понимает, какую решает задачу? Мне казалось, что все зависит от архитектуры, но я сравнил некоторые модели классификации и сегментации и пришел к выводу, что они практически идентичны.
Если ты просишь модель решить одну задачу и обучаешь одной задачи, то она её и будет решать. Выход сетей разный и ошибки за разные решения.
Ни как. В этом и есть основания сложность, при проектировании НС любого типа.
Ей показывают картинку собачки и спрашивают - кто? Если ответ неверный нейронку больно бьют градиентом. Примерно через 100500 повторений до неё доходит, где кошечка, а где собачка. Ну и градиенты становятся маленькими и больно не бьют.
кгм ... ерунду говорите. есть такая "городская легенда", как на заре сетестротельства обучали НС находить танки на фотографии. Достигли 100% правильный результат, как раз описанным вами методом. Но, в целом результат был отрицетельным, так как сеть врала.
A similar thing happened to the US Army when they first tried to detect tanks in the forest. They took aerial photographs of the forest without tanks, then drove the tanks into the forest and took another set of pictures. The classifier appeared to work perfectly. Unfortunately, it had merely learned how to distinguish trees with shadows from trees without shadows—the first set of pictures was taken in the early morning, the second set at noon.
ага, оно. Но если вы скините линк на первичную статью, откуда это взялось :)
Обсуждают сегодня