如果使用Internet，则必须与神经网络进行交互。 这是机器学习算法的一种形式，广泛用于从语言翻译到财务建模的领域。 这种方法的特色之一是图像识别。 包括Google，Microsoft，IBM和Facebook在内的数家公司已经开发了自己的照片布局算法。 但是，尽管这些算法会产生非常奇怪的错误。
用于计算机视觉的Microsoft Azure API在此图像上添加了以下标题：“一群绵羊在布满茂密植被的山坡上吃草”，并带有标签：“草，羊，山，牛，马”。 但是照片中没有绵羊。 一般而言。 我研究了每个景点。
标签：草，田野，绵羊，站立，彩虹，男人在这张照片中，计算机还看到了绵羊。 偶然地，我知道有些绵羊确实在这个地方附近放牧。 但是它们在照片中不可见。
标签：山坡，放牧，绵羊，长颈鹿，牛群这是另一个例子。 神经网络通常在每次看到绵羊时都会想象绵羊。 这是怎么回事？
通过处理许多示例来训练神经网络。 在这种情况下，为她提供了很多人手动标记的图像-其中很多都是绵羊。 首先，要完全缺乏对所见内容的了解，神经网络需要创建规则，根据这些规则必须将图像标记为“绵羊”。 显然，她不明白“绵羊”一词是一种动物，而不仅仅是没有树木的草。 与第二张照片类似，她给标签贴上了“彩虹”的标签，因为那片风景潮湿多雨，却没有意识到彩虹需要多色条。
也许神经网络过于敏感，它们到处都能看到绵羊？ 事实证明，没有。 他们只在期望见到绵羊时才看到绵羊。 他们很容易在田野和山坡上找到绵羊，但是一旦绵羊开始出现在意想不到的地方，就很明显这些算法在多大程度上依赖于猜测和概率。
把羊带进房间，她会被指定为猫。 举起一只羊或山羊，他们会将其标记为狗。
左：一个男人手里拿着一条狗。 正确：一个女人手里拿着一条狗。”将它们涂成橙色，它们就会变成花朵。
“在田里的一些橙色的花朵”将绵羊放在皮带上，他们会将其指定为狗。 把她放在车里，它将是狗或猫。 如果它们进入水中，它们可以被视为鸟类，甚至是北极熊。
如果山羊爬上树，它们就会变成鸟。 或长颈鹿（事实证明，Microsoft Azure因到处都看到长颈鹿而臭名昭著，因为有传言称原始数据集中存在过多的长颈鹿）。
NeuralTalk2：一群鸟在空中飞翔
Microsoft Azure：几头长颈鹿站在一棵树旁神经网络关联模式。 他们看到类似于毛皮的纹理，绿色的补丁，并确定图片中有绵羊。 如果他们看到毛皮和类似厨房的形状，则可以决定看到猫。
如果生活遵循规则，则图像识别会正常工作。 但是，一旦有人或绵羊做一些出乎意料的事情，这些算法就会立即表现出弱点。
如果您想通过神经网络带来一些不为人知的东西，那么超现实主义将以几乎朋克风格为您提供帮助。 也许将来，特工将打扮成母鸡或开着像牛一样被弄脏的汽车。
Twitter线程中有许多非常有趣的错误的示例，这些错误以一个简单的问题开头：
您自己可以测试用于从Microsoft Azure进行模式识别的API的操作，并确保即使最高级的算法也要依靠运气和概率。 我主要使用另一种算法NeuralTalk2处理Twitter上此注释线程中的图像。