Não escreva código quando o código que você pode re-uso é um princípio bem conhecido no software de gravação, mas usá-lo para substituir milhares de linhas de código com 50 parece positivamente parcimoniosa.
Isso é o que o MIT está reivindicando com uma próxima demonstração do que ele chama de "código probabilística", uma abordagem que ele diz que é aplicado ao campo de visão pela primeira vez.
MIT é tímido sobre os detalhes - por exemplo, a sua http://ift.tt/1IY7OXw auto-promoção não fornece um exemplo de código para deixar meros mortais ver o código probabilística parece - mas isso é porque ele vai mostrar o seu trabalho fora em uma conferência em junho.
O principal autor do Tejas Kulkarni diz "Toda a esperança é escrever modelos muito flexíveis, ambos os modelos generativos e discriminativos, código probabilística tão curto, e depois não fazer mais nada. Esquemas de inferência de uso geral resolver os problemas ".
A idéia é que em vez de escrever algoritmos de inferência específicas para a tarefa - como o uso de imagens de 2D para construir modelos 3D - um programa muito menor poderia enviar os problemas fora de algoritmos de inferência de uso geral existentes e escolher a melhor saída.
Isso, MIT afirma, significaria em vez de escrever milhares de linhas de código para enfrentar um novo problema, apenas um punhado de linhas de código - a escala de um script - poderia lidar com a tarefa.
Sua demo, mostrado fora na imagem abaixo, tenta tirar imagens 2D de uma cabeça e construí-los em modelos 3D. In Picture, o codificador descreve as características de um rosto - dois olhos simetricamente distribuídos, com dois elementos centrais (nariz e boca) abaixo deles - na sintaxe da linguagem.
A partir das imagens 2D no topo, MIT fez os modelos 3D (linha média)
A linha inferior mostra a saída de uma versão anterior do Picture. Imagem: MIT
No caso de você está pensando que tudo soa muito fácil, você está certo: Imagem também depende de aprendizado de máquina, de modo que ele possa cumprir a sua dança máscaras cinquenta e linhas-de-código, ele precisa ser treinado. Citando o release: "Alimente o programa exemplos suficientes de 2-D imagens e sua modelos 3-D correspondente, e ele vai descobrir o resto por si."
MIT descreve a abordagem probabilística assim: se você queria para determinar a cor de cada pixel em um quadro de Toy Story, você tem um problema grande, mas determinista, porque você sabe quantos pixels existem, e você sabe quantas cores você tem para amostra.
"Deduzir forma, por outro lado, é probabilístico: Significa prospecção muitas possibilidades rivais e selecionar o que parece mais provável", diz MIT.
A esse respeito, Picture olha para El Reg para ser uma espécie de meta-linguagem: ele ainda usa baldes de código na forma de algoritmos de inferência pré-existentes, com o Picture que atravessa diferença algoritmos e escolher o "melhor" resultado.
Isso, no entanto, também pode aliviar a carga de trabalho para codificadores futuros, segundo o pesquisador Tejas Kulkarni.
"Usando a aprender a melhorar a inferência serão específicas para cada tarefa, mas a programação probabilística pode aliviar código re-escrita em diferentes problemas", diz ele. "O código pode ser genérico se a máquina de aprendizagem é poderoso o suficiente para aprender estratégias diferentes para diferentes tarefas." ®
via Alimentação (Feed)
Nenhum comentário:
Postar um comentário