{"id":398897,"date":"2024-06-29T14:20:50","date_gmt":"2024-06-29T14:20:50","guid":{"rendered":"http:\/\/savepearlharbor.com\/?p=398897"},"modified":"-0001-11-30T00:00:00","modified_gmt":"-0001-11-29T21:00:00","slug":"","status":"publish","type":"post","link":"https:\/\/savepearlharbor.com\/?p=398897","title":{"rendered":"<span>\u041a\u0430\u043a \u043c\u043e\u0436\u043d\u043e \u0432\u0437\u044f\u0442\u044c tensorflow \u0438 \u0441\u043c\u0435\u0448\u0430\u0442\u044c \u0434\u0432\u0435 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438 \u0432 \u043e\u0434\u043d\u0443<\/span>"},"content":{"rendered":"<div><!--[--><!--]--><\/div>\n<div id=\"post-content-body\">\n<div>\n<div class=\"article-formatted-body article-formatted-body article-formatted-body_version-2\">\n<div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\">\n<p>\u0412\u043e\u0437\u043c\u043e\u0436\u043d\u043e, \u0432\u044b \u0432\u0441\u0442\u0440\u0435\u0447\u0430\u043b\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f, \u0432 \u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0441\u043c\u0435\u0448\u0430\u043d\u044b \u0434\u0432\u0430 \u043e\u0431\u0440\u0430\u0437\u0430. \u0412\u0431\u043b\u0438\u0437\u0438 \u0432\u0438\u0434\u0435\u043d \u043e\u0434\u0438\u043d, \u0430 \u0438\u0437\u0434\u0430\u043b\u0435\u043a\u0430 &#8212; \u0434\u0440\u0443\u0433\u043e\u0439. \u041d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u042d\u0439\u043d\u0448\u0442\u0435\u0439\u043d \u0438 \u041c\u044d\u0440\u0438\u043b\u0438\u043d \u041c\u043e\u043d\u0440\u043e.<\/p>\n<p>\u041d\u0435 \u0437\u043d\u0430\u044e, \u043a\u0430\u043a \u0434\u0435\u043b\u0430\u043b\u0438\u0441\u044c \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b\u044c\u043d\u044b\u0435, \u043d\u043e \u044f \u043f\u043e\u043f\u0440\u043e\u0431\u043e\u0432\u0430\u043b \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u043d\u0435\u0447\u0442\u043e \u043f\u043e\u0445\u043e\u0436\u0435\u0435 \u0441 \u043f\u043e\u043c\u043e\u0449\u044c\u044e tensorflow.<\/p>\n<figure class=\"full-width\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/upload_files\/952\/738\/2e0\/9527382e07d0bd9e80cf0a25e7e430e4.png\" width=\"1024\" height=\"512\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/952\/738\/2e0\/9527382e07d0bd9e80cf0a25e7e430e4.png\"\/><figcaption><\/figcaption><\/figure>\n<p>\u041e\u0431\u0449\u0430\u044f \u0438\u0434\u0435\u044f: \u0432\u0437\u044f\u0442\u044c \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0435 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u0438 \u0441 \u0435\u0433\u043e \u043f\u043e\u043c\u043e\u0449\u044c\u044e \u043f\u043e\u0434\u043e\u0433\u043d\u0430\u0442\u044c \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0435. \u041e\u0431\u0440\u0430\u0442\u0438\u0442\u0435 \u0432\u043d\u0438\u043c\u0430\u043d\u0438\u0435: \u044f \u043d\u0435 \u0443\u0447\u0443 \u043c\u043e\u0434\u0435\u043b\u044c, \u043a\u043e\u0442\u043e\u0440\u0430\u044f \u0431\u0443\u0434\u0435\u0442 \u0438\u0437 \u0434\u0432\u0443\u0445 \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a \u0434\u0435\u043b\u0430\u0442\u044c \u043e\u0434\u043d\u0443. \u041c\u043e\u0434\u0435\u043b\u044c &#8212; \u044d\u0442\u043e \u043f\u0440\u043e\u0441\u0442\u043e \u043c\u0430\u0441\u0441\u0438\u0432 \u0446\u0432\u0435\u0442\u043e\u0432 \u043f\u0438\u043a\u0441\u0435\u043b\u0435\u0439, \u0438 \u0431\u043e\u043b\u044c\u0448\u0435 \u043d\u0438\u0447\u0435\u0433\u043e. \u0412 \u043f\u0440\u043e\u0446\u0435\u0441\u0441\u0435 &#171;\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f&#187; \u0432\u043e\u0437\u044c\u043c\u0451\u043c \u0434\u0432\u0435 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438-\u043e\u0431\u0440\u0430\u0437\u0446\u0430 \u0438 \u0431\u0443\u0434\u0435\u0442 \u0443\u043b\u0443\u0447\u0448\u0430\u0442\u044c &#171;\u043f\u043e\u0445\u043e\u0436\u0435\u0441\u0442\u044c&#187; \u043d\u0430 \u043d\u0438\u0445. \u0414\u043b\u044f \u043f\u0435\u0440\u0432\u043e\u0433\u043e \u043e\u0431\u0440\u0430\u0437\u0446\u0430 \u0444\u0443\u043d\u043a\u0446\u0438\u0435\u0439 \u043e\u0448\u0438\u0431\u043a\u0438 \u0431\u0443\u0434\u0435\u0442  \u0440\u0430\u0437\u043d\u0438\u0446\u0430 \u0446\u0432\u0435\u0442\u043e\u0432 \u0441 \u043e\u0431\u0443\u0447\u0430\u0435\u043c\u043e\u0439 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u043e\u0439. \u0414\u043b\u044f \u0432\u0442\u043e\u0440\u043e\u0433\u043e &#8212; \u043e\u0442\u043b\u0438\u0447\u0438\u0435 \u043c\u0435\u0436\u0434\u0443 \u0440\u0430\u0437\u043c\u044b\u0442\u044b\u043c \u043e\u0431\u0440\u0430\u0437\u0446\u043e\u043c \u0438 \u0440\u0430\u0437\u043c\u044b\u0442\u043e\u0439 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u043e\u0439.<\/p>\n<p>\u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u0424\u0443\u0440\u044c\u0435 &#8212; \u043f\u0440\u043e\u0448\u043b\u044b\u0439 \u0432\u0435\u043a, \u043d\u043e\u0432\u044b\u0435 \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u044b \u0442\u0440\u0435\u0431\u0443\u044e\u0442 \u0438\u043d\u043d\u043e\u0432\u0430\u0446\u0438\u043e\u043d\u043d\u044b\u0445 \u0440\u0435\u0448\u0435\u043d\u0438\u0439. <\/p>\n<p>\u041a\u043e\u0434 \u0438 \u0438\u0441\u0445\u043e\u0434\u043d\u044b\u0435 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438 <a href=\"https:\/\/github.com\/Kright\/mix-two-images-in-one\/blob\/master\/twoImages.ipynb\" rel=\"noopener noreferrer nofollow\">\u043b\u0435\u0436\u0430\u0442 \u043d\u0430 \u0433\u0438\u0442\u0445\u0430\u0431\u0435<\/a>.<\/p>\n<p>\u0414\u043b\u044f \u0437\u0430\u043f\u0443\u0441\u043a\u0430 \u043f\u043e\u043d\u0430\u0434\u043e\u0431\u0438\u0442\u0441\u044f tensorflow, numpy \u0438 Pillow. \u0414\u043b\u044f \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0435\u0439 \u0432\u0435\u0440\u0441\u0438\u0438 tensorflow \u043f\u043e\u043d\u0430\u0434\u043e\u0431\u0438\u0442\u0441\u044f python 3.7 \u0438\u043b\u0438 \u043d\u043e\u0432\u0435\u0435. <\/p>\n<p>\u0427\u0442\u043e\u0431\u044b \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u043f\u043e\u043b\u0443\u0447\u0430\u043b\u0441\u044f \u0437\u0430 \u043f\u0430\u0440\u0443 \u043c\u0438\u043d\u0443\u0442 \u043f\u0440\u0438 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0438 \u043d\u0430 \u043f\u0440\u043e\u0446\u0435\u0441\u0441\u043e\u0440\u0435, \u044f \u0443\u043c\u0435\u043d\u044c\u0448\u0438\u043b \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438 \u0434\u043e \u0440\u0430\u0437\u043c\u0435\u0440\u0430 512\u0445512 \u043f\u0438\u043a\u0441\u0435\u043b\u0435\u0439. \u0412\u0437\u044f\u043b \u0438\u0445 \u0438\u0437 \u0432\u0438\u043a\u0438\u043f\u0435\u0434\u0438\u0438: \u0448\u0430\u0445\u043c\u0430\u0442\u044b \u0438 \u0434\u0435\u0432\u0443\u0448\u043a\u0430 \u041b\u0435\u043d\u0430.<\/p>\n<details class=\"spoiler\">\n<summary>\u0428\u0430\u0445\u043c\u0430\u0442\u044b<\/summary>\n<div class=\"spoiler__content\">\n<figure class=\"\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/upload_files\/54f\/8f4\/87e\/54f8f487e0f251cbefa756d85ef0a293.png\" width=\"512\" height=\"512\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/54f\/8f4\/87e\/54f8f487e0f251cbefa756d85ef0a293.png\"\/><figcaption><\/figcaption><\/figure>\n<\/div>\n<\/details>\n<details class=\"spoiler\">\n<summary>\u0414\u0435\u0432\u0443\u0448\u043a\u0430 \u041b\u0435\u043d\u0430<\/summary>\n<div class=\"spoiler__content\">\n<figure class=\"\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/upload_files\/070\/6f0\/17e\/0706f017ed52308c786619f7e17b3fec.png\" width=\"512\" height=\"512\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/070\/6f0\/17e\/0706f017ed52308c786619f7e17b3fec.png\"\/><figcaption><\/figcaption><\/figure>\n<\/div>\n<\/details>\n<p>\u0417\u0430\u0433\u0440\u0443\u0437\u0438\u043c \u0438\u0445 \u0438 \u043f\u0435\u0440\u0435\u0432\u0435\u0434\u0451\u043c \u0432\u043e float \u0432 \u0438\u043d\u0442\u0435\u0440\u0432\u0430\u043b\u0435 \u043e\u0442 0 \u0434\u043e 1:<\/p>\n<pre><code class=\"python\">lena = Image.open(\"imgs\/Lenna512.png\") chess = Image.open(\"imgs\/ChessSet512.png\") imgs = [np.array(i) \/ 255.0 for i in [lena, chess]]<\/code><\/pre>\n<h2>\u0413\u0430\u043c\u043c\u0430-\u043a\u043e\u0440\u0440\u0435\u043a\u0446\u0438\u044f<\/h2>\n<p>\u0412\u043e\u0441\u043f\u0440\u0438\u043d\u0438\u043c\u0430\u0435\u043c\u0430\u044f \u0433\u043b\u0430\u0437\u043e\u043c \u044f\u0440\u043a\u043e\u0441\u0442\u044c \u0441\u0432\u0435\u0442\u0430 \u043c\u043e\u0436\u0435\u0442 \u043e\u0442\u043b\u0438\u0447\u0430\u0442\u044c\u0441\u044f \u043d\u0430 \u043c\u043d\u043e\u0433\u043e-\u043c\u043d\u043e\u0433\u043e \u043f\u043e\u0440\u044f\u0434\u043a\u043e\u0432. \u0412 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f\u0445 \u0441 \u043e\u0434\u043d\u0438\u043c \u0431\u0430\u0439\u0442\u043e\u043c \u044f\u0440\u043a\u043e\u0441\u0442\u0438 \u043d\u0430 \u043a\u0430\u043d\u0430\u043b \u0435\u0441\u0442\u044c 256 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0439 \u044f\u0440\u043a\u043e\u0441\u0442\u0438 \u0438 \u0432 \u0444\u0438\u0437\u0438\u0447\u0435\u0441\u043a\u043e\u0435 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u0444\u043e\u0442\u043e\u043d\u043e\u0432 \u043e\u043d\u0438 \u043e\u0442\u043e\u0431\u0440\u0430\u0436\u0430\u044e\u0442\u0441\u044f \u043d\u0435\u043b\u0438\u043d\u0435\u0439\u043d\u043e. \u041d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u043e\u0442 \u0434\u0432\u0443\u0445 \u043f\u0438\u043a\u0441\u0435\u043b\u0435\u0439 \u0441 \u044f\u0440\u043a\u043e\u0441\u0442\u044c\u044e 127 \u0441\u0432\u0435\u0442\u0430 \u0431\u0443\u0434\u0435\u0442 \u043c\u0435\u043d\u044c\u0448\u0435, \u0447\u0435\u043c \u043e\u0442 \u043e\u0434\u043d\u043e\u0433\u043e \u0441 \u044f\u0440\u043a\u043e\u0441\u0442\u044c\u044e 254. <\/p>\n<p>\u0414\u043b\u044f \u043f\u0435\u0440\u0435\u0432\u043e\u0434\u0430 \u0432 \u0444\u0438\u0437\u0438\u0447\u0435\u0441\u043a\u043e\u0435 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435 \u044f\u0440\u043a\u043e\u0441\u0442\u0438 \u0441\u0443\u0449\u0435\u0441\u0442\u0432\u0443\u0435\u0442 \u0433\u0430\u043c\u043c\u0430-\u043a\u043e\u0440\u0440\u0435\u043a\u0446\u0438\u044f: \u0432\u043e\u0437\u0432\u0435\u0434\u0435\u043d\u0438\u0435 \u044f\u0440\u043a\u043e\u0441\u0442\u0438 \u0432 \u0441\u0442\u0435\u043f\u0435\u043d\u044c 2.2. \u041f\u043e\u043b\u0443\u0447\u0438\u0442\u0441\u044f \u0432\u0435\u043b\u0438\u0447\u0438\u043d\u0430, \u043f\u0440\u043e\u043f\u043e\u0440\u0446\u0438\u043e\u043d\u0430\u043b\u044c\u043d\u0430\u044f \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u0443 \u0444\u043e\u0442\u043e\u043d\u043e\u0432 \u0441 \u044d\u043a\u0440\u0430\u043d\u0430. \u041e\u0431\u0440\u0430\u0442\u043d\u043e\u0435 \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u0442\u043e\u0436\u0435 \u0434\u0435\u043b\u0430\u0435\u0442\u0441\u044f \u043f\u0440\u043e\u0441\u0442\u043e &#8212; \u0432\u043e\u0437\u0432\u0435\u0434\u0435\u043d\u0438\u0435\u043c \u0432 \u0441\u0442\u0435\u043f\u0435\u043d\u044c 1\/2.2.<\/p>\n<p>\u0417\u0430\u0447\u0435\u043c \u0432\u0441\u0451 \u044d\u0442\u043e \u043d\u0443\u0436\u043d\u043e? \u0415\u0441\u043b\u0438 \u044f \u0445\u043e\u0447\u0443 \u0443\u0437\u043d\u0430\u0442\u044c \u0432\u0438\u0434\u0438\u043c\u0443\u044e \u0440\u0430\u0437\u043d\u0438\u0446\u0443 \u0446\u0432\u0435\u0442\u043e\u0432, \u043c\u043e\u0436\u043d\u043e \u043f\u0440\u043e\u0441\u0442\u043e \u0432\u0437\u044f\u0442\u044c \u0440\u0430\u0437\u043d\u0438\u0446\u0443 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0439 \u0432 \u043e\u0431\u044b\u0447\u043d\u043e\u043c RGB \u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0441\u0442\u0432\u0435.<\/p>\n<p>\u041f\u0440\u0438 \u0440\u0430\u0441\u0447\u0451\u0442\u0435 \u0442\u043e\u0433\u043e, \u043a\u0430\u043a \u0431\u0443\u0434\u0435\u0442 \u0432\u044b\u0433\u043b\u044f\u0434\u0435\u0442\u044c \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0435 \u0438\u0437\u0434\u0430\u043b\u0435\u043a\u0430 (\u0440\u0430\u0437\u043c\u044b\u0442\u043e\u0435), \u0431\u0443\u0434\u0435\u0442 \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e \u043f\u0435\u0440\u0435\u0432\u0435\u0441\u0442\u0438 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f \u044f\u0440\u043a\u043e\u0441\u0442\u0438 \u0432 \u043b\u0438\u043d\u0435\u0439\u043d\u043e\u0435 \u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0441\u0442\u0432\u043e (\u043f\u0440\u043e\u043f\u043e\u0440\u0446\u0438\u043e\u043d\u0430\u043b\u044c\u043d\u043e\u0435 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u0443 \u0444\u043e\u0442\u043e\u043d\u043e\u0432) \u0438 \u0443\u0436\u0435 \u0432 \u043d\u0451\u043c \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u0440\u0430\u0437\u043c\u044b\u0442\u0438\u0435 \u043f\u043e \u0413\u0430\u0443\u0441\u0441\u0443.<\/p>\n<h2>\u0420\u0430\u0437\u043c\u044b\u0442\u0438\u0435 \u043f\u043e \u0413\u0430\u0443\u0441\u0441\u0443<\/h2>\n<p>\u041f\u0440\u0438 \u0440\u0430\u0437\u043c\u044b\u0442\u0438\u0438 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438 \u043a\u0430\u0436\u0434\u044b\u0439 \u043f\u0438\u043a\u0441\u0435\u043b\u044c \u043f\u0440\u0435\u0432\u0440\u0430\u0449\u0430\u0435\u0442\u0441\u044f \u0432 \u043f\u044f\u0442\u043d\u044b\u0448\u043a\u043e. \u041d\u0430 \u043c\u0430\u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u043c \u044f\u0437\u044b\u043a\u0435 \u043f\u044f\u0442\u043d\u044b\u0448\u043a\u043e \u043d\u0430\u0437\u044b\u0432\u0430\u0435\u0442\u0441\u044f \u044f\u0434\u0440\u043e\u043c, \u0430 \u0441\u0430\u043c \u043f\u0440\u043e\u0446\u0435\u0441\u0441 &#8212; \u0441\u0432\u0451\u0440\u0442\u043a\u043e\u0439. \u042f\u0434\u0440\u043e \u0432\u044b\u0433\u043b\u044f\u0434\u0438\u0442 \u043a\u0430\u043a-\u0442\u043e \u0442\u0430\u043a: <\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"formula\" source=\"Ce^{- \\frac{dx^2+dy^2}{2 \\sigma^2}} = C e^{-\\frac{dx^2}{2 \\sigma^2}} e^{-\\frac{dy^2}{2 \\sigma^2}}\" alt=\"Ce^{- \\frac{dx^2+dy^2}{2 \\sigma^2}} = C e^{-\\frac{dx^2}{2 \\sigma^2}} e^{-\\frac{dy^2}{2 \\sigma^2}}\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/970\/f5c\/848\/970f5c848e4055e49a3ce138b3e78e51.svg\" width=\"216\" height=\"33\"\/><\/p>\n<p>C &#8212; \u043d\u0435\u043a\u0430\u044f \u043a\u043e\u043d\u0441\u0442\u0430\u043d\u0442\u0430, \u0447\u0442\u043e\u0431\u044b \u0441\u0443\u043c\u043c\u0430 \u0432\u0441\u0435\u0445 \u044d\u043b\u0435\u043c\u0435\u043d\u0442\u043e\u0432 (\u0438\u043b\u0438 \u0438\u043d\u0442\u0435\u0433\u0440\u0430\u043b \u043f\u043e \u043f\u043b\u043e\u0449\u0430\u0434\u0438) \u0440\u0430\u0432\u043d\u044f\u043b\u0430\u0441\u044c \u0435\u0434\u0438\u043d\u0438\u0446\u0435 \u0438 \u044f\u0440\u043a\u043e\u0441\u0442\u044c \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f \u043d\u0435 \u0438\u0437\u043c\u0435\u043d\u044f\u043b\u0430\u0441\u044c. \u041f\u043e \u044d\u0442\u043e\u0439 \u0436\u0435 \u043f\u0440\u0438\u0447\u0438\u043d\u0435 \u043d\u0430\u0434\u043e \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u0433\u0430\u043c\u043c\u0430-\u043a\u043e\u0440\u0440\u0435\u043a\u0446\u0438\u044e \u0438 \u0440\u0430\u0431\u043e\u0442\u0430\u0442\u044c \u0441 \u0444\u0438\u0437\u0438\u0447\u0435\u0441\u043a\u0438 \u043a\u043e\u0440\u0440\u0435\u043a\u0442\u043d\u044b\u043c \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e\u043c \u0441\u0432\u0435\u0442\u0430.<\/p>\n<p>\u041e\u0441\u043e\u0431\u0435\u043d\u043d\u043e\u0441\u0442\u044c\u044e \u0441\u0432\u0451\u0440\u0442\u043a\u0438 \u0441 \u044d\u0442\u0438\u043c \u044f\u0434\u0440\u043e\u043c \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u0442\u043e, \u0447\u0442\u043e \u0435\u0433\u043e \u0435\u0451 \u043c\u043e\u0436\u043d\u043e \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u0441\u043d\u0430\u0447\u0430\u043b\u0430 \u043f\u043e \u043e\u0434\u043d\u043e\u0439 \u043e\u0441\u0438, \u0430 \u0437\u0430\u0442\u0435\u043c \u043f\u043e \u0434\u0440\u0443\u0433\u043e\u0439, \u0442\u0430\u043a \u0447\u0442\u043e \u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e \u043f\u043e\u0441\u0447\u0438\u0442\u0430\u0442\u044c \u044f\u0434\u0440\u043e \u0434\u043b\u044f \u043e\u0434\u043d\u043e\u043c\u0435\u0440\u043d\u043e\u0433\u043e \u0441\u043b\u0443\u0447\u0430\u044f:<\/p>\n<pre><code class=\"python\">def make_gauss_blur_kernel(size: int, sigma: float) -> np.ndarray:       result = np.zeros(shape=[size], dtype=float)       center = (size - 1) \/\/ 2       div = 2 * (sigma ** 2)       for i in range(size):           x2 = (center - i)**2          result[i] = math.exp( -x2 \/ div)       return result \/ np.sum(result)      make_gauss_blur_kernel(size=11, sigma=2)<\/code><\/pre>\n<p>\u041c\u0430\u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438 \u044f\u0434\u0440\u043e \u0431\u0435\u0441\u043a\u043e\u043d\u0435\u0447\u043d\u043e\u0435, \u043d\u043e \u043c\u044b \u043e\u0433\u0440\u0430\u043d\u0438\u0447\u0438\u043c \u0435\u0433\u043e \u0440\u0430\u0437\u043c\u0435\u0440\u044b. \u041d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u0434\u043b\u044f sigma =2 \u0438 \u0440\u0430\u0437\u043c\u0435\u0440\u0430 \u044f\u0434\u0440\u0430 \u0432 11 \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u0441\u044f \u0442\u0430\u043a:<\/p>\n<pre><code class=\"python\">array([0.00881223, 0.02714358, 0.06511406, 0.12164907, 0.17699836, 0.20056541, 0.17699836, 0.12164907, 0.06511406, 0.02714358, 0.00881223])<\/code><\/pre>\n<h2>Tensorflow 2.0<\/h2>\n<p>\u0412 \u0441\u0442\u0430\u0440\u043e\u0439 tensorflow \u0433\u0440\u0430\u0444 \u043c\u043e\u0434\u0435\u043b\u0438 \u0431\u044b\u043b \u043d\u0435\u0438\u0437\u043c\u0435\u043d\u044f\u0435\u043c\u044b\u043c, \u0438 \u044d\u0442\u043e \u043d\u0430\u043a\u043b\u0430\u0434\u044b\u0432\u0430\u043b\u043e \u043e\u0433\u0440\u0430\u043d\u0438\u0447\u0435\u043d\u0438\u044f. \u0412 \u0432\u0435\u0440\u0441\u0438\u0438 2.0 \u0443\u0442\u0430\u0449\u0438\u043b\u0438 \u0444\u0438\u0448\u043a\u0443 \u0438\u0437 PyTorch &#8212; \u0433\u0440\u0430\u0444 \u043c\u043e\u0434\u0435\u043b\u0438 \u0441\u0442\u0440\u043e\u0438\u0442\u0441\u044f \u0434\u0438\u043d\u0430\u043c\u0438\u0447\u0435\u0441\u043a\u0438 \u043f\u0440\u044f\u043c\u043e \u0432 \u043f\u0440\u043e\u0446\u0435\u0441\u0441\u0435 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u044f \u043e\u0448\u0438\u0431\u043a\u0438, \u0430 \u043f\u043e\u0442\u043e\u043c \u043c\u043e\u0436\u043d\u043e \u0432\u0437\u044f\u0442\u044c \u0438 \u0432\u044b\u0447\u0438\u0441\u043b\u0438\u0442\u044c \u0433\u0440\u0430\u0434\u0438\u0435\u043d\u0442\u044b.<\/p>\n<figure class=\"full-width\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/upload_files\/0c8\/12e\/8e6\/0c812e8e68eb7ce4b9f8748751e0f0cc.png\" width=\"616\" height=\"379\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/0c8\/12e\/8e6\/0c812e8e68eb7ce4b9f8748751e0f0cc.png\"\/><figcaption><\/figcaption><\/figure>\n<p>\u041c\u0430\u0433\u0438\u044f \u0432\u044b\u0433\u043b\u044f\u0434\u0438\u0442 \u0432\u043e\u0442 \u0442\u0430\u043a:<\/p>\n<pre><code class=\"python\">with tf.GradientTape() as tape:     # computations     loss = ...      gradient = tape.gradient(loss, trainable_variables)    <\/code><\/pre>\n<p>\u042d\u0442\u043e \u043a\u0430\u043a \u0440\u0430\u0437 \u0442\u043e, \u0447\u0442\u043e \u043d\u0430\u043c \u043d\u0443\u0436\u043d\u043e.<\/p>\n<h2>\u0421\u043e\u0437\u0434\u0430\u0451\u043c \u043c\u043e\u0434\u0435\u043b\u044c<\/h2>\n<pre><code class=\"python\">class MyModel:     def __init__(self, img_h: int, img_w: int, gauss_kernel_size: int, gauss_sigma: float, image_source: Optional[np.ndarray] = None):         if image_source is None:             image_source = np.zeros(shape=(1, img_h, img_w, 3), dtype=float)         self.trainable_image = tf.Variable(initial_value=image_source, trainable=True)         gauss_blur_kernel = make_gauss_blur_kernel(gauss_kernel_size, gauss_sigma)         self.gauss_kernel_x = tf.constant(gauss_blur_kernel[np.newaxis, :, np.newaxis, np.newaxis] * np.ones(shape=(1, 1, 3, 1)))         self.gauss_kernel_y = tf.constant(gauss_blur_kernel[:, np.newaxis, np.newaxis, np.newaxis] * np.ones(shape=(1, 1, 3, 1)))              ...<\/code><\/pre>\n<p>trainable_image &#8212; \u043f\u0435\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0435. \u0418\u0437 \u043d\u0438\u0445 \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u043d\u0430\u0448\u0430 &#171;\u043e\u0431\u0443\u0447\u0430\u0435\u043c\u0430\u044f&#187; \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0430. \u0418\u0445 \u043c\u044b \u0431\u0443\u0434\u0435\u043c \u043f\u043e\u0434\u0433\u043e\u043d\u044f\u0442\u044c, \u0447\u0442\u043e\u0431\u044b \u0431\u044b\u043b\u043e \u043f\u043e\u0445\u043e\u0436\u0435 \u043d\u0430 \u043d\u0443\u0436\u043d\u044b\u0435 \u0434\u0432\u0435 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438. \u0422\u0430\u043a \u0436\u0435 \u0441\u0434\u0435\u043b\u0430\u0435\u043c \u043a\u043e\u043d\u0441\u0442\u0430\u043d\u0442\u044b \u0434\u043b\u044f \u044f\u0434\u0435\u0440 \u0441\u0432\u0451\u0440\u0442\u043e\u043a \u043f\u043e \u043e\u0441\u044f\u043c \u0445 \u0438 \u0443. \u0418\u0445 \u0443\u0447\u0438\u0442\u044c \u043d\u0435 \u0431\u0443\u0434\u0435\u043c, \u043e\u043d\u0438 \u0438 \u0442\u0430\u043a \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u044b \u0443\u043c\u043d\u044b\u043c \u043f\u0443\u0442\u0451\u043c.<\/p>\n<p>\u0414\u043b\u044f \u0441\u0432\u0451\u0440\u0442\u043e\u043a \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442\u0441\u044f \u0430\u0436 \u0447\u0435\u0442\u044b\u0440\u0451\u0445\u043c\u0435\u0440\u043d\u043e\u0435 \u044f\u0434\u0440\u043e:<\/p>\n<ol>\n<li>\n<p>\u043e\u0441\u044c \u0423 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f<\/p>\n<\/li>\n<li>\n<p>\u043e\u0441\u044c \u0425 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f<\/p>\n<\/li>\n<li>\n<p>\u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u0432\u0445\u043e\u0434\u043d\u044b\u0445 \u043a\u0430\u043d\u0430\u043b\u043e\u0432 (3)<\/p>\n<\/li>\n<li>\n<p>\u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u0432\u044b\u0445\u043e\u0434\u043d\u044b\u0445 \u043a\u0430\u043d\u0430\u043b\u043e\u0432 \u043d\u0430 \u043a\u0430\u0436\u0434\u044b\u0439 \u0432\u0445\u043e\u0434\u043d\u043e\u0439 \u043a\u0430\u043d\u0430\u043b (1, \u043a\u0430\u0436\u0434\u044b\u0439 \u0446\u0432\u0435\u0442 \u043f\u0435\u0440\u0435\u0445\u043e\u0434\u0438\u0442 \u0441\u0430\u043c \u0432 \u0441\u0435\u0431\u044f)<\/p>\n<\/li>\n<\/ol>\n<p>\u041a\u0440\u043e\u043c\u0435 \u0442\u043e\u0433\u043e, \u0438 \u0432 numpy \u0438 \u0432 tensorflow \u0435\u0441\u0442\u044c \u0438\u0434\u0435\u044f \u0431\u0440\u043e\u0430\u0434\u043a\u0430\u0441\u0442\u0438\u043d\u0433\u0430. \u041d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u043c\u0430\u0441\u0441\u0438\u0432 \u0441 \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u044f\u043c\u0438 (1, 256, 512, 1) \u043c\u043e\u0436\u043d\u043e \u0438\u043d\u0442\u0435\u0440\u043f\u0440\u0435\u0442\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u043a\u0430\u043a (N, 256, 512, C). \u041a\u0430\u043a \u0431\u0443\u0434\u0442\u043e \u043f\u043e \u043f\u0435\u0440\u0432\u043e\u0439 \u0438 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0435\u0439 \u043e\u0441\u0438 \u0440\u0430\u0437\u043c\u0435\u0440 \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u043b\u044c\u043d\u044b\u0439, \u0430 \u0447\u0438\u0441\u043b\u0430 \u043e\u0434\u043d\u0438 \u043e\u0434\u043d\u0438 \u0438 \u0442\u0435 \u0436\u0435 \u0438 \u043d\u0435 \u0437\u0430\u0432\u0438\u0441\u044f\u0442 \u043e\u0442 \u043a\u043e\u043e\u0440\u0434\u0438\u043d\u0430\u0442\u044b \u0432\u0434\u043e\u043b\u044c \u0442\u043e\u0439 \u043e\u0441\u0438. \u0411\u0440\u043e\u0430\u0434\u043a\u0430\u0441\u0442\u0438\u043d\u0433 \u0432 \u044d\u0442\u0438\u0445 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430\u0445 \u0438\u043d\u043e\u0433\u0434\u0430 \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442 \u043f\u043e-\u0440\u0430\u0437\u043d\u043e\u043c\u0443, \u0444\u0443\u043d\u043a\u0446\u0438\u044f \u0441\u0432\u0451\u0440\u0442\u043a\u0438 \u0445\u043e\u0447\u0435\u0442 \u0443\u0432\u0438\u0434\u0435\u0442\u044c \u044f\u0434\u0440\u043e \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u044c\u044e \u0438\u043c\u0435\u043d\u043d\u043e (size_x, size_y, 3, 1) \u0438 \u043f\u043e\u0447\u0435\u043c\u0443-\u0442\u043e \u043d\u0435\u0434\u043e\u0432\u043e\u043b\u044c\u043d\u043e \u043c\u0430\u0441\u0441\u0438\u0432\u043e\u043c (size_x, size_y, 1, 1), \u0442\u0430\u043a \u0447\u0442\u043e \u043f\u0440\u0438\u0448\u043b\u043e\u0441\u044c \u0432 numpy \u0443\u043c\u043d\u043e\u0436\u0438\u0442\u044c \u043d\u0430 \u043c\u0430\u0441\u0441\u0438\u0432 \u0435\u0434\u0438\u043d\u0438\u0447\u0435\u043a \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u044c\u044e (1, 1, 3, 1). \u0415\u0441\u043b\u0438 \u0431\u044b \u043c\u044b \u0441\u0434\u0435\u043b\u0430\u043b\u0438 \u0440\u0430\u0437\u043d\u044b\u0435 \u044f\u0434\u0440\u0430 \u0441\u0432\u0451\u0440\u0442\u043e\u043a \u0434\u043b\u044f \u0440\u0430\u0437\u043d\u044b\u0445 \u0446\u0432\u0435\u0442\u043e\u0432, \u0442\u043e \u043d\u0430\u043c \u0431\u044b \u043f\u0440\u0438\u0433\u043e\u0434\u0438\u043b\u0430\u0441\u044c \u044d\u0442\u0430 \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u044c, \u043d\u043e \u0443 \u043d\u0430\u0441 \u0432\u0441\u0451 \u043e\u0434\u0438\u043d\u0430\u043a\u043e\u0432\u043e.<\/p>\n<p>\u042f \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044e \u043f\u043e\u043a\u0430\u043d\u0430\u043b\u044c\u043d\u044b\u0435 \u0441\u0432\u0451\u0440\u0442\u043a\u0438 (\u0447\u0442\u043e\u0431\u044b \u043a\u0430\u043d\u0430\u043b \u0441 \u0446\u0432\u0435\u0442\u043e\u043c \u043f\u0440\u0438 \u0440\u0430\u0437\u043c\u044b\u0442\u0438\u0438 \u0432\u043b\u0438\u044f\u043b \u0442\u043e\u043b\u044c\u043a\u043e \u043d\u0430 \u0441\u0435\u0431\u044f \u0438 \u043f\u0440\u0435\u0432\u0440\u0430\u0449\u0430\u043b\u0441\u044f \u0432 \u043d\u043e\u0432\u044b\u0439 \u043a\u0430\u043d\u0430\u043b \u0441 \u0442\u0435\u043c \u0436\u0435 \u0446\u0432\u0435\u0442\u043e\u043c). \u0422\u0430\u043a\u0438\u0435 \u0441\u0432\u0451\u0440\u0442\u043a\u0438 \u0441\u0447\u0438\u0442\u0430\u044e\u0442\u0441\u044f \u0431\u044b\u0441\u0442\u0440\u0435\u0435 \u043e\u0431\u044b\u0447\u043d\u044b\u0445. \u0410 \u0435\u0449\u0451 \u0432\u043d\u0443\u0442\u0440\u0438 \u043d\u0435\u0442 \u043d\u0438\u043a\u0430\u043a\u043e\u0433\u043e \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u0438\u044f \u0424\u0443\u0440\u044c\u0435, \u0438 \u0441\u043b\u043e\u0436\u043d\u043e\u0441\u0442\u044c \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u044f \u0441\u0432\u0451\u0440\u0442\u043a\u0438 \u0437\u0430\u0432\u0438\u0441\u0438\u0442 \u043b\u0438\u043d\u0435\u0439\u043d\u043e \u043e\u0442 \u0440\u0430\u0437\u043c\u0435\u0440\u0430 \u044f\u0434\u0440\u0430. \u041f\u043e \u044d\u0442\u043e\u0439 \u0436\u0435 \u043f\u0440\u0438\u0447\u0438\u043d\u0435 \u0441\u0432\u0451\u0440\u0442\u043a\u0430 \u0441 \u043a\u0432\u0430\u0434\u0440\u0430\u0442\u043d\u044b\u043c \u044f\u0434\u0440\u043e\u043c \u0440\u0430\u0437\u043c\u0435\u0440\u0430 15&#215;15 \u0431\u0443\u0434\u0435\u0442 \u0441\u0447\u0438\u0442\u0430\u0442\u044c\u0441\u044f \u0432 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0440\u0430\u0437 \u0434\u043e\u043b\u044c\u0448\u0435, \u0447\u0435\u043c \u0434\u0432\u0435 \u0441\u0432\u0451\u0440\u0442\u043a\u0438 \u0441 \u044f\u0434\u0440\u0430\u043c\u0438 1\u044515 \u0438 15\u04451. <\/p>\n<pre><code class=\"python\">class MyModel:     ...      def run(self, img_precise: np.ndarray, img_blurred: np.ndarray, m_precise = 1, m_blurred = 1) -> Report:         with tf.GradientTape() as tape:             # next code will be here<\/code><\/pre>\n<p>\u0414\u043b\u044f \u0448\u0430\u0433\u0430 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0432\u043e\u0437\u044c\u043c\u0451\u043c \u0434\u0432\u0435 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438 \u0438 \u043a\u043e\u044d\u0444\u0444\u0438\u0446\u0438\u0435\u043d\u0442\u044b \u0434\u043b\u044f \u0432\u0430\u0436\u043d\u043e\u0441\u0442\u0438 \u043e\u0448\u0438\u0431\u043e\u043a \u0443 \u043a\u0430\u0436\u0434\u043e\u0439.<\/p>\n<p>\u041e\u0431\u0443\u0447\u0430\u0435\u043c\u044b\u0435 \u043f\u0435\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0435 \u043c\u043e\u0433\u0443\u0442 \u0431\u044b\u0442\u044c \u043b\u044e\u0431\u044b\u043c\u0438, \u0445\u043e\u0442\u044c -1, \u0445\u043e\u0442\u044c 9000. \u041d\u043e \u0432 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435 \u0446\u0432\u0435\u0442\u043e\u0432 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438 \u0445\u043e\u0447\u0435\u0442\u0441\u044f \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f \u0432 \u0438\u043d\u0442\u0435\u0440\u0432\u0430\u043b\u0435 \u043e\u0442 0 \u0434\u043e 1. \u0414\u043b\u044f \u044d\u0442\u043e\u0433\u043e \u043f\u0440\u0438\u043c\u0435\u043d\u0438\u043c <a href=\"https:\/\/ru.wikipedia.org\/wiki\/%D0%A1%D0%B8%D0%B3%D0%BC%D0%BE%D0%B8%D0%B4%D0%B0\" rel=\"noopener noreferrer nofollow\">\u0441\u0438\u0433\u043c\u043e\u0438\u0434\u0443<\/a>: \u043e\u043a\u043e\u043b\u043e \u043d\u0443\u043b\u044f \u043e\u043d\u0430 \u0431\u043e\u043b\u0435\u0435-\u043c\u0435\u043d\u0435\u0435 \u043b\u0438\u043d\u0435\u0439\u043d\u043e \u0440\u0430\u0441\u0442\u0451\u0442, \u043d\u043e \u043d\u0430 \u0431\u043e\u043b\u044c\u0448\u0438\u0445 \u0432\u0445\u043e\u0434\u043d\u044b\u0445 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f\u0445 \u0440\u043e\u0441\u0442 \u0437\u0430\u043c\u0435\u0434\u043b\u044f\u0435\u0442\u0441\u044f \u0438 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u043d\u0438\u043a\u043e\u0433\u0434\u0430 \u043d\u0435 \u043f\u0440\u0435\u0432\u044b\u0441\u0438\u0442 \u0435\u0434\u0438\u043d\u0438\u0446\u0443.<\/p>\n<pre><code class=\"python\">trainable_image01 = tf.math.sigmoid(self.trainable_image)<\/code><\/pre>\n<p>\u0414\u043b\u044f \u043f\u0435\u0440\u0432\u043e\u0439 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438 (\u043a\u043e\u0442\u043e\u0440\u0430\u044f \u0434\u043e\u043b\u0436\u043d\u0430 \u0431\u044b\u0442\u044c \u0440\u0435\u0437\u043a\u043e\u0439) \u0440\u0430\u0437\u043d\u0438\u0446\u0430 &#8212; \u043f\u0440\u043e\u0441\u0442\u043e \u0441\u0443\u043c\u043c\u0430 \u043a\u0432\u0430\u0434\u0440\u0430\u0442\u043e\u0432 \u0440\u0430\u0437\u043d\u043e\u0441\u0442\u0435\u0439 \u044f\u0440\u043a\u043e\u0441\u0442\u0438 \u0434\u043b\u044f \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u043a\u0430\u043d\u0430\u043b\u0430 \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u043f\u0438\u043a\u0441\u0435\u043b\u044f. \u041f\u043e-\u0438\u0434\u0435\u0435, \u043a\u0430\u0436\u0434\u044b\u0439 \u043f\u0438\u043a\u0441\u0435\u043b\u044c \u0443\u0447\u0438\u0442\u0441\u044f \u043d\u0435\u0437\u0430\u0432\u0438\u0441\u0438\u043c\u043e, \u0438 \u0448\u0430\u0433 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0432 0.1 \u0431\u0443\u0434\u0435\u0442 \u0432\u043f\u043e\u043b\u043d\u0435 \u043d\u043e\u0440\u043c\u0430\u043b\u044c\u043d\u044b\u043c.<\/p>\n<p>\u0412\u043c\u0435\u0441\u0442\u043e \u0441\u0443\u043c\u043c\u044b \u043c\u043e\u0436\u043d\u043e \u0431\u044b\u043b\u043e \u0431\u044b \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c reduce_mean(), \u043d\u043e \u0442\u043e\u0433\u0434\u0430 \u0433\u0440\u0430\u0434\u0438\u0435\u043d\u0442\u044b \u0431\u044b\u043b\u0438 \u0431\u044b \u043c\u0435\u043d\u044c\u0448\u0435 \u043d\u0430 \u043f\u043b\u043e\u0449\u0430\u0434\u044c \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438 (512&#215;512) \u0438 \u043f\u0440\u0438\u0448\u043b\u043e\u0441\u044c \u0431\u044b \u0433\u0440\u0430\u0434\u0438\u0435\u043d\u0442\u044b \u0443\u043c\u043d\u043e\u0436\u0430\u0442\u044c \u043d\u0430 \u0447\u0442\u043e-\u0442\u043e \u0442\u0438\u043f\u0430 10^5. <\/p>\n<pre><code class=\"python\">loss_precise = tf.reduce_sum(tf.square(trainable_image01 - img_precise[np.newaxis, :, :, :]))<\/code><\/pre>\n<p>\u0414\u043b\u044f \u0432\u0442\u043e\u0440\u043e\u0439 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438 \u0441\u0434\u0435\u043b\u0430\u0435\u043c \u0440\u0430\u0437\u043c\u044b\u0442\u0438\u0435 (\u0441\u0432\u0451\u0440\u0442\u043a\u0443), \u0430 \u043f\u043e\u0442\u043e\u043c \u0442\u043e\u0447\u043d\u043e \u0442\u0430\u043a \u0436\u0435 \u043f\u043e\u043f\u0438\u043a\u0441\u0435\u043b\u044c\u043d\u043e \u0441\u0440\u0430\u0432\u043d\u0438\u043c. \u0418 \u043d\u0435 \u0437\u0430\u0431\u0443\u0434\u0435\u043c \u043f\u0440\u043e \u0433\u0430\u043c\u043c\u0430-\u043a\u043e\u0440\u0440\u0435\u043a\u0446\u0438\u044e \u0434\u043e \u0441\u0432\u0451\u0440\u0442\u043a\u0438 \u0438 \u043e\u0431\u0440\u0430\u0442\u043d\u0443\u044e \u043f\u043e\u0441\u043b\u0435:<\/p>\n<pre><code class=\"python\">blurred = self.gauss_blur(trainable_image01 ** 2.2) ** (1.0 \/ 2.2) blurred_label = self.gauss_blur(img_blurred[np.newaxis, :, :, :] ** 2.2) ** (1.0 \/ 2.2) loss_gauss = tf.reduce_sum(tf.square(blurred - blurred_label))<\/code><\/pre>\n<p>\u0414\u043e\u043c\u043d\u043e\u0436\u0438\u043c \u043e\u0448\u0438\u0431\u043a\u0438 \u043d\u0430 \u043a\u043e\u044d\u0444\u0444\u0438\u0446\u0438\u0435\u043d\u0442\u044b \u0438 \u0441\u043b\u043e\u0436\u0438\u043c. \u0412 \u0437\u0430\u0432\u0438\u0441\u0438\u043c\u043e\u0441\u0442\u0438 \u043e\u0442 \u0441\u043e\u043e\u0442\u043d\u043e\u0448\u0435\u043d\u0438\u044f \u043a\u043e\u044d\u0444\u0444\u0438\u0446\u0438\u0435\u043d\u0442\u043e\u0432 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u0431\u0443\u0434\u0435\u0442 \u0431\u043e\u043b\u044c\u0448\u0435 \u0441\u0442\u0440\u0435\u043c\u0438\u0442\u044c\u0441\u044f \u043a \u043e\u0434\u043d\u043e\u0439 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0435 \u0438\u043b\u0438 \u0434\u0440\u0443\u0433\u043e\u0439.<\/p>\n<pre><code class=\"python\">loss = loss_precise * m_precise + loss_gauss * m_blurred<\/code><\/pre>\n<p>\u0412\u0436\u0443\u0445 \u0438 \u043f\u043e\u043b\u0443\u0447\u0438\u043c \u0433\u0440\u0430\u0434\u0438\u0435\u043d\u0442\u044b:<\/p>\n<pre><code class=\"python\">gradient = tape.gradient(loss, self.trainable_image)<\/code><\/pre>\n<p>\u0414\u043b\u044f \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0435\u0441\u0442\u044c \u0440\u0430\u0437\u043d\u044b\u0435 \u043e\u043f\u0442\u0438\u043c\u0438\u0437\u0430\u0442\u043e\u0440\u044b, \u043d\u043e \u044f \u043f\u0440\u044f\u043c\u043e \u0440\u0443\u043a\u0430\u043c\u0438 \u0441\u0434\u0435\u043b\u0430\u043b \u043f\u0440\u043e\u0441\u0442\u043e\u0439 \u0433\u0440\u0430\u0434\u0438\u0435\u043d\u0442\u043d\u044b\u0439 \u0441\u043f\u0443\u0441\u043a:<\/p>\n<pre><code class=\"python\">def apply_gradient(self, grad: np.ndarray, lr: float):     self.trainable_image.assign(self.trainable_image.numpy() - lr * grad)<\/code><\/pre>\n<p>\u0412\u044b\u0437\u043e\u0432\u0435\u043c \u0444\u0443\u043d\u043a\u0446\u0438\u044e \u043c\u043d\u043e\u0433\u043e-\u043c\u043d\u043e\u0433\u043e \u0440\u0430\u0437. \u041a\u043e\u0434 \u0432 \u0441\u0442\u0430\u0442\u044c\u0435 \u0434\u043b\u044f \u0438\u043b\u043b\u044e\u0441\u0442\u0440\u0430\u0446\u0438\u0438, \u0437\u0430\u043f\u0443\u0441\u043a\u0430\u0431\u0435\u043b\u044c\u043d\u044b\u0439 \u0432\u0430\u0440\u0438\u0430\u043d\u0442 \u043c\u043e\u0436\u043d\u043e \u043d\u0430\u0439\u0442\u0438 \u043d\u0430 \u0433\u0438\u0442\u0445\u0430\u0431\u0435.<\/p>\n<pre><code class=\"python\">class MyModel:     ...     def train(self, steps_count: int, print_loss_steps: int, lr: float, **run_kwargs) -> Report:           for i in range(steps_count):               r = self.run(**run_kwargs)               model.apply_gradient(r.gradient, lr)               if i % print_loss_steps == print_loss_steps - 1:                   print(f\"{i}: loss = {r.loss}, precise = {r.loss_precise}, gauss = {r.loss_gauss}\")           return r<\/code><\/pre>\n<p>\u0422\u0435\u043f\u0435\u0440\u044c \u0432\u0441\u0451 \u0433\u043e\u0442\u043e\u0432\u043e \u0434\u043b\u044f \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u043c\u043e\u0434\u0435\u043b\u0438:<\/p>\n<pre><code class=\"python\">model = MyModel(512, 512, gauss_kernel_size=15, gauss_sigma=3) r = model.train(steps_count=200, print_loss_steps=50, lr=0.3, img_precise=imgs[0], img_blurred=imgs[1], m_precise=0.1, m_blurred=1.0)   Image.fromarray(np.uint8(r.image * 255.0))<\/code><\/pre>\n<p>\u042f \u043f\u043e\u043f\u0440\u043e\u0431\u043e\u0432\u0430\u043b \u0440\u0430\u0437\u043d\u044b\u0435 \u043a\u043e\u044d\u0444\u0444\u0438\u0446\u0438\u0435\u043d\u0442\u044b (0.1, 0.3, 1.0).<\/p>\n<details class=\"spoiler\">\n<summary>\u041a\u0430\u0440\u0442\u0438\u043d\u043a\u0438 \u0442\u0443\u0442<\/summary>\n<div class=\"spoiler__content\">\n<figure class=\"\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/upload_files\/ea0\/5a3\/29f\/ea05a329f2919dd42905455750c41150.png\" width=\"512\" height=\"512\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/ea0\/5a3\/29f\/ea05a329f2919dd42905455750c41150.png\"\/><figcaption><\/figcaption><\/figure>\n<figure class=\"\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/upload_files\/351\/88a\/a94\/35188aa943c8342005235323ea25836d.png\" width=\"512\" height=\"512\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/351\/88a\/a94\/35188aa943c8342005235323ea25836d.png\"\/><figcaption><\/figcaption><\/figure>\n<figure class=\"\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/upload_files\/365\/b8b\/02a\/365b8b02abd368657832ce1e645c6363.png\" width=\"512\" height=\"512\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/365\/b8b\/02a\/365b8b02abd368657832ce1e645c6363.png\"\/><figcaption><\/figcaption><\/figure>\n<\/div>\n<\/details>\n<h2>\u0410 \u0437\u0430\u0447\u0435\u043c \u0432\u0441\u0451 \u044d\u0442\u043e?<\/h2>\n<p>\u041f\u0440\u043e\u0441\u0442\u043e \u043f\u043e\u0442\u043e\u043c\u0443 \u0447\u0442\u043e \u043c\u043e\u0433\u0443. \u041c\u043d\u0435 \u043d\u0440\u0430\u0432\u0438\u0442\u0441\u044f \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u044c \u0437\u0430\u0434\u0430\u0442\u044c \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u043b\u044c\u043d\u0443\u044e \u0444\u0443\u043d\u043a\u0446\u0438\u044e \u043e\u0448\u0438\u0431\u043a\u0438 \u0438 \u043e\u0431\u0443\u0447\u0438\u0442\u044c \u043c\u043e\u0434\u0435\u043b\u044c, \u043d\u0435 \u0437\u0430\u0434\u0443\u043c\u044b\u0432\u0430\u044f\u0441\u044c \u043d\u0430\u0434 \u0442\u0435\u043c, \u043a\u0430\u043a \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u0430\u043d\u0430\u043b\u0438\u0442\u0438\u0447\u0435\u0441\u043a\u0438.<\/p>\n<p>\u0415\u0441\u043b\u0438 \u0412\u0430\u043c \u043a\u0430\u0436\u0435\u0442\u0441\u044f, \u0447\u0442\u043e \u044f \u0437\u0430\u0431\u0438\u0432\u0430\u044e \u0433\u0432\u043e\u0437\u0434\u0438 \u043c\u0438\u043a\u0440\u043e\u0441\u043a\u043e\u043f\u043e\u043c \u0438 tensorflow \u0441\u043e\u0432\u0441\u0435\u043c \u043d\u0435 \u0434\u043b\u044f \u044d\u0442\u043e\u0433\u043e, \u0442\u043e \u044d\u0442\u043e \u043d\u0435 \u0442\u0430\u043a. \u0411\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430 \u0434\u0430\u0451\u0442 \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u044c \u043b\u0435\u0433\u043a\u043e \u0441\u0447\u0438\u0442\u0430\u0442\u044c \u0433\u0440\u0430\u0434\u0438\u0435\u043d\u0442\u044b, \u044f \u0435\u0439 \u043f\u043e\u043b\u044c\u0437\u0443\u044e\u0441\u044c \u043a\u0430\u043a \u0445\u043e\u0447\u0443. \u041c\u0430\u0448\u0438\u043d\u043d\u043e\u0435 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u043d\u0435 \u043e\u0431\u044f\u0437\u0430\u043d\u043e \u043f\u0440\u043e\u0438\u0441\u0445\u043e\u0434\u0438\u0442\u044c \u043d\u0430 \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u0430\u0445 \u0441 \u0442\u043e\u043f\u043e\u0432\u044b\u043c\u0438 GPU \u043d\u0430 \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0430\u0445 \u0442\u0435\u0440\u0430\u0431\u0430\u0439\u0442\u043d\u044b\u0445 \u0440\u0430\u0437\u043c\u0435\u0440\u043e\u0432. <\/p>\n<p>\u041f\u0440\u0438 \u043f\u043e\u043c\u043e\u0449\u0438 \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u0438\u044f \u0424\u0443\u0440\u044c\u0435 \u0438 \u0432\u044b\u0440\u0435\u0437\u0430\u043d\u0438\u044f \u0432\u044b\u0441\u043e\u043a\u0438\u0445 \u0447\u0430\u0441\u0442\u043e\u0442 \u0441 \u043e\u0434\u043d\u043e\u0439 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438 \u0438 \u043d\u0438\u0437\u043a\u0438\u0445 \u0441 \u0434\u0440\u0443\u0433\u043e\u0439 \u043c\u043e\u0436\u043d\u043e \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u043f\u043e\u0445\u043e\u0436\u0438\u0439 \u044d\u0444\u0444\u0435\u043a\u0442. \u041d\u043e \u0441 \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u043c \u043e\u0433\u043e\u0432\u043e\u0440\u043a\u0430\u043c\u0438: \u0442\u043e\u0436\u0435 \u043c\u043e\u0433\u0443\u0442 \u043f\u043e\u043b\u0443\u0447\u0430\u0442\u044c\u0441\u044f \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f \u044f\u0440\u043a\u043e\u0441\u0442\u0438 \u043c\u0435\u043d\u044c\u0448\u0435 0 \u0438 \u0431\u043e\u043b\u044c\u0448\u0435 1. \u0418 \u044f \u043d\u0435 \u0437\u043d\u0430\u044e, \u043a\u0430\u043a \u0441\u043e\u0447\u0435\u0442\u0430\u0442\u044c \u043b\u043e\u0433\u0430\u0440\u0438\u0444\u043c\u0438\u0447\u0435\u0441\u043a\u043e\u0435 \u0432\u043e\u0441\u043f\u0440\u0438\u044f\u0442\u0438\u0435 \u044f\u0440\u043a\u043e\u0441\u0442\u0438 \u0447\u0435\u043b\u043e\u0432\u0435\u0447\u0435\u0441\u043a\u0438\u043c \u0433\u043b\u0430\u0437\u043e\u043c \u0438 \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e\u0441\u0442\u044c \u0434\u0435\u043b\u0430\u0442\u044c \u0440\u0430\u0437\u043c\u044b\u0442\u0438\u0435 \u043f\u043e \u0413\u0430\u0443\u0441\u0441\u0443 \u0432 \u043b\u0438\u043d\u0435\u0439\u043d\u043e\u043c \u0446\u0432\u0435\u0442\u043e\u0432\u043e\u043c \u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0441\u0442\u0432\u0435. \u042f \u043f\u043e\u043f\u0440\u043e\u0431\u043e\u0432\u0430\u043b, \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u043c\u043d\u0435 \u043d\u0435 \u043f\u043e\u043d\u0440\u0430\u0432\u0438\u043b\u0441\u044f. \u041f\u0440\u0443\u0444\u043e\u0432 \u043d\u0435 \u0431\u0443\u0434\u0435\u0442. <\/p>\n<p>\u0412\u0430\u0440\u0438\u0430\u043d\u0442 \u0441 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435\u043c \u043d\u0430 \u043f\u043e\u0440\u044f\u0434\u043a\u0438 \u043c\u0435\u0434\u043b\u0435\u043d\u043d\u0435\u0435 \u0424\u0443\u0440\u044c\u0435 \u0438 \u043d\u0430 \u043c\u043e\u0451\u043c \u043d\u043e\u0443\u0442\u0431\u0443\u043a\u0435 \u0437\u0430\u043d\u0438\u043c\u0430\u0435\u0442 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u043c\u0438\u043d\u0443\u0442. \u041d\u0430 \u043c\u043e\u0439 \u0432\u0437\u0433\u043b\u044f\u0434 \u044d\u0442\u043e \u043d\u0435 \u0441\u0442\u0440\u0430\u0448\u043d\u043e, \u0442\u0430\u043a \u043a\u0430\u043a \u043d\u0430\u043c\u043d\u043e\u0433\u043e \u0431\u043e\u043b\u044c\u0448\u0435 \u0432\u0440\u0435\u043c\u0435\u043d\u0438 \u044f \u043f\u043e\u0442\u0440\u0430\u0442\u0438\u043b \u043d\u0430 \u043d\u0430\u043f\u0438\u0441\u0430\u043d\u0438\u0435 \u043a\u043e\u0434\u0430. \u0423 \u043c\u0435\u043d\u044f \u043d\u0435\u0442 \u0437\u0430\u0434\u0430\u0447\u0438 \u0433\u0435\u043d\u0435\u0440\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0442\u044b\u0441\u044f\u0447\u0438 \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a, \u043e\u0434\u043d\u043e\u0439-\u0434\u0432\u0443\u0445 \u0432\u043f\u043e\u043b\u043d\u0435 \u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e.<\/p>\n<p>\u0418\u0437\u043d\u0430\u0447\u0430\u043b\u044c\u043d\u043e\u0435 \u0441\u043e\u0441\u0442\u043e\u044f\u043d\u0438\u0435 \u043e\u0431\u0443\u0447\u0430\u0435\u043c\u043e\u0439 \u043c\u043e\u0434\u0435\u043b\u0438 &#8212; \u0441\u0435\u0440\u0430\u044f \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0430. \u0415\u0441\u043b\u0438 \u0432\u0430\u0436\u043d\u0430 \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u044c, \u043c\u043e\u0436\u043d\u043e \u0432 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435 \u043f\u0435\u0440\u0432\u043e\u0433\u043e \u043f\u0440\u0438\u0431\u043b\u0438\u0436\u0435\u043d\u0438\u044f \u0432\u0437\u044f\u0442\u044c \u043e\u0434\u043d\u0443 \u0438\u0437 \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a \u0438\u043b\u0438 \u0434\u0430\u0436\u0435 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u044b \u044d\u043a\u0441\u043f\u0435\u0440\u0438\u043c\u0435\u043d\u0442\u043e\u0432 \u0441 \u0447\u0430\u0441\u0442\u043e\u0442\u0430\u043c\u0438 \u0438 \u0424\u0443\u0440\u044c\u0435. \u041d\u043e \u0432 \u0441\u043b\u0443\u0447\u0430\u0435 \u0441 \u043e\u0434\u043d\u043e\u0439 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u043e\u0439 \u043d\u0430\u043f\u0438\u0441\u0430\u043d\u0438\u0435 \u0438 \u043e\u0442\u043b\u0430\u0434\u043a\u0430 \u044d\u0442\u043e\u0433\u043e \u043a\u043e\u0434\u0430 \u0437\u0430\u0439\u043c\u0451\u0442 \u0431\u043e\u043b\u044c\u0448\u0435 \u0432\u0440\u0435\u043c\u0435\u043d\u0438, \u0447\u0435\u043c \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u0441 \u043d\u0443\u043b\u044f, \u0430 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u0431\u0443\u0434\u0435\u0442 \u043f\u0440\u0438\u043c\u0435\u0440\u043d\u043e \u0442\u043e\u0442 \u0436\u0435.<\/p>\n<\/div>\n<\/div>\n<\/div>\n<p><!----><!----><\/div>\n<p><!----><!----><br \/> \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438 <a href=\"https:\/\/habr.com\/ru\/articles\/591409\/\"> https:\/\/habr.com\/ru\/articles\/591409\/<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<div><!--[--><!--]--><\/div>\n<div id=\"post-content-body\">\n<div>\n<div class=\"article-formatted-body article-formatted-body article-formatted-body_version-2\">\n<div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\">\n<p>\u0412\u043e\u0437\u043c\u043e\u0436\u043d\u043e, \u0432\u044b \u0432\u0441\u0442\u0440\u0435\u0447\u0430\u043b\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f, \u0432 \u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0441\u043c\u0435\u0448\u0430\u043d\u044b \u0434\u0432\u0430 \u043e\u0431\u0440\u0430\u0437\u0430. \u0412\u0431\u043b\u0438\u0437\u0438 \u0432\u0438\u0434\u0435\u043d \u043e\u0434\u0438\u043d, \u0430 \u0438\u0437\u0434\u0430\u043b\u0435\u043a\u0430 &#8212; \u0434\u0440\u0443\u0433\u043e\u0439. \u041d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u042d\u0439\u043d\u0448\u0442\u0435\u0439\u043d \u0438 \u041c\u044d\u0440\u0438\u043b\u0438\u043d \u041c\u043e\u043d\u0440\u043e.<\/p>\n<p>\u041d\u0435 \u0437\u043d\u0430\u044e, \u043a\u0430\u043a \u0434\u0435\u043b\u0430\u043b\u0438\u0441\u044c \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b\u044c\u043d\u044b\u0435, \u043d\u043e \u044f \u043f\u043e\u043f\u0440\u043e\u0431\u043e\u0432\u0430\u043b \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u043d\u0435\u0447\u0442\u043e \u043f\u043e\u0445\u043e\u0436\u0435\u0435 \u0441 \u043f\u043e\u043c\u043e\u0449\u044c\u044e tensorflow.<\/p>\n<figure class=\"full-width\"><figcaption><\/figcaption><\/figure>\n<p>\u041e\u0431\u0449\u0430\u044f \u0438\u0434\u0435\u044f: \u0432\u0437\u044f\u0442\u044c \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0435 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u0438 \u0441 \u0435\u0433\u043e \u043f\u043e\u043c\u043e\u0449\u044c\u044e \u043f\u043e\u0434\u043e\u0433\u043d\u0430\u0442\u044c \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0435. \u041e\u0431\u0440\u0430\u0442\u0438\u0442\u0435 \u0432\u043d\u0438\u043c\u0430\u043d\u0438\u0435: \u044f \u043d\u0435 \u0443\u0447\u0443 \u043c\u043e\u0434\u0435\u043b\u044c, \u043a\u043e\u0442\u043e\u0440\u0430\u044f \u0431\u0443\u0434\u0435\u0442 \u0438\u0437 \u0434\u0432\u0443\u0445 \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a \u0434\u0435\u043b\u0430\u0442\u044c \u043e\u0434\u043d\u0443. \u041c\u043e\u0434\u0435\u043b\u044c &#8212; \u044d\u0442\u043e \u043f\u0440\u043e\u0441\u0442\u043e \u043c\u0430\u0441\u0441\u0438\u0432 \u0446\u0432\u0435\u0442\u043e\u0432 \u043f\u0438\u043a\u0441\u0435\u043b\u0435\u0439, \u0438 \u0431\u043e\u043b\u044c\u0448\u0435 \u043d\u0438\u0447\u0435\u0433\u043e. \u0412 \u043f\u0440\u043e\u0446\u0435\u0441\u0441\u0435 &#171;\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f&#187; \u0432\u043e\u0437\u044c\u043c\u0451\u043c \u0434\u0432\u0435 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438-\u043e\u0431\u0440\u0430\u0437\u0446\u0430 \u0438 \u0431\u0443\u0434\u0435\u0442 \u0443\u043b\u0443\u0447\u0448\u0430\u0442\u044c &#171;\u043f\u043e\u0445\u043e\u0436\u0435\u0441\u0442\u044c&#187; \u043d\u0430 \u043d\u0438\u0445. \u0414\u043b\u044f \u043f\u0435\u0440\u0432\u043e\u0433\u043e \u043e\u0431\u0440\u0430\u0437\u0446\u0430 \u0444\u0443\u043d\u043a\u0446\u0438\u0435\u0439 \u043e\u0448\u0438\u0431\u043a\u0438 \u0431\u0443\u0434\u0435\u0442  \u0440\u0430\u0437\u043d\u0438\u0446\u0430 \u0446\u0432\u0435\u0442\u043e\u0432 \u0441 \u043e\u0431\u0443\u0447\u0430\u0435\u043c\u043e\u0439 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u043e\u0439. \u0414\u043b\u044f \u0432\u0442\u043e\u0440\u043e\u0433\u043e &#8212; \u043e\u0442\u043b\u0438\u0447\u0438\u0435 \u043c\u0435\u0436\u0434\u0443 \u0440\u0430\u0437\u043c\u044b\u0442\u044b\u043c \u043e\u0431\u0440\u0430\u0437\u0446\u043e\u043c \u0438 \u0440\u0430\u0437\u043c\u044b\u0442\u043e\u0439 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u043e\u0439.<\/p>\n<p>\u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u0424\u0443\u0440\u044c\u0435 &#8212; \u043f\u0440\u043e\u0448\u043b\u044b\u0439 \u0432\u0435\u043a, \u043d\u043e\u0432\u044b\u0435 \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u044b \u0442\u0440\u0435\u0431\u0443\u044e\u0442 \u0438\u043d\u043d\u043e\u0432\u0430\u0446\u0438\u043e\u043d\u043d\u044b\u0445 \u0440\u0435\u0448\u0435\u043d\u0438\u0439. <\/p>\n<p>\u041a\u043e\u0434 \u0438 \u0438\u0441\u0445\u043e\u0434\u043d\u044b\u0435 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438 <a href=\"https:\/\/github.com\/Kright\/mix-two-images-in-one\/blob\/master\/twoImages.ipynb\" rel=\"noopener noreferrer nofollow\">\u043b\u0435\u0436\u0430\u0442 \u043d\u0430 \u0433\u0438\u0442\u0445\u0430\u0431\u0435<\/a>.<\/p>\n<p>\u0414\u043b\u044f \u0437\u0430\u043f\u0443\u0441\u043a\u0430 \u043f\u043e\u043d\u0430\u0434\u043e\u0431\u0438\u0442\u0441\u044f tensorflow, numpy \u0438 Pillow. \u0414\u043b\u044f \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0435\u0439 \u0432\u0435\u0440\u0441\u0438\u0438 tensorflow \u043f\u043e\u043d\u0430\u0434\u043e\u0431\u0438\u0442\u0441\u044f python 3.7 \u0438\u043b\u0438 \u043d\u043e\u0432\u0435\u0435. <\/p>\n<p>\u0427\u0442\u043e\u0431\u044b \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u043f\u043e\u043b\u0443\u0447\u0430\u043b\u0441\u044f \u0437\u0430 \u043f\u0430\u0440\u0443 \u043c\u0438\u043d\u0443\u0442 \u043f\u0440\u0438 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0438 \u043d\u0430 \u043f\u0440\u043e\u0446\u0435\u0441\u0441\u043e\u0440\u0435, \u044f \u0443\u043c\u0435\u043d\u044c\u0448\u0438\u043b \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438 \u0434\u043e \u0440\u0430\u0437\u043c\u0435\u0440\u0430 512\u0445512 \u043f\u0438\u043a\u0441\u0435\u043b\u0435\u0439. \u0412\u0437\u044f\u043b \u0438\u0445 \u0438\u0437 \u0432\u0438\u043a\u0438\u043f\u0435\u0434\u0438\u0438: \u0448\u0430\u0445\u043c\u0430\u0442\u044b \u0438 \u0434\u0435\u0432\u0443\u0448\u043a\u0430 \u041b\u0435\u043d\u0430.<\/p>\n<details class=\"spoiler\">\n<summary>\u0428\u0430\u0445\u043c\u0430\u0442\u044b<\/summary>\n<div class=\"spoiler__content\">\n<figure class=\"\"><figcaption><\/figcaption><\/figure>\n<\/div>\n<\/details>\n<details class=\"spoiler\">\n<summary>\u0414\u0435\u0432\u0443\u0448\u043a\u0430 \u041b\u0435\u043d\u0430<\/summary>\n<div class=\"spoiler__content\">\n<figure class=\"\"><figcaption><\/figcaption><\/figure>\n<\/div>\n<\/details>\n<p>\u0417\u0430\u0433\u0440\u0443\u0437\u0438\u043c \u0438\u0445 \u0438 \u043f\u0435\u0440\u0435\u0432\u0435\u0434\u0451\u043c \u0432\u043e float \u0432 \u0438\u043d\u0442\u0435\u0440\u0432\u0430\u043b\u0435 \u043e\u0442 0 \u0434\u043e 1:<\/p>\n<pre><code class=\"python\">lena = Image.open(\"imgs\/Lenna512.png\") chess = Image.open(\"imgs\/ChessSet512.png\") imgs = [np.array(i) \/ 255.0 for i in [lena, chess]]<\/code><\/pre>\n<h2>\u0413\u0430\u043c\u043c\u0430-\u043a\u043e\u0440\u0440\u0435\u043a\u0446\u0438\u044f<\/h2>\n<p>\u0412\u043e\u0441\u043f\u0440\u0438\u043d\u0438\u043c\u0430\u0435\u043c\u0430\u044f \u0433\u043b\u0430\u0437\u043e\u043c \u044f\u0440\u043a\u043e\u0441\u0442\u044c \u0441\u0432\u0435\u0442\u0430 \u043c\u043e\u0436\u0435\u0442 \u043e\u0442\u043b\u0438\u0447\u0430\u0442\u044c\u0441\u044f \u043d\u0430 \u043c\u043d\u043e\u0433\u043e-\u043c\u043d\u043e\u0433\u043e \u043f\u043e\u0440\u044f\u0434\u043a\u043e\u0432. \u0412 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f\u0445 \u0441 \u043e\u0434\u043d\u0438\u043c \u0431\u0430\u0439\u0442\u043e\u043c \u044f\u0440\u043a\u043e\u0441\u0442\u0438 \u043d\u0430 \u043a\u0430\u043d\u0430\u043b \u0435\u0441\u0442\u044c 256 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0439 \u044f\u0440\u043a\u043e\u0441\u0442\u0438 \u0438 \u0432 \u0444\u0438\u0437\u0438\u0447\u0435\u0441\u043a\u043e\u0435 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u0444\u043e\u0442\u043e\u043d\u043e\u0432 \u043e\u043d\u0438 \u043e\u0442\u043e\u0431\u0440\u0430\u0436\u0430\u044e\u0442\u0441\u044f \u043d\u0435\u043b\u0438\u043d\u0435\u0439\u043d\u043e. \u041d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u043e\u0442 \u0434\u0432\u0443\u0445 \u043f\u0438\u043a\u0441\u0435\u043b\u0435\u0439 \u0441 \u044f\u0440\u043a\u043e\u0441\u0442\u044c\u044e 127 \u0441\u0432\u0435\u0442\u0430 \u0431\u0443\u0434\u0435\u0442 \u043c\u0435\u043d\u044c\u0448\u0435, \u0447\u0435\u043c \u043e\u0442 \u043e\u0434\u043d\u043e\u0433\u043e \u0441 \u044f\u0440\u043a\u043e\u0441\u0442\u044c\u044e 254. <\/p>\n<p>\u0414\u043b\u044f \u043f\u0435\u0440\u0435\u0432\u043e\u0434\u0430 \u0432 \u0444\u0438\u0437\u0438\u0447\u0435\u0441\u043a\u043e\u0435 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435 \u044f\u0440\u043a\u043e\u0441\u0442\u0438 \u0441\u0443\u0449\u0435\u0441\u0442\u0432\u0443\u0435\u0442 \u0433\u0430\u043c\u043c\u0430-\u043a\u043e\u0440\u0440\u0435\u043a\u0446\u0438\u044f: \u0432\u043e\u0437\u0432\u0435\u0434\u0435\u043d\u0438\u0435 \u044f\u0440\u043a\u043e\u0441\u0442\u0438 \u0432 \u0441\u0442\u0435\u043f\u0435\u043d\u044c 2.2. \u041f\u043e\u043b\u0443\u0447\u0438\u0442\u0441\u044f \u0432\u0435\u043b\u0438\u0447\u0438\u043d\u0430, \u043f\u0440\u043e\u043f\u043e\u0440\u0446\u0438\u043e\u043d\u0430\u043b\u044c\u043d\u0430\u044f \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u0443 \u0444\u043e\u0442\u043e\u043d\u043e\u0432 \u0441 \u044d\u043a\u0440\u0430\u043d\u0430. \u041e\u0431\u0440\u0430\u0442\u043d\u043e\u0435 \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u0442\u043e\u0436\u0435 \u0434\u0435\u043b\u0430\u0435\u0442\u0441\u044f \u043f\u0440\u043e\u0441\u0442\u043e &#8212; \u0432\u043e\u0437\u0432\u0435\u0434\u0435\u043d\u0438\u0435\u043c \u0432 \u0441\u0442\u0435\u043f\u0435\u043d\u044c 1\/2.2.<\/p>\n<p>\u0417\u0430\u0447\u0435\u043c \u0432\u0441\u0451 \u044d\u0442\u043e \u043d\u0443\u0436\u043d\u043e? \u0415\u0441\u043b\u0438 \u044f \u0445\u043e\u0447\u0443 \u0443\u0437\u043d\u0430\u0442\u044c \u0432\u0438\u0434\u0438\u043c\u0443\u044e \u0440\u0430\u0437\u043d\u0438\u0446\u0443 \u0446\u0432\u0435\u0442\u043e\u0432, \u043c\u043e\u0436\u043d\u043e \u043f\u0440\u043e\u0441\u0442\u043e \u0432\u0437\u044f\u0442\u044c \u0440\u0430\u0437\u043d\u0438\u0446\u0443 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0439 \u0432 \u043e\u0431\u044b\u0447\u043d\u043e\u043c RGB \u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0441\u0442\u0432\u0435.<\/p>\n<p>\u041f\u0440\u0438 \u0440\u0430\u0441\u0447\u0451\u0442\u0435 \u0442\u043e\u0433\u043e, \u043a\u0430\u043a \u0431\u0443\u0434\u0435\u0442 \u0432\u044b\u0433\u043b\u044f\u0434\u0435\u0442\u044c \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0435 \u0438\u0437\u0434\u0430\u043b\u0435\u043a\u0430 (\u0440\u0430\u0437\u043c\u044b\u0442\u043e\u0435), \u0431\u0443\u0434\u0435\u0442 \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e \u043f\u0435\u0440\u0435\u0432\u0435\u0441\u0442\u0438 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f \u044f\u0440\u043a\u043e\u0441\u0442\u0438 \u0432 \u043b\u0438\u043d\u0435\u0439\u043d\u043e\u0435 \u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0441\u0442\u0432\u043e (\u043f\u0440\u043e\u043f\u043e\u0440\u0446\u0438\u043e\u043d\u0430\u043b\u044c\u043d\u043e\u0435 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u0443 \u0444\u043e\u0442\u043e\u043d\u043e\u0432) \u0438 \u0443\u0436\u0435 \u0432 \u043d\u0451\u043c \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u0440\u0430\u0437\u043c\u044b\u0442\u0438\u0435 \u043f\u043e \u0413\u0430\u0443\u0441\u0441\u0443.<\/p>\n<h2>\u0420\u0430\u0437\u043c\u044b\u0442\u0438\u0435 \u043f\u043e \u0413\u0430\u0443\u0441\u0441\u0443<\/h2>\n<p>\u041f\u0440\u0438 \u0440\u0430\u0437\u043c\u044b\u0442\u0438\u0438 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438 \u043a\u0430\u0436\u0434\u044b\u0439 \u043f\u0438\u043a\u0441\u0435\u043b\u044c \u043f\u0440\u0435\u0432\u0440\u0430\u0449\u0430\u0435\u0442\u0441\u044f \u0432 \u043f\u044f\u0442\u043d\u044b\u0448\u043a\u043e. \u041d\u0430 \u043c\u0430\u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u043c \u044f\u0437\u044b\u043a\u0435 \u043f\u044f\u0442\u043d\u044b\u0448\u043a\u043e \u043d\u0430\u0437\u044b\u0432\u0430\u0435\u0442\u0441\u044f \u044f\u0434\u0440\u043e\u043c, \u0430 \u0441\u0430\u043c \u043f\u0440\u043e\u0446\u0435\u0441\u0441 &#8212; \u0441\u0432\u0451\u0440\u0442\u043a\u043e\u0439. \u042f\u0434\u0440\u043e \u0432\u044b\u0433\u043b\u044f\u0434\u0438\u0442 \u043a\u0430\u043a-\u0442\u043e \u0442\u0430\u043a: <\/p>\n<p>C &#8212; \u043d\u0435\u043a\u0430\u044f \u043a\u043e\u043d\u0441\u0442\u0430\u043d\u0442\u0430, \u0447\u0442\u043e\u0431\u044b \u0441\u0443\u043c\u043c\u0430 \u0432\u0441\u0435\u0445 \u044d\u043b\u0435\u043c\u0435\u043d\u0442\u043e\u0432 (\u0438\u043b\u0438 \u0438\u043d\u0442\u0435\u0433\u0440\u0430\u043b \u043f\u043e \u043f\u043b\u043e\u0449\u0430\u0434\u0438) \u0440\u0430\u0432\u043d\u044f\u043b\u0430\u0441\u044c \u0435\u0434\u0438\u043d\u0438\u0446\u0435 \u0438 \u044f\u0440\u043a\u043e\u0441\u0442\u044c \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f \u043d\u0435 \u0438\u0437\u043c\u0435\u043d\u044f\u043b\u0430\u0441\u044c. \u041f\u043e \u044d\u0442\u043e\u0439 \u0436\u0435 \u043f\u0440\u0438\u0447\u0438\u043d\u0435 \u043d\u0430\u0434\u043e \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u0433\u0430\u043c\u043c\u0430-\u043a\u043e\u0440\u0440\u0435\u043a\u0446\u0438\u044e \u0438 \u0440\u0430\u0431\u043e\u0442\u0430\u0442\u044c \u0441 \u0444\u0438\u0437\u0438\u0447\u0435\u0441\u043a\u0438 \u043a\u043e\u0440\u0440\u0435\u043a\u0442\u043d\u044b\u043c \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e\u043c \u0441\u0432\u0435\u0442\u0430.<\/p>\n<p>\u041e\u0441\u043e\u0431\u0435\u043d\u043d\u043e\u0441\u0442\u044c\u044e \u0441\u0432\u0451\u0440\u0442\u043a\u0438 \u0441 \u044d\u0442\u0438\u043c \u044f\u0434\u0440\u043e\u043c \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u0442\u043e, \u0447\u0442\u043e \u0435\u0433\u043e \u0435\u0451 \u043c\u043e\u0436\u043d\u043e \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u0441\u043d\u0430\u0447\u0430\u043b\u0430 \u043f\u043e \u043e\u0434\u043d\u043e\u0439 \u043e\u0441\u0438, \u0430 \u0437\u0430\u0442\u0435\u043c \u043f\u043e \u0434\u0440\u0443\u0433\u043e\u0439, \u0442\u0430\u043a \u0447\u0442\u043e \u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e \u043f\u043e\u0441\u0447\u0438\u0442\u0430\u0442\u044c \u044f\u0434\u0440\u043e \u0434\u043b\u044f \u043e\u0434\u043d\u043e\u043c\u0435\u0440\u043d\u043e\u0433\u043e \u0441\u043b\u0443\u0447\u0430\u044f:<\/p>\n<pre><code class=\"python\">def make_gauss_blur_kernel(size: int, sigma: float) -> np.ndarray:       result = np.zeros(shape=[size], dtype=float)       center = (size - 1) \/\/ 2       div = 2 * (sigma ** 2)       for i in range(size):           x2 = (center - i)**2          result[i] = math.exp( -x2 \/ div)       return result \/ np.sum(result)      make_gauss_blur_kernel(size=11, sigma=2)<\/code><\/pre>\n<p>\u041c\u0430\u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438 \u044f\u0434\u0440\u043e \u0431\u0435\u0441\u043a\u043e\u043d\u0435\u0447\u043d\u043e\u0435, \u043d\u043e \u043c\u044b \u043e\u0433\u0440\u0430\u043d\u0438\u0447\u0438\u043c \u0435\u0433\u043e \u0440\u0430\u0437\u043c\u0435\u0440\u044b. \u041d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u0434\u043b\u044f sigma =2 \u0438 \u0440\u0430\u0437\u043c\u0435\u0440\u0430 \u044f\u0434\u0440\u0430 \u0432 11 \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u0441\u044f \u0442\u0430\u043a:<\/p>\n<pre><code class=\"python\">array([0.00881223, 0.02714358, 0.06511406, 0.12164907, 0.17699836, 0.20056541, 0.17699836, 0.12164907, 0.06511406, 0.02714358, 0.00881223])<\/code><\/pre>\n<h2>Tensorflow 2.0<\/h2>\n<p>\u0412 \u0441\u0442\u0430\u0440\u043e\u0439 tensorflow \u0433\u0440\u0430\u0444 \u043c\u043e\u0434\u0435\u043b\u0438 \u0431\u044b\u043b \u043d\u0435\u0438\u0437\u043c\u0435\u043d\u044f\u0435\u043c\u044b\u043c, \u0438 \u044d\u0442\u043e \u043d\u0430\u043a\u043b\u0430\u0434\u044b\u0432\u0430\u043b\u043e \u043e\u0433\u0440\u0430\u043d\u0438\u0447\u0435\u043d\u0438\u044f. \u0412 \u0432\u0435\u0440\u0441\u0438\u0438 2.0 \u0443\u0442\u0430\u0449\u0438\u043b\u0438 \u0444\u0438\u0448\u043a\u0443 \u0438\u0437 PyTorch &#8212; \u0433\u0440\u0430\u0444 \u043c\u043e\u0434\u0435\u043b\u0438 \u0441\u0442\u0440\u043e\u0438\u0442\u0441\u044f \u0434\u0438\u043d\u0430\u043c\u0438\u0447\u0435\u0441\u043a\u0438 \u043f\u0440\u044f\u043c\u043e \u0432 \u043f\u0440\u043e\u0446\u0435\u0441\u0441\u0435 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u044f \u043e\u0448\u0438\u0431\u043a\u0438, \u0430 \u043f\u043e\u0442\u043e\u043c \u043c\u043e\u0436\u043d\u043e \u0432\u0437\u044f\u0442\u044c \u0438 \u0432\u044b\u0447\u0438\u0441\u043b\u0438\u0442\u044c \u0433\u0440\u0430\u0434\u0438\u0435\u043d\u0442\u044b.<\/p>\n<figure class=\"full-width\"><figcaption><\/figcaption><\/figure>\n<p>\u041c\u0430\u0433\u0438\u044f \u0432\u044b\u0433\u043b\u044f\u0434\u0438\u0442 \u0432\u043e\u0442 \u0442\u0430\u043a:<\/p>\n<pre><code class=\"python\">with tf.GradientTape() as tape:     # computations     loss = ...      gradient = tape.gradient(loss, trainable_variables)    <\/code><\/pre>\n<p>\u042d\u0442\u043e \u043a\u0430\u043a \u0440\u0430\u0437 \u0442\u043e, \u0447\u0442\u043e \u043d\u0430\u043c \u043d\u0443\u0436\u043d\u043e.<\/p>\n<h2>\u0421\u043e\u0437\u0434\u0430\u0451\u043c \u043c\u043e\u0434\u0435\u043b\u044c<\/h2>\n<pre><code class=\"python\">class MyModel:     def __init__(self, img_h: int, img_w: int, gauss_kernel_size: int, gauss_sigma: float, image_source: Optional[np.ndarray] = None):         if image_source is None:             image_source = np.zeros(shape=(1, img_h, img_w, 3), dtype=float)         self.trainable_image = tf.Variable(initial_value=image_source, trainable=True)         gauss_blur_kernel = make_gauss_blur_kernel(gauss_kernel_size, gauss_sigma)         self.gauss_kernel_x = tf.constant(gauss_blur_kernel[np.newaxis, :, np.newaxis, np.newaxis] * np.ones(shape=(1, 1, 3, 1)))         self.gauss_kernel_y = tf.constant(gauss_blur_kernel[:, np.newaxis, np.newaxis, np.newaxis] * np.ones(shape=(1, 1, 3, 1)))              ...<\/code><\/pre>\n<p>trainable_image &#8212; \u043f\u0435\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0435. \u0418\u0437 \u043d\u0438\u0445 \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u043d\u0430\u0448\u0430 &#171;\u043e\u0431\u0443\u0447\u0430\u0435\u043c\u0430\u044f&#187; \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0430. \u0418\u0445 \u043c\u044b \u0431\u0443\u0434\u0435\u043c \u043f\u043e\u0434\u0433\u043e\u043d\u044f\u0442\u044c, \u0447\u0442\u043e\u0431\u044b \u0431\u044b\u043b\u043e \u043f\u043e\u0445\u043e\u0436\u0435 \u043d\u0430 \u043d\u0443\u0436\u043d\u044b\u0435 \u0434\u0432\u0435 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438. \u0422\u0430\u043a \u0436\u0435 \u0441\u0434\u0435\u043b\u0430\u0435\u043c \u043a\u043e\u043d\u0441\u0442\u0430\u043d\u0442\u044b \u0434\u043b\u044f \u044f\u0434\u0435\u0440 \u0441\u0432\u0451\u0440\u0442\u043e\u043a \u043f\u043e \u043e\u0441\u044f\u043c \u0445 \u0438 \u0443. \u0418\u0445 \u0443\u0447\u0438\u0442\u044c \u043d\u0435 \u0431\u0443\u0434\u0435\u043c, \u043e\u043d\u0438 \u0438 \u0442\u0430\u043a \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u044b \u0443\u043c\u043d\u044b\u043c \u043f\u0443\u0442\u0451\u043c.<\/p>\n<p>\u0414\u043b\u044f \u0441\u0432\u0451\u0440\u0442\u043e\u043a \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442\u0441\u044f \u0430\u0436 \u0447\u0435\u0442\u044b\u0440\u0451\u0445\u043c\u0435\u0440\u043d\u043e\u0435 \u044f\u0434\u0440\u043e:<\/p>\n<ol>\n<li>\n<p>\u043e\u0441\u044c \u0423 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f<\/p>\n<\/li>\n<li>\n<p>\u043e\u0441\u044c \u0425 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f<\/p>\n<\/li>\n<li>\n<p>\u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u0432\u0445\u043e\u0434\u043d\u044b\u0445 \u043a\u0430\u043d\u0430\u043b\u043e\u0432 (3)<\/p>\n<\/li>\n<li>\n<p>\u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u0432\u044b\u0445\u043e\u0434\u043d\u044b\u0445 \u043a\u0430\u043d\u0430\u043b\u043e\u0432 \u043d\u0430 \u043a\u0430\u0436\u0434\u044b\u0439 \u0432\u0445\u043e\u0434\u043d\u043e\u0439 \u043a\u0430\u043d\u0430\u043b (1, \u043a\u0430\u0436\u0434\u044b\u0439 \u0446\u0432\u0435\u0442 \u043f\u0435\u0440\u0435\u0445\u043e\u0434\u0438\u0442 \u0441\u0430\u043c \u0432 \u0441\u0435\u0431\u044f)<\/p>\n<\/li>\n<\/ol>\n<p>\u041a\u0440\u043e\u043c\u0435 \u0442\u043e\u0433\u043e, \u0438 \u0432 numpy \u0438 \u0432 tensorflow \u0435\u0441\u0442\u044c \u0438\u0434\u0435\u044f \u0431\u0440\u043e\u0430\u0434\u043a\u0430\u0441\u0442\u0438\u043d\u0433\u0430. \u041d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u043c\u0430\u0441\u0441\u0438\u0432 \u0441 \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u044f\u043c\u0438 (1, 256, 512, 1) \u043c\u043e\u0436\u043d\u043e \u0438\u043d\u0442\u0435\u0440\u043f\u0440\u0435\u0442\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u043a\u0430\u043a (N, 256, 512, C). \u041a\u0430\u043a \u0431\u0443\u0434\u0442\u043e \u043f\u043e \u043f\u0435\u0440\u0432\u043e\u0439 \u0438 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0435\u0439 \u043e\u0441\u0438 \u0440\u0430\u0437\u043c\u0435\u0440 \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u043b\u044c\u043d\u044b\u0439, \u0430 \u0447\u0438\u0441\u043b\u0430 \u043e\u0434\u043d\u0438 \u043e\u0434\u043d\u0438 \u0438 \u0442\u0435 \u0436\u0435 \u0438 \u043d\u0435 \u0437\u0430\u0432\u0438\u0441\u044f\u0442 \u043e\u0442 \u043a\u043e\u043e\u0440\u0434\u0438\u043d\u0430\u0442\u044b \u0432\u0434\u043e\u043b\u044c \u0442\u043e\u0439 \u043e\u0441\u0438. \u0411\u0440\u043e\u0430\u0434\u043a\u0430\u0441\u0442\u0438\u043d\u0433 \u0432 \u044d\u0442\u0438\u0445 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430\u0445 \u0438\u043d\u043e\u0433\u0434\u0430 \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442 \u043f\u043e-\u0440\u0430\u0437\u043d\u043e\u043c\u0443, \u0444\u0443\u043d\u043a\u0446\u0438\u044f \u0441\u0432\u0451\u0440\u0442\u043a\u0438 \u0445\u043e\u0447\u0435\u0442 \u0443\u0432\u0438\u0434\u0435\u0442\u044c \u044f\u0434\u0440\u043e \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u044c\u044e \u0438\u043c\u0435\u043d\u043d\u043e (size_x, size_y, 3, 1) \u0438 \u043f\u043e\u0447\u0435\u043c\u0443-\u0442\u043e \u043d\u0435\u0434\u043e\u0432\u043e\u043b\u044c\u043d\u043e \u043c\u0430\u0441\u0441\u0438\u0432\u043e\u043c (size_x, size_y, 1, 1), \u0442\u0430\u043a \u0447\u0442\u043e \u043f\u0440\u0438\u0448\u043b\u043e\u0441\u044c \u0432 numpy \u0443\u043c\u043d\u043e\u0436\u0438\u0442\u044c \u043d\u0430 \u043c\u0430\u0441\u0441\u0438\u0432 \u0435\u0434\u0438\u043d\u0438\u0447\u0435\u043a \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u044c\u044e (1, 1, 3, 1). \u0415\u0441\u043b\u0438 \u0431\u044b \u043c\u044b \u0441\u0434\u0435\u043b\u0430\u043b\u0438 \u0440\u0430\u0437\u043d\u044b\u0435 \u044f\u0434\u0440\u0430 \u0441\u0432\u0451\u0440\u0442\u043e\u043a \u0434\u043b\u044f \u0440\u0430\u0437\u043d\u044b\u0445 \u0446\u0432\u0435\u0442\u043e\u0432, \u0442\u043e \u043d\u0430\u043c \u0431\u044b \u043f\u0440\u0438\u0433\u043e\u0434\u0438\u043b\u0430\u0441\u044c \u044d\u0442\u0430 \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u044c, \u043d\u043e \u0443 \u043d\u0430\u0441 \u0432\u0441\u0451 \u043e\u0434\u0438\u043d\u0430\u043a\u043e\u0432\u043e.<\/p>\n<p>\u042f \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044e \u043f\u043e\u043a\u0430\u043d\u0430\u043b\u044c\u043d\u044b\u0435 \u0441\u0432\u0451\u0440\u0442\u043a\u0438 (\u0447\u0442\u043e\u0431\u044b \u043a\u0430\u043d\u0430\u043b \u0441 \u0446\u0432\u0435\u0442\u043e\u043c \u043f\u0440\u0438 \u0440\u0430\u0437\u043c\u044b\u0442\u0438\u0438 \u0432\u043b\u0438\u044f\u043b \u0442\u043e\u043b\u044c\u043a\u043e \u043d\u0430 \u0441\u0435\u0431\u044f \u0438 \u043f\u0440\u0435\u0432\u0440\u0430\u0449\u0430\u043b\u0441\u044f \u0432 \u043d\u043e\u0432\u044b\u0439 \u043a\u0430\u043d\u0430\u043b \u0441 \u0442\u0435\u043c \u0436\u0435 \u0446\u0432\u0435\u0442\u043e\u043c). \u0422\u0430\u043a\u0438\u0435 \u0441\u0432\u0451\u0440\u0442\u043a\u0438 \u0441\u0447\u0438\u0442\u0430\u044e\u0442\u0441\u044f \u0431\u044b\u0441\u0442\u0440\u0435\u0435 \u043e\u0431\u044b\u0447\u043d\u044b\u0445. \u0410 \u0435\u0449\u0451 \u0432\u043d\u0443\u0442\u0440\u0438 \u043d\u0435\u0442 \u043d\u0438\u043a\u0430\u043a\u043e\u0433\u043e \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u0438\u044f \u0424\u0443\u0440\u044c\u0435, \u0438 \u0441\u043b\u043e\u0436\u043d\u043e\u0441\u0442\u044c \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u044f \u0441\u0432\u0451\u0440\u0442\u043a\u0438 \u0437\u0430\u0432\u0438\u0441\u0438\u0442 \u043b\u0438\u043d\u0435\u0439\u043d\u043e \u043e\u0442 \u0440\u0430\u0437\u043c\u0435\u0440\u0430 \u044f\u0434\u0440\u0430. \u041f\u043e \u044d\u0442\u043e\u0439 \u0436\u0435 \u043f\u0440\u0438\u0447\u0438\u043d\u0435 \u0441\u0432\u0451\u0440\u0442\u043a\u0430 \u0441 \u043a\u0432\u0430\u0434\u0440\u0430\u0442\u043d\u044b\u043c \u044f\u0434\u0440\u043e\u043c \u0440\u0430\u0437\u043c\u0435\u0440\u0430 15&#215;15 \u0431\u0443\u0434\u0435\u0442 \u0441\u0447\u0438\u0442\u0430\u0442\u044c\u0441\u044f \u0432 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0440\u0430\u0437 \u0434\u043e\u043b\u044c\u0448\u0435, \u0447\u0435\u043c \u0434\u0432\u0435 \u0441\u0432\u0451\u0440\u0442\u043a\u0438 \u0441 \u044f\u0434\u0440\u0430\u043c\u0438 1\u044515 \u0438 15\u04451. <\/p>\n<pre><code class=\"python\">class MyModel:     ...      def run(self, img_precise: np.ndarray, img_blurred: np.ndarray, m_precise = 1, m_blurred = 1) -> Report:         with tf.GradientTape() as tape:             # next code will be here<\/code><\/pre>\n<p>\u0414\u043b\u044f \u0448\u0430\u0433\u0430 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0432\u043e\u0437\u044c\u043c\u0451\u043c \u0434\u0432\u0435 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438 \u0438 \u043a\u043e\u044d\u0444\u0444\u0438\u0446\u0438\u0435\u043d\u0442\u044b \u0434\u043b\u044f \u0432\u0430\u0436\u043d\u043e\u0441\u0442\u0438 \u043e\u0448\u0438\u0431\u043e\u043a \u0443 \u043a\u0430\u0436\u0434\u043e\u0439.<\/p>\n<p>\u041e\u0431\u0443\u0447\u0430\u0435\u043c\u044b\u0435 \u043f\u0435\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0435 \u043c\u043e\u0433\u0443\u0442 \u0431\u044b\u0442\u044c \u043b\u044e\u0431\u044b\u043c\u0438, \u0445\u043e\u0442\u044c -1, \u0445\u043e\u0442\u044c 9000. \u041d\u043e \u0432 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435 \u0446\u0432\u0435\u0442\u043e\u0432 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438 \u0445\u043e\u0447\u0435\u0442\u0441\u044f \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f \u0432 \u0438\u043d\u0442\u0435\u0440\u0432\u0430\u043b\u0435 \u043e\u0442 0 \u0434\u043e 1. \u0414\u043b\u044f \u044d\u0442\u043e\u0433\u043e \u043f\u0440\u0438\u043c\u0435\u043d\u0438\u043c <a href=\"https:\/\/ru.wikipedia.org\/wiki\/%D0%A1%D0%B8%D0%B3%D0%BC%D0%BE%D0%B8%D0%B4%D0%B0\" rel=\"noopener noreferrer nofollow\">\u0441\u0438\u0433\u043c\u043e\u0438\u0434\u0443<\/a>: \u043e\u043a\u043e\u043b\u043e \u043d\u0443\u043b\u044f \u043e\u043d\u0430 \u0431\u043e\u043b\u0435\u0435-\u043c\u0435\u043d\u0435\u0435 \u043b\u0438\u043d\u0435\u0439\u043d\u043e \u0440\u0430\u0441\u0442\u0451\u0442, \u043d\u043e \u043d\u0430 \u0431\u043e\u043b\u044c\u0448\u0438\u0445 \u0432\u0445\u043e\u0434\u043d\u044b\u0445 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f\u0445 \u0440\u043e\u0441\u0442 \u0437\u0430\u043c\u0435\u0434\u043b\u044f\u0435\u0442\u0441\u044f \u0438 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u043d\u0438\u043a\u043e\u0433\u0434\u0430 \u043d\u0435 \u043f\u0440\u0435\u0432\u044b\u0441\u0438\u0442 \u0435\u0434\u0438\u043d\u0438\u0446\u0443.<\/p>\n<pre><code class=\"python\">trainable_image01 = tf.math.sigmoid(self.trainable_image)<\/code><\/pre>\n<p>\u0414\u043b\u044f \u043f\u0435\u0440\u0432\u043e\u0439 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438 (\u043a\u043e\u0442\u043e\u0440\u0430\u044f \u0434\u043e\u043b\u0436\u043d\u0430 \u0431\u044b\u0442\u044c \u0440\u0435\u0437\u043a\u043e\u0439) \u0440\u0430\u0437\u043d\u0438\u0446\u0430 &#8212; \u043f\u0440\u043e\u0441\u0442\u043e \u0441\u0443\u043c\u043c\u0430 \u043a\u0432\u0430\u0434\u0440\u0430\u0442\u043e\u0432 \u0440\u0430\u0437\u043d\u043e\u0441\u0442\u0435\u0439 \u044f\u0440\u043a\u043e\u0441\u0442\u0438 \u0434\u043b\u044f \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u043a\u0430\u043d\u0430\u043b\u0430 \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u043f\u0438\u043a\u0441\u0435\u043b\u044f. \u041f\u043e-\u0438\u0434\u0435\u0435, \u043a\u0430\u0436\u0434\u044b\u0439 \u043f\u0438\u043a\u0441\u0435\u043b\u044c \u0443\u0447\u0438\u0442\u0441\u044f \u043d\u0435\u0437\u0430\u0432\u0438\u0441\u0438\u043c\u043e, \u0438 \u0448\u0430\u0433 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0432 0.1 \u0431\u0443\u0434\u0435\u0442 \u0432\u043f\u043e\u043b\u043d\u0435 \u043d\u043e\u0440\u043c\u0430\u043b\u044c\u043d\u044b\u043c.<\/p>\n<p>\u0412\u043c\u0435\u0441\u0442\u043e \u0441\u0443\u043c\u043c\u044b \u043c\u043e\u0436\u043d\u043e \u0431\u044b\u043b\u043e \u0431\u044b \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c reduce_mean(), \u043d\u043e \u0442\u043e\u0433\u0434\u0430 \u0433\u0440\u0430\u0434\u0438\u0435\u043d\u0442\u044b \u0431\u044b\u043b\u0438 \u0431\u044b \u043c\u0435\u043d\u044c\u0448\u0435 \u043d\u0430 \u043f\u043b\u043e\u0449\u0430\u0434\u044c \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438 (512&#215;512) \u0438 \u043f\u0440\u0438\u0448\u043b\u043e\u0441\u044c \u0431\u044b \u0433\u0440\u0430\u0434\u0438\u0435\u043d\u0442\u044b \u0443\u043c\u043d\u043e\u0436\u0430\u0442\u044c \u043d\u0430 \u0447\u0442\u043e-\u0442\u043e \u0442\u0438\u043f\u0430 10^5. <\/p>\n<pre><code class=\"python\">loss_precise = tf.reduce_sum(tf.square(trainable_image01 - img_precise[np.newaxis, :, :, :]))<\/code><\/pre>\n<p>\u0414\u043b\u044f \u0432\u0442\u043e\u0440\u043e\u0439 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438 \u0441\u0434\u0435\u043b\u0430\u0435\u043c \u0440\u0430\u0437\u043c\u044b\u0442\u0438\u0435 (\u0441\u0432\u0451\u0440\u0442\u043a\u0443), \u0430 \u043f\u043e\u0442\u043e\u043c \u0442\u043e\u0447\u043d\u043e \u0442\u0430\u043a \u0436\u0435 \u043f\u043e\u043f\u0438\u043a\u0441\u0435\u043b\u044c\u043d\u043e \u0441\u0440\u0430\u0432\u043d\u0438\u043c. \u0418 \u043d\u0435 \u0437\u0430\u0431\u0443\u0434\u0435\u043c \u043f\u0440\u043e \u0433\u0430\u043c\u043c\u0430-\u043a\u043e\u0440\u0440\u0435\u043a\u0446\u0438\u044e \u0434\u043e \u0441\u0432\u0451\u0440\u0442\u043a\u0438 \u0438 \u043e\u0431\u0440\u0430\u0442\u043d\u0443\u044e \u043f\u043e\u0441\u043b\u0435:<\/p>\n<pre><code class=\"python\">blurred = self.gauss_blur(trainable_image01 ** 2.2) ** (1.0 \/ 2.2) blurred_label = self.gauss_blur(img_blurred[np.newaxis, :, :, :] ** 2.2) ** (1.0 \/ 2.2) loss_gauss = tf.reduce_sum(tf.square(blurred - blurred_label))<\/code><\/pre>\n<p>\u0414\u043e\u043c\u043d\u043e\u0436\u0438\u043c \u043e\u0448\u0438\u0431\u043a\u0438 \u043d\u0430 \u043a\u043e\u044d\u0444\u0444\u0438\u0446\u0438\u0435\u043d\u0442\u044b \u0438 \u0441\u043b\u043e\u0436\u0438\u043c. \u0412 \u0437\u0430\u0432\u0438\u0441\u0438\u043c\u043e\u0441\u0442\u0438 \u043e\u0442 \u0441\u043e\u043e\u0442\u043d\u043e\u0448\u0435\u043d\u0438\u044f \u043a\u043e\u044d\u0444\u0444\u0438\u0446\u0438\u0435\u043d\u0442\u043e\u0432 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u0431\u0443\u0434\u0435\u0442 \u0431\u043e\u043b\u044c\u0448\u0435 \u0441\u0442\u0440\u0435\u043c\u0438\u0442\u044c\u0441\u044f \u043a \u043e\u0434\u043d\u043e\u0439 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0435 \u0438\u043b\u0438 \u0434\u0440\u0443\u0433\u043e\u0439.<\/p>\n<pre><code class=\"python\">loss = loss_precise * m_precise + loss_gauss * m_blurred<\/code><\/pre>\n<p>\u0412\u0436\u0443\u0445 \u0438 \u043f\u043e\u043b\u0443\u0447\u0438\u043c \u0433\u0440\u0430\u0434\u0438\u0435\u043d\u0442\u044b:<\/p>\n<pre><code class=\"python\">gradient = tape.gradient(loss, self.trainable_image)<\/code><\/pre>\n<p>\u0414\u043b\u044f \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0435\u0441\u0442\u044c \u0440\u0430\u0437\u043d\u044b\u0435 \u043e\u043f\u0442\u0438\u043c\u0438\u0437\u0430\u0442\u043e\u0440\u044b, \u043d\u043e \u044f \u043f\u0440\u044f\u043c\u043e \u0440\u0443\u043a\u0430\u043c\u0438 \u0441\u0434\u0435\u043b\u0430\u043b \u043f\u0440\u043e\u0441\u0442\u043e\u0439 \u0433\u0440\u0430\u0434\u0438\u0435\u043d\u0442\u043d\u044b\u0439 \u0441\u043f\u0443\u0441\u043a:<\/p>\n<pre><code class=\"python\">def apply_gradient(self, grad: np.ndarray, lr: float):     self.trainable_image.assign(self.trainable_image.numpy() - lr * grad)<\/code><\/pre>\n<p>\u0412\u044b\u0437\u043e\u0432\u0435\u043c \u0444\u0443\u043d\u043a\u0446\u0438\u044e \u043c\u043d\u043e\u0433\u043e-\u043c\u043d\u043e\u0433\u043e \u0440\u0430\u0437. \u041a\u043e\u0434 \u0432 \u0441\u0442\u0430\u0442\u044c\u0435 \u0434\u043b\u044f \u0438\u043b\u043b\u044e\u0441\u0442\u0440\u0430\u0446\u0438\u0438, \u0437\u0430\u043f\u0443\u0441\u043a\u0430\u0431\u0435\u043b\u044c\u043d\u044b\u0439 \u0432\u0430\u0440\u0438\u0430\u043d\u0442 \u043c\u043e\u0436\u043d\u043e \u043d\u0430\u0439\u0442\u0438 \u043d\u0430 \u0433\u0438\u0442\u0445\u0430\u0431\u0435.<\/p>\n<pre><code class=\"python\">class MyModel:     ...     def train(self, steps_count: int, print_loss_steps: int, lr: float, **run_kwargs) -> Report:           for i in range(steps_count):               r = self.run(**run_kwargs)               model.apply_gradient(r.gradient, lr)               if i % print_loss_steps == print_loss_steps - 1:                   print(f\"{i}: loss = {r.loss}, precise = {r.loss_precise}, gauss = {r.loss_gauss}\")           return r<\/code><\/pre>\n<p>\u0422\u0435\u043f\u0435\u0440\u044c \u0432\u0441\u0451 \u0433\u043e\u0442\u043e\u0432\u043e \u0434\u043b\u044f \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u043c\u043e\u0434\u0435\u043b\u0438:<\/p>\n<pre><code class=\"python\">model = MyModel(512, 512, gauss_kernel_size=15, gauss_sigma=3) r = model.train(steps_count=200, print_loss_steps=50, lr=0.3, img_precise=imgs[0], img_blurred=imgs[1], m_precise=0.1, m_blurred=1.0)   Image.fromarray(np.uint8(r.image * 255.0))<\/code><\/pre>\n<p>\u042f \u043f\u043e\u043f\u0440\u043e\u0431\u043e\u0432\u0430\u043b \u0440\u0430\u0437\u043d\u044b\u0435 \u043a\u043e\u044d\u0444\u0444\u0438\u0446\u0438\u0435\u043d\u0442\u044b (0.1, 0.3, 1.0).<\/p>\n<details class=\"spoiler\">\n<summary>\u041a\u0430\u0440\u0442\u0438\u043d\u043a\u0438 \u0442\u0443\u0442<\/summary>\n<div class=\"spoiler__content\">\n<figure class=\"\"><figcaption><\/figcaption><\/figure>\n<figure class=\"\"><figcaption><\/figcaption><\/figure>\n<figure class=\"\"><figcaption><\/figcaption><\/figure>\n<\/div>\n<\/details>\n<h2>\u0410 \u0437\u0430\u0447\u0435\u043c \u0432\u0441\u0451 \u044d\u0442\u043e?<\/h2>\n<p>\u041f\u0440\u043e\u0441\u0442\u043e \u043f\u043e\u0442\u043e\u043c\u0443 \u0447\u0442\u043e \u043c\u043e\u0433\u0443. \u041c\u043d\u0435 \u043d\u0440\u0430\u0432\u0438\u0442\u0441\u044f \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u044c \u0437\u0430\u0434\u0430\u0442\u044c \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u043b\u044c\u043d\u0443\u044e \u0444\u0443\u043d\u043a\u0446\u0438\u044e \u043e\u0448\u0438\u0431\u043a\u0438 \u0438 \u043e\u0431\u0443\u0447\u0438\u0442\u044c \u043c\u043e\u0434\u0435\u043b\u044c, \u043d\u0435 \u0437\u0430\u0434\u0443\u043c\u044b\u0432\u0430\u044f\u0441\u044c \u043d\u0430\u0434 \u0442\u0435\u043c, \u043a\u0430\u043a \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u0430\u043d\u0430\u043b\u0438\u0442\u0438\u0447\u0435\u0441\u043a\u0438.<\/p>\n<p>\u0415\u0441\u043b\u0438 \u0412\u0430\u043c \u043a\u0430\u0436\u0435\u0442\u0441\u044f, \u0447\u0442\u043e \u044f \u0437\u0430\u0431\u0438\u0432\u0430\u044e \u0433\u0432\u043e\u0437\u0434\u0438 \u043c\u0438\u043a\u0440\u043e\u0441\u043a\u043e\u043f\u043e\u043c \u0438 tensorflow \u0441\u043e\u0432\u0441\u0435\u043c \u043d\u0435 \u0434\u043b\u044f \u044d\u0442\u043e\u0433\u043e, \u0442\u043e \u044d\u0442\u043e \u043d\u0435 \u0442\u0430\u043a. \u0411\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430 \u0434\u0430\u0451\u0442 \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u044c \u043b\u0435\u0433\u043a\u043e \u0441\u0447\u0438\u0442\u0430\u0442\u044c \u0433\u0440\u0430\u0434\u0438\u0435\u043d\u0442\u044b, \u044f \u0435\u0439 \u043f\u043e\u043b\u044c\u0437\u0443\u044e\u0441\u044c \u043a\u0430\u043a \u0445\u043e\u0447\u0443. \u041c\u0430\u0448\u0438\u043d\u043d\u043e\u0435 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u043d\u0435 \u043e\u0431\u044f\u0437\u0430\u043d\u043e \u043f\u0440\u043e\u0438\u0441\u0445\u043e\u0434\u0438\u0442\u044c \u043d\u0430 \u043a\u043b\u0430\u0441\u0442\u0435\u0440\u0430\u0445 \u0441 \u0442\u043e\u043f\u043e\u0432\u044b\u043c\u0438 GPU \u043d\u0430 \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0430\u0445 \u0442\u0435\u0440\u0430\u0431\u0430\u0439\u0442\u043d\u044b\u0445 \u0440\u0430\u0437\u043c\u0435\u0440\u043e\u0432. <\/p>\n<p>\u041f\u0440\u0438 \u043f\u043e\u043c\u043e\u0449\u0438 \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u0438\u044f \u0424\u0443\u0440\u044c\u0435 \u0438 \u0432\u044b\u0440\u0435\u0437\u0430\u043d\u0438\u044f \u0432\u044b\u0441\u043e\u043a\u0438\u0445 \u0447\u0430\u0441\u0442\u043e\u0442 \u0441 \u043e\u0434\u043d\u043e\u0439 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438 \u0438 \u043d\u0438\u0437\u043a\u0438\u0445 \u0441 \u0434\u0440\u0443\u0433\u043e\u0439 \u043c\u043e\u0436\u043d\u043e \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u043f\u043e\u0445\u043e\u0436\u0438\u0439 \u044d\u0444\u0444\u0435\u043a\u0442. \u041d\u043e \u0441 \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u043c \u043e\u0433\u043e\u0432\u043e\u0440\u043a\u0430\u043c\u0438: \u0442\u043e\u0436\u0435 \u043c\u043e\u0433\u0443\u0442 \u043f\u043e\u043b\u0443\u0447\u0430\u0442\u044c\u0441\u044f \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f \u044f\u0440\u043a\u043e\u0441\u0442\u0438 \u043c\u0435\u043d\u044c\u0448\u0435 0 \u0438 \u0431\u043e\u043b\u044c\u0448\u0435 1. \u0418 \u044f \u043d\u0435 \u0437\u043d\u0430\u044e, \u043a\u0430\u043a \u0441\u043e\u0447\u0435\u0442\u0430\u0442\u044c \u043b\u043e\u0433\u0430\u0440\u0438\u0444\u043c\u0438\u0447\u0435\u0441\u043a\u043e\u0435 \u0432\u043e\u0441\u043f\u0440\u0438\u044f\u0442\u0438\u0435 \u044f\u0440\u043a\u043e\u0441\u0442\u0438 \u0447\u0435\u043b\u043e\u0432\u0435\u0447\u0435\u0441\u043a\u0438\u043c \u0433\u043b\u0430\u0437\u043e\u043c \u0438 \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e\u0441\u0442\u044c \u0434\u0435\u043b\u0430\u0442\u044c \u0440\u0430\u0437\u043c\u044b\u0442\u0438\u0435 \u043f\u043e \u0413\u0430\u0443\u0441\u0441\u0443 \u0432 \u043b\u0438\u043d\u0435\u0439\u043d\u043e\u043c \u0446\u0432\u0435\u0442\u043e\u0432\u043e\u043c \u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0441\u0442\u0432\u0435. \u042f \u043f\u043e\u043f\u0440\u043e\u0431\u043e\u0432\u0430\u043b, \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u043c\u043d\u0435 \u043d\u0435 \u043f\u043e\u043d\u0440\u0430\u0432\u0438\u043b\u0441\u044f. \u041f\u0440\u0443\u0444\u043e\u0432 \u043d\u0435 \u0431\u0443\u0434\u0435\u0442. <\/p>\n<p>\u0412\u0430\u0440\u0438\u0430\u043d\u0442 \u0441 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435\u043c \u043d\u0430 \u043f\u043e\u0440\u044f\u0434\u043a\u0438 \u043c\u0435\u0434\u043b\u0435\u043d\u043d\u0435\u0435 \u0424\u0443\u0440\u044c\u0435 \u0438 \u043d\u0430 \u043c\u043e\u0451\u043c<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\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-398897","post","type-post","status-publish","format-standard","hentry"],"_links":{"self":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/398897","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=398897"}],"version-history":[{"count":0,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/398897\/revisions"}],"wp:attachment":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=398897"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=398897"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=398897"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}