Rivalry2

HTML Diff

0 added 0 removed

Original 2026-01-01

Modified 2026-02-21

1 Команда Google Developers в их блоге<a>собрала</a>самые яркие события и результаты исследователей по машинному обучению за четвёртый квартал 2021 года. Среди интересных событий - нейросеть для решения задач на <a>Advent of Code</a>,<a>ML DevFest 2021</a>и много научных статей.

2 Machine Learning GDE<a>Паоло Галеон</a>написал модель на чистом<a>TensorFlow</a>, которая умеет решать айтишные задачи на сайте<a>Advent of Code</a>.

3 В чём сложность?Задачи на сайте распределены по дням и уровню сложности - от первого дня до 25-го. Каждая задача состоит из предыстории, вымышленного мира, описания проблемы и входных данных.

4 Например, в одной из задач пользователь - капитан корабля. Он плывёт по открытому морю и вдруг слышит какой-то звон за бортом. Пользователь бежит посмотреть, что там, и видит, как один из эльфов перевернулся и случайно выронил ключи в океан. Пользователь садится в субмарину и погружается искать эти ключи. Внутри есть прибор для определения глубины: она то увеличивается, то уменьшается. Задание - посчитать, сколько раз глубина увеличивается.

5 Что делал разработчик?Паоло<a>начал</a>писать нейросеть 11 декабря 2021 и закончил её через двенадцать дней, выпуская каждый день отчёт. В финальный день он подробно<a>описал</a>архитектуру его модели, а также показал код - иногда с углублением в работу фич TensorFlow.

6 Задача из первого дня. Источник:<a>Advent of Code</a><a>Сайак Поул</a>и <a>Соурник Ракшит</a>(оба - Machine Learning GDE) разработали<a>PointNet</a> - архитектуру для сегментации геометрических точек в 3D-пространствах.

7 Сегментация 3D-точек. Источник:<a>блог Google</a>В чём её особенность?PointNet работает на TensorFlow 2 и умеет работать с типом данныхpoint cloud. Его используют, чтобы хранить геометрические фигуры в памяти. Однако из-за своей необычности разработчикам приходилось конвертировать его в 3D-voxel-сетки или набор изображений перед тем, как использовать для обучения.

8 Поул и Ракшит решили эту проблему и показали семейство моделей PointNet, которые могут работать с типомpoint cloud - от классификации объектов до семантического парсинга.

9 И что?PointNet полностью поддерживает<a>TPU</a>и распределённое обучение на видеокартах, а ещё она протестирована на наборе<a>ShapeNetCore</a>. Ещё архитектура Поула и Ракшита выиграла премию<a>#TFCommunitySpotlight</a>.

10 Machine Learning GDE<a>Аакаш Кумар Наин</a>создал<a>сайт</a>со всеми важными статьями по машинному обучению и сопроводил их аннотациями.

11 Зачем?Аакаш решил помочь исследователям по машинному обучению, которым важно постоянно читать научные статьи. Он сделал сайт, где каждый может быстро найти нужные статьи и легко понять сложные темы.

12 Статьи с аннотациями. Источник:<a>блог Google</a>Конференция<a>прошла</a>онлайн. Её организовала<a>GDG Cloud San Francisco</a>. Конференция делится на пять частей. Там затронули такие темы, как:

13 <ul><li>современные проблемы машинного обучения;</li>

14 <li>последние исследования в машинном обучении;</li>

15 <li>использование популярных API для эффективной разработки моделей нейросетей.</li>

16 </ul>Отдельно Machine Learning GDE по имени<a>Викрам Тивари</a>показал, как можно использовать<a>Vertex</a>,<a>ML Ops</a>и <a>Google Cloud</a>при обучении нейросетей.

17 Презентация Викрама Тивари на ML DevFest 2021. Источник:<a>блог Google</a>Организатор TensorFlow User Groups<a>Али Мустафа Шаих</a>и разработчик Ришит Дагли<a>выпустили</a>научную статью, в которой показали набор данных для врачей -<a>CPPE-5 Medical Personal Protective Equipment Dataset</a>.

18 Зачем он нужен?CPPE-5 - это набор данных, который позволяет исследовать зависимую категоризацию (subordinate categorization) для медицинских защитных инструментов. Набор содержит размеченные изображения врачей в защитных костюмах с разными медицинскими инструментами.

19 И что?Научную работу Шаиха и Дагли<a>упомянули</a>в Google Research TRC. Прочитать работу можно на <a>arXiv</a>.

20 Элементы CPPE-5. Источник:<a>GitHub</a>Machine Learning GDE<a>Шансунг Парк</a>и <a>Сайак Поул</a>опубликовали статью под названием "<a>Continuous Adaptation for Machine Learning System to Data Changes</a>".

21 В чём смысл?Парк и Поул рассказали, как создать два отдельных конвейера, чтобы сделать CI/CD-поток, который будет адаптироваться под изменяющиеся данные.

22 Архитектура с двумя конвейерами. Источник:<a>блог TensorFlow</a>Один конвейер нужен для обучения модели, а второй - для вычисления весов, основанных на предугадывании размера батчей.

23 И что?Система позволит разработчикам создавать модели, которые будут сами обучаться в одном потоке. Парк и Поул также показали практические примеры -<a>часть 1</a>и <a>часть 2</a>.