Психоделика 21 века: инцепционизм или картины нейронных сетей
«Страх и ненависть в Лас-Вегасе», Ван Гога и многое другое прогнали через экспериментальную программу Google
Герои фильма «Страх и ненависть в Лас-Вегасе» предстали в сюрреалистическом виде в отрывке из картины, модифицированном с помощью системы Deep Dream, которую создали специалисты Google для визуализации работы нейронных сетей.
Работу Deep Dream ранее иллюстрировали с помощью статических изображений. Когда системе предлагают для анализа некий материал, — картину или фотографию, — она усиливает на изображении особенности, напоминающие ей что-то знакомое. Таким образом можно увидеть, как работают различные уровни нейросети. Слои нижнего уровня находят в исходнике простые геометрические черты вроде наклонных линий и кругов, а слои высокого уровня отыскивают в увиденном сходство со знакомыми им изображениями людей или животных. Процесс получения новых изображений авторы Deep Dream назвали инцепционизмом.
***
В блоге Google опубликован рассказ группы исследователей о том, как искусственные нейронные сети научили писать свои картины. Для этого использовались нейросети, предназначенные для распознавания изображений, состоящих из 10-30 связанных слоев, которые работают последовательно: получив картинку, они анализируют ее и «сообщают» результаты анализа следующему слою. Например, первые слои могут искать на изображении края и углы, средние — интерпретировать наборы особенностей в отдельные объекты (например, двери или листья). Наконец, финальные слои объединяют все эти интерпретации воедино и делают выводы о том, что изображено на картинке — например, здание или дерево.
Чтобы получать «картины», исследователи заставляют работать нейронные сети задом наперед: они показывают сети случайный шум и просят «улучшить» его таким образом, чтобы на выходе получилась определенная интерпретация. Например, если попросить нейросеть «найти» в шуме банан, муравья или морскую звезду, та действительно подкорректирует изображение, чтобы в нем проявились узнаваемые черты.
Цель этого процесса — понять, правильно ли нейросеть интерпретирует те или иные объекты. Дело в том, что нейронные сети обучаются на большом количестве примеров. Можно показать им тысячу фотографий вилок, чтобы они определили нужные характеристики (ручка, четыре зубчика) и научились игнорировать лишние (цвет, форма, положение).
По словам исследователей, нейронной сети можно вообще не говорить, что именно нужно «нарисовать» — пусть решает сама. В таком случае ей на вход подают случайную картинку или фотографию, выбирают один из слоев нейросети и просят ее улучшить то, что этот слой найдет. Так как у каждого слоя свой уровень абстракции, то каждый раз получаются разные картинки.