В OpenAI нейросети научились играть в прятки
OpenAI провела исследование о возможностях глубокого обучения искусственного интеллекта. Нейросети не только научились играть в прятки по заданному разработчиками сценарию, но и самосовершенствовались в ходе игры, осваивая все новые и новые методы поиска и умения скрываться.
OpenAI опубликовала данные исследования о возможностях глубокого обучения искусственного интеллекта. Играя в простую игру прятки, нейросети постепенно осваивали все новые и новые действия, которые помогали им развивать их умение скрываться от противника и более быстро и эффективно искать.
Изначально существовало две команды противников (синие и красные человечки). Начиналось исследование с хаотичного бега двух команд, которые «прятались» и «находились» буквально случайным образом. С каждой новой игрой каждая команда набиралась опыта и начинала усложнять процесс игры.
Всего было проведено 481 млн игр, за время которых искусственный интеллект самостоятельно научился использовать дополнительные объекты на поле игры — например, закрывать «коробками» проемы помещения, где они прячутся; использовать эти же коробки для того, чтобы преодолеть высокое заграждение и заглянуть за него в поисках противника; или двигать рампу в нужное место, чтобы перепрыгнуть препятствие.
Источник: OpenAI
https://www.youtube.com/watch?v=kopoLzvh5jY
OpenAI провела исследование о возможностях глубокого обучения искусственного интеллекта. Нейросети не только научились играть в прятки по заданному разработчиками сценарию, но и самосовершенствовались в ходе игры, осваивая все новые и новые методы поиска и умения скрываться.
OpenAI опубликовала данные исследования о возможностях глубокого обучения искусственного интеллекта. Играя в простую игру прятки, нейросети постепенно осваивали все новые и новые действия, которые помогали им развивать их умение скрываться от противника и более быстро и эффективно искать.
Изначально существовало две команды противников (синие и красные человечки). Начиналось исследование с хаотичного бега двух команд, которые «прятались» и «находились» буквально случайным образом. С каждой новой игрой каждая команда набиралась опыта и начинала усложнять процесс игры.
Всего было проведено 481 млн игр, за время которых искусственный интеллект самостоятельно научился использовать дополнительные объекты на поле игры — например, закрывать «коробками» проемы помещения, где они прячутся; использовать эти же коробки для того, чтобы преодолеть высокое заграждение и заглянуть за него в поисках противника; или двигать рампу в нужное место, чтобы перепрыгнуть препятствие.
Источник: OpenAI
https://www.youtube.com/watch?v=kopoLzvh5jY
YouTube
Multi-Agent Hide and Seek
We’ve observed agents discovering progressively more complex tool use while playing a simple game of hide-and-seek. Through training in our new simulated hide-and-seek environment, agents build a series of six distinct strategies and counterstrategies, some…
Unity Gлагин рендеринга GAN. Генерация семантических карт из 3D-сцен в режиме реального времени, использование их в качестве входных данных для моделей синтеза семантических изображений, таких как SPADE, pix2pixHD и т. Д.
https://twitter.com/agermanidis/status/1156362857824563205?s=20
https://twitter.com/agermanidis/status/1156362857824563205?s=20
Twitter
Anastasis Germanidis
Working on a @unity3d <> @runwayml GAN rendering plugin. Generate semantic maps from 3D scenes in real-time, use them as input to semantic image synthesis models like SPADE, pix2pixHD, etc. https://t.co/Jw3ivwGwVk
18 советов по обучению ваших собственных моделей Tensorflow.js в браузере
https://itnext.io/18-tips-for-training-your-own-tensorflow-js-models-in-the-browser-3e40141c9091
https://itnext.io/18-tips-for-training-your-own-tensorflow-js-models-in-the-browser-3e40141c9091
Medium
18 Tips for Training your own Tensorflow.js Models in the Browser
Training efficient Image Classifiers and Object Detectors for the Web with Tensorflow.js
9 Books on Generative Adversarial Networks (GANs)
https://machinelearningmastery.com/books-on-generative-adversarial-networks-gans/
https://machinelearningmastery.com/books-on-generative-adversarial-networks-gans/
MachineLearningMastery.com
9 Books on Generative Adversarial Networks (GANs) - MachineLearningMastery.com
Generative Adversarial Networks, or GANs for short, were first described in the 2014 paper by Ian Goodfellow, et al. titled