помогите бедному студенту разобраться!

[sadikrtyti]

Задали такое задание на семинар: подобрать 5 низких (как мы поняли плохо работающих нейросетей) и доказать это. Необходимо будет прямо на паре зайти на сайт и предоставить доказательства, почему именно эту нейросеть мы определили в эту категорию. При этом она должна работать без VPN. Найти их оказалось очень сложно, практически невозможно, а может быть, я что то делаю не так. Помогите пожалуйста, и объясните как их проверить

[admin]

Нейросети какой категории имеются ввиду ? Их очень много:

• генерация текста
• генерация видео
• генерация картинок
• оживление фото

...и так далее.

 

Но, если коротко, то самыми слабыми можно считать первые версии всех нейронок: Stable Video Diffusion (генерация видео по промту), Stable Diffusion до 1.5, Dalle-2 и пр.

[sadikrtyti]

Судя по всему любых вообще, уточнений по этому вопросу  не было. Главное на паре доказать, а каким образом.... спасибо за ответ!

[admin]

проблема в том, что вы эти нейросети уже вряд ли найдете где-то в открытом доступе, они сильно устарели...

• По Stable Video Diffusion примеры генераций можно вот тут найти: https://t.me/yes_ai_chat/27759

 

[sadikrtyti]

Поняла, но тогда вообще не понятно, что от нас требуется и как вообще выполнить это задание... в любом случаем спасибо за ответ!!

[admin]

Так как ваш преподаватель не совсем корректно сформулировал вопрос, могу предположить еще вот что...

 

Поверхностные нейросети (shallow neural networks) — это нейронные сети с небольшим количеством скрытых слоев (обычно один-два скрытых слоя или даже вообще без скрытых слоев). Они считаются «простыми» или «неглубокими» и хорошо подходят для решения относительно несложных задач или задач, где данных немного, а глубокие сети избыточны.

Вот несколько примеров поверхностных нейронных сетей и моделей на их основе:

1. **Перцептрон (Perceptron)**  
   - Самая простая модель, состоящая всего из одного слоя нейронов.  
   - Используется для решения задач бинарной классификации.
   - Очень ограничен в возможностях и не способен моделировать сложные нелинейные функции.

2. **Многослойный перцептрон (MLP, Multilayer Perceptron)** с одним скрытым слоем  
   - Имеет входной слой, один скрытый слой и выходной слой.
   - Способен решать задачи классификации и регрессии средней сложности, но ограничен в моделировании сложных зависимостей.

3. **Сеть радиально-базисных функций (RBF-сеть, Radial Basis Function network)**  
   - Состоит из одного скрытого слоя нейронов с радиально-базисной функцией активации и выходного слоя.
   - Часто используется для аппроксимации функций, классификации и регрессии.

4. **Сеть Хопфилда (Hopfield network)**  
   - Рекуррентная нейронная сеть с одним слоем нейронов, соединённых между собой обратной связью.
   - Используется для ассоциативной памяти и решения задач оптимизации.

5. **Адаптивная линейная сеть (Adaline)**  
   - Простая сеть с одним слоем нейронов с линейной активацией.
   - Используется для задач линейной регрессии и классификации.

Применение поверхностных нейросетей оправдано в следующих ситуациях:  
- когда набор данных небольшой и глубокие сети склонны к переобучению;  
- когда задача проста и не требует извлечения сложных признаков;  
- для обучения базовым принципам машинного обучения и нейросетей.

Однако для сложных задач, таких как распознавание изображений, обработка естественного языка или временных рядов, глубокие нейронные сети обычно дают лучшие результаты.