Wolfram открыла доступ к своему репозиторию нейронных сетей

МЕНЮ


Искусственный интеллект
Поиск
Регистрация на сайте
Помощь проекту

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


На European Wolfram Technology Conference компания объявила, что открывает для публичного использования репозиторий нейросетей, созданных для различных задач — классификации, обработки изображений, распознавания речи и многих других. На момент написания материала в базе около 70 моделей, но Wolfram Neural Net Repository будет пополняться разработками как Wolfram Research, так и других компаний и команд.

Преимущества и недостатки

В базу включены и обученные, и необученные модели из разных источников: Caffe, Torch, MXNet, TensorFlow. Однако команда обратила внимание на несколько ключевых особенностей репозитория.

Это единый формат. Конечно, мы импортировали модели из PyTorch, Lua Torch, PaddlePaddle и многих других библиотек. Однако ценность репозитория в том, что нейросети хранятся там в едином формате.

Кроме того, преимущество в курировании. Мы собрали модели из непохожих друг на друга хранилищ и сделали их доступными для всех пользователей.

Однако все модели заточены под фреймворк для Wolfram Language, что может стать препятствием для тех, кому будет сложно выучить этот язык и адаптировать его для своей работы.

Тем не менее, по словам Свида Уайта (Swede White), ведущего специалиста по связям Wolfram, в рабочей среде Wolfram Notebook можно вызывать Python, Java или R, а затем продолжать работать с результатом на Wolfram Language, и наоборот, а также подключать различные API и внешние сервисы.

Чаще всего при работе с нейросетями и алгоритмами сложность заключается в объеме и разнородности данных. Для работы с технологиями компьютерного зрения Google представила AutoAugment, который путем отражения, обрезания или изменения цвета так изменяет исходные картинки, что получаются уникальные изображения. А крайний пример того, чем грозит отсутствие разнородных данных в тренировочных наборах, показала команда MIT — их нейросеть Norman на картинках из теста Роршаха распознает только сцены насилия и убийства.

Источник: ZDNet


Источник: tproger.ru

Комментарии: