چگونه تلویزیون خود را به رایانه (TVC) تبدیل کردم

بهترین تلویزیون هوشمند فقط یک رایانه بد است ، بنابراین من یک

برای بچه های همه گیر ما ، تلویزیون اولین کامپیوتر است. در اینجا آنها از آن برای کلاس استفاده می کنند.

ما یک تلویزیون داریم اما ما یک خانواده اینترنتی هزاره ساله هستیم. من هر راهی را برای ملاقات این دو تلاش کرده ام. ابتدا Chromecast گرفتیم ، اما برای دسترسی به آن به دستگاه دیگری نیاز دارید و کارهایی وجود دارد که نمی توانید انجام دهید. سپس ما یک Roku گرفتیم که دارای یک ریموت خوب است ، اما حتی بیشتر محدود کننده است. این…

آیا مغز یک کامپیوتر کوانتومی است؟

تصویر گرد آلتمن از Pixabay

بعد از عنوان خفیف کلیک کلی ، باید با صداقت شروع کنم: ما واقعاً نمی دانیم که مغز یک کامپیوتر کوانتومی است یا نه.

اما مانند بسیاری دیگر س questionالی که ما پاسخ آن را نمی دانیم ، فکر کردن در مورد آنها هنوز هم در نوع خود می تواند ارزشمند باشد. و من معتقدم استدلال های خوبی وجود دارد که نشان می دهد مغز یک کامپیوتر کوانتومی نیست ، بنابراین پاسخ بیشتر شبیه به آن است که ما نمی دانیم ، اما احتمالاً نه.

اثبات اینکه یک کامپیوتر کوانتومی می تواند از یک بازی کلاسیک بهتر عمل کند

یک کاغذ نشتی بازی را واگذار کرده است

عکس: فابیو بالاسینا

در مقاله ای که در سال 2012 منتشر شد جان پرسکیل ، فیزیکدان نظری ، س questionالی مطرح کرد: "آیا کنترل سیستم های کوانتومی در مقیاس بزرگ صرفاً واقعاً ، واقعاً سخت است ، یا به طرز مسخره ای سخت است؟ " هفت سال بعد پاسخ در این است: فقط واقعاً بسیار سخت است.

تطبیق دامنه عمیق در بینایی رایانه ای

در دهه گذشته ، زمینه بینایی کامپیوتر پیشرفت بزرگی داشته است. این پیشرفت بیشتر ناشی از اثربخشی غیرقابل انکار شبکه های عصبی کانولوشنال (CNN) است. در صورت آموزش با داده های آموزشی حاشیه نویسی با کیفیت بالا ، CNN ها می توانند پیش بینی های بسیار دقیقی داشته باشند. به عنوان مثال ، در یک طبقه بندی ، اغلب از یکی از معماری های استاندارد شبکه (ResNet ، VGG و غیره) استفاده می کنید و آن را با استفاده از مجموعه داده خود آموزش می دهید. این به احتمال زیاد منجر به عملکرد بسیار خوبی می شود.

از طرف دیگر ، اگر مجموعه داده های بزرگ حاشیه نویسی دستی برای مشکل خاص خود را در اختیار ندارید ، CNN ها همچنین امکان استفاده از دیگران را که قبلاً آموزش دیده اند ، می دهند. برای انتقال مشکل مشابه با انتقال یادگیری. در این صورت ، شما باید از شبکه ای استفاده کنید که از قبل روی یک مجموعه داده بزرگ آماده شده است و برخی از لایه های بالایی آن را با استفاده از مجموعه داده حاشیه ای کوچک خود تنظیم کنید.

هر دوی این رویکردها فرض می کنند که داده های آموزشی شما (چه بزرگ باشد) یا کوچک) نماینده توزیع اساسی است. با این حال ، اگر ورودی ها در زمان آزمایش به طور قابل توجهی با داده های آموزش متفاوت باشد ، ممکن است مدل چندان خوب عمل نکند. برای مثال ، فرض کنیم که شما یک مهندس خودروهای مستقل هستید و می خواهید تصاویر گرفته شده توسط دوربین خودرو را تقسیم بندی کنید تا بدانید چه چیزی در پیش است (ساختمانها ، درختان ، ماشینهای دیگر ، عابران پیاده ، چراغ راهنمایی و غیره). شما حاشیه نویسی های خوبی را برای مجموعه داده NYC خود ایجاد کرده اید و با استفاده از این یادداشت ها یک شبکه بزرگ را آموزش می دهید. شما اتومبیل خودران خود را در خیابان های منهتن آزمایش می کنید و به نظر می رسد همه چیز خوب کار می کند. سپس همان سیستم را در پاریس آزمایش می کنید و ناگهان همه چیز بسیار اشتباه پیش می رود. ماشین دیگر قادر به تشخیص چراغ راهنما نیست ، ظاهر خودروها بسیار متفاوت است (کابین زرد در پاریس وجود ندارد) و خیابان ها دیگر به این شکل صاف نیستند.

دلیل عملکرد خوب مدل شما در این سناریوها این است که حوزه مشکل تغییر کرده است. در این مورد خاص ، دامنه داده های ورودی تغییر می کند در حالی که دامنه وظیفه (برچسب ها) ثابت می ماند. در موارد دیگر ، ممکن است بخواهید از داده های یک دامنه (برای همان توزیع اصلی تهیه شده) برای انجام یک کار جدید استفاده کنید. به طور مشابه ، حوزه های ورودی و وظیفه می توانند به طور همزمان متفاوت باشند. در این موارد ، سازگاری دامنه به نجات شما می آید. انطباق دامنه یک زیر شاخه از یادگیری ماشین است که با سناریوهایی سروکار دارد که در آن از یک مدل آموزش داده شده در توزیع منبع در زمینه توزیع هدف متفاوت (اما مرتبط) استفاده می شود. به طور کلی ، تطبیق دامنه از داده های برچسب زده شده در یک یا چند دامنه منبع برای حل کارهای جدید در یک دامنه هدف استفاده می کند. سطح ارتباط بین حوزه منبع و هدف معمولاً تعیین می کند که سازگاری چقدر موفق خواهد بود.

روشهای متعددی برای سازگاری دامنه وجود دارد. در سازگاری دامنه "کم عمق" (نه عمیق) ، معمولاً از دو روش استفاده می شود: توزین مجدد نمونه های منبع و آموزش بر روی نمونه های وزن شده و تلاش برای یادگیری یک فضای مشترک برای مطابقت با توزیع منبعو مجموعه داده های هدف در حالی که این تکنیک ها ممکن است در زمینه یادگیری عمیق نیز کاربرد داشته باشند ، ویژگیهای عمیق آموخته شده توسط شبکه های عصبی عمیق (DNNs) معمولاً باعث ایجاد نمایش های قابل انتقال بیشتر می شود (به طور کلی یادگیری ویژگی های بسیار قابل انتقال در لایه های پایین تر در حالی که قابلیت انتقال در لایه های بالاتر به شدت کاهش می یابد. ، به عنوان مثال به این مقاله توسط Donahue و همکاران مراجعه کنید). در Deep Domain Adaptation ، ما سعی می کنیم از این ویژگی DNN ها استفاده کنیم.

دسته بندی های اقتباس دامنه

خلاصه زیر بیشتر بر اساس این مقاله مروری توسط Wang و همکاران و این بررسی توسط ویلسون و همکاران در آن کار ، نویسندگان بسته به پیچیدگی کار ، میزان داده های برچسب دار/بدون برچسب و تفاوت در فضای ویژگی ورودی ، بین انواع مختلف تطبیق دامنه تمایز قائل می شوند. آنها به طور خاص تطبیق دامنه را مشکلی تعریف می کنند که در آن فضای کار یکسان است و تفاوت تنها در واگرایی حوزه ورودی است. بر اساس این تعریف ، سازگاری دامنه می تواند همگن باشد (فضاهای ویژگی ورودی یکسان هستند ، اما توزیع داده های متفاوتی دارند) یا ناهمگن (ممکن است فضاهای ویژگی و ابعاد آنها متفاوت باشد).

تطبیق دامنه نیز ممکن است در یک مرحله (سازگاری دامنه یک مرحله ای) یا طی چندین مرحله ، طی یک یا چند دامنه در فرآیند (سازگاری دامنه چند مرحله ای) رخ می دهد. در این پست ، ما فقط در مورد سازگاری دامنه یک مرحله ای بحث می کنیم ، زیرا این رایج ترین نوع سازگاری دامنه است.

بسته به داده هایی که از دامنه مورد نظر در دسترس دارید ، می توان تطبیق دامنه را بیشتر طبقه بندی کرد تحت نظارت (شما داده هایی از حوزه مورد نظر برچسب گذاری کرده اید ، هرچند که مقدار آن برای آموزش یک مدل بسیار کم است) ، نیمه نظارت (شما داده های برچسب دار و بدون برچسب دارید) و بدون نظارت (هیچ گونه اطلاعات برچسب گذاری ندارید) از حوزه مورد نظر). به نظر می رسد که پاسخ به این س isال آسان نیست و ارتباط با وظایف هنوز یک موضوع تحقیق فعال است. اگر از دو ویژگی برای تصمیم گیری استفاده کنند ، می توانیم دو کار را شبیه هم تعریف کنیم. احتمال دیگر این است که اگر دو بردار پارامتر آنها (یعنی مرزهای طبقه بندی) نزدیک باشند ، دو وظیفه را شبیه هم تعریف کنیم (به مقاله Xue و همکاران مراجعه کنید). از سوی دیگر ، بن دیوید و همکاران. اگر داده های هر دو وظیفه را می توان از یک توزیع احتمال ثابت با استفاده از مجموعه ای از تحولات ایجاد کرد ، دو وظیفه با F مرتبط هستند: با مجموعه داده های خود سازگار باشید تا ببینید آیا می توانید با استفاده از یک مدل از وظیفه منبع ، برای کار مورد نظر خود فایده ای کسب کنید. اغلب ، ارتباط با وظیفه را می توان با استدلال ساده ، مانند تصاویر از زاویه دید متفاوت یا شرایط مختلف نور ، یا در زمینه پزشکی ، تصاویر از دستگاه های مختلف و غیره تعیین کرد.

تکنیک ها و برنامه های کاربردی برای یک نفر -استفاده از دامنه گام

سه تکنیک اساسی برای انطباق دامنه یک مرحله ای وجود دارد: مدل ها (GANs) یا با استفاده از از دست دادن اختلال در دامنه ، و مبتنی بر بازسازیتطبیق دامنه با استفاده از رمزگذارهای خودکار (SAEs) یا GAN ها.

اقتباس دامنه مبتنی بر واگرایی

تطبیق دامنه مبتنی بر واگرایی با به حداقل رساندن برخی معیارهای واگرایی بین توزیع داده منبع و هدف ، کار می کند. دستیابی به نمایشی از ویژگی های تغییر ناپذیر دامنه. اگر چنین نمایشی از ویژگی ها را بیابیم ، طبقه بندی کننده می تواند در هر دو دامنه به همان اندازه خوب عمل کند. البته این فرض بر این است که چنین نمایشی وجود دارد که به نوبه خود فرض می کند که وظایف به نحوی مرتبط هستند. مغایرت دامنه متضاد (CCD) و معیار Wasserstein.

MMD یک آزمون فرضیه است که با مقایسه میانگین ویژگیها پس از نگاشت آنها به یک هسته بازسازی کننده هیلبرت فضایی ، آزمایش می کند که آیا دو نمونه از توزیع یکسان هستند یا خیر. RKHS). اگر وسایل متفاوت باشند ، توزیع نیز احتمالاً متفاوت است. این امر اغلب با استفاده از ترفند جاسازی هسته و مقایسه نمونه ها با استفاده از هسته گاوس انجام می شود. در اینجا شهود این است که اگر دو توزیع یکسان باشند ، میانگین (میانگین) شباهت بین نمونه ها از هر توزیع باید برابر با میانگین شباهت بین نمونه های مخلوط از هر دو توزیع باشد. مثالی برای استفاده از MMD در تطبیق دامنه ، این مقاله توسط روزانتسف و همکاران است. در این مقاله ، از معماری دو جریان با وزنهایی که مشترک نیستند اما با استفاده از ترکیبی از طبقه بندی ، منظم سازی و از دست دادن مغایرت دامنه (MMD) مانند شکل زیر استفاده می شود ، استفاده می شود.

< img src = "https://cdn-images-1.medium.com/max/426/1*lJR3iiBGWcxOguHWUUiA7w.png"> معماری دو جریان توسط روزانتسف و همکاران

بدین ترتیب ، تنظیمات ممکن است تحت نظارت ، نیمه نظارت یا حتی بدون نظارت (بدون طبقه بندی در حوزه مورد نظر).

CORAL (پیوند) مشابه MMD است ، با این حال سعی می کند آمار مرتبه دوم (همبستگی) از توزیع های منبع و هدف به جای استفاده از تبدیل خطی. این مقاله توسط سان و همکاران از CORAL در زمینه یادگیری عمیق با ایجاد یک ضرر CORAL متمایز با استفاده از هنجار Frobenius بین ماتریس های کوواریانس منبع و هدف استفاده می کند.

CCD نیز بر اساس MMD است ، اما همچنین از توزیع برچسب با نگاه به شرطی استفاده می کند. توزیع ها این امر باعث می شود که ویژگی های دامنه مشترک همچنان پیش بینی را در برچسب ها حفظ کنند. به حداقل رساندن CCD اختلاف بین طبقه ای را به حداقل می رساند در حالی که اختلاف بین طبقه ای را به حداکثر می رساند. این کار به برچسب های دامنه منبع و هدف نیاز دارد. برای رهایی از این محدودیت ، کانگ و همکاران. پیشنهاد می کند که برچسب های هدف از دست رفته را با استفاده از خوشه بندی در یک روش تکراری تخمین بزنید که به طور مشترک برچسب های هدف و نمایش ویژگی ها را بهینه می کند. بر این اساس ، برچسب های هدف با خوشه بندی یافت می شوند ، که بر اساس آن CCD برای تطبیق ویژگی ها به حداقل می رسد. فاصله Wasserstein این در DeepJDOT (Damodaran و همکاران) پیشنهاد شده است. نویسندگان پیشنهاد می کنند تا اختلافات بین نمای اصلی ویژگی های مشترک و برچسب ها را از طریق انتقال بهینه به حداقل برسانید.

اقتباس دامنه مبتنی بر خصومت

این تکنیک سعی می کند با استفاده از آموزش های متقابل به سازگاری دامنه برسد. < /p>

یک رویکرد ایجاد داده های هدف مصنوعی است که به نوعی با دامنه منبع (به عنوان مثال با حفظ برچسب ها) با استفاده از Generative مرتبط است.شبکه های متخاصم (GAN). سپس از این داده های ترکیبی برای آموزش مدل هدف استفاده می شود.

مدل CoGAN سعی می کند با استفاده از دو جفت مولد/تشخیص دهنده برای توزیع منبع و هدف به این مهم دست یابد. برخی از وزنه های ژنراتورها و تشخیص دهنده برای یادگیری یک فضای ویژگی متغیر دامنه تقسیم می شوند. به این ترتیب ، داده های برچسب زده می توانند تولید شوند که می توانند بیشتر در کارهایی مانند طبقه بندی استفاده شوند.

معماری CoGAN توسط لیو و همکاران

در نصب دیگری ، یو و همکاران. سعی کنید یک شبکه مبدل منبع/هدف را با استفاده از دو تشخیص دهنده یاد بگیرید: یکی برای اطمینان از واقعی بودن داده های هدف ، و دیگری برای حفظ ارتباط بین حوزه منبع و هدف. بدین ترتیب ژنراتور به داده های منبع مشروط می شود. این رویکرد فقط به داده های بدون برچسب در حوزه مورد نظر نیاز دارد.

اگر علاوه بر ضرر طبقه بندی مورد استفاده ، از به اصطلاح از دست دادن اختلال در دامنه استفاده کنیم ، می توانیم ژنراتورها را به کلی از بین ببریم و به طور یکجا اقتباس دامنه را انجام دهیم. برای وظیفه فعلی از دست دادن سردرگمی دامنه مشابه تبعیض در GAN ها است زیرا سعی می کند توزیع های منبع و دامنه های هدف را مطابقت دهد تا لایه های طبقه بندی سطح بالا را "اشتباه" بگیرد. شاید مشهورترین نمونه چنین شبکه ای ، شبکه عصبی دامنه ای (DANN) توسط Ganin و همکاران باشد. این شبکه شامل دو ضرر است ، از دست دادن طبقه بندی و از دست دادن سردرگمی دامنه. این شامل یک لایه معکوس گرادیان است تا با توزیع ویژگی ها مطابقت داشته باشد. با به حداقل رساندن از دست دادن طبقه بندی برای نمونه های منبع و از دست دادن سردرگمی دامنه برای همه نمونه ها (در حالی که از دست دادن اختلال در دامنه برای استخراج ویژگی) ، این امر باعث می شود که نمونه ها برای طبقه بندی کننده متقابلاً غیرقابل تشخیص باشند.

معماری شبکه عصبی دامنه ای-خصمانه توسط گانین و همکاران.

بازسازی دامنه مبتنی بر بازسازی

این رویکرد از یک کار بازسازی کمکی برای ایجاد یک نمای مشترک برای هر یک از حوزه ها استفاده می کند. به عنوان مثال ، شبکه طبقه بندی بازسازی عمیق (DRCN) سعی می کند این دو وظیفه را به طور همزمان حل کند: (1) طبقه بندی داده های منبع و (2) بازسازی داده های هدف بدون برچسب. این اطمینان می دهد که شبکه یاد می گیرد نه تنها به درستی تبعیض قائل شود ، بلکه اطلاعات مربوط به داده های مورد نظر را نیز حفظ می کند. در مقاله نویسندگان همچنین اشاره می کنند که خط لوله بازسازی یاد می گیرد که تصاویر منبع را به تصاویری شبیه مجموعه داده مورد نظر تبدیل کند ، و این نشان می دهد که نمایش مشترکی برای هر دو یاد گرفته شده است.

معماری DRCN توسط Ghifary et al.

امکان دیگر استفاده از GAN های چرخه ای است. Cycle GAN ها از مفهوم یادگیری دوگانه در ترجمه ماشین الهام گرفته اند. این مفهوم به طور همزمان دو مترجم زبان مخالف (A-B، B-A) آموزش می دهد. سیگنالهای بازخورد در حلقه شامل مدلهای زبان مربوطه و نمرات متقابل BLEU است. همین کار را می توان با استفاده از چارچوب im2im انجام داد. در این مقاله ، نگاشت از یک حوزه تصویر به حوزه دیگر بدون استفاده از نمونه های تصویر جفت شده آموخته می شود. این امر با آموزش همزمان دو GAN که به ترتیب تصاویر را در دو حوزه ایجاد می کنند ، انجام می شود. برای اطمینان از سازگاری ، از دست دادن قوام چرخه معرفی می شود. این مطمئن می شودکه تبدیل از یک دامنه به حوزه دیگر و دوباره منجر به یک تصویر تقریباً مشابه ورودی می شود. بنابراین ، از دست دادن کامل دو شبکه جفت شده مجموع تلفات GAN هر دو تشخیص دهنده و از دست دادن ثبات چرخه است. روی تصویر از یک دامنه دیگر در مقاله ایزولا و همکاران ، GAN های شرطی برای ترجمه تصاویر از یک حوزه به حوزه دیگر با شرط بندی تشخیص و خروجی ژنراتور در ورودی استفاده می شوند. این را می توان با استفاده از معماری رمزگشایی-رمزگشایی ساده یا جایگزینی با استفاده از معماری U-Net با اتصالات پرش به دست آورد.

چندین نتیجه از GAN مشروط توسط Isola و همکاران.

نتیجه گیری

تطبیق دامنه عمیق به ما امکان می دهد دانش آموخته شده توسط DNN خاص را در منبع وظیفه به یک وظیفه هدف جدید مرتبط در کارهایی مانند طبقه بندی تصویر یا انتقال سبک با موفقیت مورد استفاده قرار گرفته است. به نوعی ، تطبیق دامنه عمیق ما را قادر می سازد تا از نظر میزان داده های آموزشی مورد نیاز برای یک کار جدید بینایی رایانه ای ، به عملکرد سطح انسان نزدیکتر شویم. بنابراین ، من فکر می کنم که پیشرفت در این زمینه برای کل حوزه بینایی کامپیوتر بسیار مهم خواهد بود و امیدوارم در نهایت ما را به استفاده مجدد از دانش م effectiveثر و ساده در کارهای بصری سوق دهد.

به این ترتیب رایانه همسایگان خود را هک کردم

نه تنها وب سایت ها و شرکت ها هک می شوند ، یک داستان واقعی

عکس توسط Ludovic Toinel در Unsplash سلب مسئولیت: این شخصی است که من در حال حاضر با او دوست هستم و مطمئناً این یک آموزش نیست ، به همین دلیل است که قسمت ها گم شده اند!

معرفی

به دلایل عجیب و غریبی ، من فکر کردم همسایه من مامور سرویس مخفی ، سیا یا موارد مشابه است. نحوه حرکت ، صحبت و رفتار او فقط این احساس را در من ایجاد کرد. یک شب پس از دیدن او به گاراژش و ساعت ها ماندن در آنجا ، فهمیدم چیز عجیبی در جریان است. برای اثبات ادعاهایم به شواهدی نیاز دارم و تنها چیزی که به ذهنم رسید ورود به شبکه خانگی او بود.

راه اندازی

من کامپیوترم را آتش زدم مجموعه سی دی سیستم عامل من را نصب کرده و لینوکس کالی را نصب کرده ام. همه چیز برای شروع ماجراجویی اماده و آماده بود. ناگهان متوجه شدم که شرکت اینترنتی من دچار خاموشی شده است. حالا چی؟ خوب ، من نیاز به اتصال اینترنت به مطالب گوگل و تجزیه و تحلیل اطلاعات داده شده داشتم.

دسترسی به شبکه بی سیم

از آنجا که اینترنت نداشتم و هدف اصلی من این بود که او را مجبور کنم ، اولین قدم من تلاش برای هک کردن Wi-Fi خانه او بود. به محض شروع به جمع آوری اطلاعات ، متوجه شدم روتر او از حفاظت WEP استفاده می کند ، چه؟

WEP WEP (حریم خصوصی معادل سیم) یک الگوریتم امنیتی برای IEEE 802. با هدف غلبه بر مسائل محرمانه بودن داده ها با اتصال سیمی سنتی توسعه یافته است. با رمزگذاری داده های منتقل شده برای جلوگیری از استراق سمع ، حفاظت بهتری از داده ها انجام می شود. >

احراز هویت WEP با دو روش کار می کند: شبکه و همچنین دریافت فایل هایی که رمزگذاری نشده اند تأیید کلید کلید مشترک (SKA) - SKA به رایانه مجهز به مودم بی سیم اجازه می دهد تا به شبکه WEP دسترسی کامل داشته باشد و داده های رمزگذاری شده و رمزنگاری شده را مبادله کند.

رمزگذاری WEP را می توان با استفاده از برخی از ابزارهای ساده مانند aircrackng ، که از قبل در لینوکس کالی نصب شده است ، به راحتی هک کرد. این یک سیستم رمزگذاری است که امروزه کاملاً خراب شده است. با استفاده از این تکنیک و 1 ساعت یا بیشتر ، متوجه شدم گذرواژه وای فای او maria123456789 است

استفاده رمزگذاری