{"id":280661,"date":"2016-11-09T10:05:11","date_gmt":"2016-11-09T07:05:11","guid":{"rendered":"http:\/\/savepearlharbor.com\/?p=280661"},"modified":"-0001-11-30T00:00:00","modified_gmt":"-0001-11-29T21:00:00","slug":"","status":"publish","type":"post","link":"https:\/\/savepearlharbor.com\/?p=280661","title":{"rendered":"\u0420\u0435\u043a\u043e\u043c\u0435\u043d\u0434\u0430\u0446\u0438\u0438 \u043d\u0430 \u043e\u0441\u043d\u043e\u0432\u0435 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u0442\u043e\u0432\u0430\u0440\u043e\u0432"},"content":{"rendered":"

\"image\"\/<\/a>
\u0412 \u0434\u0430\u043d\u043d\u043e\u0439 \u0441\u0442\u0430\u0442\u044c\u0435 \u044f \u0445\u043e\u0442\u0435\u043b \u0431\u044b \u0440\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0435\u0442\u044c \u043d\u0430 \u043f\u0440\u0430\u043a\u0442\u0438\u043a\u0435 \u0432\u0430\u0440\u0438\u0430\u043d\u0442 \u043f\u043e\u0441\u0442\u0440\u043e\u0435\u043d\u0438\u044f \u043f\u0440\u043e\u0441\u0442\u0435\u0439\u0448\u0435\u0439 \u0440\u0435\u043a\u043e\u043c\u0435\u043d\u0434\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0439 \u0441\u0438\u0441\u0442\u0435\u043c\u044b \u043e\u0441\u043d\u043e\u0432\u0430\u043d\u043d\u043e\u0439 \u043d\u0430 \u0441\u0445\u043e\u0436\u0435\u0441\u0442\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u0442\u043e\u0432\u0430\u0440\u043e\u0432.
\u042d\u0442\u043e\u0442 \u043c\u0430\u0442\u0435\u0440\u0438\u0430\u043b \u043f\u0440\u0435\u0434\u043d\u0430\u0437\u043d\u0430\u0447\u0435\u043d \u0434\u043b\u044f \u0442\u0435\u0445, \u043a\u0442\u043e \u0445\u043e\u0442\u0435\u043b \u0431\u044b \u043f\u043e\u043f\u0440\u043e\u0431\u043e\u0432\u0430\u0442\u044c \u043f\u0440\u0438\u043c\u0435\u043d\u0438\u0442\u044c Deep Learning, \u0430 \u0438\u043c\u0435\u043d\u043d\u043e \u0441\u0432\u0451\u0440\u0442\u043e\u0447\u043d\u044b\u0435 \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u044b\u0435 \u0441\u0435\u0442\u0438, \u0432 \u043f\u0440\u043e\u0441\u0442\u043e\u043c, \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u043e\u043c \u0438 \u043f\u0440\u0430\u043a\u0442\u0438\u0447\u0435\u0441\u043a\u0438 \u043f\u0440\u0438\u043c\u0435\u043d\u0438\u043c\u043e\u043c \u043f\u0440\u043e\u0435\u043a\u0442\u0435, \u043d\u043e \u043d\u0435 \u0437\u043d\u0430\u0435\u0442 \u0441 \u0447\u0435\u0433\u043e \u043d\u0430\u0447\u0430\u0442\u044c.
<\/a>
\u041f\u0440\u0435\u0434\u044b\u0441\u0442\u043e\u0440\u0438\u044f<\/b>
\u041a \u043d\u0430\u043f\u0438\u0441\u0430\u043d\u0438\u044e \u0434\u0430\u043d\u043d\u043e\u0433\u043e \u043f\u0440\u043e\u0442\u043e\u0442\u0438\u043f\u0430 \u043c\u0435\u043d\u044f \u043f\u043e\u0434\u0442\u043e\u043b\u043a\u043d\u0443\u043b \u043f\u0440\u043e\u0446\u0435\u0441\u0441 \u0432\u044b\u0431\u043e\u0440\u0430 \u0444\u0443\u0442\u0431\u043e\u043b\u043e\u043a \u0432 \u0438\u043d\u0442\u0435\u0440\u043d\u0435\u0442-\u043c\u0430\u0433\u0430\u0437\u0438\u043d\u0435. \u041f\u0440\u043e\u043b\u0438\u0441\u0442\u0430\u0432 1000 \u0438\u0437 11 000 \u0442\u043e\u0432\u0430\u0440\u043e\u0432 \u044f \u043d\u0435\u043c\u043d\u043e\u0433\u043e \u043f\u0440\u0438\u0442\u043e\u043c\u0438\u043b\u0441\u044f. \u041e\u0447\u0435\u043d\u044c \u0445\u043e\u0442\u0435\u043b\u043e\u0441\u044c \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u044c \u043f\u043e\u0438\u0441\u043a\u0430\u0442\u044c \u0442\u043e\u0432\u0430\u0440\u044b \u043f\u043e\u0445\u043e\u0436\u0438\u0435 \u043d\u0430 \u0442\u0435, \u0447\u0442\u043e \u044f \u0443\u0436\u0435 \u043e\u0442\u043e\u0431\u0440\u0430\u043b. \u0412\u0441\u0442\u0440\u043e\u0435\u043d\u043d\u0430\u044f \u0440\u0435\u043a\u043e\u043c\u0435\u043d\u0434\u0430\u0442\u0435\u043b\u044c\u043d\u0430\u044f \u0441\u0438\u0441\u0442\u0435\u043c\u0430 \u043d\u0435 \u043c\u043e\u0433\u043b\u0430 \u043f\u043e\u043c\u043e\u0447\u044c \u043d\u0438\u0447\u0435\u043c. \u0411\u044b\u043b\u043e \u0440\u0435\u0448\u0435\u043d\u043e \u0437\u0430\u043f\u0438\u043b\u0438\u0442\u044c \u0441\u0432\u043e\u0439 \u0432\u0430\u0440\u0438\u0430\u043d\u0442 \u0438 \u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0435\u0442\u044c \u043a\u0430\u043a \u043e\u043d \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442 \u043d\u0430 \u0440\u0435\u0430\u043b\u044c\u043d\u044b\u0445 \u0434\u0430\u043d\u043d\u044b\u0445.<\/p>\n

\u041f\u0430\u0440\u0441\u0438\u043d\u0433 \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a<\/b>
\u0414\u043b\u044f \u043d\u0430\u0447\u0430\u043b\u0430 \u0431\u044b\u043b \u0440\u0435\u0430\u043b\u0438\u0437\u043e\u0432\u0430\u043d \u043f\u0440\u043e\u0441\u0442\u043e\u0439 \u043f\u0430\u0440\u0441\u0435\u0440 \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a \u0438\u0437 \u044d\u0442\u043e\u0439<\/a> \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0438. \u041f\u0440\u0435\u0432\u044c\u044e\u0448\u043a\u0438 \u0440\u0430\u0437\u0440\u0435\u0448\u0435\u043d\u0438\u0435\u043c 250×250 \u0431\u044b\u043b\u0438 \u0441\u043b\u043e\u0436\u0435\u043d\u044b \u0432 \u043e\u0434\u043d\u0443 \u043f\u0430\u043f\u043a\u0443 \u0441 \u0438\u043c\u0435\u043d\u0430\u043c\u0438 \u0432\u0438\u0434\u0430 ItemID.jpg. \u041f\u043e\u043b\u0443\u0447\u0438\u043b\u043e\u0441\u044c \u043e\u043a\u043e\u043b\u043e 11 000 \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a.<\/p>\n

\u0418\u0437\u0432\u043b\u0435\u0447\u0435\u043d\u0438\u0435 \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u043e\u0432<\/b>
\u0414\u043b\u044f \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u044f \u0441\u0445\u043e\u0436\u0435\u0441\u0442\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u043d\u0430\u043c \u043d\u0443\u0436\u043d\u043e \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0438\u0445 \u0432\u0435\u043a\u0442\u043e\u0440\u043d\u044b\u0435 \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u0435\u043d\u0438\u044f. \u0414\u043b\u044f \u044d\u0442\u043e\u0433\u043e \u0432\u043e\u0437\u044c\u043c\u0451\u043c \u0441\u0432\u0451\u0440\u0442\u043e\u0447\u043d\u0443\u044e \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u0443\u044e \u0441\u0435\u0442\u044c \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u043c\u0443\u044e \u0434\u043b\u044f \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 (VGG-16), \u0443\u0436\u0435 \u043d\u0430\u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u0443\u044e \u043d\u0430 \u0431\u043e\u043b\u044c\u0448\u043e\u043c \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0435 (ImageNet), \u0438 \u043e\u0442\u0440\u0435\u0436\u0435\u043c \u043e\u0442 \u043d\u0435\u0435 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0439 \u0441\u043b\u043e\u0439, \u0434\u0430\u044e\u0449\u0438\u0439 \u043d\u0430 \u0432\u044b\u0445\u043e\u0434\u0435 \u0432\u0435\u0440\u043e\u044f\u0442\u043d\u043e\u0441\u0442\u0438 \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0438\u0437 1000 \u043a\u043b\u0430\u0441\u0441\u043e\u0432 ImageNet. \u0412 \u0438\u0442\u043e\u0433\u0435 \u0443 \u043d\u0430\u0441 \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u0441\u044f 4096-\u043c\u0435\u0440\u043d\u044b\u0439 \u0432\u0435\u043a\u0442\u043e\u0440 \u0434\u043b\u044f \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0438\u0437 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439.
\"image\"\/<\/p>\n

\u041f\u0440\u043e\u0442\u043e\u0442\u0438\u043f \u0443\u0434\u043e\u0431\u043d\u0435\u0435 \u0432\u0441\u0435\u0433\u043e \u0440\u0435\u0430\u043b\u0438\u0437\u043e\u0432\u044b\u0432\u0430\u0442\u044c \u0432 ipython notebook, \u043e\u0447\u0435\u043d\u044c \u0441\u043e\u0432\u0435\u0442\u0443\u044e \u0442\u0435\u043c, \u043a\u0442\u043e \u0435\u0449\u0451 \u043d\u0435 \u043f\u0440\u043e\u0431\u043e\u0432\u0430\u043b.
\u0417\u0430 \u043e\u0441\u043d\u043e\u0432\u0443 \u0431\u044b\u043b \u0432\u0437\u044f\u0442 \u044d\u0442\u043e\u0442 \u043a\u043e\u0434 gist.github.com\/baraldilorenzo\/07d7802847aaad0a35d3<\/a><\/p>\n

\u041f\u043e\u0434\u0433\u0440\u0443\u0436\u0430\u0435\u043c \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0438 <\/p>\n

%matplotlib inline from keras.models import Sequential from keras.layers.core import Flatten, Dense, Dropout from keras.layers.convolutional import Convolution2D, MaxPooling2D, ZeroPadding2D from keras.optimizers import SGD import cv2, numpy as np import os import h5py from matplotlib import pyplot as plt  import theano theano.config.openmp = True <\/code><\/pre>\n
  \u0417\u0430\u0433\u0440\u0443\u0436\u0430\u0435\u043c \u043f\u0440\u0435\u0434\u043e\u0431\u0443\u0447\u0435\u043d\u043d\u0443\u044e \u043d\u0430 ImageNet VGG-16 \u0438 \u0443\u0434\u0430\u043b\u044f\u0435\u043c \u0443 \u043d\u0435\u0435 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0439 \u0441\u043b\u043e\u0439  <\/p>\n
def VGG_16(weights_path=None):     model = Sequential()     model.add(ZeroPadding2D((1,1),input_shape=(3,224,224)))     model.add(Convolution2D(64, 3, 3, activation='relu'))     model.add(ZeroPadding2D((1,1)))     model.add(Convolution2D(64, 3, 3, activation='relu'))     model.add(MaxPooling2D((2,2), strides=(2,2)))      model.add(ZeroPadding2D((1,1)))     model.add(Convolution2D(128, 3, 3, activation='relu'))     model.add(ZeroPadding2D((1,1)))     model.add(Convolution2D(128, 3, 3, activation='relu'))     model.add(MaxPooling2D((2,2), strides=(2,2)))      model.add(ZeroPadding2D((1,1)))     model.add(Convolution2D(256, 3, 3, activation='relu'))     model.add(ZeroPadding2D((1,1)))     model.add(Convolution2D(256, 3, 3, activation='relu'))     model.add(ZeroPadding2D((1,1)))     model.add(Convolution2D(256, 3, 3, activation='relu'))     model.add(MaxPooling2D((2,2), strides=(2,2)))      model.add(ZeroPadding2D((1,1)))     model.add(Convolution2D(512, 3, 3, activation='relu'))     model.add(ZeroPadding2D((1,1)))     model.add(Convolution2D(512, 3, 3, activation='relu'))     model.add(ZeroPadding2D((1,1)))     model.add(Convolution2D(512, 3, 3, activation='relu'))     model.add(MaxPooling2D((2,2), strides=(2,2)))      model.add(ZeroPadding2D((1,1)))     model.add(Convolution2D(512, 3, 3, activation='relu'))     model.add(ZeroPadding2D((1,1)))     model.add(Convolution2D(512, 3, 3, activation='relu'))     model.add(ZeroPadding2D((1,1)))     model.add(Convolution2D(512, 3, 3, activation='relu'))     model.add(MaxPooling2D((2,2), strides=(2,2)))      model.add(Flatten())     model.add(Dense(4096, activation='relu'))     model.add(Dropout(0.5))     model.add(Dense(4096, activation='relu')) #     model.add(Dropout(0.5)) #     model.add(Dense(1000, activation='softmax'))       assert os.path.exists(weights_path), 'Model weights not found (see "weights_path" variable in script).'     f = h5py.File(weights_path)     for k in range(f.attrs['nb_layers']):         if k >= len(model.layers):         # we don't look at the last (fully-connected) layers in the savefile             break         g = f['layer_{}'.format(k)]         weights = [g['param_{}'.format(p)] for p in range(g.attrs['nb_params'])]         model.layers[k].set_weights(weights)     f.close()     print('Model loaded.')     return model   model = VGG_16('..\/..\/keras\/vgg16_weights.h5') sgd = SGD(lr=0.1, decay=1e-6, momentum=0.9, nesterov=True) model.compile(optimizer=sgd, loss='categorical_crossentropy') <\/code><\/pre>\n
  \u0417\u0430\u0433\u0440\u0443\u0436\u0430\u0435\u043c \u0438 \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u0443\u0435\u043c \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f \u0432 \u0444\u043e\u0440\u043c\u0430\u0442 \u043f\u0440\u0438\u0433\u043e\u0434\u043d\u044b\u0439 \u0434\u043b\u044f \u043d\u0430\u0448\u0435\u0439 \u043d\u0435\u0439\u0440\u043e\u0441\u0435\u0442\u0438  <\/p>\n
path = "..\/..\/keras\/tshirts\/out\/" ims = [] files = [] for f in os.listdir(path):     if (f.endswith(".jpg")) and (os.stat(path+f) > 10000):         try:             files.append(f)             im = cv2.resize(cv2.imread(path+f), (224, 224)).astype(np.float32)     #         plt.imshow(im)     #         plt.show()             im[:,:,0] -= 103.939             im[:,:,1] -= 116.779             im[:,:,2] -= 123.68             im = im.transpose((2,0,1))             im = np.expand_dims(im, axis=0)             ims.append(im)         except:             print f  images = np.vstack(ims) <\/code><\/pre>\n
  \u0421\u043e\u0437\u0434\u0430\u0435\u043c \u0441\u043b\u043e\u0432\u0430\u0440\u0438 \u0434\u043b\u044f \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u0438\u044f \u0432\u043d\u0435\u0448\u043d\u0438\u0445 ID\u0448\u043d\u0438\u043a\u043e\u0432 \u043a \u043d\u0430\u0448\u0438\u043c \u0438 \u043d\u0430\u043e\u0431\u043e\u0440\u043e\u0442  <\/p>\n
r1 =[] r2= [] for i,x in enumerate(files):     r1.append((int(x[:-4]),i))     r2.append((i,int(x[:-4]))) extid_to_intid_dict = dict(r1) intid_to_extid_dict = dict(r2) <\/code><\/pre>\n
  \u0418\u0437\u0432\u043b\u0435\u043a\u0430\u0435\u043c \u0432\u0435\u043a\u0442\u043e\u0440\u043d\u044b\u0435 \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u0435\u043d\u0438\u044f \u0438\u0437 \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a  <\/p>\n
out = model.predict(images) print out print out.shape <\/code><\/pre>\n
  \u041f\u043e\u043b\u0443\u0447\u0430\u0435\u0442\u0441\u044f \u043f\u043e 4096-\u043c\u0435\u0440\u043d\u043e\u043c\u0443 \u0432\u0435\u043a\u0442\u043e\u0440\u0443 \u0434\u043b\u044f \u043a\u0430\u0436\u0434\u043e\u0439 \u0438\u0437 11 556 \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a  <\/p>\n
[[  0.00000000e+00   5.96046448e-08   4.35693979e+00 ...,   2.01165676e-07    -2.30967999e-07   5.48017263e+00]  [ -2.98023224e-08  -1.78813934e-07   5.60834265e+00 ...,   2.01165676e-07     7.45058060e-09   9.42541122e+00]  [  8.94069672e-08   0.00000000e+00   8.79157162e+00 ...,   2.01165676e-07    -2.30967999e-07   8.50830841e+00]  ...,   [  5.17337513e+00  -5.96046448e-08   6.89156103e+00 ...,   2.01165676e-07     7.45058060e-09   1.49011612e-08]  [  3.18071890e+00  -1.78813934e-07  -5.96046448e-08 ...,   2.01165676e-07    -2.30967999e-07   1.49011612e-08]  [  8.19161701e+00   5.96046448e-08   9.62305927e+00 ...,  -3.72529030e-08    -2.30967999e-07   7.47453260e+00]] (11556, 4096) <\/code><\/pre>\n
  \u041f\u043e\u0438\u0441\u043a \u043f\u043e\u0445\u043e\u0436\u0438\u0445 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439<\/b><\/p>\n
  \u041d\u0430\u0439\u0434\u0435\u043c \u043d\u0430\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0441\u0430\u043c\u044b\u0445 \u0431\u043b\u0438\u0437\u043a\u0438\u0445 \u043f\u043e \u043a\u043e\u0441\u0438\u043d\u0443\u0441\u043d\u043e\u043c\u0443 \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u044e \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439  <\/p>\n
from sklearn.metrics.pairwise import pairwise_distances extid = 875317 i = extid_to_intid_dict[extid] print i plt.imshow(cv2.imread(path+files[i])) plt.show() dist = pairwise_distances(out[i],out, metric='cosine', n_jobs=1)  top = np.argsort(dist[0])[0:7]  for t in top:     print t,dist[0][t]     plt.imshow(cv2.imread(path+files[t]))     plt.show() <\/code><\/pre>\n
  \"image\"\/<\/a><\/p>\n
  \u0412\u0435\u0431-\u0438\u043d\u0442\u0435\u0440\u0444\u0435\u0439\u0441 \u0434\u043b\u044f \u0442\u0435\u0441\u0442\u043e\u0432<\/b>
  \u0422\u0435\u0441\u0442\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u044d\u0442\u043e \u0432\u0441\u0451 \u0432 ipython \u043d\u0435 \u043e\u0447\u0435\u043d\u044c \u0443\u0434\u043e\u0431\u043d\u043e, \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u0431\u044b\u043b\u043e \u0440\u0435\u0448\u0435\u043d\u043e \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u0432\u0435\u0431-\u0438\u043d\u0442\u0435\u0440\u0444\u0435\u0439\u0441 \u043d\u0430 Django
  \u0421\u043e\u0445\u0440\u0430\u043d\u044f\u0435\u043c \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u044b\u0435 \u0434\u0430\u043d\u043d\u044b\u0435 \u0434\u043b\u044f \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u044f \u0432 \u0432\u0435\u0431-\u0438\u043d\u0442\u0435\u0440\u0444\u0435\u0439\u0441\u0435  <\/p>\n
import joblib joblib.dump((extid_to_intid_dict,intid_to_extid_dict,out),"..\/..\/keras\/tshirts\/models\/wo_1_layer.pkl") <\/code><\/pre>\n
  \u0414\u0430\u043b\u0435\u0435 \u043f\u0440\u0438 \u0437\u0430\u043f\u0443\u0441\u043a\u0435 \u043f\u043e\u0434\u043d\u0438\u043c\u0430\u0435\u043c \u0434\u0430\u043d\u043d\u044b\u0435 \u0432 \u043f\u0430\u043c\u044f\u0442\u044c \u0438 \u043f\u0440\u0438 \u043a\u0430\u0436\u0434\u043e\u043c \u0437\u0430\u043f\u0440\u043e\u0441\u0435 \u043d\u0430\u0445\u043e\u0434\u0438\u043c \u043f\u043e 5 \u0431\u043b\u0438\u0436\u0430\u0439\u0448\u0438\u0445 \u0441\u043e\u0441\u0435\u0434\u0435\u0439<\/p>\n
  \u0412\u043e\u0442 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u2014 imgrec.ddns.net<\/a>
  \u041f\u0440\u0438 \u0437\u0430\u043f\u0440\u043e\u0441\u0435 \u0431\u0435\u0437 \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u0430 \u0432\u044b\u0431\u0438\u0440\u0430\u0435\u0442 \u0440\u0430\u043d\u0434\u043e\u043c\u043d\u043e\u0435 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0435. \u0412\u044b\u0434\u0430\u0451\u0442 \u043f\u043e 5 \u0431\u043b\u0438\u0436\u0430\u0439\u0448\u0438\u0445 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u0434\u043b\u044f \u0440\u0430\u0437\u043d\u044b\u0445 \u043c\u0435\u0442\u0440\u0438\u043a \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u044f \u2014 \u00abcosine\u00bb, \u00abeuclidean\u00bb,\u00abmanhattan\u00bb<\/p>\n
  \u041f\u043e-\u043c\u043e\u0435\u043c\u0443, \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u043e\u0441\u044c \u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e \u043d\u0435 \u043f\u043b\u043e\u0445\u043e)
  \u0418\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u043e \u0442\u043e, \u0447\u0442\u043e \u043d\u0435\u0439\u0440\u043e\u0441\u0435\u0442\u044c, \u043e\u0431\u0443\u0447\u0435\u043d\u043d\u0430\u044f \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u0446\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f \u043d\u0430 ImageNet, \u0443\u043c\u0435\u0435\u0442 \u00ab\u043f\u043e\u043d\u0438\u043c\u0430\u0442\u044c\u00bb \u0447\u0442\u043e \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u043e \u043d\u0430 \u0444\u0443\u0442\u0431\u043e\u043b\u043a\u0435 \u0438 \u043f\u043e\u0434\u0431\u0438\u0440\u0430\u0442\u044c \u0441\u0445\u043e\u0436\u0438\u0435 \u043f\u043e \u0441\u043c\u044b\u0441\u043b\u0443 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f.
  \u0412\u043e\u0442 \u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440:
  \u041a\u043e\u0448\u043a\u0438 \u2014 imgrec.ddns.net\/?itemid=966730<\/a>
  \u041c\u0435\u0434\u0432\u0435\u0434\u0438 \u2014 imgrec.ddns.net\/?itemid=650443<\/a>
  \u041b\u044e\u0434\u0438 \u2014 imgrec.ddns.net\/?itemid=847003<\/a>
  \u0424\u0440\u0443\u043a\u0442\u044b \u2014 imgrec.ddns.net\/?itemid=1020961<\/a>
  \u041f\u043e\u0445\u043e\u0436\u0438\u0439 \u0441\u0442\u0438\u043b\u044c \u2014 imgrec.ddns.net\/?itemid=932401<\/a>
  \u0421\u0445\u043e\u0436\u0430\u044f \u0442\u0435\u043a\u0441\u0442\u0443\u0440\u0430 \u2014 imgrec.ddns.net\/?itemid=862294<\/a>
 \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438  https:\/\/habrahabr.ru\/post\/314490\/<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"
\"image\"\/<\/a>
  \u0412 \u0434\u0430\u043d\u043d\u043e\u0439 \u0441\u0442\u0430\u0442\u044c\u0435 \u044f \u0445\u043e\u0442\u0435\u043b \u0431\u044b \u0440\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0435\u0442\u044c \u043d\u0430 \u043f\u0440\u0430\u043a\u0442\u0438\u043a\u0435 \u0432\u0430\u0440\u0438\u0430\u043d\u0442 \u043f\u043e\u0441\u0442\u0440\u043e\u0435\u043d\u0438\u044f \u043f\u0440\u043e\u0441\u0442\u0435\u0439\u0448\u0435\u0439 \u0440\u0435\u043a\u043e\u043c\u0435\u043d\u0434\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0439 \u0441\u0438\u0441\u0442\u0435\u043c\u044b \u043e\u0441\u043d\u043e\u0432\u0430\u043d\u043d\u043e\u0439 \u043d\u0430 \u0441\u0445\u043e\u0436\u0435\u0441\u0442\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u0442\u043e\u0432\u0430\u0440\u043e\u0432. 
  \u042d\u0442\u043e\u0442 \u043c\u0430\u0442\u0435\u0440\u0438\u0430\u043b \u043f\u0440\u0435\u0434\u043d\u0430\u0437\u043d\u0430\u0447\u0435\u043d \u0434\u043b\u044f \u0442\u0435\u0445, \u043a\u0442\u043e \u0445\u043e\u0442\u0435\u043b \u0431\u044b \u043f\u043e\u043f\u0440\u043e\u0431\u043e\u0432\u0430\u0442\u044c \u043f\u0440\u0438\u043c\u0435\u043d\u0438\u0442\u044c Deep Learning, \u0430 \u0438\u043c\u0435\u043d\u043d\u043e \u0441\u0432\u0451\u0440\u0442\u043e\u0447\u043d\u044b\u0435 \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u044b\u0435 \u0441\u0435\u0442\u0438, \u0432 \u043f\u0440\u043e\u0441\u0442\u043e\u043c, \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u043e\u043c \u0438 \u043f\u0440\u0430\u043a\u0442\u0438\u0447\u0435\u0441\u043a\u0438 \u043f\u0440\u0438\u043c\u0435\u043d\u0438\u043c\u043e\u043c \u043f\u0440\u043e\u0435\u043a\u0442\u0435, \u043d\u043e \u043d\u0435 \u0437\u043d\u0430\u0435\u0442 \u0441 \u0447\u0435\u0433\u043e \u043d\u0430\u0447\u0430\u0442\u044c.  <\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[],"tags":[],"class_list":["post-280661","post","type-post","status-publish","format-standard","hentry"],"_links":{"self":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/280661","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=280661"}],"version-history":[{"count":0,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/280661\/revisions"}],"wp:attachment":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=280661"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=280661"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=280661"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}