोग करके एक सरल कामकाजी उपकरण बनाने के लिए, इसलिए मैंने पहला विकल्प चुना।

जबकि कैमरा अपने रास्ते पर था, वैक्यूम क्लीनर ने उस पर चढ़कर सवारी की। यह पूरी तरह से काम करता है, अभी भी सपने देखने का समय है। मान लें कि हेक्टर ने सड़क से एक छड़ी खींची और उसे अपने पसंदीदा गलीचे पर लेटा दिया। कैमरा, पर्याप्त उच्च निलंबित, प्रदूषण को कैप्चर करता है (यहां मैंने गंदे व्यंजनों के बारे में चुनौती को याद किया) और निर्देशांक को वैक्यूम क्लीनर में भेजता है। कुत्ते के लिए शिकार करना अब भी आसान है। यह वैक्यूम क्लीनर पर कैमरे को रखने के लिए पर्याप्त है और कुत्ते का पता चलने पर आगे बढ़ना शुरू कर देता है, फिर एक पूर्ण चक्र और आधार पर वापस आ जाता है।

लेकिन ये भविष्य की योजनाएं हैं। अब कुछ सरल करते हैं। कैमरे के दृश्य में आए ऑब्जेक्ट के आधार पर वैक्यूम क्लीनर को अलग-अलग आवाज़ें बनाने दें। इसके लिए हमें एक सामान्य कतार से जुड़े दो धागे चाहिए।

• मॉडल (मैंने तैयार मॉडल TensorFlow मॉडल चिड़ियाघर में से एक का इस्तेमाल किया) ऑब्जेक्ट को पहचानता है और कतार में अपना नाम डालता है।
• एक अन्य थ्रेड कतार से ऑब्जेक्ट का नाम लेता है और URL को साउंड फ़ाइल में जेनरेट करता है।
• मार्ग वैक्यूम क्लीनर को दिया जाता है, और यह ftp या http के माध्यम से फाइल के लिए प्राप्त पते पर दस्तक देता है।
• प्रत्येक ऑब्जेक्ट के फ़ोल्डर में एक बदलाव के लिए कई फाइलें होती हैं। फ़ाइल अनियमित रूप से चुनी गई है। इसके अलावा, ध्वनि को पुन: उत्पन्न करने की संभावना के लिए एक पैरामीटर है ताकि वैक्यूम क्लीनर, 10 एफपीएस की गति से हेक्टर को ठीक कर, पागलों की तरह खड़खड़ नहीं करता है, लेकिन कुछ आश्वस्त और गरिमा के साथ संचार करता है।

आरेख इस तरह दिखता है:

यह इस प्रकार काम करता है:

उप-योग

लक्ष्य प्राप्त किया जाता है: वैक्यूम क्लीनर बात कर रहा है। मुझे खुशी है कि मैंने एक बार में बहुत सारी चीजें नहीं कीं। अगला कदम आंदोलन को नियंत्रित करने वाले प्रवाह के साथ पैटर्न मान्यता को जोड़ना है, और स्थानांतरण सीखने का भी प्रयास करना है।

आर्टिफिशियल इंटेलिजेंस, विषय इतना बड़ा है कि यह निर्धारित करना मुश्किल है कि पहली जगह में क्या करना है। मेरी राय में, कोई एकल प्रविष्टि बिंदु नहीं है। यह जटिल डेरिवेटिव या पायथन प्रोग्रामिंग पाठ्यक्रमों की गणना के साथ शुरू करने के लिए बिल्कुल भी आवश्यक नहीं है (हालांकि दोनों निश्चित रूप से उपयोगी हैं)। व्यक्तिगत रूप से जो आपके लिए दिलचस्प है उसे चुनें, और जो आपने शुरू किया था, उसे पूरा करने के लिए ताकत आपके साथ हो सकती है।

पीएस कार्यान्वयन विवरण भंडार में हैं । टिप्पणियाँ और पुल अनुरोधों का स्वागत है।