нейросеть

Это не кошки, это монстры с расплющенными носами.

Американский разработчик Филип Ван научил нейросети генерировать лица несуществующих людей, которые почти невозможно отличить от настоящих. Он попробовал повторить этот эксперимент с кошками — и провалился.

Вместо реалистичных морд программа рисует жутких мохнатых уродов с расплющенными носами и лишними лапами (впрочем, иногда выходят и нормальные!). Созданные нейросетями кошки выглядят так, будто их изображали средневековые художники — у них животные тоже получались очень странными.

Нейросети заменяют журнашлюх и срывают покровы

В лаборатории OpenAI написали генератор фейковых новостей.

Задача GPT-2 при создании текста — предсказать следующее слово на основе всего предыдущего текста. В качестве исходной точки нейросеть использует текст (фразу или словосочетание), введенный человеком — и пытается продолжить его. Как показывают примеры, опубликованные OpenAI и журналистами, которым позволили опробовать алгоритм, результаты действительно выглядят реалистично — хотя иногда GPT-2 очевидно теряет нить, отклоняется от темы или описывает невозможные явления вроде пожаров под водой.

Нейросеть, генерирующая лица людей, которых на самом деле не существует

Влияние политических настроений на результаты экзаменов абитуриентов

  Привет, реактор. 

  Я - математик. Занимаюсь статистикой и машинным обучением. Затрону весьма холиварную тему: "Влияние политического окружения на результаты экзаменов абитуриентов" (Украина). Никаких формул и выкладок тут не будет - только результаты исследования.

  Представим среднего абитуриента Васю Пупкина с Украины, например, проживающего во Львовской области. Вася поступал в университет в 2016 году и сдавал кучу предметов на ЗНО (аналог ЕГЭ ), но основные предметы, которые нас интересуют: Математика и Украинский язык. Результаты экзаменов представляют из себя 2 числа, каждое из которых от 100 до 200 (для удобствая сжал их на отрезок от 0 до 1). Так как Вася из Львовской области, он жил в характерном политическом окружении той области: родители, друзья, знакомые, которые поддерживали те либо иные партии. Политическое окружение Василия описывается пятью числами (весами, которые в сумме дают 1) - то, сколько набрали политические течения на парламентских выборах Украины 2014 года. А именно:

- Проукраинская, партии: БПП, Батьківщина, Народний фронт, Самопоміч.

- Радикальная, партии: Свобода, Радикальна партія Олега Ляшка.

- Оппозиционная: Опозиційный блок.

- Малые партии - те, которые не преодолели барьер.

- Не пришли на выборы.

 В результате мы получили первый объект - Васю из Львовской области, которого мы описываем числами: (Математика, Украинский язык, плотность проукраинского окружения, радикального, оппозиционного, малых партий, не посещавших выборы)

Дальше педставим, что у нас около 200 000 таких абитуриентов из разных областей, с разными балами ЗНО и разными весами, так как все из разных областей.

Теперь сама задача: Вот есть у на таких 200 000 счастливцев, которые пробовали поступать в университет в 2016 году. А теперь мы хотим построить кривые зависимостей знаний Украинского языка от математики, но с учётом политических настроений 2014 года. Более проще - кто более заинтересован в изучении языка - оппозиционеры или радикалы? У кого больше средний бал по математике - у проукраинцев или у тех, кто не ходил на выборы. И кто пасёт задних? Как видите, тематика весьма холиварная. Обратите внимания, я не говорю: "Кто тупее?". 

 Дальше считаем что результаты по математике - то, что описывает интерес к обучению, а кривая зависимости математика-язык (которые я построю) - только лишь интерес к изучении украинского языка.

Важно заметить, что нам не обязательно точно знать в каком окружении воспитывался абитуриент. Достаточно знать только пропорции настроений его окружения.

 Немного про модель - я использовал многослойную нейронную сеть и минимизировал квадрат средней ошибки (MSE). В результате подбора оптимальных кривых для описания данных  MSE будет уменьшаться. 

И самое главное - результаты моделирования:

Перед вами: много голубых точек - это абитуриенты, разноцветные линии - это зависимости знания языка от математики и политических убеждений, разноцветные точки внизу-  это средние результаты по математике.

Жёлтые - проукраинцы, Красные - радикалы, Синие - оппозиционеры, Серые - малочисленные партии, чёрные - не ходили на выборы.

По оси х - знания по математике от 0 до 1 (слева на право). По у - знание языка от 0 до 1 (снизу вверх).

 Как оказалось - лучше всего знают язык те, кто настроен на украинскую позицию. Дальше - оппозиционеры, они визуально только лишь немного ниже. Средние результаты у тех, кто не ходил на выборы или голосовал за малочисленные партии. И в самом низу (неожиданно!) - радикалы.

 Кто же лучше всего знает математику? Абитуриенты из оппозиционно настроенных слоёв населения. Дальше - проукраинцы, и те, кто не голосовал. И левее всех - не посещавшие и радикалы.

 И небольшая вишенка на торт: заметьте, в правом нижнем углу мало точек - это абитуриенты, которы знают хорошо математику, но плохо сдали язык. Оказывается, что если человек понимает  сложную науку - математику, то выучить язык для него не проблема. 

 Теперь посмотрим в левый верхний угол. Это - те, кто знает отлично язык, но плохо - математику. И да, их много. Вывод: знание языка слабо влияет на знание математики.

Если есть вопросы - пишите в коментарии

Спасибо за внимание.

Посмотрите на эти изображения. Люди на них выглядят вполне реальными, но на самом деле они никогда не существовали. Их создала нейросеть от Nvidia

Производитель компьютерной периферии Nvidia научила нейросеть создавать максимально реалистичные изображения людей, которых на самом деле не существует. Отчет о работе специалистов опубликован на сайте библиотеки Корнеллского университета. 

За основу для своей работы исследователи из Nvidia взяли так называемую генеративно-состязательную сеть, которая среди прочего позволяет создавать реалистичные фотографии.

В 2014 году сеть описал Ян Гудфеллоу. Сейчас он работает в проекте Google Brain, который посвящен изучению искусственного интеллекта. Четыре года назад Гудфеллоу представил первые результаты работы нейросети — тогда это были не очень детальные черно-белые изображения людей.

Сотрудники Nvidia добавили в генеративно-состязательную сеть метод style transfer — он позволяет совмещать характеристики одного изображения с другим. Похожий метод используют фоторедакторы вроде Prisma, которые с помощью нейросети превращают обычное фото в изображение, к примеру, в стиле импрессионизма. 

В случае с исследованием Nvidia, style transfer позволил придать исходному изображению человека черты другого человека, таким образом создавая уникальное изображение мужчины или женщины. 

Verge отмечает, что результаты работы Nvidia в будущем можно будет использовать, например, для рекламных материалов. Но в тоже время существует опасность, что их будут использовать в пропаганде или, например, для разжигания конфликтов. 

Но, главное - котанов нейросеть тоже рисует на раз-два!

Нейросеть, которая раскрашивает мангу/чб пикчи/лайнарт!

Сайт -> https://s2p.moe/

Гайды:
https://style2paints.github.io/

Будущее уже здесь

Ссылка на нейросеть в комментах

Пример работы:

3-d анимация из отдельного фото

Мы представляем метод и приложение для анимации человеческой фигуры по одной фотографии. То есть, персонаж может ходить, сидеть, прыгать в 3-д. 

ссылка на гифку

ссылка на гифку

https://grail.cs.washington.edu/projects/wakeup/