این یکی از نمونه هایی است که الگوریتم gpt-2 به صورت جعلی تولید کرده است. در قسمت بالا یک متن در مورد وجود تک شاخ هایی که قادر به انگلیسی صحبت کردن هستند، توسط انسان نوشته شده است و پایین ماشین به صورت اتوماتیک آن را ادامه داده است. چند نکته شگفت انگیز در متن تولید شده توسط ماشین وجود دارد. اول اینکه این متن تا حد بسیار زیادی منسجم است و دوم اینکه مانند یک متن علمی و خبری با شواهد پر شده است و در نهایت اینکه قسمت های مختلف متن در یک زنجیره تقریبا منطقی به هم متصل می شوند!!
در نگاه اول تصور کردم که این یک شوخی است اما با اجرا کردن کد متوجه شدم که مدل جدید زبانی واقعا این کار را می کند. این تقریبا شبیه بیرون آمدن غول از چراغ جادو است!
خودتان امتحان کنید:

https://colab.research.google.com/github/ilopezfr/gpt-2/blob/master/gpt-2-playground_.ipynb#scrollTo=tI-HVDbQS9dF

🔵ویرایش هوشمند تصویر چهره🔵

تغییر در چهره افراد تنها با اضافه کردن چند خط ساده نقاشی شده.
بزودی شاهد نسل جدیدی از نرم افزار تغییر عکس چهره می شویم که تقریبا به هیچ مهارت خاصی برای یادگیری نیاز ندارند. در حال حاضر شرکت ادوبی سازنده فوتوشاپ از فناوری های بالغ در حوزه هوش مصنوعی در نسخه های جدید خود استفاده میکند.

مقاله:
https://arxiv.org/abs/1902.06838

کد:

https://github.com/JoYoungjoo/SC-FEGAN

(مقاله در ۱۸ فوریه ۲۰۱۹ بر روی arxiv آپلود شده است)

تغییر هوشمند در تصاویر چهره!(مقاله و کد بالا)

محققان دانشگاه کمبریج نرم افزاری توسعه داده اند که تنها بر اساس لایک های شما بر روی فیسبوک می تواند شخصیت شما را در 5 پارامتر اصلی شخصیت پیش بینی کند. با استفاده از تنها 10 لایک نرم افزار بهتر از همکار شما، با 70 لایک بهتر از دوست(یا هم اتاقی) با 150 لایک بهتر از افراد خانواده و با 300 لایک بهتر از همسر شما شخصیت شما را پیش بینی کند.

پ ن
حالا هی بگید مگه من چی دارم روی اینترنت و هر نرم افزاری (حتی زمانی که می دونید جاسوسی میکنند) نصب کنید!

https://www.telegraph.co.uk/news/science/science-news/11340166/Facebook-knows-you-better-than-your-members-of-your-own-family.html

هر منحنی بسته ای که بتوانید بکشید از چهار گوشه یک مربع عبور میکند!
حدسی که در ۱۹۱۱ توسط otto toeplitz مطرح شد و تاکنون نه اثبات شده و نه مثال نقضی برای آن پیدا شده است!

https://en.m.wikipedia.org/wiki/Inscribed_square_problem?wprov=sfla1

آموزش شبکه های عصبی عمیق با یک Visualization بسیار قوی از نحوه کار کردن Stochastic Gradient Descent . قدم به قدم از پایه در سه قسمت در پایتون (به انگلیسی)

https://towardsdatascience.com/the-keys-of-deep-learning-in-100-lines-of-code-907398c76504

یک کتاب آنلاین بسیار عالی برای یادگیری شبکه های عصبی و یادگیری عمیق. همراه با کد، قدم به قدم از صفر (برگرفته از کورس یادگیری عمیق برکلی)
نویسندگان کتاب در شرکت آمازون محقق هوش مصنوعی هستند.

https://d2l.ai/

این وبسایت یک تصویر چهره جعلی تولید شده توسط شبکه عصبی و یک تصویر چهره واقعی را در کنار هم میگذارد و از شما میخواهد تشخیص دهید که کدام واقعی ست و کدام جعلی.

https://www.whichfaceisreal.com/index.php

🔵آموزش کار کردن با تصاویر، موزیک و ویدیو در متلب🔵

کافی است به لینک زیر بروید و دکمه سبز را بزنید تا تمام کد ها دانلود شود. این آموزش برای کسانی که تازه متلب را شروع کرده اند ساخته شده است

https://github.com/roholazandie/matlab_multimedia_tutorial

🔵اطلس فعال سازی(Activation Atlas)🔵

شبکه های عصبی عمیق(Deep learning) بسیار موفق بوده است اما همیشه به این متهم می شده که بیشتر شبیه به یک جعبه سیاه است و نمی تواند توضیح دهد چرا یک ورودی مشخص به خروجی مورد انتظارش منجر می شود. این رویه در چند سال اخیر در حال تغییر است. اطلس فعال سازی یک تلاش بسیار جالب برای نمایش این است که در درون این شبکه ها چه می گذرد.
در مرحله اول نیاز است که آنچه در لایه های درونی شبکه است را خوب بشناسیم. مقادیری که بر روی توابع فعال سازی لایه های داخلی است شبیه مشتی عدد بی معناست اما بالاخره افرادی توانستند راهی برای نمایش آن بخش ها بیابند. برای یک تصویر ورودی به شبکه عصبی این مقادیر می توانند ویژگی های مشخصی از تصویر مانند لبه ها در لایه های پایین تر تا اشیا، مثلا یک چشم یا چرخ در لایه های بالاتر باشند.(از چپ به راست لایه ها عمیق تر می شوند و ویژگی های سطح بالاتری عیان می شود)

این نتیجه اگرچه جالب است اما فقط برای تصاویر تک و جداست. چطور میتوانیم فضای تمام این ویژگی ها را ببینیم. به عبارتی فضایی که در آن ویژگی ها با نظم مشخص کنار قرار بگیرند. خوشبختانه روش های کاهش ابعاد زیادی وجود دارد که می تواند تمام ویژگی ها برای دسته بزرگی از تصاویر را بگیرد و آن ها را بر اساس معیار شباهت کنار هم بچیند و سپس در فضای مثلا دو بعدی بیفکند(project). یکی از این روش ها t-SNE نام دارد. OpenAI با همکاری گوگل چنین پروژه ای را بر اساس یک میلیون عکس از Imagenet انجام دادند. نتایج شگفت انگیز هستند. می توانید آن ها را اینجا ببینید و در آن حرکت کنید.

همانطور که میبینید تصاویر مشابه کنار هم قرار میگیرند مثل ویژگی های سگ ها حتی با رنگ و نژادهای کاملا متفاوت کنار هم هستند و ویژگی های ساحل دریا با فاصله از گربه و سگ ها قرار گرفته است.

همچنین جهت ها (اگرچه بر روی دو بعد هستیم و بسیاری از جهات از بین رفته اند) معنی دار هستند. مثلا می توان از روی شکل زیر ویژگی های میوه ها را دید که با تعداد کم به زیاد یک طیف ایجاد میکند

توده ابر گونه ای که در میان تصویر میبینید همان اطلس است. این اطلس چیزی است که در ریاضیات به نام manifold شناخته می شود. منیفلد یک شی ریاضی است که می توان آن را شبیه به یک رویه در فضایی با ابعاد بالا تصور کرد. در اینجا ویژگی تصاویر بر روی این رویه قرار میگیرند. اما طرز قرار گیری آنها تصادفی و بی معنا نیست. در هر جهتی که بر روی منیفلد حرکت کنید یک ویژگی به آرامی تغییر میکند. مثلا اینکه شما از ویژگی تصاویر وسایل آشپزخانه مثلا از ماهیتابه به قابلمه میرسید و نه اینکه به صورت دفعی از ماهیتابه به تصویر گربه برسید. این باعث می شود معنای نفهته و کشف شده در شبکه عصبی هم قابل فهم تر باشد.
کاربری کامنت جالبی بر روی این اطلس قرار داده بود او آن را به تصویر کورتکس یک ابرهوش مصنوعی در مرحله جینینی تشبیه کرده بود!

لینک برای مطالعه بیشتر:

https://blog.openai.com/introducing-activation-atlases/

https://distill.pub/2018/building-blocks

https://blog.openai.com/introducing-activation-atlases/