وقتی به دنیای بینایی رایانه نگاه می کنیم ، می توانیم یک فاصله واقعی بین دوره های واقعیت و آنلاین مشاهده کنید.
به عنوان مثال ، شما ممکن است در یک دوره آنلاین نحوه اجرای یک شبکه YOLO را بیاموزید ، اما یک مورد استفاده در دنیای واقعی ممکن است 7 شبکه YOLO را در GPU های توزیع شده درخواست کند. و معماری HydraNet این چه عجایبی است؟ ما همه اینها را در Coursera نیاموختیم!
بنابراین امروز ، تصمیم گرفتم ویدیویی را از Andrej Karpathy ، AI Lead در تسلا جدا کنم و آنچه را که در داخل نرم افزار تسلا اتفاق می افتد برای شما توضیح دهم. پیوند ویدیو را در پایان این مقاله به اشتراک می گذارم.
امیدوارم متوجه شوید که هیچ چیز را نمی توانید درک کنید ، حداقل از یک مفهوم سطح بالا. < /p>
عمیقاً در زیر فرو می رویم:
به طور خاص ، ما به یکی از نگرانی های مهم تسلا می پردازیم: 50 کار باید روی رایانه انجام شود ، به طور همزمان ، در رایانه ای که فضای زیادی را اشغال نمی کند.
رایانه FSDپس بیایید به آن برسیم!
به گفته ایلان ماسک ، از ابتدای ژوئیه (2020) ، تسلا به خودروهای کاملاً خودران نزدیک است-که به عنوان خودمختاری سطح 5 نیز شناخته می شود. چه واقعیت داشته باشد چه نباشد ، یک چیز بیش از پیش روشن می شود: تسلا آماده است تا قبل از دیگران به خودمختاری کامل برسد. هنگامی که آنها این کار را انجام می دهند ، بقیه احتمالاً به سرعت دنبال می شوند.
عملکرد اصلی هر وسیله نقلیه خودران ، از جمله کارهایی که در تسلا انجام می شود این است که در خط صحیح بمانید ، سپس مسیر را تغییر دهید تا مسیر درست را دنبال کنید.
بدیهی است که وظایفی مانند تشخیص موانع بخش بزرگی از پشته است. و ویژگی های دیگر مانند Smart Summon به خودرو اجازه می دهد تا راننده را در یک پارکینگ پیدا کند. این وظایف اضافی ، در میان سایر وظایف ، به خط اصلی و مسیر اصلی حرکت می کند تا به سمت هدف بلند مدت حرکت کند: قابلیت های کامل خودران.
تسلا باید تمام این وظایف را انجام دهدتسلا از 8 دوربین برای عملکرد استفاده می کند. با این کار ، آنها می توانند تمام مناطق اطراف وسیله نقلیه را پوشش دهند تا نقطه کوری وجود نداشته باشد.
نمای از 8 دوربین8 دوربینبا RADAR های اضافی ترکیب می شوند تا بتوانند موانع را به طور م locateثر شناسایی و آنها را شناسایی کنند. RADAR ها حسگرهای مکمل بسیار خوبی هستند زیرا می توانند سرعتها را مستقیماً تخمین بزنند. می توانید در مقاله RADAR من بیشتر بیاموزید.
این تصاویر دوربین چگونه پردازش می شوند؟ استفاده از شبکه های عصبی.
بین وسایل نقلیه ، خطوط پیاده رو ، حاشیه جاده ها ، گذرگاه ها و سایر متغیرهای محیطی خاص ، تسلا کارهای زیادی برای انجام دادن دارد. در حقیقت ، آنها باید حداقل 50 شبکه عصبی را به طور همزمان اجرا کنند تا بتواند کار کند. این امر در رایانه های معمولی امکان پذیر نیست.
شبکه های عصبی با استفاده از PyTorch ، یک چارچوب یادگیری عمیق که ممکن است با آن آشنا باشید ، آموزش می بینند.
گاهی اوقات نتایج یک شبکه عصبی باید به صورت سه بعدی تفسیر شود. نمای چشم پرنده می تواند به تخمین فاصله ها کمک کند و درک بسیار بهتر و واقعی تری از جهان ارائه دهد.
احضار هوشمند در تسلا با استفاده از نمای چشم پرندهبرخی از کارها بر روی چندین دوربین اجرا می شوند. به عنوان مثال ، برآورد عمق چیزی است که ما عموما در دوربین های استریو انجام می دهیم. داشتن 2 دوربین به تخمین بهتر فاصله ها کمک می کند. تسلا این کار را با استفاده از شبکه های عصبی با رگرسیون در عمق انجام می دهد.
برآورد عمق از 2 دوربینتسلا همچنین وظایف مکرر مانند برآورد چیدمان جاده دارد. این ایده مشابه است: چندین شبکه عصبی به طور جداگانه اجرا می شوند و یک شبکه عصبی دیگر در حال ایجاد اتصال است.
به صورت اختیاری ، این شبکه عصبی می تواند مکرر باشد تا زمان را در بر گیرد.
به این معنی است که برای هر پاس رو به جلو ، 4096 تصویر پردازش می شود. من در مورد شما اطلاعی ندارم ، اما MacBook Pro من هرگز نمی تواند از این پشتیبانی کند. در واقع ، GPU نمی تواند این کار را انجام دهد - نهحتی 2 GPU!
برای حل این مشکل ، تسلا روی معماری HydraNet شرط بندی می کند. هر دوربینی از طریق یک شبکه عصبی واحد پردازش می شود. سپس همه چیز در شبکه عصبی میانی ترکیب می شود. نکته شگفت انگیز این است که هر کاری تنها به چند قسمت از این شبکه غول پیکر نیاز دارد.
به عنوان مثال ، تشخیص شیء فقط به دوربین جلو ، ستون فقرات جلو و دوربین دوم نیاز دارد. همه چیز یکسان پردازش نمی شود.
8 شبکه عصبی اصلی مورد استفاده تسلاآموزش شبکه با استفاده از PyTorch انجام می شود. چندین کار مورد نیاز است و آموزش بر روی 48 سر شبکه عصبی می تواند زمان زیادی را صرف کند. در حقیقت ، آموزش برای تکمیل به 70،000 ساعت GPU نیاز دارد. تقریباً 8 سال است.
تسلا در حال تغییر حالت آموزش از "رفت و برگشت" به "استخر کارگران" است. در اینجا ایده وجود دارد: در سمت چپ - گزینه طولانی و غیرممکن. در وسط و راست ، گزینه های جایگزین مورد استفاده آنها.
امیدوارم اکنون ایده روشنی از نحوه کار در آنجا داشته باشید. درک آن غیرممکن نیست ، اما قطعاً متفاوت از چیزی است که ممکن است به آن عادت کرده باشیم. چرا؟ از آنجا که این شامل مشکلات بسیار پیچیده ای در دنیای واقعی است.
علاوه بر این ، تسلا باید به طور مداوم نرم افزار خود را بهبود بخشد. آنها باید داده های کاربران را جمع آوری کرده و از آنها استفاده کنند. از این گذشته ، آنها هزاران وسیله نقلیه دارند که در آنجا رانندگی می کنند ، احمقانه خواهد بود که از داده های آنها برای بهبود مدل خود استفاده نکنند. هر داده ای جمع آوری ، برچسب گذاری و برای آموزش استفاده می شود. شبیه فرایندی به نام یادگیری فعال (در این مورد در اینجا اطلاعات بیشتری کسب کنید).
بیایید پشته را از پایین به بالا تعریف کنیم.
⏩ در اینجا ویدئویی است که همه چیز را شرح می دهد. فقط تصاویری را که به شما نشان دادم نوشتم و جمع آوری کردم.
ممکن است کمی از همه چیز که توضیح دادم غرق شده باشید. بسیار پیشرفته تر از آن چیزی است که اکثر دوره ها آموزش می دهند ، و طبیعی است. با این حال ، امروزه شرکت ها اینگونه عمل می کنند. آن استبه ندرت می توان شرکتی را مشاهده کرد که از دسته های از پیش ساخته شده از لایه های متحرک بدون تغییر استفاده کند.
در اینجا خلاصه ای از همه مواردی است که ما در مورد آن بحث کردیم:
هدف تسلا این است که اولین شرکتی باشد که به خودمختاری کامل دست یافته است. امروزه آنها با ارزش ترین شرکت خودروسازی در کل جهان هستند و قصد توقف در آنجا را ندارند. آنها با چالش های جالبی روبرو هستند که ما در هنگام یادگیری هوش مصنوعی و یادگیری عمیق از راحتی خانه های خود با آنها روبرو نیستیم.
تبصره ویرایشگر: ضربان قلب یک نشریه و انجمن آنلاین مبتنی بر مشارکت است که به کاوش در تقاطع نوظهور توسعه برنامه تلفن همراه و یادگیری ماشین اختصاص داده شده است. ما متعهد هستیم که از توسعه دهندگان و مهندسان از هر قشری حمایت و الهام بگیریم.
مستقل از نظر ویرایش ، Heartbeat توسط Fritz AI ، پلت فرم یادگیری ماشینی که به توسعه دهندگان کمک می کند تا دستگاه ها را ببینند ، بشنوند ، حمایت و منتشر می شود. حس کنید و فکر کنید ما به مشارکت کنندگان خود پرداخت می کنیم و تبلیغات نمی فروشیم.
اگر می خواهید مشارکت داشته باشید ، به تماس ما برای مشارکت کنندگان سر بزنید. همچنین می توانید برای دریافت خبرنامه های هفتگی ما (هفته نامه یادگیری عمیق و خبرنامه هوش مصنوعی Fritz) ثبت نام کنید ، در Slack به ما بپیوندید و Fritz AI را در توییتر دنبال کنید تا آخرین یادگیری ماشین تلفن همراه را مشاهده کنید.
موارد خاصی همیشه به راحتی به ذهنم رسیده اند. نوشتن ، سخنرانی در جمع ، سریع با پوزخند روی پاهایم - اینها در خانه چرخ من است. وقتی افراد به مهارت های من در این زمینه ها اذعان می کنند احساس خوبی دارد.
مسئله این است که خوب بودن در کاری می تواند منجر به رکود شود. اگر می خواهید همیشه بهترین یا باهوش ترین اتاق باشید ، حتی بهتر بودن را از دست می دهید.
وقتی درباره موضوعی اطلاعات زیادی می دانید یا در زمینه خاصی تجربه زیادی دارید ، آسان است که ناخواسته شجاعت ایجاد کند. این شجاعت می تواند فلج کننده باشد زیرا وقتی در انجام کار ماهر هستیم ، می توانیم از خود راضی باشیم.
با خودآموزی کمبود رشد همراه است. این باعث می شود ما به جای رشد و ترقی به سطح بعدی ، در دریایی از اهمیت شخصی خود پارو بزنیم. ممکن است احساس خوبی داشته باشد ، اما ما به جایی نمی رسیم.
رمز موفقیت یادگیری از افرادی است که قبلاً کاری را که ما می خواهیم انجام دهیم ، انجام داده اند. افرادی که بیش از ما می دانند می توانند در زندگی ما حکمت را بیان کنند. ما مجبور نیستیم این کار را به همان روشی که آنها انجام داده اند انجام دهیم ، اما باید داستان های آنها را دریابیم. بینش آنها ارزشمند است.
سفر آنها چگونه بود؟ چه شکست هایی داشتند؟ چه توصیه هایی می توانند ارائه دهند؟ زیاد گوش کنید ، چند س askال بپرسید و اجازه دهید خرد آنها روی شما بیفتد.
آیا نویسنده ای وجود دارد که او را تحسین کنید؟ یک تاجر که از تجارت با او لذت می برید؟ سرک بکش. از طریق ایمیل به افراد مراجعه کنید یا به آنها مراجعه کنید. دستیابی به آن صدمه ای نمی زند.
پاسخی ندارید؟ مشکلی نیست شخص دیگری را پیدا کنید تا از او س askال کند.
به گروهی بپیوندید که افرادی که همان کار را انجام می دهند با یکدیگر ملاقات می کنند. جلسات اتاق بازرگانی ، گروه های نویسندگان ، کلینیک های بسکتبال - مکان هایی را برای جمع آوری دیگران که به آنچه شما برای شما مهم است پیدا کنید. شما در حال انجام هر کاری هستید ، محل تجمع افرادی که همان کار را انجام می دهند را پیدا کنید.
من به یک گروه نویسنده محلی پیوستم زیرا فهمیدم که در گروه نویسندگان که تشکیل دادم ، بیشترین تجربه و موفقیت را داشته ام. این خوب است ، اما من می خواهم یک ماهی کوچک شوم. من می خواهم از دیگران که کتاب چاپ کرده و معامله با نمایندگان معامله کرده اند بیاموزم و تجارت را درک کنم.
وقتی به جایی می روم که مردم بیشتر از من می دانند ، می توانم این اطلاعات را برداشت کرده و به نویسندگان خودم برگردانم. 'گروه. همچنین به من کمک می کند تا در سفر شخصی خود به عنوان نویسنده رشد کنم.
علاوه بر این ، به پادکست ها گوش دهید. تعداد زیادی از آنها وجود دارد که بسیاری از آنها برای کمک به مردم در مناطق خاص تخصص دارند. من به Joanna Penn's The Creative Penn Podcast گوش می دهم زیرا من علاقه مندم که چگونه او یک تجارت کارآفرین خلاق برای خود ایجاد کرده است. به احتمال زیاد پادکستی وجود دارد که در سفر به موفقیت نیز به شما کمک می کند.
کتاب بخوانید. من هم اکنون مشغول خواندن کتاب Called to Creat by Jordan Raynor هستم. Stephen King’s On Writing چشمهایم را باز کرد و به من کمک کرد تا عادت های نوشتاری ام را توسعه دهم. برای یادگیری تعقیب رویاها روشن شده استمن را با خواندن Chase the Lion توسط مارک باترسون.
صحبت کنید ، گوش دهید ، بخوانید. در خلا کار نکنید مربیان خود را پیدا کنید و به دانش آنها توجه کنید.
اگر محتاط نباشیم ، مشغله تلاش برای رسیدن به اهدافمان می تواند باعث پرهیز از درون بینی شود. وقت تلف کنید کمی وقت بگذارید تا با خودتان بنشینید. به کاری که انجام داده اید و ارتباط آن با اهداف خود نگاهی بیندازید.
یادگیری استقبال از مکث بازتابنده برای حرکت به جلو بسیار مهم است. شخم زدن کورکورانه پیش رو و بدون بررسی دقیق می تواند مانع پیشرفت ما شود. در جلسه ای با خود ، باید س hardالات سختی از خود بپرسید. این یک روش کارآمد برای یادگیری این است که شما واقعاً چه ماهی کوچکی هستید.
در حالت ایده آل ، بهترین کار این است که انجام دهید این هم قبل و هم بعد از مشورت با مربیان خود. قبل از به دست آوردن خرد از یک مربی ، می توانید خود و پیشرفت خود را ارزیابی کنید. پس از انجام این کار ، صحبت با شخص دیگری ممکن است به شما کمک کند تا فضاهایی را که در نظر نگرفته اید پر کنید.
یادداشت برداری کنید یا یک دفترچه یادداشت داشته باشید. این یک رکورد در حال اجرا ایجاد می کند که می توانید با گذشت زمان به آن رجوع کنید ، به شما کمک می کند روند زندگی خود را ببینید. این یک سند زنده می شود که پیشرفت شما را ردیابی می کند.
از وقتی که این فکر را شروع کردم ، یاد گرفتم که جلسات را با خودم بخواهم. هنگامی که فهمیدم شلوغی سرسختانه من با نتایجی که می بینم متناسب نیست ، باید مکث کنم.
عکس توسط Crew در Unsplashهنگامی که از مشاوران بینش کسب کردید و با خود مشورت کردید ، مراحل آگاهانه بعدی را انجام دهید. با آماده شدن ، احتمالاً کارآیی و موفقیت شما نسبت به گذشته بیشتر خواهد بود.
ما باید از یکدیگر یاد بگیریم - شامل شکست ها و موفقیت ها. از مکانهای مختلف به منابع ضربه بزنید و از آنها استفاده کنید تا به شما کمک کند تا تفکر خود را از نو تنظیم کنید.
اقدامات عمدی و خود بازتابی بسیار کمک می کند. آن را از یک ماهی کوچک بردارید.
از خواندن شما متشکرم! من تریسی گرهارد-کوپر هستم و از شما دعوت می کنم اگر دوست دارید صحبت های واقعی تری درباره زندگی واقعی بخوانید ، مرا دنبال کنید. لطفاً برای مشاغل میانسالی ، نشریه من Middle Ground را نیز دنبال کنید. بیایید زندگی را به عمد انجام دهیم.